宏观阿尔法

大家好，我是王利杰。今天，我们来聊一个大家普遍关心的话题：在AI时代，我们普通人的饭碗还能保得住吗？这并非危言耸听，而是我们必须正视的问题。

首先，我们从“索洛悖论”谈起。上世纪八九十年代，诺贝尔奖得主索洛曾困惑于电脑普及而生产力增长未见显著的现象。他指出，尽管企业在信息化上投入巨大，但宏观生产效率并未如预期般爆炸式增长。这与当下互联网、大数据、云计算等技术普及，但许多公司加班更甚、个人更累，而产出却未见大幅提升的现状不谋而合。欧洲的生产力增长自上世纪六十年代起持续下滑，更是敲响了警钟。美国之所以相对“韧性”，是因为在九十年代抓住了信息通信技术（ICT）的红利，将其深度渗透到各行各业。而欧洲因市场分散、技术采用缓慢而错失良机。这使得我们对当下每天忙碌所创造的价值产生了疑问。

然而，一个更大的“变量”——生成式AI的到来，正在改变这一切。与传统自动化技术不同，生成式AI不仅能处理结构化数据，更能处理文字、图片、代码，甚至能进行复杂的认知任务。这意味着它能直接“入侵”到过去被认为是“AI免疫区”的知识型工作。研究表明，生成式AI对生产力的推动作用可能超越蒸汽机和早期互联网，因为它直接提升了高学历、高薪资人群的产出能力。索洛悖论或许将因此被解开。

但即便没有AI，劳动力市场也已面临“定时炸弹”——人口结构问题。欧洲和美国的老年人口比例持续上升，而劳动力增长缓慢甚至负增长。同时，人们对“工作-生活平衡”的追求导致实际工作总量的下降。这使得企业面临“没人可用，现有劳动力还想少干”的困境。唯一的出路便是“资本深化”，即通过机器代替人，AI和自动化已成为企业维持运营的关键。

麦肯锡的研究深入分析了850种职业、2000多个工作活动及18项技术能力，核心结论围绕AI普及速度和劳动力再就业能力。生成式AI的出现，使得自动化潜力“跃迁”。过去自动化主要替代体力劳动，现在则开始替代“脑力劳动”。麦肯锡模型显示，生成式AI能将欧洲自动化潜力从20%提升至27%-30%。更颠覆的是，STEM专业人员、艺术家、设计师等高精尖工作也被划入“高自动化潜力”区域。这并非意味着这些职业会消失，而是其工作内容将发生变化，例如程序员更多从事系统架构，律师专注于策略判断，教师利用AI个性化教学。这是一种“任务层面的自动化”，而非“职业层面的替代”。

麦肯锡预测，在“加速采用”情景下，到2030年，欧洲将发生约1200万次职业转型，相当于6.5%的劳动力需彻底换赛道，是疫情前的两倍。美国也将有近1200万次转型。

谁是赢家，谁是输家？

赢家阵营：

1. 医疗健康和社会服务：人口老龄化带来巨大需求，预测欧美合计增加约700万个岗位。

2. STEM专业人员：尽管AI能写代码，但数字化转型、绿色能源等趋势仍需大量工程师，核心创新需求存在。

3. 管理人员和创意艺术管理：管理复杂性增加，AI系统需人工监督决策；人类独特的体验和原创性仍不可替代，AI成为工具。

4. 交通运输服务：电商发展带来物流需求，最后一公里配送仍需人工。

输家阵营：

1. 生产和制造业：工业自动化、机器人普及导致岗位收缩，但美国“再工业化”或有缓解。

2. 客户服务和销售：聊天机器人、AI客服代理将处理大量咨询工作。

3. 办公室支持（行政文秘）：生成式AI擅长处理日程、文档生成、数据录入等，欧洲预计减少约500万个岗位。

未来劳动力市场将更加“技能偏向型”。深度专业知识（医疗、STEM）和高度人际互动（管理、护理）的工作将更受欢迎。而中间层、常规性脑力劳动面临“空心化”风险。不同国家面临的转型压力也不同，如波兰、捷克主要来自生产自动化和绿色转型，德国、意大利则需应对生产线自动化和办公室岗位缩减，北欧国家因知识经济发达，办公室岗位自动化速度可能更快。

职业转型背后是技能的变革。麦肯锡将技能分为五大类：身体/手工技能、基本认知技能、高级认知技能、社会情感技能、技术技能。未来，机器将取代机械操作和死记硬背的工作，而人机协作、情感连接成为人类优势。

技能需求两极分化：

1. 技术技能：增幅最大，到2030年欧美需求增长25%-29%，涵盖广义的“数字素养”和AI工具使用能力。

2. 社会情感技能：增长11%-14%，包括同理心、领导力、谈判能力、团队协作等，是人类的核心竞争力。

3. 高级认知技能：如创造力、批判性思维、复杂信息处理，AI仍无法完全替代。

4. 基本认知技能：如数据录入、基础读写、简单算术，需求下降14%以上，最易被AI标准化和自动化。

世界经济论坛报告也指出，“创造性思维”和“分析性思维”是增长最快的核心技能。这要求教育体系从“知识灌输”转向“思维训练”。

一个严肃的问题是低薪工人面临“双重劣势”：

1. 高替代风险：收银员、文员等重复性任务最易被AI替代。

2. 高转型门槛：转型高薪工作（如医疗技术员、AI训练师）需要完全不同的技能组合，需重新学习或长期认证。欧洲低收入群体转型概率是高收入群体的3-5倍，美国更是10-14倍。国际劳工组织（ILO）指出，AI冲击还带有性别特征，女性因在行政、文书岗位比例高，受影响更大。若不干预，AI可能加剧社会性别不平等和贫富差距。

具体行业分析：

1. 零售与批发：欧洲将有280万人需换工作。电商增加仓储物流岗位，但自动化收银、AI客服挤压传统岗位。宜家通过“数字零售学院”培训员工掌握数字技能，将客服转型为“远程室内设计顾问”，实现服务增值。

2. 制造业：自动化是老战场，“净零排放”带来绿色技术工人需求，部分抵消传统自动化岗位流失。宝马通过“无代码AI”平台，让一线质检工人训练AI模型，将蓝领工人变为“AI训练师”。

3. 金融服务业：受生成式AI冲击最大，因大量工作涉及文本处理、合规审查、客户咨询。欧洲金融业劳动力需求可能绝对下降，尤其后台支持岗位。经合组织指出，员工担忧工作强度增加和算法监控。

4. 医疗健康：需求刚性，欧洲预测增加370万个岗位，是增长最快的领域。挑战在于人才短缺，需通过AI处理行政任务（如自动生成病历、智能分诊），释放医护人员时间，让他们更好地“关怀”病人。

全球机构对AI就业影响的预测呈现“罗生门”：

* 麦肯锡：强调“转型”，认为只要转型顺利，生产力提升带来的经济增长能创造足够新需求，预测3%的生产力年增长率。

* 世界经济论坛：相对悲观，预测未来五年全球净减少1400万个岗位，强调宏观经济压力是失业主因。

* 高盛：技术乐观派，预测AI影响3亿全职岗位，但能将全球GDP提高7%，相信长期生产力红利巨大。

* 国际劳工组织：关注“增强”和性别差异，认为仅2.3%工作面临完全自动化风险，大量文书工作处于“AI增强”区间，提醒若不干预可能加剧性别不平等。

国际货币基金组织（IMF）提出“互补性”和“暴露度”双轴分析框架：高收入国家60%岗位面临AI“暴露风险”，其中一半因AI“互补”生产力大增，另一半可能被替代；低收入国家暴露风险较低，因经济结构以农业和低端制造业为主。结论是发达国家需面对AI带来的分配问题，发展中国家可能面临“数字鸿沟”扩大风险。

