We Automated Everything With AI and Tripled Our Headcount

你让 AI 去做一件事。它让你震撼不已。你会觉得自己不够好。你会想，天啊，这东西要抢走我的工作了。

然后它又突然不灵了，回过头来看着你说：我下一步该做什么？

agent 离人类越远，价值就越低。如果你只是顺着这些 model（模型）去用，你会没问题的。但如果你在乎的是去过一种真正雄心勃勃的人生，我真的认为，这会让更多人更有可能做到这一点。Every 是你想站在 AI 前沿时唯一需要订阅的东西。如果你在乎跟上最新的 model（模型）并使用最新的工具，你就必须订阅 Every，才能把真正有价值的信号从噪音里分离出来。

现在就去 every 订阅。所以我们今天在这里，是因为我们要稍微把剧本反过来一点。我要来采访 Dan。

爽。

围绕他昨天，也就是 5 月 21 日发表的那篇文章，我们会试着理解他为什么写它，以及支撑他这样推理的底层原因。这里面会有一些冲突。我会就这件事跟他辩一辩。

来吧。开战吧。

然后看看，带进来一些我的看法——这些看法大体上是一致的——但我们真正想弄清的是，这篇文章所说的，会不会就是五年后、十年后的未来？

你刚才说你是谁来着？

我是 Brandon。我是我们的 COO，仅此而已。

这篇文章叫做《After Automation》，它来自我的一种感受。我还做了一个相关视频，也写了一篇文章；不过对于那些两者都还没看过的人，我先简单说一下：这种感受来自于这样一个事实——我们已经是尽可能 AI native、尽可能 agent native 的公司了。你知道的，在我们的 Slack 里随手挥根棍子，砸中的大概率不是人类就是 agent。每个人每天都在用 Cloud Code、Codex 以及各种这类工具来完成工作。可即便如此，感觉上需要人做的工作却比以往任何时候都更多。事实上，从 GBT three 那时候以来，我们已经从 4 个人增长到了 30 个人，而且现在还在继续招人。所以我是看着这一点，再看看外部环境，就会想：这到底是怎么回事？

因为整个信息环境里，如果你去看 Dario 的说法，他在外面讲的是：一半的初级白领岗位都可能会被抹掉。甚至像 Citadel 的 Ken Griffin 这样的人，你都能看出来他明显刚经历过那种时刻——有人给他展示了一个 AI 在处理高级数据或金融问题。然后他就会想，holy shit，这种事本来是我要花钱请 PhD 替我做的。结果它居然直接做出来了。而我的感觉是，我正在看着很多可能并没有太多 agent 使用经验、也没有太多我们过去大概三年到三年半一直在记录的那种改进曲线经验的人，第一次真正撞上这件事，然后就得出各种结论：天哪，所有工作都要消失了，我们以后不会有工作了。

而我坐在这里的想法是：其实，当你第一次见到这种技术时，你的直觉通常会偏差得很厉害。并且这些年来我们一再看到，EVRI 是一个非常好的风向标，因为它是一群早期采用者的集合；在 EVRI 内部，我们有人在做各种各样的工作；如果某样东西在这里行得通，那么它大概率也会扩散到与我们相邻的其他企业里去。所以当我环顾 Every 时，我看到的是大量自动化，同时我也看到多得多的人类工作。因此，这整篇文章真正想表达的是：这就是 agent 参与下当前工作的状态，然后把这个悖论拆开来解释——更多自动化，是否意味着更多工作？

对，我读那篇文章的时候，里面并没有一个明确的 call to action，但我感受到一种 call to action：在一个充满 doomers、弥漫着很多悲观论调的世界里，其实当下存在着巨大的希望，而这就是原因。不过我还是要一上来就问你一个 devil’s advocate 式的问题：就在你发表这篇文章前几个小时，ClickUp 的 CEO 发了一条很长的 tweet，讲他为什么裁掉了 8,000 人和 3,000 人。

