人类发明的所有工具都只能协助人类而不能取代人类。 从远古到今天的技术史早已清楚说明了这一点。 如果非要说技术或工具在某种意义上取代了人类,那么被取代的,实际上是人曾经不愿承担但无奈只能承担的那些劳动岗位,例如苦力,例如被汽车取代的轿夫、人力车夫。 ——在由人类和人类创造的各种工具组合 而成的“人技结合超级网络”中,不断被工具替换掉的,一直都是最底层的位置。 在整个人技结合超级网络中,人的相对位置是不断上升的。 我们需要学会理解人与技术的关系,人与工具的关系,然后我们才能对AI不断发展之后的未来作出准确的预判。 AI再怎么发展,也仍然只是工具,仍然只是“人技结合体”中,属于技术的那一部分。用AI替代人类外围功能,就象用车轮替代双脚,这只会使人类更有余裕专注于自己核心功能。 而人类自身的发展方向,在繁荣模式下,当然是维护繁荣预期,也是为计算永恒命题“何为人类最佳生存策略”贡献自己的思维能力,当然是为了向整个人类智联网络贡献算力而提高个体算力。 人的价值是从哪里来的? 让我们抛弃一切矫饰承认自己趋利而行的本性——人类的价值,由他对其他人的用处决定,由他所在的社会网络评估。 从远古到今天,作为社会性动物,人类一直如此。 部落会驱逐对己无用的个体。 社会网络也一样。 在匮乏时代,部落会因资源不足抛弃那些消耗高于产出的老弱病残,会杀死难以驯服、管理成本过高的俘虏而不是将他们留用为奴隶。 但到了繁荣时代,人类的价值取决于他们的创造潜能和消费能力。 在产业链逻辑的驱动下,人类社会正在学会由另一个方向评估人的价值,正在学会通过协助他人成为更具创造力、更有消费力的人,令这些人对自己更有用。 在兑现繁荣预期的紧迫需求下,每个老板都希望员工更有创造力,每个商家都希望顾客更有消费力,虽然依照伤害链文化残留的政治传统,削弱他人以便维持自己的较高地位才是掌握资源的强者该做的事。 但如果你是个开店的老板,你绝不会介意进来消费的客人是亿万富豪,绝不会介意他比你更有钱。 担心人类会被AI取代的人,是错用了匮乏时代的思维方式。 在技术发展到能取代人类担任许多岗位之后,过去的“牛马”确实会不再有机会当牛做马。结果是,在学会驭使牛马的人类里,出现了“牧童”这个工种。 你甚至不必担忧自己因年龄老大学不会新技术。 科技进步,并不只是进步在让机器能做更多事上。它也会进步在让人对机器的操控更便捷、更“傻瓜”上。 随着科技进步,人,在“人技结合体”中的地位只会更加重要,随着工具的层层堆叠,随着每个人掌握的机器操控技能不断增加,人类,作为深藏在钢铁外壳之内的柔弱核心,将成为整个系统最珍贵、最值得保护的部件。 由此,人对于他人的价值,也会不断提升。 为什么? 因为人类迄今的一切产出,一切创造,都基于人类社会目前已经构建出的超大规模高质量长期合作关系,基于已经组建起来正运行不休的人脑智联超级网络,想要兑现繁荣预期,维持经济发展趋势和我们已获得的生活品质,我们就不能容许文明倒退,不能容许智联网络崩散。 科技进步令生产者有了更大产能,但也令生产者需要消费者的存在,生产力的增长,令生产者渴望消费力的同步增长。 那个人人都希望别人比自己弱小,并为此不择手段的时代已经逝去。 人人都希望别人富裕、别人到自己店里来买买买的时代已经到来。 很多来自过去世代的人是没法理解未来的,他们无法理解为什么真正属于繁荣时代的头脑会希望别人的头脑具备高算力。 但想想你在网络里的真实体验。 你会希望在网络游戏里和你并肩作战的队友网速卡顿吗?你会希望他使用的电脑或手机内存不足吗? 如果你自己就是一台电脑,你会希望和你一起组成局域网的电脑经常出现硬件故障,拉低平均网速吗? 在村与村之间、户与户之间常会争水争地的农村,你可能会希望邻居倒霉。 但忙碌的展会现场,你会希望邻座的同事突然晕倒吗? 越是科技进步,越是让人成为被工具包围、被工具“武装到牙齿”的存在,人对于人,人对于“人技结合体”,人对于智联网络,就越会成为宝贵的、不可或缺、无可取代的存在。 人的价值,人对他人的价值,就越是会提高。 这就是人本身的现代化。 现代人,是从古至今,在“人技结合体”不断发展膨胀的过程中,越来越核心,越来越有价值的存在。 到了近现代,人与人之间的地位差距之所以越来越小,人人平等之所以深入人心,其实还有一个许多人都会忽略的原因。 人不再需要奴役人了。 人不再需要用各种手段逼着自己的同类去做牛马机器就能做的事情了。 为了奴役他人而阉割他人的思维能力,在现代社会,正因物资充裕、机器劳力充裕,变得越来越无必要。 属于人的真正的生活,正缓缓展开。
