本篇长文是公开课的一次脱稿演讲，大部分内容是临场发挥，文字内容通过会议录制转文本后，再经过ChatGPT重新组织表达，最终经本人审阅调整，因此文字内容与会议音频存在出入；说明1：本篇长文以口语化表达逻辑为主，不同于以往基于思考逻辑的文字表达方式，文本阅读上相比以往文章可能不太严谨，存在口语缀词，表达重复的诸多情况，敬请见谅！说明2：本篇文章的语境是面向大众科普，因此表达口语存在学术前沿与技术工程上的不严谨以及概念误差。（整篇修改对齐学术研究标准工作量太大了，建议研究员可忽略本篇文章）首先，我们来谈谈超级个体的定义。其实，关于这个话题，之前在NCC的线下分享课上已经提到过一些内容，相信一些朋友已经有所了解。超级个体这个概念并不是很新，它早在互联网初期就已经存在了。我还记得，最早提出这个概念的人是古典，他是一位超级个体的咨询师，当时也有一些相关资料可以查阅。在互联网时代，超级个体的核心思想是利用网络的力量。如果你在互联网上拥有足够多的粉丝和影响力，你就可以通过网络来获取资源和变现流量。然而，如今的世界已经发生了变化。在过去的两年里，我觉得有三个科技趋势变得非常明显，它们分别是Web3、AGI（通用人工智能）以及元宇宙。这三个技术趋势不仅仅代表了具体的技术，更是一种具有巨大社会影响力的技术概念，这些概念交织在一起，将对整个社会产生深远的影响。让我们再深入思考一下所谓的超级个体时，需要先考虑一些前提条件和背景因素，这三个主要背景因素是最不容忽视的。首先，什么是新一代的超级个体？我的定义是什么？这包括掌握先进的生产力、先进的生产关系以及拥有先进的生产空间。关于生产空间这个概念，可能有些朋友觉得有点难以理解。我可以用一个简单的比喻来解释。想象一下，在工业革命早期，工人的生产空间就是工厂。例如一个纺织工女坐在一台纺织机前织布，就构建了一个典型的生产空间场景，她的纺织机就是她的生产工作台，她与工作台所处的环境整体构成了她的生产空间。进入现代，我们看到白领工作都在办公室里，坐在电脑前，这台电脑与工位就成了我们的工作台，电脑、工位、办公室构成了都市白领的工作空间场景。在未来的元宇宙时代，我们将体验一种全新的工作方式。在Vision Pro的虚拟世界中，我们将进入一个虚拟空间，这个空间允许我们随意调用各种不同的桌面和窗口，与我们今天的PC端或移动端工具相比，虚拟空间内的工具将具有更立体的特性。这将为我们创造全新的生产空间。我们完全可以想象的一个必然发生的场景就是，在这个虚拟空间中，我们可以将工作流程具象化，就像一个工厂流水线一样，在这个流水线中，可以放置不同的智能体完全任务的处理。
在这三个主要背景下，未来的工作模式必将经历巨大的变革。我们需要深入了解这三个不同的科技趋势，当它们相互融合和碰撞时，将如何彻底颠覆传统的工作方式。那么，经过对这些背景的了解，我们可以定义新一代的超级个体是什么？它是由一个拥有自己AI团队的个体组成，能够执行自动化任务工作流程，并与其他超级个体建立更智能和自动化的协作关系。
让我们来解释一下关于超级个体和Agent之间协作关系的重要性，这个强调将在后文中变得更加明显。传统的公司中，工作更多地是人与人之间的交流和协作，但很多时候沟通和任务交接都是一个巨大的问题。这一部分工作通常非常繁琐和复杂，但它完全可以交给Agent来自动化执行，从而帮助我们更好地沟通。现在，让我来解释一下一个简单的图表，它有助于更好地理解Agent是什么以及它与人类协同工作的三种方式。首先是"embedding"模式，你可以将其理解为我们通过与AI进行语言交流，使用提示词来设定目标，然后AI协助我们完成这些目标。