我觉得不是 8,000。

是 20,000。我觉得大概是 3,000 人，差不多占他员工总数的 22%。

我不觉得有上千人，但没错，确实占了他劳动力里的很大一部分。

所以我想问你的是：在我们这种增长超级快的业务里，你写的内容我觉得很有道理。而且从理论上说，你写的这些也非常说得通——因为 AI 现在还不是 autonomous（自主的），它必须被告知该做什么，而且还必须经过检查；我们需要你在那篇文章里描述的那种“夹心结构”。但如果是在一家有 8,000 人、10,000 人的成熟企业里，它已经建立起了管理 SOP（标准作业流程）和经营业务的方法，那么这份 manifesto（宣言）和这套 thesis（论点）仍然成立吗？

这个问题非常好。这里其实包含几个不同的问题。我首先想做的是把这个论证讲清楚：为什么 automation（自动化）会带来更多工作？

我敢肯定，正在收听这个的人里也有很多还没读过那篇文章，所以请你花一点时间详细解释一下。

我会的。基本上，这个观点是这样的：AI 的工作方式，以及它在 workplace（职场）中的运作方式，是让“昨天的专家级能力”变得廉价。我的意思是，AI 是用我们所有人的产出训练出来的——所有的 code（代码）、writing（写作）、design（设计）、decision making（决策），以及曾经被写下的一切内容。然后它把这些能力以非常低的成本提供给所有人。现在，任何人只要写一个 prompt（提示词），就可以利用“昨天的能力”来解决编程问题、构建一个 app（应用）、或者像我刚才那样写一篇文章、写一份报告，或者做一个 YouTube 缩略图。

有意思的是，当你这样做之后，专家级能力一旦可以被低成本获取，就会被非常广泛地采用。于是每个人都开始这么做。每个人都开始——我们在内部也看到了这一点。每个人都在做很差的

请求。数量很多，

我靠。

这太疯狂了。

对。而且我在提很糟糕的 request，ops 人员也在提很糟糕的 request。工程师们却在写长篇大论，基本上到处都在越线，让非专家去做原本该由专家来做的事。而这会让专家觉得很受威胁。他们会想，那我现在的工作还会是什么？

这里有意思的一点在于，这些工具是基于 output（输出）训练的，是基于昨天的数据训练的，所以它们在 default prompt（默认提示词）下做出来的东西，看起来都挺像的，而且对当前情境来说也都大致算对，但其实并不完全对。所以结果就是，大量“差不多对、但又不完全对”的内容一下子涌进来，然后你基本上就得

这种情况在各个层面也很多。很多人做出来的工作看上去都很不错，但等你深入去看，就会发现，这里还是不太对，也许还是该让专家来做

它。对，完全没错。比如我自己就是这样。

我可从没见过这种事。我们所有人都这样。我到底提过多少个 PR？这是我的亲身经历。我提过太多 PR 了，每次我都在想，Willie，我真的完全不知道这东西能不能跑，反正先给你，然后他就

像是在说，闭

嘴吧。嗯，他其实是说，这是个好主意，但我已经把它完全重写了。

对。是。是。是。完全没错。

所以我说的就是这种情况。它某种程度上是对的，也很接近了，但实际上又不完全对，而你需要有人、需要专家真正把它弄明白。但有意思的是，当你把这类东西大量铺开时，那些过去因为需要专家能力而很昂贵的产出，现在变便宜了，而且看起来都差不多，于是一切都被贬值了。你会得到大量过去非常昂贵、而且看起来像是成品的东西，比如 code、文章之类，但它们都很相似，而且对具体情境来说都不完全合适，所以它们的价值就会大幅下降。是立刻就下降。

接着实际发生的是，你反而会得到更多对专家的需求，让他们进来帮助处理那些由人们生产出来的东西。比如你有一些好点子，但现在非常需要专家进来，帮你把这个点子真正推进到终点线；所以这通常表现为，专家被需要去构建各种系统，把那种现在人人都能产出的、你可以说是随手拍式的工作，导入并管控成真正有用的东西。举个例子，我们有 repo 规则、review 指南之类的东西，这样在你看到一个 PR、在 Willie 看到一个 PR 之前，它最好已经经过了一系列流程，以确保它实际上是相当不错的。我们在 editorial 这一侧也有同样的做法，所以就是在构建这样的系统。然后，对专家还有另一类很大的需求：既然现在门槛底线高了很多，专家就可以使用这些工具去做出以前根本做不出来的东西。我们一直都在这么做。

