从 1970 年代开始，随着个人电脑和互联网的兴起，我们进入知识经济时代，你所掌握的知识和你运用这些知识的能力是创造经济价值的关键。如今大语言模型让知识不再稀缺，社会将从知识经济向分配经济转变，人们的角色从知识的直接”操作者“变成”管理者“。

本期分享Every 这篇内容，文章详细地讨论了这个转变的逻辑和理由，并且提出了分配经济下的员工需要具有哪些能力，还有这种转变会带来的影响。

时间的流逝，并不像我们通常认为的那样，是一个直线型的过程。它像细腻的丝绸一样，拥有波纹和褶皱。时间能够回环往复，如果我们细心观察，就能在现在发现未来的影子。

（这就是大家常常误解的关于有远见者的特点：他们不是简单地预测未来，而是学会从时间的层层褶皱中发现未来，就像披上一件流动的斗篷一样。）

举个例子：

汇总曾是人们必须掌握的一项重要技能，但在此之前它往往是隐形的，混杂在所谓的“智能”——那些只有人类才能完成的任务中。但现在，人们可以利用 ChatGPT 来完成汇总工作，我已经将这项任务从我的技能列表中剥离出去，交给了人工智能。

现在，我的智能角色已经转变，从亲自完成汇总工作变为指导或编辑汇总工作。

正如 Every 的 Evan Armstrong 几个月前所讨论的，“人工智能是一种对基础思维的抽象层”。这里所说的基础思维，主要是指汇总信息。

如果今天就开始用这种方式使用 ChatGPT，那么将汇总任务交给人工智能在未来变得普遍的可能性很大。

这样的变化可能会对经济产生深远的影响。

这正是所谓的在现实中预见未来，以及时间并非单纯顺序前进的概念。

通过对使用 ChatGPT 的经历进行推测，我们可以预见未来几年我们的工作生活将会发生哪些变化。

01.知识经济的终结

我们正处于一个知识经济时代，其中你所掌握的知识和你运用这些知识的能力，是创造经济价值的关键。

从 1970 年代开始，个人电脑和互联网的兴起，推动了这一经济模式的快速发展。

但是，当“及时掌握和运用正确知识”的这项技能变成计算机能够更快速甚至和我们一样好地完成的事情时，情况将如何改变？

我们将从实际操作者转变为管理者，从直接完成工作转向学习如何分配资源——决定哪些工作应当被完成，评判工作的质量，以及在必要时进行修改。

这标志着我们将从一个知识经济转向一个分配经济。

在这个新经济中，你的价值不再取决于你掌握多少知识，而是取决于你如何有效分配和管理资源以完成工作。

目前，已经有一类人每天都在进行这种工作：那就是管理者。但在美国，管理者只占劳动力的大约 12%，约 100 万人。他们需要具备评估人才、在不进行微观管理的情况下进行管理、以及估算项目时间长度等技能。而个体贡献者——那些在经济中完成实际工作的人——目前还不需要这些技能。

