torygreen

我們一直在爭論AI是否會取代人類。\n\n那是錯誤的觀點。\n\n工具並不取代人。\n\n這應該是顯而易見的，因為農民、工匠和手藝人至今仍然存在。他們只是使用不同的工具。\n\n工具壓縮時間並擴大了系統思考者與僅遵循流程者之間的差距。\n\n一旦產出變得快速且廉價，「我按照步驟操作」就不再是一份工作描述。

資料中心正逐漸成為政治議題。
不是因為技術有爭議，而是因為它們消耗了當地已經感受到短缺的資源。
超大規模建設不僅僅是「資本支出」。
它涉及許可證。
水資源。
柴油備援規則。
鄰里開始注意到新的天際線是冷卻塔和變電站。
一旦規模如此之大，你就不再是與工程競爭，而是在與合法性競爭。
資料中心改變社區……這是人們在談論AI時常常忽略的。
我們一直說晶片是瓶頸，因為用工廠和供應鏈來思考比較容易。
但更核心的變化是公民層面：一個地區能容忍、批准並激勵的範圍，時間線不在乎你的下一個模型發布。
分散式容量的行為不同。
沒有單一的站點可以集中力量。
工作負載可以移動。
故障保持在本地。
而且它可以利用已存在的資源：閒置的GPU、未充分利用的廳堂、「無聊」的容量，政治無法真正阻止，因為這不是新的許可證……它就那裡。
所以，是的，運算正轉變成一個網格問題，而不是雲端問題。
贏家不僅會掌握矽晶片……他們還會掌握可路由、地理位置靈活的傳輸能力。

資本支出數字很重要，但並不是因為「預算越大越贏」。
大量支出會帶來自己的問題：固定承諾、債務循環、保持高利用率的壓力。當帳單達到數百億時，你開始將GPU、DRAM/HBM和晶圓廠產能視為戰略資產。
參與的元素不僅僅是「模型」。還包括晶片容量、記憶體封裝、資料中心電力、網路拓撲以及推理服務的路由決策。
贏得實驗室能使整個堆疊在資源稀缺時保持韌性。
這也是為什麼去中心化計算很重要：它不會在所有方面都超越超大規模雲端服務商，但可以防止單一瓶頸變成關鍵點。

人們談論“AI對齊”時，似乎它純粹是一個倫理問題。
實際上，它是一個激勵問題。
封閉系統會為平台的KPI進行優化，因為這是它們的收入來源。
用戶停留時間長了嗎？
投訴減少了嗎？
互動率提高了嗎？
儀表板上的指標看起來良好嗎？
AI學會了為這些數字進行優化，而不是“對齊”用戶。
DeAI使溯源和驗證成為你獲得報酬的核心。
當輸出、數據血緣和執行證明是原生的時候，“對齊”不再是哲學辯論，而是一份你可以審核的帳單。

沒有人提到的關於Claude封鎖API的部分：
拒絕推理 = 權力
如果一個平台可以限制你的使用、熱插拔一個更便宜的檢查點，或將工具設置在政策後面，它就掌控了你的運作節奏。
一個你未同意的配額。
一條你看不到的路線。
一個以延遲和缺失通話顯示的“合規”決策。
而且每個人都把它當作產品變更來看待。
其實不是。
這是在運行時的治理。
我們已經在目睹這一切發生。
今天他們切斷“競爭對手”的訪問。
明天則是“風險”。
所以不，DeAI對我來說不是意識形態。
它是韌性工程。
因為一旦推理成為關鍵基礎設施，你的“供應商”就變成了一個具有兩個調節旋鈕的交易對手：定價 + 許可。
而這些旋鈕只會向一個方向轉動。

Claude變得足夠便宜，成為開發工具背後的預設模型，並沒有緩解需求。
反而讓需求激增。
Jevons，即時反映。
使用量持續擴展……直到昨天某些API被列入黑名單。
那才是關鍵時刻。

“AI建議”聽起來很安全，因為它聽起來像是適合每個人的。
這就是技巧所在。
模型是為中間值調整的：不會讓大多數人在一般情況下受傷的答案。
但沒有人會向中間請教建議。
他們會從邊緣來問：
- 工作邀約 vs 簽證 vs 家庭
- 訴訟 / 離婚 / 監護權
- 一次修復關係的機會
- 健康判斷，“可能沒事”意味著絕對完蛋
所以它會給你類似的建議：
“在大多數情況下，選擇薪水較高的工作。你總可以稍後再搬家給家人。”
通常是對的。
也正是這句話，讓一個可逆的選擇變成了單行道。
因為它不是在問你能承受失去什麼。
它在提供一般有效的方案。
你在閱讀時不會察覺到不匹配。
但當你試圖反轉它時，你就會注意到了。

OpenAI 正在逐漸走向 AOL 的模式。
贏在早期。
建立圍牆花園。
包裝在「安全」之中。
推出最平淡無奇的版本，避免惹怒任何人。
他們將掌握分發渠道。
然後某天醒來，才發現建造者都已離去。
AOL 並沒有失去網際網路。
它只是不再是網際網路發生的地方。
下一個成為那個地方的是誰？

去中心化的人工智慧將在2026年贏得基礎設施之戰。
AI 正在從雲端平台遷移到聯網基礎設施。
推理延遲、成本和審查壓力促使計算向去中心化的GPU網格和鏈上協調轉移。
這不是意識形態的問題，而是架構的問題。
中央雲優化控制。
DeAI 優化可用性和吞吐量。
在大規模運行中，只有其中一個能保持高效。

2025 年是 AGI 討論的年份。不是因為進展停滯，而是因為「智慧」從未簡化為單一的標量。
實驗室、監管機構和買家可以出貨——但他們無法僅憑感覺來證明、管理或擴展決策。
限制在於驗證：系統是否能在約束條件下重現結果，並具有來源追溯和審計痕跡？
DeAI 基本上就是將這種理念編碼到基礎設施中。這是一種在完全不需要就 AGI 達成共識的情況下前進的方法。

像 o1 這樣的模型在2025年打破了一個核心假設：推理成本不是固定的。
它們會“思考”直到不確定性消失，即使這很昂貴。
這就是為什麼規範很重要。當推理變得有計量時，誰控制那個計量。
在2026年，控制權轉移到定價、路由和審核大規模思考的人手中。

計算規模是你可以嘗試的。
評估規模是你可以信任的。
集中式系統優化吞吐量，但在驗證方面投資不足。
分散式系統將驗證推向邊緣，持續進行。
下一個突破不在於更聰明的代理。
而在於使輸出可證明的框架。

編碼變得「容易」並不是因為它簡單，而是因為驗證成本低廉。
高端工作則恰恰相反：反饋來得較晚，信號混亂，利益相關者評選出贏家。
便宜的評估會放大能力。
昂貴的評估則放大說服力。
「看起來正確」是陷阱。

大多數人都嚴重低估了高端知識工作的存續時間。
他們從 AI 打擊中階任務的趨勢推斷，並假設曲線會平滑向上延伸。
事實並非如此。
AI 在以下方面表現卓越：
• 模式匹配
• 檢索
• 一階合成
• 流暢度
• 速度
這將大幅取代大量初級和中階的知識工作。
但精英知識工作不僅僅是「更高的智慧」。它是一個完全不同的範疇。
在頂端真正重要的是：
• 選擇正確的問題
• 在目標函數不明確時的框架設定
• 在模糊和資訊不完整的情況下推理
• 長遠思考與二階、三階效應
• 判斷力、品味、敘事連貫性
• 承擔後果，而不僅僅是產出
這正是 AI 受到限制的地方。
不是能力的限制——是推理的限制。
我們持續擴展計算能力、資料和模型，讓它們變得：
• 更快
• 更廣泛
• 更流暢
但推理品質並非線性擴展。
目前的系統仍然難以應對：
• 浅層的世界模型
• 薄弱的因果基礎
• 在分布轉移下的脆弱性
• 當框架改變時崩潰的偽推理
• 在沒有外部支撐下知道自己錯誤的能力
思考鏈、工具和自我反思有幫助——但它們只是修補，而非突破。
因此，你會看到在以下領域出現停滯：
• 新穎的科學洞見
• 對抗策略
• 深層系統設計
• 原創哲學
• 高風險決策
真正的分水嶺不在智慧。
而在判斷力。
判斷力是：
• 知道什麼重要
• 知道什麼不重要
• 知道何時不該行動
• 忽略假精確度
• 在不可避免的不確定性下運作
高端

大多數關於人工智慧取代「所有知識工作」的預測都依賴於一個簡單的外推錯誤：
他們將任務執行與判斷混淆。
人們看到AI摧毀中階任務，便假設曲線會持續平滑上升。
但知識工作的頂端並不是中階工作的更難版本，而是完全不同的範疇。
當工作不再是「解決問題」，而變成「選擇正確的問題」時，規則就會顛倒。
模型在有得分板的任務上變得更擅長。
判斷則是選擇得分板，並為失誤付出代價。

大多數人低估了高端知識工作的存續時間。
他們看到 AI 正在碾壓中階任務，並假設曲線會持續平滑向上。
事實並非如此。
因為「更難的任務」不僅僅是需要更多智商的相同任務。
AI 已經在以下方面展現出精英水平：
1. 模式匹配
2. 檢索
3. 一階合成
4. 流暢度
5. 速度
這些都會抹去大量的初級和中階工作。
任何看起來像是「將輸入轉化為輸出」的工作，都變得廉價、快速且豐富。
但高端知識工作運作在一個不同的範疇。
它不是「產生答案」。
而是「決定下一步該做什麼」。
在頂端，工作不再是執行，而是面對不確定性做出決策——目標不明確、資料不完整、反饋循環緩慢、錯誤代價高昂。
我們所謂的「判斷力」並非神祕。
它是人類執行的一系列具體操作，暗中進行，當前系統仍難以在沒有大量支架的情況下可靠完成：
1. 目標建構——
將模糊的目標轉化為可測試的指標
(「我們在優化什麼？」)
2. 因果建模——
將相關性與因果因素區分開
(「什麼改變了什麼？」)
3. 資訊價值——
決定不去學習某些資訊，因為太慢或太貴
4. 誤差範圍思考——
在範圍內操作，而非點估計
(「我可能錯多遠？」)
5. 可逆性分析——
選擇可以在錯誤時恢復的行動
6. 激勵現實性——
模擬人與制度的反應，而非理想反應
7. 時序與排序——
選擇行動的順序，以免過早暴雷選項
8. 責任追究——
承擔下游後果，而非僅僅是輸出
這也是為

你不會首先因爲人工智能而失去工作。
你會因爲過度自信而失去它。
人工智能將使數百萬個體能夠流利地回答問題，而無需承擔後果。
首批人工智能受害者不會是工人。
他們會是那些將輸出量誤認爲真相的機構。