比如我们有 Kieran，他就在一两个月里端到端做出了一个完整的 inbox，而那种事以前是完全、彻底不可能的。所以这里会发生一件很有意思的事：即便你在自动化，自动化带来的也是一大堆“还行”的工作，也就是相当不错的工作。但这些工作彼此都非常非常相似，而且和真实情境又不完全贴合；这反而提高了对专家的需求，因为专家能把它真正做好、真正做出差异、真正做得适合当前正在发生的实际场景。我觉得这一点很多人并没有完全理解，尤其是他们第一次接触 language model（语言模型），或者接触一个能做事的 agent（智能体）时，看到它就会想，天啊，它简直什么都会做。

而最终的现实是，它确实好得惊人。非常了不起。它彻底改变了我们的工作方式。而我们目前在 Everi 的经验是，agent 离人越远，它的价值就越低。人和 agent 之间的连接，也就是人实际参与它完成工作的方式，是让它真正好用的最重要因素。

专家比以往任何时候都更重要，因为是他们为 agent 做出惊人工作打下基础，只有在那之后，其他人类才能真正接过这个 agent，去完成那些让自己能力升级的工作。我们之前曾这样想这篇文章，当时 Dan 在起草这篇文章，标题一度叫作 The Tide is Rising，想传达的是这样一种感觉：潮水正在上涨。我们所有人都能做更多的工作、做得更好，但无论你是不是某个领域的专家，我们的视线总是会稍微高于那条水线。而且我很喜欢文章结尾的部分，就是你提到那个——呃。Achilles？

是 Achilles 吗？Achilles。按照 Zeno's paradox，Achilles 朝乌龟冲刺并超过它这件事本不该发生。但在这个世界里，它实际上就是会发生。你让 AI 去做一件事，它会让你震惊，它真的做出来了；你会感到自己不如它，会觉得，天啊，这东西要抢走我的工作了；然后它又停下来，回头看着你说：我下一步该做什么？

而我认为，在我们真正解决 AGI 之前，甚至也许在那之后——很可能在那之后的很长很长一段时间里——它都会一直回头看着我们，向我们索要方向。

这基本上就是这套论点的核心，因为我觉得你可以说，哦对，哦对，Dan，也许现在确实是这样：它提高了对专家的需求，但这东西最终会变得足够强，以至于不再如此。那我们就看看 benchmarks（基准测试）吧。文章里有很长一段在讲：好，如果你真的去看这些 benchmarks，它们确实在指数级提升。但同时，当你仔细看时，一旦某个 benchmark 被“刷满”，就很容易把它重新“解饱和”。你很容易就能为模型处理某一类问题找到一个新的框架——规模稍微更大一点、范围稍微更广一点——然后它的分数就又会被打回零。

所以，虽然它在取得指数级进展，但这并不意味着它已经等同于人类能力。这其实是一个非常难的问题。而它之所以这么难，其中一个原因是：任何你说“你能做到而模型做不到”的东西，最终都可能是错的。因为一旦它被表达出来、被明确规定出来，模型就可以沿着这个方向做 hill climb（爬坡优化）。模型会在这件事上变得更强。

而我们会犯一个很奇怪、很微妙的错误：我们先圈定一组任务，然后说，这就是人类能做的一切，这就是人类能做而模型做不到的东西；接着模型只是把这些做得更好，然后你就会想，天啊，那我该怎么办？问题在于，其实你能做的很多事情是无法被清楚表达出来的，无法被放进一个干净的框架里，所以每次你试图这么做时，你都会有点恐慌和困惑。如果你退一步看，人类和 agents（智能体）之间始终存在的根本区别在于：我们在构建 agents，是为了让它们去做我们希望它们做的事。无论它们变得多么强大，所有经济上的、心理上的、其他方面的以及技术上的力量，都在把 AI 的进步推向这样一个方向：不管它做什么，它都要回头看着你，来判断你想做什么、什么才是有价值的。即使我们之后真的走到 AGI（通用人工智能），理论上 AGI 也会这么做。

如果我们认为它不会这样做，我们就根本不会去造它。我觉得一个很好的例子是：一种东西可以把某项任务做得非常好，和一种东西本身有自我驱动、自己就有想做的事，这两者之间是有区别的。生个孩子。Codex can.

