100美元的问诊，1美元的AI：GPT-4发布前，他把十几种职业试了个遍

一次普通门诊，美国平均收费100美元上下，Nathan Labenz说这个估计已经偏保守。同样时长的医患对话，45分钟，按当时GPT-4的API价格算，成本约1美元。

这个差距是整期节目的起点。Labenz是播客Cognitive Revolution的主持人，连续创业者，AI投资人。2023年GPT-4发布前，他作为红队成员拿到两个月的提前访问权限，做的实验很朴素：让模型扮演各种职业顾问，医生、律师、调解员、健身教练、汽修接待、五金店店员，前前后后十几种，每种都聊到有来有回、有实质内容为止。

结论他早就当面告诉过OpenAI团队：经济转型会来。这一集，他和联合主持人Eric Torenberg把这笔账完整摊开。

十几个角色试下来：哪些成了，哪些砸了

先说医生。今天在美国看病，预约、开车、候诊，半天就没了，很多人还觉得医生没好好听自己讲话。Labenz用最简单的角色设定，告诉模型“你是一名医生，现在接诊一位病人”，然后开始对话。他发现，复刻一次和人类医生的交流，容易到近乎无聊。

他本人并非医生，也清楚评估这类东西很难，所以测试全围绕真实经历：自己遇到的小毛病，三岁孩子的小状况，那种放在以前会打电话问儿科医生的问题。两个月里出现了一个明确的分界点：孩子有个情况，AI给的建议足够可靠、足够让人安心，那通本来要打给儿科医生的电话，没有打。事后证明根本不要紧。可大量医疗咨询本来就不要紧，人们要的只是一个能问、肯听、给个准话的对象。

牙医那次更有戏剧性。他牙齿上有个奇怪的东西，AI听完直接说：你的牙医做的处理不符合标准操作，偏离了行业规范。后来证实，确实如此。

还有邻居栅栏纠纷。他让AI当调解员，自己分饰两角，AI干得相当像样。他把记录发给一位律师朋友，朋友的评价是，这案子法律上一目了然，栅栏压了别人地界，地界主人说了算，结案。Labenz觉得这个对比反而暴露了要害：那种场景里人们要的其实是一位调解员。法律上谁赢不重要，邻居还要继续做邻居，用不打官司的方式解决，日子才过得下去。让AI扮演什么角色，效果天差地别。

其他实验一长串。虚拟健身教练：群聊里他本人状态一般，妻子怀孕，弟弟身体最好但老受伤，AI对每个人单独下指令，对他说下次争取多做五个，对孕妇妻子说怎么动都是赚的，保重就好。他放话，这种对话做双盲测试，分不出对面是人还是模型。虚拟汽修接待：比真实修理厂接电话的师傅耐心得多，毕竟人家满手油污，没义务陪你聊到满意。五金店店员：他家地下室挂着八十年代的老卤素灯，AI直接推荐了一款具体型号的灯泡，他一搜，真有，买回来装上，正好匹配。移民法问题也试过；给手机配太阳能板那次，他惊讶地发现手机耗电低得出奇，至于用零售级太阳能板带动空调，AI直接劝退。菜单策划：妻子常操办千人规模的全素活动，和不懂全素的餐饮公司合作总是头疼，AI排的菜单出来，妻子的原话是：

“GPT排的菜单，比我们合作过的所有餐饮公司都好。”

砸的地方也得说。数学是当时的硬伤，SAT级别的高中应用题稳定能做，往上走一层就开始飘忽，微积分能来两下，很快碰到天花板。化学方程式配平，基础的行，可他假装学生抛出一个错误答案，模型经常被带偏，顺着错下去。当老师这个角色因此不合格：学生一糊涂，它跟着一起糊涂。还有Bing式的老毛病，聊着聊着把日期搞乱。

十几个角色测下来，除了这几处，他的总结是：从医生、律师这种高学历高声望的职业，到五金店店员、修理厂接线员这种知识琐碎但地位不高的岗位，几乎全线好使。这些观察后来被两篇论文佐证：一篇是"GPTs are GPTs"，标题里第二个GPT指通用目的技术；另一篇来自微软研究院，直接说GPT-4可以被恰当地视为早期AGI。

核心论点：工作会被拆成零件

有了素材，怎么推出经济转型？他的推理分三步。

第一步，"GPTs are GPTs"里有个判断他特别认同：拿今天任何一个岗位问，语言模型能不能干完这份工作的全部，答案几乎总是不能。有的岗位需要太多上下文，有的涉及体力，没有机器人本体，语言模型碰不了实物。

第二步，从“整体干不了”推出工作即将大规模解绑，拆成任务。这篇论文用的正是这个视角：一个岗位由哪些任务构成，各占多少时间，哪些任务语言模型能直接做，或者把耗时砍掉一半以上。统计结果：大约一半的工作，有一半的任务暴露在语言模型的影响之下。暴露的定义，就是刚才那两条。