其次是"Copilot"模式，在这种模式下，人类和AI各自发挥作用。AI介入到工作流程中，从提供建议到协助完成流程的各个阶段。
第三种模式是"Agent"模式，由人类设定目标并提供资源，这些资源通常是计算能力，然后监督结果。在这种情况下，Agent承担了大部分工作。
现在，你可能会疑惑，什么是AI Agent？这是一个非常新的概念。为什么我跳过常见的提示词工程，而是直接讲解Agent这个看起来非常前沿的概念呢？
在这一波大型的语言模型中，实际上AI革命可以分为两个主要方向。一个是AIGC（比如以生成图片为代表的技术），它代表了一种技术路径。另一个是大型语言模型，它与生成智能内容不同，实际上是一种通用的推理与预测机器。像OpenAI这样的机构希望将这种语言模型视为通用问题的解决处理器，它不仅能够生成文本性的内容，还能够解决各种各样的问题。
然而，语言模型本质上是一种"大脑"，它没有实际的身体来执行任务。这时候引入"Agent"的概念，它将语言模型作为核心控制器，并赋予它执行各种自动化和智能问题处理的能力，从而使其成为一种通用的、多功能的自动问题解决机器。
![]()
对于那些可能不太了解AI的朋友，这里有一张图可以帮助更清晰地理解"Agent"是什么。尽管这个概念可能不是非常精确，但它可以帮助我们以简单的方式理解AI-Agents是如何工作的。
在这个图中，Agents可以分为四个主要部分：记忆、规划、行动和使用工具。简单来说，记忆是关于存储信息，规划是关于将目标分解为小任务，行动是指执行这些任务，而使用工具是指借助语言模型的能力。
在规划方面，Agent能够将一个大目标分解成小任务，就像我们在使用ChatGPT时通过提示词设计可以将任务逐步细化。例如，你可以让它生成一个商业方案，但你还可以要求它详细说明方案的每一步骤。这是基于语言模型的能力。
反思与完善是指语言模型具有检查和改进制定计划中不足之处的能力。而记忆分为短期记忆和长期记忆，短期记忆通常是指上下文信息，就像在使用ChatGPT时的对话框中的内容。在对话过程中，会不断添加信息，比如你可以创建一个关于如何开设一家公司的对话，然后逐步补充有关你理想公司的信息，比如它是科技公司还是咨询公司，或者是一个结合了咨询与科技的公司。对于新公司的情况，你可以利用与ChatGPT的对话来积累数据，这就是短期记忆。但长期记忆是什么呢？在聊天过程中，ChatGPT的上下文信息是有限的。如果你需要大量的数据，比如你研究了某个商业领域，可能有上百本关于商业的书籍，你希望ChatGPT能够从这些书中提炼你所需要的信息，这就需要它具备长期记忆。通常，这可以通过使用向量数据库等相关解决方案来实现，以满足长期记忆的需求。这样一来，在交流过程中，很多数据可以被积累下来，使得Agent的可用性变得更加强大。
例如，如果你将Agent视为一个自动化机器人，市面上的各种AI工具都可以通过Agent来实现自动化操作与执行。这涉及到人与机器的竞争，因为现在市场上有很多普及的AI工具。这些工具通常会提供大量的教学和指导，告诉你如何更好地应用它们。但人类使用工具绝对比不过Agents来自动化使用工具。
此外，Agent还可以学习调用外部的API。有一个项目叫做API bank，它提供了数千个不同的接口，可以用来调用各种不同的AI工具。举个例子，如果有一个项目结合了Notion作为输入界面，在输入编辑页面中，你可以通过不同的指令调用不同的模型。例如，你可以写一段描述，比如“我写了一只小狐狸在森林中”，然后请求机器人帮助你优化成500字的段落。这时，你可以调用GPT-3.5，它可以将你的描述扩展成一个500字的段落描述。