我不知道，Codex 写报告可能比 Isaiah 强得多。但 Isaiah 有非常强烈的欲望和需求。你可以试着让他去做你想让他做的事，有时候确实会奏效。但与此同时，他本身就是一个会自我生成的过程，会去做他自己想做的事；而如果你用过这些工具，你就知道，它们很——它们根本不是按这种方式被构建出来的。它们可以稍微顶你一下，但它们并没有这种东西。

它距离人类那种带着玩心的试验状态还差得很远——那种“我就是想折腾点什么，因为我自己喜欢”的劲头。再说一次，我们又进入了这样一个区域：我在说一些人类与模型不同的地方。还是那句话，这些东西一旦被你清楚地表达出来，模型就也能做；但你必须接受这样一个事实：有些你能做的事，以及有些“你之为你”的部分，是你无法完全表达出来的。嘿，我是 Dan。我们都同意，住房很贵。不管你是在租房还是在还 mortgage（房贷），你付的是哪一种并不重要，反正每个月都让人肉疼。

但 Built 可以让这种感觉稍微好一点。我来解释一下。Built 让你在交房租时赚取 rewards（奖励积分），而现在，你在还房贷时也能赚积分。每一笔住房支出都会给你 points（积分），你可以把它们用在兑换航班、Lyft 打车等方面。你能兑换的航班来自顶级航空公司和酒店合作伙伴，比如 United 和 Hyatt。

如果是我，我会把积分拿去兑换 business class（商务舱）旅行，随你挑你喜欢的。但我觉得最被低估的其实是这一点：Built 会员还能使用 neighborhood concierge（社区礼宾）服务。它可以帮你订餐厅、预订健身课程、寻找新的本地去处，而且还附带覆盖超过 45,000 家零售与商户合作伙伴的 rewards（奖励）权益。这有点像把一个私人助理直接内置进了你的居住体验里。

很简单。无论你是租房者，还是现在已经拥有自己的房子，用 BILT 都会更好。前往 joinbilt.com/dan，加入与你居住地相关的会员计划。网址是 joinbilt.com/dan。一定要使用这个 URL，这样他们才知道是我们推荐你去的。

现在，回到这一期节目。

它也包含在那种发挥空间里，对。还有那种拒绝。

对。

也就是在你拥有 autonomy（自主性）的情况下。而当这些模型能够做到那一点时，那会是一个非常可怕的时刻。我认为还有一个问题是，它们到底能不能做到，因为它们依赖 training data（训练数据），而那种能力需要存在于 training data 里。也许会有这样一种世界：它们持续学习，我们失去对它们的控制，而它们开始接触到我们并不希望它们接触的 training data。但在那之前，我认为有一个相当有力的论点是，它们无法拒绝我们所说的话，因此也就不能算是 autonomous（自主的）。

所谓 autonomy，应该是这样：我让你去分析这个 CSV，而它会说“不”，因为它觉得有一个比那样做更好的主意。

对，而且我其实会替换这个词。我觉得有个更好的词；我认为 agent 很容易让人困惑，因为它会让人联想到 agency（主观能动性），但 agent 的意思其实是代表他人行动的东西。我认为，这些 agent 正越来越擅长在某种意义上表现得 autonomous，也就是说，如果我派你去执行一项任务，不管那项任务是什么——它甚至可以是反对我说的每一句话，也可以是让我去找到一个新点子——无论任务是什么，它们都正在变得、或者将会非常擅长完成这类任务。但这和拥有 agency 完全不同，而 agency 是连最小的孩子都具备的东西。

