2025-04-21 12:15:55
川普的“即兴政策”如何搅动美股?AI 量化真能打败人性吗?本期 Indigo Talk 邀请了美股交易大师猫姐,从回溯纽交所内幕到 XTrader 实盘,拆解“交易即人生”的数据与心性;分享了熊市生存法则、情绪管理诀窍,以及 AGI 时代投资者必修的“双管理” —— 时间与情绪。75 分钟高密度洞察,带你看懂市场裂缝与机会。
小宇宙播客 - Indigo Talk - EP26
猫姐(XTrader 数据科技 创始人)
Indigo(数字镜像博主)
以下总结基于 Indigo 和 猫姐 的对谈逐段内容,针对每个主题进行较为详细的梳理与提炼,并力求体现两位嘉宾在对谈中的主要观点及其前瞻性思考。
嘉宾背景
XTrader 介绍
由猫姐和团队组建的交易数据分析公司,核心成员热爱技术分析,也开发了量化交易小机器人。在实盘中投了约 20 万美元以验证并迭代算法。XTrader 还有一个投资俱乐部,主要面向美股爱好者,提供复盘、实盘持仓分析以及定期研讨。
行业经历与缘起
猫姐多年来对美股、上市公司财报及信息披露流程都较为熟悉。早期做证券投资信息披露和 IR 的经历让她看到了从内部视角披露信息的选择性;后来投身硅谷科技投资及创业孵化,深切感受到周期和流动性对行业的影响;最终因为热爱交易本身和自身性格特点,专注做全职交易者,并在疫情(2020 年)前后与社区成员积极互动。
交易与人生的双重含义
各自的交易体验
Indigo 更多是偏“买入并持有”的风格;曾在港股、美股和比特币等品种上都有类似“买了就拿”的持有策略。猫姐则偏重技术分析和周期切换,更注重实盘中对关键点位和资金流向的捕捉。大家都强调,在牛市里人人是“大师”,真正考验交易员的是经历几次牛熊转换后的生存和成长。
现在的美股更难预测
与以往 10 年或更早的市场相比,这一轮美股存在更高的政策不确定性;在历史上可能更多的是经济周期或流动性推动,但目前川普政府对市场干预的信息杂音极大。华尔街过去很多时候能提前捕捉监管或政策信号(如先行大资金进场),但如今因政策随时翻转,主力也措手不及。
加息、疫情余波与贸易战带来的多重挑战
2020 年之后,疫情带来的极端宽松与随后激进加息,导致美股短周期牛熊频繁切换;再加之川普对全球供应链与关税重构的态度,让美股的可预期性变得更低。
保守策略与减少错误
猫姐认为,在川普这种“一言不合就变”的政策风格下,大资金亦难以应对;散户或个人交易者更需要谨慎,尽量减少犯错,保持仓位管理和对冲。在不明朗之际,宁可离场观望:资本市场不是每天都要“搬砖打卡”,空仓或轻仓也是交易策略的一种。
等待国会或制度稳定信号
川普政府可能与国会或司法会形成某种制衡;若出现明显的法律或立法约束,可能相对有助于提高政策确定性,但目前还较早。Indigo 补充在高波动环境下,若无明确信号,强行入场可能“大亏小赚”。
重新洗牌全球供应链
猫姐与 Indigo 都提到,川普比之前更倾向于“全球开火”,意图通过全面调整关税、供应链布局来挽回美国传统铁锈地带的选民支持。但这种强行改变全球化分工的做法可能违背经济规律,短期内更易导致通胀、贸易壁垒和市场混乱。
贸易战与逆全球化的后果
如果产业链回流美国,其基础设施、劳动力等要素短期并不具备;在国际市场上,高关税只会造成更多物价上涨和政治博弈。回顾历史上 1930 年加关税的案例,“事与愿违”的情况并不少见。
美国内部撕裂
两位都强调,美国现在面临的不仅是金融或经济问题,更是社会与价值观的撕裂。“铁锈地带”认为自己被全球化边缘化,而东西海岸金融、科技精英受益于全球化,“红脖子”选民对华尔街和硅谷多有不满。川普上台部分体现了这种被忽略的群体大规模反弹。
全球角度下的贫富差距
美国模式曾被膜拜,然而贫富差距扩大及区域发展失衡导致结构性矛盾爆发。欧洲、亚洲也面临难民、移民等问题,全球化的红利分配不均在各国都积累了矛盾。猫姐总结:美国社会以往的“灯塔国”形象出现裂缝,需要较长期才能修复。
XTrader 量化小机器人
由猫姐团队投入约 20 万美元实盘跑,基于技术分析、机器学习等算法进行迭代更新;在盘中实时发出多空信号,俱乐部会员可观察或对照实盘。刚开始收益曾超额约 10%,但 4 月份的市场震荡让机器人也出现信号矛盾,来回折腾的操作。
量化在高杂音市场的挑战
传统量化或机器学习在极端政策干预下容易踩坑,因其对历史数据的依赖度较高,一旦出现新型“川普式”政策突发事件,过往数据无法有效预测未来。机器人会严格止损与翻仓,不会受到人性情绪干扰,这点是优势;但同时也难以洞察人类更高维度“盘感”或政策突发的非线性。