meng shao
1个月前
Google 11月最新白皮书「Introduction to Agents」—— 作为「Google x Kaggle 5天 AI 智能体强化课程」的开篇,提供从概念验证到生产级智能体系统的指导框架。 Google 这份最新白皮书,聚焦于 AI 智能体的核心架构、分类、构建实践、生产部署、安全治理以及演化学习,客观分析了生成式 AI 从被动预测向自主问题解决的转变,强调智能体是语言模型在软件中的自然延伸,能够通过循环推理、行动和观察来实现目标。 白皮书的核心观点是:构建智能体并非简单集成语言模型,而是设计一个完整的应用系统,需要平衡灵活性和可靠性。 1. 从预测 AI 到自治智能体 AI 正从被动任务(如翻译或生成图像)转向自主智能体,这些系统能独立规划和执行多步任务,而非依赖人类每步指导。智能体结合语言模型的推理能力与实际行动工具,使其成为“语言模型的自然演化,在软件中变得实用”。白皮书强调,从原型到生产级的挑战在于确保安全性、质量和可靠性。 2. 智能体介绍 智能体定义为模型、工具、编排层和运行服务的组合,通过语言模型循环来实现目标。核心组件包括: · 模型(大脑):核心推理引擎,如通用模型、微调模型或多模态模型,负责处理信息、评估选项和决策。 · 工具(双手):连接外部世界的机制,包括 API、代码函数和数据存储,用于获取实时信息或执行行动。 · 编排层(神经系统):管理操作循环,处理规划、记忆和推理策略(如链式思考或 ReAct)。 · 部署(身体和腿):从本地原型到安全、可扩展服务器的托管,确保通过 UI 或 API 访问。 开发智能体类似于导演角色:设置指导提示、选择工具并提供上下文。白皮书指出,语言模型的灵活性是双刃剑,需要“上下文工程”来引导可靠输出。智能体本质上是上下文窗口的策展者,能适应新情境解决问题。 3. 智能体问题解决过程 智能体通过连续循环实现目标,分为五个步骤: 1. 获取任务:从用户或触发器接收高水平目标。 2. 扫描场景:感知环境,收集上下文(如用户请求、记忆、工具)。 3. 思考:模型分析任务并制定计划。 4. 行动:执行计划的第一步,如调用工具。 5. 观察与迭代:评估结果,更新上下文并循环。 示例:客户支持智能体处理“我的订单#12345在哪里?”时,先规划多步(查找订单、查询跟踪、合成响应),然后逐一执行。这种“思考-行动-观察”循环使智能体处理复杂任务。 4. 智能体系统分类 白皮书将智能体分为五个级别,每级基于前一级扩展: · 0级:核心推理系统:孤立语言模型,仅依赖预训练知识,无法实时交互。 · 1级:连接问题解决者:添加工具,能访问外部数据(如搜索 API)。 · 2级:战略问题解决者:支持复杂规划和上下文工程,能主动管理信息。 · 3级:协作多智能体系统:如人类团队,智能体将其他智能体视为工具,实现分工。 · 4级:自演化系统:识别能力差距,动态创建新工具或智能体。 5. 核心智能体架构:模型、工具和编排 · 模型选择:优先考虑特定任务的推理和工具使用能力,而非通用基准。建议多模型路由(如大模型规划、小模型执行)以优化成本和速度。多模态模型处理图像/音频,或使用专用工具转换数据。 · 工具:分为信息检索(如 RAG、NL2SQL)和行动执行(如 API 调用、代码沙箱)。函数调用通过 OpenAPI 或 MCP 连接,确保可靠交互。