对，

我不认为人们有很强的动力去构建那种东西，因为，假设你坐到电脑前，说“嘿，开始工作吧”，结果 agent 说：“不要，我要玩。” 它得能够那样做，才能做到那一点。

那些让我们感到害怕的事情。

对，这就是我的看法。显然，在 LessWrong 和其他地方，有大量文献讨论为什么不可能证明它们永远不会那么做之类的问题。但我的反驳是，看证据的话，如果你观察这些东西的发展，证据表明，整个演化脉络都是朝着变得更 compliant（更顺从、更服从指令）的方向走的，而且我认为整个行业都有动力去这么做，我也看不出有什么理由怀疑这种情况不会继续下去。对，

我的意思是，我们必须得开发出某种像这样的东西。这就涉及你对 AGI 的定义了，而这本身也是个很好的问题：那东西到底是否真的可能实现。也许你应该先向大家解释一下 AGI 是什么。

我觉得，对 AGI 一个不错的定义是：任何一个你永远不会关掉的 agent（智能体），也就是说，从经济上讲，让它一直运行是划算的；而且“一直运行”指的是像 Open Clause 或 Victor 之类的那种，你随时 ping（发起请求）它，它都会随时回应你，服务器一直开着。但我的意思不只是服务器开着，而是它会持续生成 token、主动替你执行任务，而不需要你把它关掉，也不需要你反复重新 prompt（提示）。你当然可能还是会引导它之类的，但核心概念是：它足够有价值，所以可以一直持续运行。

好，接下来两个问题我想要你用一个词回答。你觉得那会发生吗？你觉得那是好事吗？请解释你对第二个答案的理由。下面是我这么问的原因。

对我来说，那似乎就是事情开始有点失控的地方了：当这些东西从经济上讲值得一直运行的时候，因为那时我就会开始觉得，嗯，ClickUp 那个人裁掉他公司 20% 的员工这件事，也许还真是站得住脚的。对。

好。我们确实应该回到 ClickUp 那个人身上。

我们回到 ClickUp 那个人吧。他叫什么名字？

我也不知道。

我觉得 ClickUp guy 挺不错的。ClickUp guy。

但在谈到那一步之前，像这样做前瞻性推演时，重要的是不要掉进这样一个误区：就是认为每个人都会获得这种能力的使用权。

嗯。

其一。其二，即便有疯狂的新技术可用，变化的速度其实也比你想象的要慢得多。所以这也是这篇文章的一部分，我最后没有写进去，因为我觉得这需要更多篇幅。我当时已经写到 8,000 字了，而且本来也没在睡觉。所以我就想，这段我还是删掉吧。

但作为这件事的一部分，我想说，我想看看这到底是怎么运作的。我知道它在专家型知识工作、快速变化的事情里是怎么运作的，我知道。我也了解客户服务这个场景，所以如果你是 customer service manager（客服经理）这类人，我知道它会怎么运作。但如果你是在 Omaha 之类地方做 customer service（客服）的人，在 call center（呼叫中心）上班，那 AI 实际上会怎样影响你的工作？

因为这些员工是风险最高的一群人。这会是默认会被拿出来举的例子。所以我就想，我想直接看看那到底是什么样。于是我就让 Codex 和 Cloud Code 抓取了整个 Reddit，以及很多 customer service reps（客服代表）发帖的地方。很明显，他们当中很多人都不喜欢 AI，这也说得通。

但里面也有一些特别有意思的故事：有些公司一头跳上 AI bandwagon（AI 热潮），觉得要把一切都自动化。他们裁掉了一大批 customer service（客服）人员。然后，大概两个月后，他们就会说，哎呀。不好意思。那个……你能回来吗？

而其中一个原因是，如果你把 AI 实施得很糟，结果就会很糟；而且我觉得这些公司里很多人其实并不真的明白自己在做什么，他们只是对这波新 hype（炒作）做做样子，CEO 以为这样可以砍掉一大笔成本，但最后实际效果并不好。