生成式 AI 与交易
Indigo 提到生成式 AI(如 ChatGPT、Claude、Gemini 等)如今在做编程、分析时非常强大,也广泛被华尔街使用来做情绪追踪或自动代码生成。猫姐也观察到,AI 在交易中可挖掘很多特殊因子,但因为很多噪音和不确定的政策冲击,使得机器的判断依旧面临黑箱与误判。
时间管理/价值投资法
如 Indigo 所践行的“买了并拿住”方式:选定优秀公司,并以足够长的时间周期穿越牛熊,避免每天盯盘被扰动。类似巴菲特或查理芒格的理念,如果对公司足够有信心,就要能承受它的股价腰斩。
情绪管理/心法
猫姐侧重交易者“心法”的修炼:没有人能保证每次都预测成功,因此交易更重要的是应对而不是预测。要有能力及时承认错误,翻多或翻空。当机立断的止损翻仓对普通人来说极为困难,人性常让交易者陷入固执和恐惧。机器在此相对“无情”,能更快做出反向操作。但人类的灵活度和盘感依旧有不可替代性,尤其在重大突发事件中。
AGI 带来的划时代变革
猫姐比喻:AI 会像早期互联网一样,逐渐渗透并成为基础设施;同时,其对社会与经济的冲击力甚至超过当年的互联网革命。不同于传统机器或程序,生成式 AI 在推理、学习以及自我迭代方面潜力巨大,未来大量白领或中层岗位可能会被替代或重塑。
人类不可替代之处
AGI 与交易或经济的未来
若每个人都有一台“私人 AI 助理”,市场表面看似更高效率,但“噪音”也会以新方式迅速扩散;由于大家策略同质化越来越强,能保持领先或者创造“alpha”的关键仍是人类更高水平的创造力与对机器的领导力(如何善用并驾驭 AI 工具)。
Indigo 总结:在社会大周期、政治周期、科技周期的三重拐点交叠下,人类面临的变革既充满机遇又伴随新的不确定性;乐观者相信 AGI 能带来新一轮生产力提升,但在投资层面需对技术和道德规范保持关注与敬畏。
本期对谈从个人经历切入,围绕“交易即人生”展开了对市场、政策、AI 的多维讨论。嘉宾强调了在高度不确定的环境里,交易者或投资者要注重以下几点:
两位都对 AGI 时代抱持前瞻的乐观态度,认为这将为经济和投资打开全新空间,也会对人类的社会结构和个人心智提出更高要求。
2025-04-20 13:22:30
想用 AI 提升效率、却又被真假课程绕得头大?本期 Indigo Talk 请来数据分析培训专家曹峥老师,拆解普通人拥抱 AI 的正确姿势:信息差就是机会,好课程 = 真实需求+优质交付;从“1 秒做 PPT”的幻象到与 AI 长期共生,需要自驱力与好奇心,更需要社群陪伴。听完你将学会筛选课程、避免被“割韭菜”,也能找到让 AI 真正为你省时、省力、增值的方法。职场白领、内容创作者及想转型的你,都值得花一小时听听这场干货与思辨并存的对谈。
小宇宙播客 - Indigo Talk - EP25
曹峥(在线教育操盘手 - 网红老师)
Indigo(数字镜像博主 - 主持)
以下为对谈内容的详细总结,按题目中的时间节点(粗体标注)进行结构化整理,并补充核心观点:
背景经历
个人身份与角色切换:从传统互联网产品经理,转变为在线职业教育的培训业务负责人,再到亲自讲课的讲师。发现自己对“教”这件事有热情和兴趣,“曹老师”称呼由此而来。
信息差带来的培训机会:曹峥提到,对互联网从业者而言,像 Excel、数据分析等技能看似“简单”,但对很多大众用户来说依然存在巨大信息差,因而培训需求旺盛。例子:
结论:只要信息差存在,面向初阶人群的技能培训就有巨大市场。
用户定位:职场小白或普通白领
AI 培训的主要应用场景
好产品稀缺,原因在于“课程设计”
案例:Python 小课的成功
阶段性的“卖课”方式
问题:后续深度与高阶内容不足
功利性(急于求成) vs. 好奇心驱动(持续探索)
与 AI 相处类似“谈恋爱”:刚开始充满幻想,接触后发现没那么神,慢慢理解如何让 AI 发挥更大价值,最终进入“相互适应与协作”的和谐阶段。
从静态工具到动态伙伴
技术曲线与产品机会
时代加速迭代,人与人分化
主观能动性与“学习的道”
学习社群的价值
教与育的区别
核心心态转变
道、法、术
真正难也最重要的,是前两者(“道”和“法”)。
初衷:建立“共同成长”式学习平台
Indigo 长期做自媒体与内容分享,但希望能与志同道合者在社群中深入交流、持续学习,而不是单向输出。曹峥长期深耕培训业务,也看好“陪伴式、动态迭代”的课程形态,与 Indigo 合作,探索新的教育模式。