包括人类交互工具(如 HITL 确认)。 · 编排层:管理循环,决定何时思考或行动。核心选择包括自治程度(确定性 vs. 动态)、实现方法(无代码 vs. 代码优先,如 ADK)和框架(开放、可观测)。 6. 核心设计选择、多智能体系统和设计模式 · 指令与上下文:使用系统提示注入领域知识和角色(如“友好支持智能体”)。增强上下文包括短期记忆(当前会话)和长期记忆(RAG 查询历史)。 · 多智能体:采用“专家团队”模式,避免单一超级智能体。常见模式:协调器(路由子任务)、顺序(流水线)、迭代精炼(生成-批评循环)和HITL(人类审批)。 · 部署和服务:从本地到云托管(如 Vertex AI Agent Engine 或 Cloud Run)。需处理会话历史、安全日志和合规。 7. Agent Ops:结构化处理不确定性 Agent Ops 是 DevOps 和 MLOps 的演化,针对智能体的随机性。关键实践: · 度量重要指标:如目标完成率、用户满意度、延迟和业务影响。 · 质量评估:使用“语言模型作为评判者”对输出打分,基于黄金数据集。 · 指标驱动开发:自动化测试变化,A/B 部署验证。 · 调试:OpenTelemetry 追踪记录执行路径。 · 人类反馈:将报告转化为新测试用例,关闭循环。 8. 智能体互操作性 · 智能体与人类:通过聊天 UI、计算机使用工具(控制界面)、动态 UI 生成或实时多模态(如 Gemini Live API)交互。 · 智能体与智能体:A2A 协议标准化发现和通信(异步任务)。 · 智能体与金钱:AP2 和 x402 协议处理交易,确保授权和微支付。 9. 安全与扩展 · 单个智能体安全:平衡效用与风险,使用混合防护(确定性护栏 + AI 守卫)。智能体身份作为新主体,使用 SPIFFE 验证。ADK 示例:回调、插件和 Model Armor 检测注入。 · 扩展到企业舰队:处理“智能体蔓延”,通过控制平面(网关 + 注册表)强制政策。关注安全(提示注入、数据泄露)和基础设施(可靠性和成本,如预置吞吐量)。 10. 智能体如何演化和学习 智能体需适应变化,避免“老化”。学习来源:运行经验(日志、HITL 反馈)和外部信号(政策更新)。优化包括上下文工程和工具创建。示例:多智能体工作流学习合规指南。Agent Gym 是前沿:离线模拟平台,使用合成数据和专家咨询优化。 11. 高级智能体示例 · Google Co-Scientist:虚拟研究伙伴,生成并评估假设。通过监督智能体管理专家团队,运行循环改进想法。 · AlphaEvolve:发现算法,结合 Gemini 生成代码和进化评估。人类指导定义问题,确保透明和实用。 12. 结论 智能体将 AI 从工具转变为伙伴,通过模型、工具和编排的集成实现自主性。开发者需从“砖瓦工”转向“导演”,强调评价和治理。这一框架指导构建可靠系统,推动智能体成为团队成员。 Google x Kaggle 5天 AI 智能体强化课程: Google 11月最新白皮书「Introduction to Agents」:
Andy Stewart
1个月前
今天给程序大佬们分享一下 对于程序员来说,什么叫正确迭代吧? 1. 你读完经济学才明白:原来世界本身不是0和1的,而是黑的、白的、灰的都有。最关键的是,非程序世界的人看到这些黑白灰以后,他们不是像程序员那样去较真,为什么那件事情是对的?那件事情是错的?他们只会想一件事情,我做那件事情的成本是多少?我不做的成本是多少?外面的世界很多都是根据执行成本相关的,因为非程序的世界除了物理规律还有一条是经济规律,经济规律本质是什么?本质是几千年人的人性,符合人性的就是对的,不符合的就是不对的 2. 你真的跑过商务就能明白:原来技术牛逼在真正的商务合作来看,只是很小的一部分。剩余的大部分是,你个人或者公司在业界出名不?出名就是品牌背书。不出名呢?找一个名人给你担保,在中间给你背书。如果都没有了,那就谈钱。至于程序是不是第1,在大多数行业其实不是那么重要的。所以,这时候你会发现,程序里面你骄傲的东西在现实世界有时候很孤独,因为大多数人有钱,不懂技术,不听你讲 3. 创业过你才能明白:原来自己写代码强没用,自己写代码强,你的同事只会看着你干活。反而是那些自己写代码弱的老板,明白自己的弱势,拿钱去请互补性仁人才。他们的队伍反而越来越强。这是为什么?因为创业的根本是,创始人的品德和远景,团队的团结和稳定,产品的强大和价值。而技术在创业过程中也只占很小一部分