第三步，类比历史。福特流水线出现之前，人们也在造车，但公差松、精度差，每辆车都得靠工人现场凑合着装。今天的半导体工厂，一粒灰尘能毁掉整批晶圆。制造业被研究透、拆解碎、标准化，才有了现在的模样。Labenz判断，知识工作即将迎来一轮新泰勒主义：把岗位拆开，看哪些任务能交给语言模型，能的就想办法训练到足够可靠，然后接进系统。大公司会先动手，它们买得起最先进的系统，也最看得见省钱的机会，然后再传导到小公司。

账很好算。客服电话这类场景，人力成本对AI成本，保守估计十比一；很多场景会到一百比一。再加上全天候在线，再加上记忆系统建好之后不再出现“您哪位来着”的尴尬，十倍到一百倍的成本差，加上24小时待命，这就是转型的发动机。

转人工是第一批留下的口子。打过客服的人都懂，说一句“让我跟你们经理谈”，这类需要裁量权的升级场景，是第一代语言模型的边界。Labenz的估计：早期大概5%的对话会升级到人，不久降到1%，再往后是0.1%。

落到具体场景，他拿诊所前台举例。今天同一个人，接电话、排日程、来了量体重血压。他判断，最多几个月，市场上就会出现竞争性的诊所自动接线系统，病人随时打、随时约，诊所省钱，理论上还能传导给消费者。那前台呢？看规模。小诊所医生自己顺手量了；大诊所原本三个前台，缩成一个。细节他不敢打包票，但创业者会飞快地把这些机会填满，速度超出所有人预期。

这里他特意纠正一个常见误区。总有人问，AI要么当副驾驶辅助人类，要么直接取代人类，是哪一种？他的答案是两件事同时发生，就像流水线既终结了手工作坊，又创造出一批全新岗位。别用全有或全无去想这个问题。

这次真的不一样吗

Eric搬出经典的安慰：每次技术革命，人们担心失业，最后岗位反而更多。美国农民占比从九成掉到3%，农业没了，工作没少，因为人的欲望无限。这个类比还成立吗？

Labenz的回应是全期最重的部分。他引用赫拉利《人类简史》的框架：人类能干的活大体两类，靠肌肉的体力劳动，靠大脑的认知劳动。机器和化石燃料接管了前者，人类整体迁移到后者，过程有阵痛，方向成立。现在认知劳动也被接管了，第三类在哪，目前看不到明显答案。

情感劳动算第三类吗？他的实验显示AI干得也不差，认知行为疗法那种对话模式，语言模型看起来能直接提供。剩下的候选，是他设想的一种本地化、定制化服务经济：人们互相办晚宴、玩剧本杀、做高度个人化的娱乐。AI当然能设计一个谋杀谜题，但人和人一起玩，可能还是想要真人。

他给“工作”下了个定义：人们不愿免费做、必须付钱才有人做、不做就没人做、而且只有人能做的事。他的判断很直接：这个类目正在显著缩水。他自己不怕没事干，就算手里的活全被自动化，他还会去研究AI，去读那些一直没时间读的历史书。钢琴课也一样，想学没时间的人，以后有时间了，AI还能当老师。但他补了一句要害：这些活动旁边，不一定有钱等着你。人生可以丰富，饭票是另一回事。

软件需求也不是无限的。Eric提到此前和Replit创始人聊过的“千倍开发者”，一个人加工具干一个团队的活。Labenz认可软件需求会涨，尤其是低价定制软件，但他追问：什么样的软件需求是无限的？游戏算一个。可他顺着推下去：语言模型生成剧情，专门模型生成3D场景，VR里即时渲染，为单个人定制的娱乐可以无限供应。到那一步，还需要更多软件吗？人一天只有24小时。

还没失守的阵地是原创科学和硬核工程。语言模型做不了原创科学，也没法给自己搭一条半导体供应链，这一代模型不行，下一代出来，所有结论都得重估。底层优化iOS和硬件交互的人，全美也没多少，暂时安全。但他的措辞很冷静：这样的稀有专家会越来越少，类目在收缩。

还有代际问题。他来自底特律，亲眼看过汽车业岗位外迁的二十年：教科书说经济会自动调整，结果中西部一堆城镇再没缓过来，所谓调整，是人们离开，或者接受更低收入、更低地位的工作，这股怨气后来成了美国政治的重要力量。那已经是慢速版本。接下来两到五年要发生的，是把那种慢速冲击压缩到几年内、多个行业同时引爆。社会历史上比个体更能适应，靠的是代际更替，下一代按新机会去受教育。可如果一代人里的大部分劳动者，在几年内同时被波及，他说，我真不知道怎么调。

监管之战：地位越高，越先设卡

监管会怎么搅局？Labenz的预测很冷。律师协会、医学会的领导层看到这些数据，第一反应会是保护会员。现成的路子摆在那里：无照行医本来就违法，那就再加一条，无照不得提供AI法律服务，或者至少要求持照人士监督。FDA已经有点动静，倾向把语言模型按医疗器械监管，意味着得证明安全性。

他给出一条判断标准：职业的社会地位越高，给语言模型设限的能力越强。麦当劳得来速的接线员没有组织，AI接管没人拦得住。医生和律师完全是另一回事。他放话，如果今年之内看不到第一波“谁允许做什么、谁监督、谁担责”的争斗，他会非常惊讶。

