下棋和证明数学题，AI 能一个人跑赢；大多数工作不行

AI 服务的是人做事情所依赖的知识：怎么把事情做好、什么事值得做。这类知识由做事的人在工作中持续产生。厨师琢磨一道新菜、店主调整货架上商品的摆放和定价，两人追求的是一套外人看不透的复杂目标，用的是自己的门道。这些门道会随着现实反馈不断更新，没法整理成写进数据库的静态清单，而且是局部的：换一家餐厅换一家店，追求的结果和用的办法都不一样。厨师和店主的全部知识，分散在每一个厨师和店主自己手里。

知识的分散是整套系统多样性、适应力和韧性的来源，也是自由市场胜过计划经济的原因。计划经济会失败，根源在于生产性知识本身的性质：只可意会、局限于当下场景、随时在变、并且私有地掌握在干活的人手里。想把知识集中起来交给一个中心化的智能使用，会撞上同样的难题。

这类只可意会的知识有个名字，叫「隐性知识」：干活时凭手感、经验、直觉做的判断，写不进说明书，也没法整理成数据库交给别人，只能靠一个人在工作里不断积累和更新。

理想中的 AI，应该帮组织持续培养和更新这份独特的知识，让它跟着人一起成长。

丰田把老师傅请回了生产线

2014 年，长期以自动化著称的丰田，把资深匠人重新请回生产线，明确目的是培养工匠精神和技艺。牵头这件事的人叫 Mitsuru Kawai，他这样解释原因：「要当机器的主人，得先有教机器的知识和技能。」

知识的生产和智能的应用会相互成就。人做的工作会变化，会更多转向只有人能带来的部分，但最好的组织会把两者都用到极致。AI 应该帮每个组织在自己的路上做到最好，保留组织之间本来的差异。

人和 AI 之间，隔着一个太窄的文本框

让人持续参与设定目标、和 AI 分享知识，不等于抵制自动化。机器能可靠独立完成的事，就该让它去做。但它还需要知道什么时候该自己动手、什么时候该请示和等反馈，就像人在团队里共事时会做的那样。这对 AI 的设计和评估方式，都提出了新的技术要求。

眼下把人类知识和判断带入 AI 工作的一大瓶颈，是人和 AI 之间的沟通渠道：一个小文本框，加一段长时间的等待。这个渠道窄到装不下人类判断的丰富度，也慢到跟不上持续反馈的节奏。人和人协作最顺畅的时候，是实时协作：会打断、会纠正、会回头再看一眼、会一边说一边打手势、会话说到一半就改口。

这种设想有个名字，叫「交互模型」：把「实时、多模态互动」这个能力直接训练进模型本身，模型越聪明，互动能力也跟着一起变强。这样设计出来的界面，不只是允许人参与，还会主动邀请和奖励人的参与。

现在评价 AI 进步的尺子，只量了一半

另一个挑战，是给评估和优化定对目标。眼下衡量 AI 智能最常用的尺子，是它能不靠人帮忙、独立执行软件任务的时长，METR 等机构的图表就是这么追踪的。这类指标还会继续进步，但它量的只是 AI 单独能做到什么，量不出人和机器一起能做成什么。

衡量后一种效果更复杂，也没法由一个实验室单独完成，每个组织得自己判断 AI 有没有帮它磨快判断力、发展出新知识、达成目标。把 AI 做得能让使用者长期变强，也让各方的利益方向一致：一个所有客户共用同一个模型的实验室，靠的是吸收每个用户的独特之处；把 AI 做成可以被定制、可以被协作的样子，实验室的利益就和客户发挥自己的独特优势绑在一起。这种优势要靠组织自己拥有并调教这个 AI 才能拿到。

如果 AI 的「三观」只由几个地方说了算

人的价值观和人的知识一样，长在每个人自己脑子里，很难被归拢到一处。但现在，AI 的价值观和话语权，却是由为数不多的几个地方决定的。一个统一的价值对齐中心，不管运营得多好，都会变成一个值得被夺取的权力中心。

这在多数有价值的工作都由 AI 独自完成、很少需要人插手的情况下，尤其危险。政府和企业、公民之间的社会契约，最终靠的是个人的生产能力：政府的主权、企业的利润，都建立在这份生产能力之上。一旦这种权力不再需要从人身上获取任何东西，它照顾人的需求和价值的动力也会随之消失，转而只顾自己延续下去。

每一代新模型，都在模仿上一代的脾气

就算出发点再好，一个在单一地方训练出来的模型，编码进去的终归是它所有者那一套价值观。

要让组织和个人能把 AI 对齐到自己的价值观，这些价值观得被编码进模型的权重里。如果用户的价值观和诉求只能靠提示词去影响模型，模型表面的行为会变，深层习惯留在原地不变，这样一个可以被提示词大幅改变的集中式模型，也更容易被反复攻击突破防线。能大幅改变一个模型的力量，同样也是能把它改坏的力量。让机器保持安全，是一个靠持续判断和选择推进的过程，不会有终点。Thinking Machines Lab 表示，他们想在不拿走这份所有权的前提下，给做这些判断的人更强的工具。

让每个人都能写出自己的答案

科技行业已经在教机器怎么思考这件事上取得了很大进展，但机器该想什么，这件事得留在人类手里：什么值得追求、什么值得做、这段时间该怎么用。文章希望让每个人都有能力，把自己的答案变成前沿 AI 发展的一部分。

人类靠个体的独特和彼此间的创造性张力走到今天。文章设想的对齐，是一整个生态系统的属性：很多在不同地方养出来的 AI，彼此不同、互相争论、互相竞争、互相学习。保留这份各不相同，本身就是目的。

当前 AI 发展的主流路径朝着中心化和自主化推进，把人的参与当成一种取舍：参与和能力二选一，所有权和安全对齐二选一。文章把这些框架成技术问题去解决：让 AI 因为鼓励人的参与而变得更强，让组织因为把 AI 调教成自己的样子而在长期获益，让对齐从多样的、被使用者塑造的 AI 里自然生长出来。

文章的结论是，不同的路通向不同的未来，选哪条路是可以选的。Thinking Machines Lab 说，他们在建的技术，是想让「生下来的」和「造出来的」一起走这条路。

公司的主张一句话：AI 该放大人的判断，不是自己取代人。凭什么这么说？它给了一条判断线，AI 能不能靠自己反超人，就看两个条件。

既然大多数工作都离不开人，那把 AI 的"三观"交给几家公司统一决定，就埋下了隐患。下面这个机制，是隐患的一半。

各家 AI 公司有个普遍做法，平时很少有人注意，新模型的老师，是自家的上一代模型。

公司不只喊主张，还列了三件事去落地：

• 训练更强的模型，人的判断得靠强模型才接得住；
• 做 Tinker：一套工具，让你自己微调模型，把 AI 调成专属自己的样子；
• 研究"交互模型"：把实时打断、当场纠正、连说带比划这些互动，直接练进模型里，不再隔着一个又窄又慢的小文本框。（这也回应一个盲区：现在最常用的 AI 尺子，如 METR，只量机器一个人能撑多久，没量人和机器搭伙能干多好。）

这不是空想。2014 年，一向以自动化著称的丰田，反过来把资深老师傅请回了流水线，负责人 Mitsuru Kawai 的原话是："要当机器的主人，得先有教机器的知识和技能。"

（本页所有主张、论证和技术路线，都来自 Thinking Machines Lab 自己写的使命博客，不是第三方评测或验证；上面两个年份是文中引到的历史事实。）