但在这个新的分配经济中，他们将需要这些技能。

即便是初级员工也将被期望使用 AI，这将迫使他们承担起管理者的角色——成为模型管理者。

与其管理人类，他们将负责分配任务给 AI 模型并确保工作顺利完成。他们将需要许多今天的人类管理者所具备的技能，尽管这些技能可能会有所调整。

02.从知识的操作者到协调者

以下是当今管理者所需的一些关键特质，这些特质在即将到来的分配经济中，对于未来的个体贡献者——即模型管理者——同样至关重要。

清晰连贯的愿景

现代管理者需要有一个清晰且连贯的工作愿景。他们需要制定一个既明确又具体、简洁且目标明晰的愿景。

对于模型管理者而言，拥有这种能力同样重要。

愿景表达得越清晰，使用模型实现愿景的可能性就越大。随着指令变得更加具体和简洁，完成的工作质量也会提升。

虽然语言模型本身可能不需要明确的目的，但模型管理者可能需要为了自己的利益和投入工作而确定一个明确的目的。

表达一个简洁、具体且连贯的愿景是一项挑战。

这是一项需要多年工作经验才能掌握的技能，很大程度上取决于对想法和语言的敏锐洞察。

幸运的是，语言模型也能在这方面为人类提供帮助。

明确的品味

优秀的管理者知道他们想要什么，并且能够清楚地表达出来。而最差的管理者则是那些只能说“这不对”，但当被问及“为什么？”时却无法明确问题所在的人。

模型管理者也会面临同样的挑战。他们的品味定义得越明确，语言模型就能更好地帮助他们创造出连贯的成果。

幸运的是，语言模型非常擅长于帮助人类明确和完善他们的品味。

因此，这种技能在未来可能会变得更加普遍。

如果你有明确的品味和清晰连贯的愿景，接下来你需要做的是能够评估谁（或哪种工具）能够有效执行这一愿景。

评估人才的能力

每位管理者都明白，招聘对于成功至关重要。如果是员工在完成工作，那么工作的成果质量将直接反映他们的技能和能力。

能够准确评估员工的技能，并将任务分配给合适的人，是优秀管理者的重要标志。

未来的模型管理者也需要掌握这些技能。

他们需要了解哪些 AI 模型适用于哪些任务。他们还需要能够迅速评估新模型是否足够好，即使是他们之前未曾使用过的模型。

他们需要知道如何将复杂的任务拆分给适合各个部分的不同模型，以确保产出的整体工作质量最高。

评估模型将成为一项独立的技能。

但有理由认为，评估模型比评估人类更为简单，至少是因为模型更容易进行测试。

模型随时可用，通常成本低廉，它们不会感到厌倦或抱怨，并且能够即时返回结果。

因此，未来的模型管理者在学习这些技能方面将具有优势，因为今天的管理技能受限于提供一个团队给某人管理的相对高昂成本。

一旦他们组织好了完成工作所需的资源，他们将面临下一个挑战：确保工作质量。

知道何时深入细节

优秀的管理者知道何时以及如何深入工作的细节。没有经验的管理者通常会犯两种错误：一是过度微管理，几乎替员工完成所有工作，这种方式无法扩展；二是过度放权，导致任务执行不佳或与组织目标不符。

好的管理者知道何时深入细节，何时让团队自主行动。他们懂得提出正确的问题，知道何时进行检查，何时放手。

他们明白，只因为某件事不是按照他们的方式完成的，并不意味着它就没做好。

这些问题不是知识经济中的个体贡献者需要处理的。

但它们正是分配经济中的模型管理者将面临的挑战。

知道何时以及如何深入细节是可以学习的技能——幸运的是，语言模型将被设计为在关键时刻智能地进行监督和检查。

因此，这些并非完全取决于模型管理者自己去完成。

最大的问题是：这一切转变是否是好事？

03.分配经济对人类有益吗？

从知识经济向分配经济的过渡不会一夜之间发生。

当我们谈论“模型管理”时，至少在一段时间内，这更像是在替换微技能——比如把会议内容总结成电子邮件——而不是彻底替换整个任务的开始到结束。

即使拥有替换整个任务的能力，许多经济领域也需要很长时间才能跟上，有些甚至可能永远都跟不上。

笔者最近在布鲁克林的 Cobble Hill 定制了一条裤子。当自己拿出信用卡付款时，收银台后面的女士指着墙上贴着的纸质标志说：“不接受信用卡。”我认为，语言模型的采用可能也会呈现类似的速度：尽管许多地方可以使用它们来提高或替代人力工作，但出于各种原因，如惯性、监管、风险或品牌考虑，它们却未被采用。

我认为这是件好事。

变化的剂量决定了其影响。

鉴于经济体系庞大而复杂，我相信我们将有时间适应这些变化。

人类思维向机器思维的缓慢转移并不是什么新鲜事。生成式 AI 模型只是这一长期过程的一部分。

经济学家 Tyler Cowen 在他 2013 年的著作《平均已结束》中讨论了由智能机器驱动的经济分层。他认为，一小部分能够与计算机合作的高技能工作者将获得巨大回报，而经济的其他部分可能会落后：

“如果你和你的技能能够补充计算机，你的工资和劳动市场前景可能会很乐观。如果你的技能与计算机不相辅相成，你可能需要调整这种不匹配。越来越多的人开始倾向于这种分化的一边或另一边。这就是为什么‘平均’已经结束。”

当时，他所指的并非生成式 AI 模型，而是指的 iPhones 和互联网。但生成式 AI 模型延续了同样的趋势。

在日常生活中更擅长使用语言模型的人，在经济中将拥有显著优势。懂得如何有效分配智能将带来巨大回报。

如今，管理是一项仅少数人掌握的技能，因为培训管理者成本高昂：你需要给他们一个人类团队来实践。

但 AI 足够廉价，未来每个人都将有机会成为管理者——这将大大增加每个人的创造潜力。

我们的社会整体有责任确保，在拥有了这些令人惊叹的新工具后，我们应带领经济的其他部分一同前行。

参考材料

https://every.to/chain-of-thought/the-knowledge-economy-is-over-welcome-to-the-allocation-economy/