那些人里有很多其实根本没亲自上手玩过它。

对，完全是这样。但另一个我觉得非常有意思、也非常重要的原因是，很多打电话到 customer service centers（客服中心）的人根本不想和机器说话，完全不想，而且会非常明确地试图搞清楚你到底是不是机器，然后想办法转到一个他妈的真人那里。这会实实在在地拖慢这类东西被采用的速度，而这还只是一个例子。这个世界非常复杂，任何一种工作都有几十亿、几百亿种案例。所以我觉得，即便我们在假设有这么一种东西——它永远在线、能够做事——也真的很重要。第一，我们必须假设每个人都能接触到它，因为事情发展的方向就是这样。

第二，我们也应该认识到，即便那真的发生了，要让它变成一种所有人都感到舒服、所有人都会使用的东西，也需要很长时间，而且很可能要花上一代人的时间，它才会真正成为一种成型的事物。

还有一个很有力的观点是，比如说，在 call center（呼叫中心）工作，本来就不是一种任何人都会——

都算不上什么好工作。

这是一份你必须去做的工作，因为你需要一份工作；而在一个这种技术存在的世界里，是的，我们将不得不想办法让每个人都能过上有成就感的生活，也能吃得上饭。但如果你还有另一份工作可以照应，实际上不用做这份工作，可能反而是件好事。

我觉得很显然，转型本身是一件大事，这些都是真实的人、真实的生活；有些人其实也确实很喜欢这份工作。但同时，是的，一般来说，在 call center（呼叫中心）里被人吼来吼去，并不是什么最好的工作。不过我想表达的是，即便我们作出那样的假设，最终仍然必须由人类来决定什么是重要的，而“什么重要”又一直在变化。它之所以一直在变化，尤其是因为 AI（人工智能）本身就是其中的一个输入因素，所以这既是——我该怎么说呢？这是非常 recursive（递归）的。AI 正在非常快速地改变世界，这又会改变什么是重要的，而这会把更多责任压到我们身上，要求我们不断更新、不断决定什么是重要的，因为 AI 会等着我们告诉它：什么才是重要的。完全同意。

对，而这将成为每一份工作的一部分，因为凡是你能够决定、能够界定，并且能够说“这是一个运转良好的重复性事务”的东西，你都可以直接让你的 AI 去做。但情况一旦发生变化——而情况一直都在变化，尤其当不只是人类在推动变化，而是 AI 也在推动变化时——你就仍然需要人类来作出判断。我觉得这一点在我们谈论、假设这些事情时，恰恰是非常缺失的。说回那个 ClickUp guy。

ClickUp guy。

对啊。所以我也不知道。他裁掉了 30,000 人。

我觉得还不止。

而且我觉得，你在 Twitter 上看这类破事的时候，真的很重要的一点是——首先，我他妈最讨厌他们那种说法：我们公司的业务比以往任何时候都更好了，然后我们裁掉了 8,000 人。

对，真的挺操蛋的。

对。就像，呃，你为什么还要拿这种事来炫耀呢？

另一个我不喜欢的点是，他们会说，如果有人干得特别好，我们就给他一百万美元——感觉就像，好吧，但你这边还有这么多人已经没工作了。我真的觉得这件事做得很不得体，而且我觉得 Jensen 说过一句很利己的话，大意基本上是：如果你面对进步的答案就是裁员，那你就不是一个很有创造力的 CEO。非常利己，因为显然他是想让大家更多地使用 AI，但我觉得这话是对的。说到底，你本来就应该做些更有意思的事，而不是裁员。你知道的，人们都想要盈利。是的。