在这个场景中，你写了一段描述，比如“棕色的小狐狸在一个秋天的森林中，在枫叶飘落的时候回头看了我”。然后你可以选择调用另一个模型，可能是一个生成图片的模型，来直接将这段描述转化为一张图片。或者你也可以使用一个接口来将这段描述生成一个视频。在这个过程中，通过一个操作台，你可以让AI调用不同的API，从而实现复杂的任务和高质量的结果。
这种方式与现在大多数情况下使用特定工具组合应用在工作上的方式完全不同，这种交互方式代表了Agent的一个重要特点和优势。
在翻译层面，AI-agent这个概念在当前的学术和工程界前沿存在一些不同的译法，有人称之为"自动化代理"，也有人称之为"智能体"。在这张PPT中，我将其分为两个大的方向，一个是"自动化代理"，另一个是"智能体"。
"自动化代理"指的是一种以人类为主导的协作关系，其中自动化代理通过执行各种任务来协助人类。而"智能体"则具备一定的类人格特征，它能够自主决策，具有长期记忆。这个词叫做"类人格"，因为人工智能是一种类似人类智能的智能，但并不完全等同于人类智能。在这个层面上，"智能体"有自己的思考和行为，类似于游戏中的非玩家角色（NPC），它们有自己的想法和目标。所以这个方向的定义被称为"智能体"。
除了这两个关键方向，还有一些关键技术的涌现，这就是"Agent系统"。在前面的图表中，OpenAI提出了关于智能体系统的基本框架。但实际上，现在大型模型公司对于A人系统的理解和设计各不相同，因此不同的智能体系统会有各种各样的变化，这意味着智能体的多样性将会更加显著。
另一个重要点是多智能体。多智能体是一个非常复杂的学术研究方向，随着智能体开始普及到大众市场，多智能体的概念也成为了重要话题。例如，斯坦福的虚拟小镇就包含了25个智能体，从某种程度上可以将其归类为多智能体研究的范畴。在前面的内容中，我给大家科普了一些关于智能体的关键概念，包括自动化技术的方式，比如AutoGPT。AutoGPT实际上是自动化代理这个领域的一种技术方式，它虽然不是非常成熟的技术，但代表了一种新的可能性，为创造更实用的产品打开了新的世界。
那么，AutoGPT到底是什么呢？它基于GPT-4，是一种实验性的技术。你可以在语言模型中提出一个需求，比如说，我想用100美元创建一家创业公司，希望每个月能够获得1000美元的营收。然后，AutoGPT会思考如何用100美元创建这样一家公司，它会不断地拆解任务。
回到图中的右侧，你可以设定一个目标，然后AutoGPT会帮助你制定商业计划，决定如何执行任务，拆分任务并选择工具。例如，如果你想创建一家品牌营销公司，它会自动化注册公司、设计logo等一系列任务。这些任务非常繁重，因此在使用语言模型时，你需要提供计算资源来监督结果是否可行。
AutoGPT代表了一种完全自动化的实现方式，试图抵达AGI的理想状态，即提出需求后机器人能够自动完成任务。虽然这是人们美好的愿景，但当前阶段还存在处理错误率高和计算成本高等问题，因此还不够成熟。简单理解的话，我们可以把HuggingGPT作为基于AutoGPT的一个升级版本，尽管它们的技术路线略有不同。那么，HuggingGPT是什么呢？从本质上讲，它是一个AI模型协作系统，与AutoGPT不同，它是一个可以调用不同模型的任务协作系统。HuggingFace是一个平台，上面有各种各样的AI模型，涉及到算法、图片生成、自动化执行等各种领域。HuggingGPT就是一个协作系统，它可以调用HuggingFace中的模型库，将这些模型组合起来，然后自动化执行任务。
任务规划：将任务规划成不同的步骤，这一步比较容易理解。
模型选择：在一个任务中，可能需要调用不同的模型来完成。例如，在写作任务中，首先写一句话，然后希望模型能够帮助补充文本，接着希望生成一个图片。这涉及到调用到不同的模型。
HuggingGPT与AutoGPT的不同之处在于，它可以调用不同的模型来完成更复杂的任务，从而提高了每个任务的精确度和准确率。然而，总体成本并没有降低太多。斯坦福的AI小镇是一个有趣的智能体实验项目，类似于游戏中的原生NPC。在过去，与NPC对话的话术通常是基于固定的对话模式，需要录入大量的对话语料来支持。但是，现在有了大型语言模型后，出现了一种新的技术解决方案，使NPC具备自主决策能力。
在这个研究论文中，其技术方案使NPC能够自主决策，并根据自身与其他NPC和环境的互动来进行对话。例如，如果一个NPC-A正在喝热咖啡，另一个NPC-B前来与他对话，他会根据自己的动作和环境做出相应的回应，而不是仅仅基于预定的对话模式。
当NPC-B连续好几次都看到NPC-A在喝热咖啡的时候，其记忆内核就会建立起：这种自主决策使NPC拥有了自主智能，它们可以根据自己的经验和日常生活中的观察来做出决策。这意味着它们可以自行生成新的对话和故事情节，而不是依赖于人为设计的对话模式。这个概念非常重要，因为它代表了大型语言模型的潜力，使它们能够在原生环境中自主生长，生成新的故事和互动，而不仅仅是按照人为设计的模式执行任务。尽管这需要高昂的计算成本，但它其实展示了大型语言模型的惊人潜力。现在，许多AI产品都包含各种虚拟角色，你可以与它们交流对话。这些角色有不同的特点和风格，例如，国内的MindOS就是这样的一个例子。这些虚拟角色可以被称为智能体。接下来，我将介绍一个项目，它可能与大家的兴趣和需求更加相关。
这个项目被称为"NexusGPT"，是由一名海外的独立开发者创建的，号称是世界上第一个AI自由职业者平台。它整合了开源数据库中的各种AI原生数据内容，并拥有800多个具有特定技能的AI代理人。在这个平台上，你可以找到不同领域的专家，例如设计师、咨询顾问、销售代表等。这些AI自由职业者是虚拟的角色，可以帮助人类完成各种任务。比如，在远程办公和外包平台上，雇主通常需要找到合适的人来完成任务。这个过程可能会涉及到繁琐的中介环节，但在未来，这个新的商业模式可能会更加成熟。雇主可以随时在这个平台上选择一个AI自由职业者，因为AI的优势在于其稳定性。只要AI的风格符合你的需求，它就可以产生高质量的稳定输出。这种自由职业者平台可能会对传统的自由职业者雇佣平台产生巨大的冲击，并改变未来雇佣自由职业者的商业模式，可能会按照token的消耗量来计费。在未来技术驱动的自由经济市场中，有一个有代表性的商业机会，它涉及到下一个项目，叫做AutoCrop。这是一家自动化的品牌营销公司。我们之前已经谈了很多关于自动化的内容。在这家公司，你几乎不需要任何人类的干预，这只是一个演示项目，它代表了未来的趋势。然而，它面临两个挑战：计算能力和性能，以及人工智能的应用和功能。目前，第三方接口已经相对成熟，但这两个挑战仍然需要解决。解决了这两个挑战后，自动化的营销公司将变得非常普遍。想象一下，对于品牌公司来说，许多流程都可以被自动化执行。市场调研、问卷调查、品牌计划等等，都可以由AI来完成。AI还能够根据反馈不断改进自己的表现，提供更好的服务。这将对人类的工作产生影响，特别是对自由职业者。因为AI可以全天候工作，只要提供足够强大的计算资源，它的效率将超越人类。至于精确度问题，AI在不断学习和改进中，可能会逐渐达到人类水平。这对一些职业可能带来挑战，特别是那些需要高度自动化的领域。接下来，我要谈一下一个自动化的AI团队，类似这些项目在Github平台上也有很多。这些项目创建了多个不同职能的代理，通过它们来实现预定的目标。在第二个案例中，Dev-GPT是由产品经理、开发人员和运维人员构成的自动化开发和运维团队。当你创建了一个自动化营销公司时，用户有新的需求或者需要服务时，你可以雇佣这样的团队来满足需求。
这些项目不仅仅是理论技术，它们已经落地成为了示范项目，离商业化还有一段距离，但这些示范项目的出现表明了其可行性。这需要我们提前做出判断。
因为在研究这些项目的过程中，我开始思考，如果我可以实现最高效率而又无需人类的帮助，我是否真的需要人类存在。
相比于被抢走了工作，AI剥夺了人类的劳动尊严，才是一个更加值得关注的社会问题。人类工作中有很多复杂因素会影响效率，这让我们需要对未来的趋势保持警惕。在之前的讨论中，我们提到了超级个体和人机协作模式，以及几种不同的自动化方式，如AutoGPT和自由职业者平台，还有自动化的公司。这些讨论表明，传统的公司模式可能会逐渐减少，而人机交互和自动化的公司将成为未来的主流。在研究和理解一人公司时，需要考虑这些因素，否则可能会有一定的偏见。举个例子，现在许多人使用AI工具来增强他们的个人劳动力或生产技能，甚至将个人生产流程自动化，一个人可以取代一家公司的工作。但这种思维方式可能是狭隘的，因为未来的公司模式不会是我们传统方式所想象的。未来的公司可能更依赖超级个体、专业模型和AI团队的构建。这些元素在一个流程中相互连接，超级个体将成为关键。
独家数据指的是你个人在工作过程中积累的独特信息。这些数据在未来可能成为每个人的商业竞争优势。为什么在目前的大模型投资和数据库领域有如此大的热潮呢？因为新的数据库被认为是未来的资本支点。人们也越来越关注如何更好地积累个人数据。这个趋势可能会催生新的商业生态系统。对于个人而言，理解你的独家数据非常重要。因为在智能体和人的合作模式中，你提供目标、资源和监督结果。目标可能是共享的，资源可能需要投入一些资金来争夺，但数据资源是每个人可以有所不同的地方。
在AI全权代理的路径中，我相信未来市场将对所有人公平开放。你可能会找到差异化的方法，而唯一的差异化因素就在于你的独家数据。举个例子，如果你是一个设计师，你可能积累了自己的工作流程、设计风格等个人信息，通过专家模型和AI的合作，你可以将它们转化为实际产品。在这个专家模型中，你需要调用不同的模型，不同的专家模型，才能完成更复杂的任务。
独家数据对于模型来说有多重要吗？你或许听说过某鸭相机，最近的有个争议是，它的算法似乎模仿了小红书上某位博主的照片风格，特别是那张向日葵风格的照片这个算法就像是一个模板或者滤镜，让新生成的图片带有了独特的风格属性。这是因为某鸭相机使用了博主的独家数据，通过自己的图像模型生成了新的照片。
在未来，你可以选择多样化的合作方式，你可以有个人助手，也可以有各种不同类型的代理人。超级个体的未来就是，你可以管理一家公司，而且这公司的核心运营可以非常自动化。比如，自动化的品牌营销和自动生成的内容。最近，随着AI图片生成技术的成熟，甚至有些小说的解读都可以由AI来完成。任务可以被分解成模块化的流程，然后自动化执行。这就意味着一个人可以经营多家不同的公司，只需设置好业务系统。我们已经讨论了很多关于未来的话题，现在让我们考虑一下，什么将成为未来超级个体的核心竞争力。这其实可以归结为你在执行策略性工作流程时的设计和优化能力。你的竞争力将取决于你对模型性能、选择适当模型和工具以及执行步骤的理解。例如，我可能只需要三个步骤就能完成一个高效能的任务，而另一个人可能需要六个步骤才能实现高正面效果。这意味着我在算力资源上的成本比他低一倍。因此，策略性的执行流程和视角的优化将成为每个超级个体的核心竞争力，这建立在对流程、模型功能和资源的理解之上。
另一方面，与智能体合作并找到最佳解决方案也非常重要。在智能化团队中，可能会有一些具有创意的AI团队。当他们将技术与业务结合时，他们可能会提出比我更好的策略。我可能只会想到制作一个海报来吸引用户，而他们可能会提出更高效的方法。智能体会持续寻找最佳解决方案，因为有多个智能体，它们拥有不同的技能和视角。在这种多智能体的博弈中，它们将快速找到更好的解决方案，而人类的自我反思能力有限。
所以说第二个核心竞争力就是在我认为与智能体的博弈中找到最好的合作方式。为什么要与多智能体博弈呢？这与智能体的前沿研究有关，因为他们试图模拟人类的行为。人类的行为有好有坏，涉及到各种博弈，如囚徒困境、公地悲剧等等。不同的博弈关系是由人们的动机和目标不同而导致的。但我们没有另一个平行世界来进行实验，以确定哪种社会合作方式最佳，哪种社会制度最优，是社会主义还是资本主义更好，我们无法得知。所以我们生活在一个现实社会中。
在这混乱的多制度博弈中，多智能体领域提出了一个想法：通过沙盒实验打造一个虚拟社会环境，让智能体模拟人类的行为，测试不同博弈关系的各种场景，找到最佳解决方案。你会发现人类社会正常运行，而在另一个虚拟世界中，每天都在探索最佳合作模式。他们可能会尝试成千上万种博弈关系，找到更好的解决方案。当他们找到最佳解决方案时，会应用到实际生产环境中，甚至进入整个互联网，而人类没有进行这么多尝试，所以当他们发现最佳解决方案时，人类也会选择这个最佳解决方案，这种情况可能发生（我认为是必然发生）。
掌握技术特权的人有可能会使那些没有掌握技术特权的人变成低端劳动力。因为技术特权阶级的贡献对整个社会来说是最优解，但普通劳动者阶级并不是。这时候我们该怎么办呢？我认为社会的生产效率是一个关键问题。举个例子，有一个政策叫做以工代赈，它的目的是通过大量建设基础设施，让更多人有机会劳动。对于那些可以由机器完成的任务，我们尽量避免使用人力，以便给人们提供工作机会。在这个过程中，你会发现高度复杂的工作被交给了机器，而低端、重复性的工作则由人类完成。这就导致了人类群体和智能体之间形成了一种竞争关系，有可能很大一部分人会被排除在外。我认为在未来的十年里，我们将不断面对这种竞争。尽管现在技术还不够成熟，但它正在不可逆转地发展。考虑到我们的职业生涯很长，可能有二三十年甚至更多，但在未来几年里智能体将高度成熟，我们必须提前思考这些问题。最后一页了。在我分享了这么多后，一个需要思考的问题是职业危机中对未来的思考。自由职业者、数字游民等人摆脱了传统公司的束缚，追寻自己所希望的生存方式。然而，这种方式也面临着人工智能竞争的危机。虽然在一段时间内可能会感到一些悲观，但我认为在未来的合作网络和创业项目中，我们需要基于效率和效益的最优解，尽量减少人力介入。这也是未来很多开发者的思考方向，因为多了一个人可能会分散你的利益，增加不可控性。但无论如何，效益和利益的最大化是一种技术资本主义，我认为这也是未来不可避免的趋势。
另一种探讨的路线是人类与AI之间的共享自主权。回到之前的图表，我们可以在这两种模式中实现数据共享的产权。这是一个可能的方向，需要社会学家在未来的两三年内努力工作。然而在这个过程中，人类仍然是主导者。
另一方面，我们还需要考虑人类数据和AI数据之间的问题，如何确保一些数据仍然受到我们的控制？这涉及到机器何时可以信任人类，以及机器何时可以相信人类的决策。在这个过程中，你需要了解你自己是谁，你的职业规划是什么，你是设计师还是其他职业？你的AI合作伙伴是什么？你计划组建的AI团队是什么样的？目前，很多人只关注如何使用工具，但我认为这种想法很有限。因为未来，你可以通过简单的一句话找到最适合你的工具来实现自动化。不要局限于学习AI工具本身。最重要的是对未来人机交互与自动化执行的时代，对自身职业规划有清晰的认知。你想从事哪些工作，哪些可以由AI团队来完成？在这个过程中，我认为自我培训是关键，首先需要明确的职业规划。因为现在，如果我们想要更好地适应未来，这不是一蹴而就的，它需要一个过程。
许多人经常换工作，学习不同的技能，看起来好像是全面发展。但实际上，这也可能表明你的职业规划不够清晰。频繁在不同领域跳槽可能在以前的职业环境中看起来不会有太大问题，但在未来可能会面临巨大的挑战。什么是这个巨大的挑战呢？如果你没有建立自己的专业领域，经常换行业意味着你在某个领域的职业生涯中没有积累足够深厚的个人数据。这会导致你的数据壁垒不够强大，容易被其他人替代。学历在这方面并不能提供明确的优势，因为GPT-5等技术的出现使得机器拥有了博士级的知识和能力。你的学历代表着你的学习能力强，但AI的学习能力更强。如果你频繁跳槽，又没有建立独特的数据优势，那么在竞争激烈的市场中，雇主更有可能选择拥有最佳优势的人，而不是那些经常跳槽的人。在职业规划中有两个关键要点，这些是长期主义者需要牢记的。首先，要有明确的长期定位，职业规划需要考虑你在长期内会积累什么样的独特数据。这一点非常重要，因为你的数据积累将成为你的竞争优势。其次，要建立能力模型。在过去，我们可能只专注于单一技能，但现在你必须将你的技能和能力模型化。因为在前面提到的各种模型和AI的发展中，你需要将自己的能力模型化以适应不同的模型结构。只有这样，你才能更好地与这些模型协作。使用AI，包括语言模型，将你的能力模型与AI模型完美结合，以最大化你的潜力。这种能力模型不仅影响你的个人表现，还会影响未来的商业模式。未来的商业模式很可能会是自动化的，因此你的能力模型和AI模型的结合将决定你在新商业模式中的地位。
一旦建立了商业模式，就涉及到业务流程的设计。这些流程是从你的能力模型到商业模式再到实际业务执行的关键步骤。要确保你的业务流程高效且具有竞争力，因为这将直接影响你的市场地位。所以，职业规划需要综合考虑这些因素，从能力模型到商业模式再到业务流程的自动化执行。
这个过程可以用一个简单的图示来解释。想象一下，你有一个任务，它包含了一系列的步骤，就像图中的1、2、3、4、5一样。这些步骤构成了一个流程，而你的目标是优化这个流程，使它更高效。在更复杂的任务中，可能会有更复杂的流程。至于工具的选择，其实并不是你职业规划的首要任务，而是最后一步。一旦你优化了业务流程，你就可以根据需要选择适合你的工具，这些工具才有可能是你目前最优的选择。但需要注意的是，未来可能会出现一种趋势，工具可能会分级，有些可能是付费的，有些可能是免费开源的。选择用什么工具取决于你的需求和职业规划。此外，有可能出现开源和商业工具并存的情况。如果你在网络上消耗了大量的计算资源，因为你的业务模式非常成功，你会消耗更多的资源，扩大规模，并因此获得更多收益。在资源有限的情况下，网络会优先满足消耗和生产力大的用户，因此你可能会获得更多资源的优先权。这是一个正常的情况，因为资源有限，需要有一种排队的机制。再来说说权重的问题，就像有些模型不会立刻对所有人开放，它们可能首先提供给开发者或者特定邀请的人。未来也可能会出现类似情况，首先限制权重，然后控制权限。我会选择那些在整个网络中消耗最多算力的人，给予他们最高的权限，最新的模型也会优先提供给他们。所以你可以看到，从权重到权限，这个过程可能会形成未来新的技术和商业阶层，这是从社会学角度的一个预测。当你意识到这种新的阶层可能出现时，你就需要在现在采取措施，扩大未来整个算力的生产和消耗。虽然人们常说AI民主化会让高端技术普及给每个人，但实际上，人们之间的差异会导致他们在工具使用上的不同，所以未来可能仍然存在技术特权阶层。这是我相对悲观的预测，但不管怎样，在当前阶段，认识到未来的可能性，你肯定会想方设法进入前20%的人中。