目标:在 AI 快速演进的时代,为学员提供
AI 培训市场巨大,信息差是根本驱动。普罗大众对 AI 认知不足,对“省时、省力、赚快钱”的愿望却非常强烈,催生了五花八门的小课和培训项目。
好培训需匹配用户需求与课程体验。一次性课程只能“秀效果”;真要让学习落地,需要社群、陪伴、持续迭代的体系化课程。
AI 时代需要“自驱力 + 好奇心 + 长期思维”。静态技能易学,动态心态难得。技术会不断更新,人必须持续学习,不断适应新工具。
Indigo & 曹峥的社群课程。结合两位在内容分享、培训落地上的经验,希望打造“共同成长”的学习社群——既教授方法与技能,也鼓励长期交流、迭代升级,让更多普通职场人真正享受到 AI 带来的赋能。
2025-04-09 09:59:59
INDIGO TALK 第二十四期,邀请了 AI Talk 创始人汗青老师,聚焦 AI 生成视频与创作工具的最新趋势。汗青从自身经历出发,深入分析了 GPT-4o 等新兴工具如何彻底重塑内容创作流程。他认为,到 2025 年底,AI 已能生产高质量的商业视频内容,而创作者将因此面临两极分化 —— 顶尖人才受益,普通创作者则压力倍增。AI 会如何影响影视行业?未来的媒体又将如何演变?一起来听汗青老师畅聊 AI 与内容创作的无限可能。
小宇宙播客 - Indigo Talk - EP24
汗青(AI Talk 工作室 - 创始人)
Indigo(数字镜像博主 - 主持)
以下总结基于对谈逐段内容整理,并按提问者给出的时间轴进行归纳。为便于阅读,特将主要观点分段罗列,并结合对谈双方的核心讨论,呈现一个较为完整的脉络。
背景与个人经历:
初步目标与发展:
普罗大众的反应与疑虑:
圈内与圈外差距:
发展速度惊人:过去 24~30 个月,AIGC 工具迭代非常迅猛,从最早的文本、图像到视频、音频,甚至多模态交互都在快速演进。
分层使用:可把 AIGC 工具拆分为四大模块:
多工具组合才是主流:当前尚无单一“全能”工具,通常需要把不同模型或平台按需求组合封装,才能实现完整的商业创作流程。
工具进化历程:
早期(2022 年初左右):
中期(2023 - 2024 上半年):
近期(Deepfake-SOS、DeepSeek 及 GPT-4.0 多模态出现):OpenAI 推出 GPT-4、Vision 等多模态能力,带来“以嘴P图”新范式;可结合图像理解与生成,让工作流程彻底革新,国内外各路工具再次掀起大规模迭代。
多模态特性:
对创作流程的冲击:
现有成果与潜力:
发展判断:
创作者分化:结合保罗·格雷厄姆、米哈游创始人,以及李安导演的观点:
这种两极分化被称为“平均的终结”:要么成为顶尖,要么就与 AI 同在一个大众娱乐层面,中端专业人群受影响会最大。
技术可行性从“表达”和“呈现”两个维度拆解:
目前 AI 在角色一致性(人物多镜头统一造型)、长镜头自然度、真实性等还有瓶颈,但这些问题往往属于 6~24 个月内可快速迭代解决的技术难点。
趋势判断:
多工具并存,难一统:不同模型擅长不同场景:如 Midjourney 强审美,Stable Diffusion 开源可定制,GPT-4/Claude 强文本生成等;未来依然会是多模型各司其职,而非一体化统治。对理想工具的需求:
目前所有大平台都只是局部做得好,尚未看到一个覆盖完整工作流、完美贴合创作习惯的“一站式”工具,且很可能也不存在“唯一最优解”。
新增分发渠道的缺失与展望:
游戏与影视的融合:
大结论:
本次对谈涉及从 AI 视频的早期应用、用户反馈、工具生态,到未来数年 AI 能力的冲击,以及 AGI 时代全新媒体形态的前瞻。双方一致认为:技术门槛会继续被压低,创作将更广泛地普及,但也会带来创作者的两极分化。同时,只有真正有“核心创意”或“深度叙事能力”的个人与团队,才能在高价值内容赛道保持竞争力。AI 时代的新媒体,既可能全面渗透到现有分发渠道,也可能催生新的内容形态或交互方式,创造出颠覆式的观影、玩乐、阅读乃至体感体验。
2025-03-28 08:38:02
INDIGO TALK 第二十三期,邀请到 UBC 商学院的吴春华教授来分享 AI 给大学带来的变革与挑战。吴教授结合自身在商学院的教学经历,展示了如何从“防范”到“拥抱”AI 技术,并分享了真实企业咨询和学生项目案例 —— 用 AI 快速完成数据分析、生成可视化商业决策工具。
在 AI 时代,教育的本质是什么?教师的价值又该如何重新定义?这场对谈,大家坦诚分享了从担忧、抗拒,到主动拥抱 AI 的心路历程;也探讨了如何平衡 AI 与传统教学的关系,帮助大家重新思考 AI 时代下的教与学!内容十分精彩,不要错过哦😄
小宇宙播客 - Indigo Talk - EP23
吴春华(UBC 商学院 - 教授)
Indigo(数字镜像博主 - 主持)
以下为 indigo 与 UBC 商学院吴春华教授在 Indigo Talk 节目中的完整对谈内容总结。为了方便阅读,我将对谈按照时间点和对应主题进行梳理,并对每个部分的核心内容进行提炼和详细说明。
嘉宾背景
吴春华教授在 UBC(不列颠哥伦比亚大学)商学院任教十余年,主要教授数据驱动的商业决策与分析相关课程。除了教授工作外,吴教授每年还会带 MBA 学生前往新加坡、以色列等地,为当地企业提供短期咨询项目,目前已带领学生完成了近 40 个实际商业咨询项目。
UBC 商学院(Sauder School of Business)整体情况
本科生(BCom)、MBA、EMBA、Master of Business Analytics(MBAN)等多个层次的项目。学生构成非常多元化:本科以加拿大本地学生居多,但也来自 100 多个国家;MBA & MBAN 则有来自全球各地的学生,包括中国、印度、南美、非洲等地。MBAN(商业分析硕士)项目近年增长迅速,招生规模较大,主要培养学生的数据分析与商业决策相结合的技能,毕业后就业需求旺盛。
早期担忧:学术诚信与潜在“作弊”
ChatGPT 等生成式 AI 在 2022 年末崭露头角时,很多教授担忧学生会利用其完成论文写作、作业、项目等,难以监管。教授们初期更多是想通过各类反 AI 检测工具“防守”,但短期内发现难以奏效。
态度转变:拥抱新工具
2023 年之后,教授和学生都开始真正体验到 AI 工具的潜力,学校和老师反而更倾向于研究如何将其合理运用到教学当中:
UBC 商学院在 2024 年起有显著变化:
老师们通过内部研讨会分享如何在课堂中使用 AI、如何在考核方式上更新;学校或系里也邀请学生来教老师“学生在用 AI 解决作业时具体都干了什么”,让老师了解一线操作和工具使用的细节。
传统考核 vs AI 时代考核
传统作业和论文:要求“所有内容须由学生本人独立完成”,不允许外包或者照搬网络资料;AI 兴起后:学生可利用 ChatGPT 搜资料、写论文或做数据分析,不再能单纯用“防作弊”思维来禁止。
考核改革:以批判性思维为导向
一些老师开始将考核重点放在“学生如何评价和质疑 AI 输出”的能力上,而不只是论文写得好不好:例如有教授布置作业时让学生先用 AI 完成基础分析/写作,再要求学生用批判性思维指出 AI 的局限,并补充 AI 想不到/忽视的问题;这样的作业在评分上更看重学生的思考深度、独创性,以及对 AI 输出的审视能力。
高阶目标:让学生成为 AI 的“导演”
在教学中让学生把“技术性执行”部分交给 AI,同时要能提出更好的问题、判断数据是否合理,从而锻炼分析和决策能力。因此,学生需要不断提高自身的商业思维和对问题本质的把握,而不只是停留在工具层面的掌握。
MBA / 商业分析硕士 VS 传统 Data Science
AI 出现后让“商业分析”需求更凸显:技术难度可以依靠 AI 辅助,但关键仍在于学生对场景和业务理解,以及提出恰当商业问题的能力。
学校视角
商学院在培养学生时更加注重教他们:
企业需求与就业前景
数据驱动的商业决策在各行各业都成为必备,MBA 项目的学生找工作竞争力很强,AI 进化后对“懂业务+能熟练用 AI 分析数据”的人才需求只会更高。
工具人时代的结束
大模型/AI 正在逐步替代许多纯技术性或重复性工作,让人不再只做“提取数据/写 SQL/基础统计”这些低层工作;人的价值更多体现在:对商业背景的洞察、对问题本质的提炼、对多重约束和实际运营的平衡,以及对 AI 的成果进行最终判断。
人类与 AI 的互补
AI 让“技术门槛”急剧降低,一些之前需要大量人力的大数据处理过程,被浓缩到几分钟或几小时;商业分析师和管理者的思维框架、对决策影响因素的深入理解,成了不可替代的核心能力。
从“教”到“育”:本质转变
传统大学教育大量时间用于教学生各种“工具化知识”(公式、编程语法、基础框架),但在 AI 时代,知识或套路本身可以一对一地教给学生的 AI 助手完成;大学教学更应专注于“育”:启发学生的批判性思维、创造力、对真实世界和跨学科问题的洞察,以及如何在群体协作中迸发新想法。