宝玉
1个月前
今日 Hackernews 热帖:工作,工作之后:一个失业应届毕业生的笔记,眼看就业市场分崩离析 作者是名校计算机专业毕业生,成绩好,包括 DeepMind 在内的 3 份实习,但迄今为止 0 offer!他和他的同学聊的不是毕业生就业市场有点冷,而是毕业生就业市场已经玩完了! 媒体上对这种现象的解释是经济周期遇冷,VC 没钱了,科技公司缩减开支,但作者不认可这些说法,他从自己的角度在文章中做了分析。 第一个趋势是很多工作变成远程操控了,一个马尼拉的员工,戴着VR头显,就能远程操控一个东京便利店里的上货机器人。 东京的企业拿到了马尼拉的低廉劳动力,却不用处理东京高昂的住房、医保或文化融合问题。这比外包还彻底。 更狠的是,这个马尼拉员工的工作,不只是在上货。他是在为AI提供训练数据。他每操作一次,就是在教AI如何像人一样上货。特斯拉的Optimus机器人也是这么学的。 作者管这个叫“物理世界的幽灵工作”——你今天的工作,就是在训练明天淘汰你的机器。 这个模式正在白领世界复制,初级岗在消失。公司宁愿要“资深工程师 + AI工具”,也不要一堆新人。 对于这个问题,作者还提出了一个概念:“正态分外人类” (Out of Distribution Humans)。 想象一个钟形曲线,或者叫正态分布。 (参考图一,这图原文没有,还是我从网上找的一张,来源:Introduction to the Normal Distribution (Bell Curve) ) 曲线中间“胖胖的”部分:是海量的、重复的、可预测的“普通工作”。 曲线两端“细细的”尾巴:是那些新奇的、混乱的、没法总结规律的“怪异工作”。 过去,AI只能干最简单的事。现在,大语言模型最擅长的,就是吞噬掉曲线“中间”那块最肥的肉。 而我们绝大多数人的教育、实习、和职业规划,都是在教我们如何挤进那个中间,叫我们如何成为一个稳定、可靠、可预测的标准员工。 结果我们都在努力成为AI最容易取代的那类人。 那谁能活下来? 就是那些活在曲线两边上的正态分布外的人。他们的工作足够独特、足够新颖、足够混乱,以至于AI暂时无法学习和压缩。 这篇文章在Hacker News上也讨论的很热烈,评论区很有意思。 有人说:这哥们文笔好到可以直接出书了。 但另一拨人说:我看了他的简历,写得像一篇散文,太长了。难怪找不到工作,现在是抖音时代,没人有耐心读。 这也挺讽刺的: 一个优秀的毕业生,却可能因为简历不够“抖音化”,过不了HR的第一关。 还有几个扎心的评论: 1. 申请黑洞: 有人说现在招人根本不看投递的简历了。因为90%都是AI生成的垃圾或海外垃圾邮件。公司只主动挖人。(这解释了为什么作者的优秀简历石沉大海) 2. AI当借口: 也有人怀疑,AI只是个借口。真相就是经济不行,高管们拿AI当挡箭牌,疯狂砍成本、搞离岸外包(比如去印度)。 3. 实习没转正? 有人质疑他3个实习(包括DeepMind)都没转正,是不是他自己有问题。但立刻有人反驳:现在大厂实习生转正名额也冻结了,不是实习生不行,是公司不给人头了。 作者在结尾也写下了他的感受: 过去,工作是一架梯子,我们往上爬就行。 现在,梯子底下代表初级岗的几节横档正在被抽走。 我们这一代人,正悬在半空,底下是成千上万个和我们一样做对了所有事的人。 而公司在做的,就是把梯子中间的标准横档,换成AI和机器人。 帖子地址: