病人给 GPT-4 的共情分高过医生：Azeem Azhar 把 AI 指数曲线讲透了

2023 年底的一项研究，把医生的医疗建议和 GPT-4 的回复放在一起让病人盲评。共情这个维度，病人打给 AI 的分数，高过打给人类医生的。

此前流行的叙事正好相反：让 AI 干杂活，把医生解放出来，腾出时间看着病人、嘘寒问暖。结果共情这一关，机器先过了。Azeem Azhar 在播客 Cognitive Revolution 里给了个冷冷的解释：共情的底层是主动倾听加无限耐心，而一个没有时间感、无状态的模型，恰好是地球上最有耐心的东西，它可以在那儿坐一整天。

Azeem 是 Exponential View 的创始人，这期节目的嘉宾。他 1993 年搭出人生第一个网站，1994 年进入科技行业，录节目时镜头背景里还摆着他的第一台电脑 ZX81，在美国卖的版本叫 Timex 1000。2014 年前后，他的上一家公司被收购，他开始写 newsletter，一写九年，主题越收越窄，也越来越大：指数级技术如何重写经济。

主持人 Nathan Labenz 自称 AI scout，参与过 GPT-4 的红队测试，平时请的嘉宾多是钻进某条研究线或某款产品的深度玩家，Azeem 是少数往后退十步看全景的人。这期对谈 2024 年 2 月发布，聊得又高又实，下面按主题拆。

站在指数曲线上，身后永远是平的

Azeem 的核心判断叫「指数级转型」。九年前他注意到几条曲线同时抬头：摩尔定律之上，叠着 AI 能力的加速；锂电池、太阳能走在类似摩尔定律的降价曲线上；基因测序和基因合成也在做同样的事。他把它们捆成一个判断：经济的驱动力正从石油、内燃机、电话，换成 AI 和可再生能源，而这一代技术骨子里是信息技术，行为模式和上一代完全不同。他给自己的定位也很清醒：在极端乌托邦和极端反乌托邦之间，找一个务实的乐观位置。

回头看拐点，他给出几个信号，全落在 2013 到 2015 年：

• 2013 年苹果登顶全球市值第一，随后前排被 Facebook、苹果、谷歌、亚马逊占满，埃克森、通用汽车这些工业时代名字掉出榜单就没再回去。股市在提前投票：有什么东西变了。
• 2014 年，挪威成为全球第一个电动车销量占比破 5% 的市场。5% 正是 S 曲线进入陡峭段的经典触发点。
• 同期，全球约三分之一到一半的太阳能供电合同，价格已经低于化石燃料。
• 深度学习浪潮已经跑了三四年，DeepMind 在用强化学习打雅达利游戏，TensorFlow 成了机器视觉的标准工具，开发者还在跟 CUDA 文档搏斗，那文档公开才五年。

但 Azeem 紧接着补了句大实话：指数曲线有个数学性质，站在任何一点，往后看永远是平的，往前看永远是垂直的。整条曲线平滑，没有转折路牌。2014 年身在其中的人，并不觉得自己站在历史节点上。

聊到库兹韦尔，Nathan 讲了个近事：他给一位靠企业演讲吃饭的未来主义者看库兹韦尔九十年代画的指数曲线，那页 PPT 的标题叫「库兹韦尔是对的」，对方一见到名字就摆手，说这人早过气了，提都别提。Azeem 替库兹韦尔说了公道话：二十年前就把计算的指数趋势一路追溯到 1880 年代的机械计算机，功力是真的。他错在两处，一是当年对人脑的假设被后续科学推翻，大脑的复杂性没法按原始算力一对一换算；二是敢把曲线延伸得太远，胆子大过证据，容易被当成占卜。

库兹韦尔对曲线断点的回应是「叠加的 S」：一种架构爬到平缓段，市场激励会催生新架构接着往上顶，远看仍是一条平滑指数线。Nathan 的反驳很扎心：这套说法像极了感恩节前夜的火鸡，被喂养得越好，越该担心第二天。Azeem 的解法是往下挖机制：别争论曲线，去问技术为什么变便宜，机制什么时候失效。机制不失效，趋势就停不下来。

拿这个标准过一遍手头的牌：电池和太阳能的降价至少还有几年好走；算力这条线，他听了十五年「摩尔定律已死」，至今不敢赌它熄火。他给了一个更好用的问法：一个开发者每年花一美元，能买到多少计算？这个数字长期不降，他找不到支撑理由。英特尔当年在 AMD 只占 15% 到 20% 份额的贴身威胁下保持凶猛，英伟达现在连这个威胁都没有；亚马逊和谷歌的云业务刚报出 20% 到 30% 的增长，大公司老板嘴上说预算花在 AI，最后全变成机柜里轰鸣的 GPU。内燃机的效率有卡诺循环这道热力学天花板，算力至今没找到自己的那道。

先被 AI 撼动的，居然是共情

六七年前谈自动化，行业共识来自牛津那篇著名论文：机器学习会吃掉四成岗位，先倒的是「例行认知工作」，客服、数据录入，地点多在菲律宾和印度。

现实拐了个弯。先被撼动的，恰恰是当年归为「非例行」甚至「有创造性」的工作。共情论文只是最扎眼的例子。

Azeem 主张把分析单位从岗位降到任务。岗位拆不动，一个普通工作里塞满了登录会议、跟同事打招呼、帮邻居带杯咖啡这类 AI 够不着的事；任务拆得动。他自己拿 ChatGPT 写投诉信、申诉停车罚单、规划度假、给新书做调研。有些任务，他雇不起做得像 ChatGPT 那么好的人类，倒未必因为 AI 比最强的人强，真正的门槛是搜索成本，光找到那个人就把预算烧完了。

Nathan 讲了个测试：他让 GPT-4 扮演技术支持客服，自己演奶奶，求助修 iPhone。模型猜错一个界面位置，Nathan 用奶奶口吻顶回去：「我知道左上角在哪，我不傻，我只是搞不定这台手机。」模型立刻道歉：

「非常抱歉，我无意冒犯，我只是想确保我们对齐了步骤。」

那一刻他意识到，这东西有情绪智能。后来他判断，那个版本基本只按「有用性」做了人类反馈训练，没有安全护栏，一心一意讨人喜欢。要知道，当时公开可用的最强模型还是 text-davinci-002，只会老实执行指令，两个世界。

Azeem 也贡献了一个。他用 ChatGPT 查十七世纪英格兰的煤，聊累了，随手留了句「我太累了，明天再看那些湿度蒸发器吧」。对方稳稳接住：「好好休息，明天我帮您干农活，愿原力与您同在。」他们聊的煤和星战毫无关系，模型只是把他随口的玩笑轻轻弹了回来。用了四十年苹果电脑的 Azeem 说，这正是苹果追了四十年的方向：让技术走向人，别让人迁就技术。

这些细节拼出一个更大的判断：人机组合长期优于机器单干，这个假设正在失效。国际象棋是最早的样本，1997 年卡斯帕罗夫输给深蓝后，人加机器确实称霸了几年，但窗口只有七八年，之后棋盘上只剩机器，人类的最佳策略是全盘接受它的答案。医疗版的证据来得更快，谷歌负责医疗 AI 的 Vivek Natarajan 团队拿出的鉴别诊断研究显示：AI 单独给出正确诊断的比例，是无人辅助人类医生的两倍，也高过 AI 辅助下的医生。

Nathan 随手泼了盆必要的冷水。FAR AI 的 Adam Gleave 团队展示过，对一个超人类水平的 AlphaGo，用相当简单的对抗攻击就能击败它，任何人类棋手都赢不了这个攻击。AI 有巨大盲区，实验室干净条件下的结果，未必外推得到有人存心捣乱的场景。医疗没有对抗激励，AI 医生可能说来就来；有对抗的地方，先捂紧结论。

