文 | 李智勇
AI 到底可以怎麽用？
現在是真正的 AI 非共識時刻。
非共識時刻的認知價值往往會大于普遍共識已經形成時候。
現在再說互聯網，對互聯網認識的再清楚其實也沒機會幹電商了。
一個企業的價值往往在和其它組織或個人的差異中才得到體現。
A 做 100，B 也做 100 往往不形成機會，但 A 做 10，B 做 0 則相反，很可能形成機會。
陸續寫了一個系列的文章，有點體系化，但并不是學問，而更像是一種非共識下，認知混沌未來方法。
因爲之前發的散亂，卻内在有一些遞進關系，所以這裏把它們按邏輯次序整理下：角色中心式計算，圖靈測試 2.0，智能原生，從 1 到 10。
角色中心式計算
AI 的颠覆性到底在那裏？這種颠覆性是大于互聯網還是小于互聯網？與互聯網比又有什麽異同？
這種颠覆性起于基于 AI 模型的應用和基于過去經典計算機架構的應用所對應的基礎計算模式不同。
用韓毅同學的說法是經典計算機架構下，過去的應用是大量 if...else... 的堆積。這種規則的堆積最終能形成有點智能的感覺，但靈活度和功能邊界是受到極大約束的。
爲了解決問題，就必須把問題切塊。
企業級軟件在切塊：
個人的 APP 也在切塊，電商、短視頻、IM 等。
切塊之後人變成了完成某個目标的調度器。不同的角色需要調度的功能型應用越多。但總的來看切塊越多，人越累。
AI 提供了概念理解和邏輯判斷能力，所以調度本身可以分配給 AI，人則更多的完成特定角色和現實世界中的映射。比如教育小孩，那就更多思考怎麽才是一種好的教育方式，而不是怎麽使用工具。這就是角色中心式計算。背後不在是 if...else... 的規則堆積，而是 any...then... 的智能。
角色中心式計算會變成現實的底層邏輯是：如果智能本身的表現與它所獲取的信息成正比，那最終在追求體驗和效率的内驅力下，就一定會變成角色中心式計算。
圖靈測試 2.0
角色中心式計算創造新機會麽？怎麽判斷是否可以進行角色中心式計算？
角色中心式計算對智能的程度形成強依賴。
一個人智商到了不學習可能考不上大學，但智商沒到可能學習了也考不上。
真正改變計算模式首先需要足夠的純粹的智商，這種純粹的智商依賴于模型。
但純粹的智商是否真的夠了，則要回到場景本身，擅長下圍棋可能智商高，但不一定能做好企業。
這種智商衡量不能學術化，比如靠做題，或者測試集跑分，而是要回到具體的場景。單純做題或者測試集的結果是學術視角，産品視角下智商夠不夠則需要一種新的判斷方法。
學術視角是減法就關注幾個純量，産品視角則是加法，100 個環節有一個搞不好，也是不行。很多時候會不止依賴一個模型而要做模型的組合。
這背後的判斷方法可以稱之爲圖靈測試 2.0。
這是一個純粹的智能測試，本質是追求在封閉系統裏面的邏輯自洽性。
現在我們把 Agent 類似的概念加入這個測試：
這就是圖靈測試 2.0。和 1.0 相比核心差異是什麽呢？
去幻覺，有邊界。
1.0 是一個淩空的系統，具有合理性的幻覺其實有助于通過測試，但 2.0 不行，測試者同時從真實場景和被測試者接受反饋；其次就是測試邊界的限定要求更高的智能綜合度。
能否打破内容生成的邊界變成各種場合都用的新式通用計算平台，關鍵取決于智能是否能跟上。而智能是否能跟上取決于是否在一個個場景下能通過圖靈測試 2.0。
每當一個場景通過圖靈測試 2.0（産品經理的測試而不是技術視角的測試），那麽就形成了一個可以進行角色中心式計算的實驗田（一次重構的機會）。
通過圖靈測試 2.0 則産生做智能原生應用的機會，注意這不是 MJ，ChatGPT 這些工具。
下圖中絕大部分工具不是智能原生應用，而是會被通用模型淹沒的工具。
角色中心式計算與智能原生應用，一種完全新式的應用，有點像新開了一個應用商店，所以是普通人的機會。
和大模型不一樣，大模型由于資金、技術、人員要求太高，即使純粹是相應方向的博士，真正能從事相關工作的估計也不到 10%。
智能原生應用
那什麽是智能原生應用？
可以用愛立信畫的這張圖，我們有很多和 AI 相關的應用，但如上所說大部分都不是智能原生應用。
比如原來的閘機需要刷卡，現在得刷臉了。
比如 Office 原來不能幫助生成内容了，現在加了個小球可以幫你生成内容了。
比如智能音箱原來隻能靠按，現在可以語音交互了。
這些都不是智能原生應用（分别對應上面圖裏面的依次往下的場景）。
智能原生應用需要把概念理解和智能判斷和決策滲透到每個角落，正是角色中心式計算的實現。（圖的右側）
結構上智能原生應用會和過去的智能音箱或者搜索最像 , 但具有自主行爲能力。
假如你想成爲主播，自己不想上，扔一個智能體在那裏，它每天自主開播，那這個智能體就是智能原生應用，它處理了你這個角色所有相關的細節。過去詳細舉過例子，這裏不展開。
從 1 到 10
一旦真的開始打造智能原生應用，那對它的進化階段要有預期。
互聯網産品是從 0 到 1，從 1 到 100 的兩段論，智能原生應用則是從 0 到 1，從 1 到 10，從 10 到 100 的三段論，更加的辛苦和有挑戰。
這和兩者的計算形态有關系。
功能中心式計算是選一個功能，水過地皮濕，隻要面足夠大，那就創造比較的總價值。
智能原生型應用相當于要把一個角色吃透，那就類似打深井，必須打到一定程度才有水喝。
角色面對的環境是個變量，那究竟是不是真的能夠自适應的匹配這些變量，在幻覺仍然存在的前提下就是個水磨工夫。
你做了自己的數字分身，它到底會不會違規呢？針對話題 A 不違規，針對 B 也不違規麽？
過去我們的計算模式本質上是現實世界的需求由程序員折射成計算機世界的語言，然後計算機按照程序員的設定進行執行。
AI 下的計算模式不是這樣，程序員這個中間層越來越透明（不是徹底消失），人直接和模型進行交互，然後具體的功能範圍是不定的。模型、策略和價值觀設定這個範圍，不再是程序員設定這個範圍了。
如果用圖形描述，那大概下面這樣：
這個類生命體是可能闖禍的！！！
打磨這個的階段，可以統稱爲從 1 到 10。
小結
角色中心式計算，圖靈測試 2.0，智能原生應用，從 1 到 10 是一個邏輯層層遞進的思維方法。不百分百對，但從實踐來看估計偏差不大。理解了這個也就理解了普通人的機會到底在那兒，所以重新梳理下這個脈絡。抛磚引玉，供參考。