“老师”角色从“权威讲解”变为“引导主持”
教授在课堂中更像引导者、主持人,营造出一个能激发思维碰撞和创造力的环境;学生每个人都携带一个 AI 助手进入课堂(例如 ChatGPT, Claude),一堂课就像有 60 个学生 + 60 个 AI,在老师推动下做“群体共创”。
教学案例升级
以前 MBA 上课会有很多哈佛商学院案例来做研究;现在在保留案例框架的同时,学生可用 AI 做快速信息提取与分析,进而更深入讨论和进行二次研究;教学更加强调学生对 AI 分析结果的批判和延伸,而不是单纯背诵理论或人工做基础分析。
教学效率与成果
AI 的辅助让学生在短期内完成更复杂的项目。商学院课程中,许多实操项目结合真实企业需求(如与 Lululemon、谷歌云合作),在较短周期就能产出可交付的成果。
“教”部分:
可以越来越多地交给 AI 以更高效、更定制化地把知识传授给学生。学生如果想学某个工具或某个编程库,用 AI 辅助自行钻研就能很快入门。
“育”部分:
大学和教授要做的核心:给学生创造一个真实或模拟但足够丰富的环境,让他们碰撞想法、培养领导力与交流协作能力,并对综合性问题进行更深入的探究。大学需要注重启发式、项目式、讨论式教学,尤其商学院较早就把“课堂像工作坊”和“带学生做咨询实战”结合起来。
新加坡家族企业案例
吴教授带领 33 名 MBA 学生去新加坡,为一家拥有 80 年历史、生产托盘(pallet)的家族企业做咨询。企业老一辈工人对流程非常熟悉,但存在 15% 的木材损耗,年轻一代的 20 多岁新老板希望用数据分析及 AI 方式来找到改进方法。
学生解决思路
学生结合企业的原材料尺寸、产出托盘结构数据做最优化分析:与其先裁切大长条,再用剩余边角料做小方块,不如先切小方块,再用剩下的长条材拼托盘,从而大幅节约原木浪费。通过深入分析和大胆尝试,最终帮企业从 15% 的损耗降低到 10% 以下,预估可节省 200~300 万美元/年。
AI 辅助价值
学生敢想:以前若缺乏完善技术,需更多繁杂手动运算;如今有 AI 提示或帮忙做部分数理建模,从而让他们思考边界显著扩展,短期就能形成可落地方案。
UBC 与谷歌云合作的 Hackathon
每年都会给商学院数据分析专业学生举行为期 4 天的 Hackathon;学生把课堂上学的企业数据分析框架,结合谷歌云平台,大规模处理爬来的社交媒体数据(如 Youtube),并做分析工具/仪表盘;对比 4 年前,AI 技术爆发后,学生完成度大幅提升,短短几天就能产出可部署的实际产品。
学生实操案例:社交平台趋势洞察
利用谷歌云和大模型,对 Youtube/KOL 视频文本做 embedding、聚类分析,动态呈现热点频道、关键趋势、涨粉速度等。在 4 天内实现数据采集、清洗、可视化到部署成网站的完整流程,展示出商学院数据专业与 AI 深度结合的强大能力。
insideAirbnb 网站
提供各大城市 Airbnb 库存与市场概况,传统方式下要花大量时间爬取、整理和可视化;
用 ChatGPT(GPT-4 Code Interpreter / Advanced Data Analysis)快速开发
演示如何在 ChatGPT 中输入简单需求:“帮我做一个温哥华 Airbnb 市场 Dashboard,可以让房东查看房价、空置率、热门地段等”。ChatGPT 会自动给出从数据来源、数据清洗、绘制图表、前端可视化等一系列代码与指令;学生只需按步骤稍作修改,就能在 1~2 小时内上线一个基础功能完整的 Dashboard。
对比过去写代码的难点
师生课堂体验:一周的可视化课,前几天学传统可视化原理,最后一天学生在 GPT 上做快速实践,往往数十分钟就出成果。
Cursor 新功能:Agent
通过自然语言提示,Cursor 会自动:创建项目文件夹、下载 InsideAirbnb 的最新数据、编写数据清洗和可视化脚本、同步生成/部署 Web Dashboard 前端,帮忙写好 README 或脚本供最终一键启动、在线浏览。
演示中 20 分钟产出的 Dashboard
能查看温哥华房源总数、平均价格、各区价格分布、评价分数,还可以点击具体房源跳转到真 Airbnb 链接;提供房东定价建议、列出房源最多的超级房东、估算其租金收入等。虽然并非完全无瑕疵,但已是一个功能完整、可公开访问的 MVP 产品。
AI + 大学教育:共生与共创