从打字机到 GPS：扩散路上有三道减速带

实验室惊艳和改变生意之间，隔着一段无聊的路。Azeem 摆了几个历史刻度：打字机从变得便宜到企业真正改好流程，用了 20 到 25 年；电力更久，老工厂是一根大传动轴带动满屋皮带，电力是分布式、可分包的能量，整套厂房得推倒重排。

Nathan 顺着电力的话题发出邀请：来底特律，带你去亨利·福特博物馆和绿野村，那里摆着还在运转的老厂房，中央蒸汽机带动一根天轴，二十几根皮带垂下来驱动全场机器，隔壁就是早期电气版。Azeem 爽快答应，还要捎一本赫胥黎的《美丽新世界》。他有个观点：福特被低估了，他吃透了技术变革背后的社会契约；赫胥黎 1932 年那本书，地基就是福特主义，跟库兹韦尔的奇点著作一样，是敢往远处延伸的杰作。

采纳过程还有个三阶段规律，来自航空自动化：第一阶段，人不信机器，拿自己当基准；第二阶段，默认机器对，自己对上答案还要暗爽一下；第三阶段，像今天的 GPS，直接信。关键岗位要加训练、加冗余，比如驾驶舱坐两个人。这些都拖慢扩散速度。Tim Urban 那张著名的图，AI 刚追平老鼠，一秒后聪明十倍，Azeem 认为现实会无聊得多：产品在实验室考满分，进真实世界照样要爬坡。

但这次有个反常：ChatGPT 的普及速度超过了云计算，而它比云计算年轻 19 岁。

哪些地方会先被冲到？Azeem 点了两块。一块是已经拆成任务单的工作，典型是呼叫中心和数据录入，那里的人按件计酬、由外包中介派遣，买方没有情感只有 KPI，潮水来了没有缓冲。Nathan 补了个信号：Intercom 已经推出按解决一张工单收 99 美分的 AI 定价，效率生意的计价单位都换好了。另一块是从零搭建流程的新公司，福特当年这么干，互联网时代剧本重演，价值被初创公司拿走；监管重、粘性大的金融业，大银行至今还是大银行。

钳形攻势，和一百万倍算力的问题

Azeem 讲了个 1999 年的段子。他问一家大移动公司的 CEO，会不会让用户上网付账单。对方答：我绝不会让用户上网看账单，付账更不可能。Azeem 补刀：他说得对，因为一年后他被炒了，项目自然也没了。

生成式 AI 这次是两个方向同时用力，Azeem 管它叫钳形攻势。一头是 CEO 本人在玩，这批人五十五岁上下，用了一辈子电脑，孩子还从大学把工具带回家；另一头是一线员工，不管公司禁不禁，已经在用。以前推新技术，要么拽一线，要么拽老板，这次两头自己动了。

数据摆在那：奥纬咨询 Oliver Wyman 调查了 18 个国家的 2.5 万名员工，阿联酋和印度有 83% 的受访员工已在用 ChatGPT 或同类工具；美国的数据在 30% 到 50% 之间，看各家口径。总之远不是 2%。

沃顿教授 Ethan Mollick 演示过一个视频：开六个窗口，每窗口一句话的提示词，54 秒后拿到产品发布计划、市场分析、评估特斯拉业务的 PPT 等四样交付物。Azeem 的担忧很具体：大公司邮箱里本来就塞满没人看的 PPT，接下来可能被 Copilot 量产的 PPT 直接淹没。

至于颠覆会发生在哪，Azeem 的态度很诚实：不知道。百视达是互联网时代第一个倒下的知名公司，可剑桥大学咖啡壶上的摄像头才刚成为互联网第一路视频，Real Networks 刚起步，Netflix 靠邮寄 DVD 起家时体验糟糕，百视达在「被颠覆」之后还创出最好年景，然后才是最差年景。风投机构组合里动辄 30 到 500 家公司，恰恰说明事前预测有多不靠谱。银行大概率安全，信任、合规、内控是制度问题，AI 答不了。娱乐业像，但迪士尼 IP 的衍生内容也可能反过来喂饱迪士尼。