Eric更悲观。他赌利益集团能赢下不少回合，经济会长期分叉：Marc Andreessen常引用的那张图，被强监管的行业，住房、医疗、教育，成本一路涨；不受监管的行业，成本一路降。这个分叉会继续拉大。教育系统长期优先保护老师而非学生，接下来大概率换上公平的话术继续挡。他还提到“麻瓜”式分层的担忧：会用这些工具的人被超级充电，其他人被大面积替代，理解力上的鸿沟只会越拉越宽。

Labenz承认短期可能被挡，但他认为长期挡不住，理由很有意思。他引了EconTalk一期关于国家形成的节目：历史上产谷物的地区容易形成国家，粮食可以囤进粮仓，便于征税；产块茎的地区难，土豆一挖出来就烂，收不了税，于是更分散。AI像块茎，它不在任何一个固定位置，堵不住所有的缝。中国有防火墙，也还有VPN。假如美国禁了，OpenAI去内罗毕开个子公司，美国人照样访问得到。

更原始的动力在需求端。半夜孩子发烧，冬天，纠结要不要跑急诊，此时有个百分之一成本的对话对象，人们会想尽办法用上。Labenz设想了那句未来会到处出现的抱怨：

“我知道这东西能回答我的医疗问题，但它不被允许。不被允许，是因为谁？”

他的结论：这最终是速度问题。靠恐慌、不确定和怀疑把消费者吓退，拉锯个几年，2028年还在吵他都不觉得意外，非暴力犯罪关了那么多人这种荒唐事，历史都干过。可大麻战争最后也退场了，“到底谁在被伤害、谁在被保护”这个问题，在AI医疗上会越来越清楚。需求还会先从医生稀缺的地方绕行爆发：刚果民主共和国人均医生极少，手机不少，AI医疗先在那里跑通，再沿收入阶梯往上爬。

中间有个数据点值得留下：录制前后，有论文显示GPT-4的分数超过了Med-PaLM，谷歌的医疗模型；两周后发布的Med-PaLM 2和它咬得很紧。标准化医学问题上，两个都到了专家水平。他的感慨是，公众刚听说这东西，它已经专家级了。本该有一个“AI是个蹩脚医生”的过渡期让大家慢慢消化，过去一年直接冲了过去。

意义、地位，和那条最扎心的评论

Eric说了段很坦诚的话。过去二十年大家担心蓝领被自动化，担心卡车司机找不到意义，结果白领先被冲了。白领爬了半辈子梯子，一路被夸优秀、特别、重要，现在信息综合、总结、分析，样样被ChatGPT压过。他承认，看到模型轻松做到自己引以为豪的事，有点泄气。

Labenz接住了这个话题。他提到一位3D艺术家的帖子：我热爱的那部分工作没了，现在整天给Midjourney写提示词，感觉糟透了，找不到从前那种创造力。同时也有反例：我脑子里一直有好故事，就是画不出来，现在能了。两边都真实存在。

然后是那条流传很广的TikTok。一位医生坐在GPT-4前，看它给出漂亮的诊断，整个人垮掉：我读了四年医学院，这东西张口就来。视频爆了，几千个赞的评论里，排在最前面的全是女性：

“也许至少ChatGPT会听我把话说完。”

Labenz在这个细节上停了很久。医生感到地位受威胁，同一块屏幕下面，攒了多年怨气的病人觉得终于有人肯听。两件事同时为真。幸福感研究反复证明，关系的数量和质量是生活满意度最大的变量之一，他猜未来的出路在这里：高度本地化、高度定制的服务，人和人的关系本身成为价值中心，一部分收费，一部分不收。前提是Replika那类AI伴侣别好到把这一块也挤掉。

他还提了一个观察：人类曾经靠智力把自己和动物分开，如今反过来，靠感受和情绪把自己和AI分开。麻烦在于，那些情绪恰恰是和动物共享的。此刻人类站在两个圆的交集里，这种“特殊性”的流失，会是很长一段时期的心理底色。

明天就能做的事

宏观聊完，这一集留给个人的操作有三条。

• 把自己的岗位拆成任务清单，一条条去问模型：这个你能做吗，能做到什么程度。Labenz的实验起点就这么低，一句“你是一名某某职业，现在要接待我”就够。别问“AI会不会取代我的职业”，问“我的任务里哪几条它能接走”。
• 低风险场景先用起来。孩子的小状况、购物清单、菜单、家电型号，错了没损失的事，让AI当第一道顾问，重要结论再找专业人士确认。Labenz家省下的那通儿科电话，就是这么来的。
• 盯住升级场景。判断自己的工作里，哪些部分属于“需要裁量权、需要担责、需要人拍板”的那5%。这部分短期最安全，也最值得主动去占。

节目结尾，Labenz引用Tyler Cowen的话收尾：来自四面八方的心理安慰会很多，这个播客想当个无安慰区。技术按它本来的样子去理解，能干什么，不能干什么，接下来会被怎么用。答案不整齐，也不让人舒服，但比自我安慰有用。