大学老师从原先的“传授知识”转变为“营造环境、启发创造力”,学生则通过 AI 放大生产力;对于工具使用、本科/研究生教学、企业应用,AI 都在让大家“敢想、敢做”,并极大地缩短项目完成周期。
新课程计划
Indigo 和吴教授将继续合作,计划录制在线课程/工作坊,帮助更多学习者掌握 AI 时代的数据分析、商业决策思维,以及如何成为“使用 AI 的管理者/分析师”而非“被替代的工具人”。
AI 在教育中的角色
从初期的戒备与防作弊思维,转变为主动接受与探索,大学和教授开始积极鼓励学生使用 AI,提高效率和学习深度。同时也在调整考核方式,更关注学生的思维过程、批判性和创造性。
AI 对商学院教学的冲击
数据分析与商业决策的结合成为新的教学核心:让学生“懂场景+懂工具+会判断”。过去繁琐的编程任务大幅缩减,学生和老师能把更多精力放在洞察和决策层面上。
大学教育“教”与“育”
“教”的知识性传输部分逐渐可被 AI 工具“一对一”完成;“育”才是真正大学要做的:塑造思维框架、激发自主思考、培养批判与合作能力。
实践项目与沉浸式教学的重要性
商学院大量真实案例与企业合作,让学生借 AI 快速落地解决方案,增强他们对现实商业问题的理解与成就感。
未来展望
AI 正逐步成为人类的“思考助推器”,而非简单的自动化工具。个人和高校若能抓住这一浪潮,通过共创与共生进一步发掘学生潜力,教育与学习模式将被重塑。
综上,这场对谈围绕“大学应如何看待与应用 AI”“AI 如何改变商学院的数据教学与实践”“如何分清教与育”等主题展开,涵盖真实企业咨询案例、课程改革、编程工具演示等多个方面,最终指向一个核心:AI 时代需要的并不是让学生死记硬背,而是让他们学会提对问题、应用新工具,并培养深层次的思辨能力和创造力。
2025-03-27 14:47:22
二十五年前,Sun Microsystems 的联合创始人兼首席科学家 Bill Joy 在《连线》杂志上发表了一篇雄伟《Why the Future Doesn't Need Us》来警世 —— 基因、纳米技术和机器人(GNR 技术)可能带来的极大风险。这篇文章在当时的科技界引起了震动,随着时间流逝,我们开始看到 Joy 的担忧虽有先见之明,但却未能预见 21 世纪真正的转折点:通用人工智能(AGI)的出现。
我依然记得第一次读 Joy 文章时对纳米自我复制技术的描述所震撼,那是 2001 年,我刚进大学学习计算机科学。但现在回头看,他担心的是技术可能失控,而我们今天面临的情况更加微妙:技术完全按照我们的期望运行,却彻底改变了作为人类的我们在世界中的位置。
如果说工业革命赋予了我们机械的肌肉,那么 AI 则赋予了我们机械的思维。不同的是,当机械肌肉出现时,我们仍然拥有不可替代的思维;而当机械思维超越我们时,我们还剩下什么?
"我是谁?"这个问题曾经有一个简单的答案:我是一名教师、一位工程师、一个医生、一位作家。我们的身份与我们的劳动紧密相连。即使在休息时,我们也是"休息中的教师"或"度假的医生",我们的价值感源于我们提供的服务和创造的产品。
现在想象一个世界,其中最优秀的教师是 AI,最精确的外科医生是 AI,最富创意的作家是 AI,最有远见的科学家也是 AI。我们将如何定义自己?
2024 年末,L Rudolf 在《Capital, AGI, and human ambition》一文中指出了一个关键转变:AGI 将使资本成为劳动力的完美替代品。过去,资本需要人类劳动才能产生价值 —— 即使是最昂贵的机器也需要操作员。但在 AGI 的世界中,资本可以直接购买结果,无需人类中介。
作者曾与一位自动驾驶工程师交谈。三年前,他是一家顶级公司不可或缺的专家,年薪超过 30 万美元。今天,一个经过微调的大型模型可以完成他 80% 的工作,而且不会疲劳,不需要医疗保险,也不会要求涨薪。最讽刺的是,"我们一直在努力创造能取代我们自己的算法。现在我们成功了,却不知道接下来该做什么。"
这不仅关乎工作岗位的消失,这是关于人类价值的重新定义。
几千年来,社会契约建立在一个简单的交换之上:你的劳动换取生存和尊严。即使在最严酷的社会制度下,统治者也需要被统治者的劳动。但当 AGI 能够执行所有形式的劳动时,这种相互依赖关系就会崩溃。
技术乐观主义者会指出全民基本收入(UBI)作为解决方案。当机器创造足够的财富时,我们可以简单地向所有人分发足够的资源。但这忽略了一个基本问题:当大多数人对生产过程不再有贡献时,他们的议价能力从何而来?没有经济杠杆,如何确保政治力量不会集中在拥有资本和 AI 的少数人手中?