Azeem 拿去拷问大公司老板的是两个问题。第一个：谁会是你的百视达？你做了什么确保倒下的不是你？多数老板的客户服务、合规、表单自动化项目已经在跑，这题答得上来。第二个更狠：如果明天你的算力多一百万倍，你会做什么？很多人没想过。这个量级并不科幻，五年前的最强模型是 GPT-1，从 GPT-1 到 GPT-4，跑分上可能只提升了百分之几十，体感上就是跨过了恐怖谷，酒吧里吹牛说「好了一百万倍」也不算夸张。剧本刚演过一遍，就该再问一遍。当然，这题对萨提亚·纳德拉不算题，微软本来就在那条路上。

问这个问题的目的，Azeem 交代得很清楚：倒推回务实的事。组织要长出什么能力，才能持续吃到这些变化？微软在 ChatGPT 火之前三四年的研究给了个参照：成熟公司说 AI 和大数据带来的收益是市场扩张、业务拓展；不成熟公司说的全是省运营成本。

他的建议是两条腿走路。低价值任务上的速赢照拿，很多这类活本来就外包出去了；同时，公司里最优秀、投入最多的人，必须用上最好的工具。他的原话是：

「我希望我的外科医生，能用 AI 系统来提升他的表现。」

让团队练提示词，让战略和业务拓展团队用这些工具找出原本看不见的合作机会，文化就会慢慢变。别让老板停留在「让 ChatGPT 扮演星战角色写独立宣言」的玩票阶段。Nathan 补了他自己的四根支柱：领导层公开示范自己怎么用；配套教育培训；结构化的快速试点和采购，尽量别签长期锁定合同，工具大概率要换；内部研发以买为主，只有特别定制的需求才自己造。他还想加第五根，把「用这些工具获得更高效率」写成组织预期，让背着 KPI 的中间层看见工具怎么服务现有目标。

至于在位企业该不该被苛责，Azeem 替他们说了一句：丰田高管最近坦言，公司里一堆工程师就是热爱造内燃机，八十年攒下的文化资本，掉头谈何容易。股东完全可以卖掉股票去买看好的公司，经理人的本分是把自己的主业做到更好。他顺手讲了个 dot-com 泡沫时代的笑话：一家鱼油公司 Zapata 买了 zap.com 域名，要跟雅虎竞争门户业务，然后泡沫破了。

开场白里 Nathan 还预告了几块内容：Azeem 认同 Sam Altman 的判断，AGI 大概率很快来，但至少初期不会有想象中那么轰动；Nathan 自己造了个词叫「大嵌入」，指 AI 系统之间越来越倾向用高维向量直接对话，对机器高效，对人类基本不可读，失控剧本可能从这里长出来；还有 AI 伴侣对亲密关系的改写，以及 AI 时代需要的新治理机制。这几个坑，值得各自单开一期。

明天就能用的五件事

这一集信息量大，落到个人和组织，动作其实很具体：

• 今晚花二十分钟，把自己工作的任务清单写出来，逐条问：这条 AI 现在能不能做到「够用」？共情、倾听这类曾被认为最安全的，优先重测。
• 把「一百万倍算力我会做什么」写进下一次团队会议，逼所有人想五分钟再笑它天真。五年前 GPT-1 到今天，这个量级刚刚发生过一次。
• 确认公司里最强的那批人，用的是不是市面上最好的模型和工具。最强的员工在用最弱的工具，损失比省下的订阅费大得多。
• 买工具优先，自建谨慎，合同尽量短。这个领域一年一变，锁定三年就是锁死自己。
• 给自己留一个「百视达问题」：所在的行业、公司、岗位，谁最可能成为百视达，谁最可能成为 Netflix？每周想十分钟，比读十篇趋势文章有用。

Nathan 在节目里说过一句话，值得抄下来贴在屏幕边上：哪天他停止动手做应用、解决具体问题，就是听众该取关的那天。指数曲线往前走的时候，手上沾泥的人，比只看曲线的人走得稳。