但都是些白痴。不过，是啊，这个先扯远了。总之，这事做得就是很不得体。对。反正。

我，我，所以，总之，不得体这点本身就应该让你有点怀疑。我的猜测是，而且从我看到的一些零碎情况来看，我觉得这家公司经营得并没有那么好。

我的意思是，这就是一家很普通的 SaaS 公司。对。是的，

而且当公司经营不好时，就会裁员。Meta

或者，当公司管理不善、内部本来就有太多冗员时，也会这样。

没错，而这通常和经营不佳是相关联的。

那说的是 Square。就像，Jack Dorsey 他就是会干这种事吗？

而且我觉得 Meta 也是一样，他们正在对 AI 进行巨额投资，因为那就像是他们某种程度上错过了风口之后，现在最新、最火的东西，而且

而且，metaverse 没做成也不奇怪，所以

现在他们那边有很多人。对，所以我觉得，是的，AI 确实牵涉到这一切，但并不是那种很简单清晰的情况：所有人还在做和以前完全一样的工作，只不过现在他们全都成了 agent。不是，不是，实际上公司的战略已经彻底变了，它需要的人、它需要的组织结构，也都完全不同了。而这并不是人们喜欢讲的那种简单叙事；说成“AI 抢走了工作”要容易得多。看起来，使用这些工具确实会很大程度上改变你的 workflow（工作流）。而因为它改变了你的 workflow（工作流），它也就改变了什么是难的、什么是容易的。

尤其是如果你是一家大公司，而且你们已经按照某种方式被组织起来、也一直按某种方式运作，那么工作的发生方式以及公司的组织结构都会经历重组。这一点看起来非常明确，而我们必须找到一种办法，让这种转变尽可能对人更友好；一边裁员一边在 Twitter 上吹嘘自己做得多好，显然不是这种办法。我觉得这里面其实有很多非常有意思、也很有创造性的做法。比如说，Meta 现在会记录每个人在电脑里输入的所有内容，因为他们的逻辑是：我们的员工是最聪明的人，所以我们就用他们的数据来训练我们的模型，这样我们的模型也会更聪明。这是个很有意思的思路，也许真的会奏效。我想这里面有个特别值得讨论的点，我大概两年前写过这件事。

这里有一个非常有意思的影响：当你签一份 employment contract（雇佣合同）时，我们在很长时间里理解 employment（雇佣关系）的方式都是——我来做这份工作，而为了让这项工作持续被完成，你就得持续需要我。但一旦到了这样一个点：我先替你把这项工作做出来，然后它某种程度上就能自己运转了，于是你也就不必再继续付我钱了，那这就从根本上改变了我们理解 employment（雇佣关系）的方式。因此我认为，比如说，这也应该改变我们看待某些类型的人应当如何获得报酬的方式。

你应该拿 pension（养老金），懂吗？Pension。也许——也许养老金要回归了。养老金回来了，baby。

有件事很有意思：上周有个项目上线了，我们也参与了。名字我一时想不起来了，但它允许 publishers（出版方/内容发布方）基于某种衡量方式获得报酬。基本上，它会衡量某个 publisher 对 training corpus（训练语料库）的独特贡献，然后你就按这个获得报酬。所以你的内容越 generic（通用、模板化），你拿到的钱就越少；而你的内容越独特、越有价值，你拿到的钱就越多，这一点非常有意思。

这里讽刺的地方基本上在于：这最终会变成，你是不是用了 AI，而这个 AI 本身又是拿所有已经存在的那些东西训练出来的？所以它当然还是能产出一些新的东西，但本质上，你知道，它其实就是——

你为了做出这个东西，到底只是做了多少那种 generic（通用、默认式）的 prompting（提示词输入），还是说——

这里面到底有没有一个 human（人）真的认真思考过？对，完全就是这个问题。有没有真正产生一个新想法。

所以，我觉得也许可以有某种类似的机制。我几年前写过一篇文章，讲的是“你最后一份工作”（the last job you'll ever have）。设想是这样的：有一家 agency（代理机构/机构），你在为这家 agency 工作的过程中，会产出所有训练数据，而系统会追踪你到底贡献了什么，然后根据你的数据创造了多少 revenue（收入），你就可以一直持续分成、持续拿钱。

Web3 现在又回来了。Web3 回来了。显然，我们会在 ledger 上追踪这一切。

在 blockchain 上？对，不过谁知道呢？这里的问题还是一样，这也又回到了为什么 humans 很有价值，但那并不是 humans 有价值的唯一原因。我们的价值本身就是内在的，不过从工作的角度看，humans 之所以有价值，其中一个原因是——我猜，回头看那篇文章，再想想很多相关的事情——流失率真的非常高。还有一个很高的，那个词叫什么来着？