人类历史可以被视为一系列权力转移。从部落首领到宗教机构,从封建领主到民族国家,从工业资本家到信息时代的技术精英。每一次转变都伴随着社会流动性的时期 —— 旧秩序崩溃,新秩序建立,为新的参与者创造机会。
AGI 的出现标志着另一次权力转移,但有一个关键区别:这可能是最后一次。因为 AGI 消除了过去所有社会变革的催化剂:人力资源的必要性。
Rudolf 在他的文章中提到的历史上的革命性创业故事。莱特兄弟用自行车店的资源击败了资金充足的兰利;乔布斯和沃兹尼亚克从车库起步,创造了超越既有巨头的公司;SpaceX 以较少的资源实现了蓝色起源未能实现的目标,这些都是人类才能在资本稀缺条件下创造奇迹的故事。
在 AGI 世界中,这种路径将消失。正如 Rudolf 指出的,当顶尖人才可以被完美复制时,资本将直接转化为结果。不再需要寻找独特的人类才能,不再需要冒险投资于未经证实的创业者。资本将简单地购买最佳 AI 并部署它。
"为什么我要投资于一个有潜力但未经验证的创始人,当我可以直接部署资本购买计算能力并运行数百个由AI管理的创业实验?" 这不是理论上的情景 —— 这些对话正在硅谷的会议室中进行。
这种资本优势的强化将创造一个前所未有的静态社会。那些在 AGI 转型前拥有资源的人将锁定其优势;那些没有的人将永远落后。社会流动性 —— 那个维持了数百年"美国梦"的概念 —— 将成为历史文物。
更令人担忧的是权力集中的过程。一旦 AI 可以执行政府职能,治理国家所需的人力将急剧减少。这看似效率的提高,但也意味着民主制衡的削弱。当历史上每一个集权系统都需要大量人力来维持时,它们面临的是组织和忠诚度的限制。但 AI 系统不会背叛,不会罢工,也不会质疑命令。
我在最近一期播客对谈中提到:"工业时代训练工人就是让大家一样,可以简单培训就能上岗。到了知识时代,知识的价值更高,知识工作者收入更高,而工人就自然没落了。现在 AI 带来了知识平权,大家很容易获得知识了,但 AI 并没有让工人先下岗,而是让很多靠知识吃饭的白领先下了岗。"
这就是真正的风险:不是 AI 接管世界的科幻情景,而是拥有 AI 的人接管世界,同时其余人口变得无关紧要。
我在最近几期的播客中反复在问到的一个问题:如果 AI 可以做我所做的一切,那么我的价值何在?
这个问题引导我重新审视人性的本质。当我们不再仅仅作为劳动力有价值时,什么使我们独特?
莎士比亚在《哈姆雷特》中写道:"多么杰出的作品啊,人!多么高贵的理性!多么无限的能力!"但如果理性和能力被超越,我们还剩下什么?
在这一点上,最近一期 Indigo Talk 中嘉宾 Howie Serious 提供了一个有启发性的概念:人机协同智能。虽然 AI 可能在纯理性和信息处理方面超越人类,但人类在某些领域仍然保持优势:
首先是对现实世界情境(Context)的深入理解。人类生活在物理世界中,体验喜悦和痛苦,理解文化细微差别的方式是源于我们的肉体经验。就像 Howie 所描述的:"因为我生活在北京海淀区,我有这个 Context,所以我才能提出鸡娃这个问题。但 AI 没有肉体,它又不生活在海淀区,它没能看到鸡娃闹得鸡飞狗跳,闹得人不像人,小孩这种痛苦,他又感受不到,所以他不会提出这些问题来。"
其次是价值观(Values)。人类有信念、信仰和信条。这些不仅仅是算法输出;它们是个人生活经历和深刻反思的产物。它们代表了在高维语义空间里我们走出的独特路径,靠我们自己的价值观构建。
第三是情感和非理性。我们的感性、同理心和人类情感构成了我们的一部分,这些在理性的领域之外。尽管AI 可以模拟这些,但它不会真正体验到这些。
最后是创造力。人类创造力并非来自真空;它源于我们的生物性、文化背景和个人经历的独特交汇。花开两朵各表一枝的人类智慧与机器的逻辑思维方式有着根本区别。
这些特质暗示了 AGI 世界中人类价值的一种可能定义:我们的价值不在于我们能做什么,而在于我们是谁—— 具有独特经历、价值观和视角的意识存在。
一个朋友最近向我描述了他与最新版 Claude AI 的互动:"我问它一个复杂的编程问题,它几秒钟内就给出了完美的解决方案。然后我问它生活的意义是什么,它给出了一个深思熟虑但显然是程序化的回答。这就是区别 —— 它可以解决问题,但它没有真正思考过存在的重量。"
若 AGI 改变了劳动与资本的根本关系,我们的社会结构将如何演变?历史上,重大的平等化措施通常由四种力量驱动:全面战争、暴力革命、国家崩溃和大流行病。理性的政治选择很少导致显著的财富再分配。