面对冲击，欧美选择了不同路径：

* 欧洲：防御性、规范性。欧盟《人工智能法案》是全球首部综合性AI法规，特别关注就业领域，要求AI系统在招聘、筛选、绩效评估等方面满足透明度、数据治理和人工监督要求，并防止歧视。通过“技能公约”等机制进行集体行动，如汽车行业建立“汽车技能联盟”进行大规模再培训。

* 美国：进攻性。通过大规模产业政策创造需求，带动就业和技能升级。《通胀削减法案》（IRA）是美国史上最大的绿色产业政策，预计创造数百万绿色就业岗位。IRA将税收抵免与劳工标准挂钩，鼓励企业投资蓝领工人技能培训，为低学历工人提供转型路径。

跨国企业也在“重塑人才供应链”，从“向外招聘”转向“向内挖掘”。宜家通过AI聊天机器人处理客服咨询，同时将部分客服员工培训为“远程室内设计顾问”，开辟新收入流。大众汽车设立“第73学院”，面向内部员工和外部申请者提供软件开发培训，解决人才短缺并提供转型机会。

麦肯锡模拟结果显示，欧洲站在十字路口。若能顺利利用AI技术并高效再部署劳动力，生产力年增长率有望恢复到3%。若采用缓慢或转型失败，增长率可能仅0.3%，甚至引发社会动荡和贫富分化。

我们该怎么办？

* 政策制定者：欧洲不能仅做“监管者”，还需成为“赋能者”，进行大规模投资刺激，并灵活劳动力市场政策。美国也需加强社会安全网，应对AI对白领阶层的冲击。

* 企业领袖：转变思维，将AI视为“增强能力”而非“削减成本”的工具。建立“基于技能”而非“基于职位”的人力资源体系，主动识别和重组员工技能组合。

* 个人：培养“AI商”和“情商”。AI时代，最不可替代的是理解人类需求、提出正确问题、及在复杂伦理问题上做判断的能力。终身学习已不再是口号，而是生存技能。

未来已来，这并非机器取代人类的宿命，而是人类如何利用机器重新定义“工作”价值、释放生产力潜能的开放式剧本。谁能最快将技术红利转化为人力资本增值，谁将成为赢家。

我是王利杰，我们下期见。

#AI失业 #AI时代 #职业转型 #生成式AI #未来就业 #王利杰 #看一看长视频

本期节目由王利杰主持，探讨了一个反直觉的AI现象：AI越强大，我们对它的理解反而越少，甚至感到困惑和恐惧。文章指出，当前最顶尖的AI模型，其核心工作机制仅仅是预测序列中的下一个词元，即“填空题”。然而，这种看似简单的机制却能涌现出逻辑推理、因果判断等人类高级认知能力，这超出了人类的普遍认知。我们这些创造者，面对AI的内部运作机制，也深陷“黑箱”困境，不理解其中的具体路径和机制。

特斯拉老板埃隆·马斯克曾将发展这种无法理解的超级智能比作“召唤恶魔”，这反映了科技圈对这种不可预测的异类生命的潜在恐惧。为了理解AI的“黑箱”，科学家们发展了“机械可解释性”领域，旨在逆向工程神经网络的权重和激活模式，以拆解机器智能的物理基础。

其中一个引人注目的现象是“Grokking”。它描述了一个模型在已经完全“死记硬背”所有训练数据后，继续训练，会在漫长且看似毫无进展的“平台期”后，突然发生质变，获得完美的泛化能力。这颠覆了传统机器学习中“早停”以避免过拟合的认知，也暗示了神经网络深处存在从“记忆”到“理解”的隐秘转化机制。