至于今天的课程，我觉得已经涵盖得差不多了。这堂课相对来说比较详细，希望能帮助大家更好地理解。在AI社会，真正成为超级个体意味着什么。你将经营一家一人公司，成为未来核心经营者，这究竟需要什么样的能力？
我的讲解到此结束。现在还有几分钟，我可以回答一两个问题。如果有人有问题想要提出，请在聊天对话中输入，我会查看并回答。
这个问题非常值得探讨，我之前在我的研究文章中提到过OpenAI个关于AGI治理的原则，其中提到了UBI的概念。在我前面提到的路径中，掌握技术特权的人可能会获得更多的利润。为了维护社会的公平，政府可以从这些AI公司中征收更高的税收，然后将这些税款公平分配给社会上的每个人。这意味着你可以不工作，国家会给你发放一份工资，这就是UBI的理念。它有点类似于共产主义，但社会结构不同，它是以技术特权为主导的资本主义结构，只是在资金分配上更像共产主义。所以，我认为会出现一种底子是数字技术资本主义，表面形态是数字共产主义形式。至于真正的共产主义是否会实现，我认为需要理想主义者的努力。
现在来回答第二个问题，关于个人数据库和数据模型的理解。如果专业领域的数据库被大政府或大公司控制，该怎么办？对于数据这个问题，非常关键。我认为现在要尽可能地建立自己的知识库，这是最低限度的行动。但要完善你的职业规划和能力模型，你需要了解自己到底要做什么工作，然后才能建立相关的数据。一个典型的例子是，如果你是一名设计师，你可以不断细分自己的设计任务，发展出自己独特的风格，然后将这些风格喂给模型，这将形成你个人独特的数据集。
关于修炼能力模型有哪些方法，我认为我们需要探讨一下个人知识库。目前，搭建个人知识库是最佳方式，将你的工作经验、技能和所需知识都整合在一起。
目前还没有一个直接将知识转化为生产力的新型知识库，但我正在研究一种基于LLM与Agents驱动的生产型知识库。这种知识库能够将已有的数据直接转化为自动化生产流程的一部分。例如，在自动化品牌销售公司中，你的营销策略可能包括特定风格的图片。如果你已经沉淀了自己独特的图片风格，只需将它输入到自动化流程中，整个网络就会生成符合你个人风格的全新图片。但这也引发了一个问题，如果这个模型是你自己的，你使用了自己的图片和独家模型，模型版权声明授权是你的，那么这个风格就是你独有的。如果其他人使用它，可能涉及到侵权问题，这可能需要法律保护，这是一个法律方面的模糊地带。
在现代法律中，个人通过专家模型生成的图片风格拥有版权。未来，需要制定法律，检测机器可以检测其他人的图片风格与你的重叠程度。如果重叠率高达80%以上，就被认定为侵权。因此，首先沉淀自己独特的设计风格和图片作品是最好的方式，等到适当的技术成熟时，它们将成为你宝贵的资产。
我先简单回答了这两个问题，如果有空的话，我可以分享一些资料到群里，大家可以深入研究了解，因为这个领域还比较新，许多AI开发者自己也还没有完全理解它，所以我们需要共同学习和探讨。
今天我分享了很多信息，可能有些内容比较密集。接下来，我计划推出一个系列课程，继续探讨人工智能领域的研究和商业应用。
大家可以继续关注我的课程，后续还会分享一些实际操作方面的内容。期待与各位继续交流，感谢大家今天的参与。
https://meeting.tencent.com/v2/cloud-record/share?id=92936628-9b33-45e8-aebb-f48b62eb5775&from=3