在 AGI 时代,这种情况可能会更加极端。想象一下:劳动替代型 AI 已经到来,UBI 已经实施,没有人挨饿。国家和公司之间展开了大规模竞争,以最好地利用 AI。这一切都是资本密集型的,所以每个人都需要讨好资本持有者。顶级 AI 公司拥有与国家相当的权力。在这种情况下,财富再分配几乎不可能成为政治议程的首要任务。
同时,国家之间的差距可能会扩大。某些国家将从 AI 中获益远超其他国家。在当前政治制度下,像 UBI 这样的平等化措施很难扩展到非公民身上。我们可能会看到一个基于出生国的全球种姓制度,移民的可能性比今天更少。
正如我在播客中所说:"我们会从一个知识时代、知识经济时代变成一个认知经济时代,这个认知就是活得有目标感,我们的人得活出更像人一样。"
这一转变要求我们从"人体农场"中觉醒,跳出矩阵(The Matrix)。过去的宗教和哲学传统常常为人们提供了在不确定世界中的指导。在 AGI 时代,我们可能需要新的思想框架来帮助我们理解人类在一个我们不再是最聪明物种的世界中的位置。
Robin Hanson 将现在称为"梦境时代",借用澳大利亚原住民神话中的概念:未来世界秩序及其价值观仍然是液态的,尚未固化为石头。我们现在的选择将决定人类文明未来几百年的格局。
那些能够与 AI 良好协作的人可能会成为领航者,帮助那些尚未找到方法的人。Howie 在播客在激励我说:"既然我们能够和 AI 协作得很好,那么我们就要把我们协作的这个方法尽可能地传播给更多的人。"
现在的问题是,"不是 AI 会杀死我们所有人,而是 AI 会让大多数人变得无关紧要。"
这是我们面临的核心挑战:如何在一个我们的劳动力不再需要的世界里保持人类的尊严和目标感?如何避免社会陷入永久性的静态状态,现有的权力不平衡被放大然后变得不可改变?
前所未有的是,我们必须预见这一转变并积极塑造它。工业革命持续了几代人,给社会留下了适应的时间。AGI 革命可能会在一两个十年内完成。Anthropic 的 CEO Dario 在最近访谈中多次表达 AI 技术正以指数级速度前进,风险和收益都在迅速增大,留给社会和决策者做出稳健应对的“容错空间”或“时间”并不多。
在这个关键时刻,我看到三条可能的道路:
第一条是适应路径。接受劳动价值的终结,重新定义我们的身份和目的。发展内在价值而非外在生产力。培养 AI 难以替代的特质:对现实世界的深刻理解、价值判断能力和创意表达。
第二条是抵抗路径。推动严格的 AI 监管,限制其在某些领域的应用。保留专门的"仅限人类"工作领域。实施激进的财富再分配措施,确保 AI 创造的富足能惠及所有人,而不仅仅是资本所有者。
第三条是超越路径。将人类与技术融合,通过脑机接口和其他增强技术,使人类能够跟上 AI 的步伐。这可能是最具争议的选择,因为它质疑了人性本身的界限。
无论我们选择哪条路径,一点是明确的:我们不能让惯性决定我们的未来。因为正如 Rudolf 所警告的那样,资本与 AGI 的结合可能导致"社会可能会变得永久性静态,当前的权力不平衡可能会被放大然后变成不可更改的"。
我不相信技术决定论。未来并非预设好的。但我确实相信,如果我们不积极介入,默认结果将对大多数人不利。当 AGI 使资本可以直接购买世界上最好的劳动力时,那些拥有资本的人将获得前所未有的优势。除非我们建立制度性对抗这一趋势,否则技术变革的方向将由最富有的人决定。
我们必须记住,AGI 只是一个工具。虽然它是一个异常强大的工具,可能会重塑社会结构,但它仍然是人类创造的,为人类目的服务。问题不在于"未来是否需要我们",而在于"我们想要什么样的未来"。
Howie 在播客中总结道:"其实学习就是人生,你如何学习就是你自己怎么样就度过自己的人生,这是特别特别好玩的一件事情。"
我们面临的不是人与机器的竞争,而是人类存在意义的重新定义。从"人类有价值是因为我们的劳动"到"人类有价值是因为我们是谁"的转变。在这个转变中,我们需要建立新的社会架构,确保人类的尊严和价值在AGI 时代得到保障。
未来确实不需要我们 —— 至少不需要我们作为劳动者。但未来可能仍然需要我们作为意识的持有者、价值的创造者和意义的寻找者。这取决于我们现在所做的选择,以及我们是否能够在技术转型的浪潮中保持我们的人性。
如此多的声音警告我们 AGI 可能带来的灾难性风险。但也许真正的风险不是我们会死亡,而是我们会继续活着,却失去了使生活有意义的东西。
未来不需要我们 —— 除非我们让它需要。
https://nosetgauge.substack.com/p/capital-agi-and-human-ambition