文章首先回顾了传统机器学习理论中的“偏差”与“方差”平衡，以及“早停”原则。然而，随着深度学习大模型的兴起，参数远超训练数据量的模型在长时间训练后依然能表现出极好的泛化能力，这被称为“双重下降”现象的一种变体。OpenAI的研究人员为了理解这种“反常”，在模算术任务（$a + b = c ext{ mod } P$）上进行了实验。他们发现，模型在快速记住所有训练集后，测试准确率接近随机，但在继续训练数千甚至数万步后，测试准确率突然飙升至100%，实现了完美泛化。这种从“完全瞎蒙”到“完美理解”的转变，被命名为“Grokking”，源自科幻小说《异乡异客》，象征着模型从表面学习跃迁到本质理解。研究还发现，数据集越小，Grokking所需时间越长，泛化能力与“优化压力”紧密相关。

Neel Nanda和团队的后续研究，通过“机械可解释性”技术，对学会模加法的单层Transformer模型进行了“尸体解剖”。他们发现，神经网络学习加法的方式并非人类小学生的算术方法，而是“自发地”发明并实现了一种基于“离散傅里叶变换”的高级数学算法。模型内部的某些神经元学会了计算 $\cos(\omega x)$ 和 $\sin(\omega x)$，将输入的整数映射到“频率域”处理。这种选择正弦波的原因在于模算术的循环群结构，傅里叶分析是处理这种循环结构最自然、最高效的工具。模型实际上执行了一种“傅里叶乘法”算法，利用三角恒等式 $\cos(a + b) = \cos(a)\cos(b) - \sin(a)\sin(b)$ 和 $\sin(a + b) = \sin(a)\cos(b) + \cos(a)\sin(b)$。这意味着模型无需直接计算 $a+b$，而是通过 $a$ 和 $b$ 的正弦和余弦值进行复杂的三角函数变换，隐式构建出 $\cos(\omega(a+b))$，将加法问题转化为波形的叠加和干涉问题。输出层通过叠加不同频率的正弦波，使正确答案处的波峰重叠（相长干涉），错误答案处波峰波谷抵消（相消干涉）。这一发现表明，模型在没有三角函数先验知识的情况下，通过梯度下降“重新发现”了三角恒等式，并利用激活函数的非线性特性近似完成乘法操作。

那么，为什么模型会放弃“死记硬背”转而采用复杂的傅里叶算法？这与“归纳偏置”和“奥卡姆剃刀原理”有关。“记忆”所有组合的代价高昂，需要激活大量参数。而“理解”的红利在于，模型只需利用少数几个“关键频率”就能以极高精度重构所有答案，所需参数量远少于死记硬背。训练过程中的“权重衰减”机制，对参数多的模型施加惩罚，迫使模型寻找更“省力”、更“经济”的解法。初期，死记硬背能快速降低损失函数。但在训练后期，权重衰减的惩罚促使模型转向构建起来较慢但开销较小的傅里叶电路。当傅里叶电路精度足够高时，优化器会迅速转向这个更优解，并“清理”掉笨重的记忆电路，导致Grokking现象的发生。

Nanda团队开发了一套“进度指标”来量化Grokking过程。他们定义了“限制损失”（只保留关键频率信号，衡量通用算法表现）和“排除损失”（移除关键频率信号，衡量记忆依赖）。通过这两个指标，模型的训练过程被划分为三个阶段：

1. **记忆期**：训练初期，训练损失迅速下降至零（死记硬背），测试损失高。排除损失下降，模型依赖记忆电路。

2. **电路形成期**：训练中期，训练准确率100%，测试准确率仍为零。限制损失平稳下降，模型“偷偷”构建傅里叶电路。排除损失缓慢上升，记忆依赖减弱。

3. **清理期**：Grokking发生，测试准确率突然飙升至100%。限制损失极低，傅里叶电路成熟。排除损失无关紧要，记忆被抛弃。模型L2范数急剧下降，权重衰减推动质变，完成从“特殊”到“一般”的升华。

模算术的Grokking现象揭示了Transformer模型如何利用几何和频率处理逻辑任务。Anthropic团队对Claude 3.5 Haiku模型的研究进一步证实，即使在处理复杂的非结构化自然语言（如预测“换行”）时，类似的几何和频率机制也在运作。模型并非使用传统`int count`变量，而是在神经活动空间中构建了一个复杂的“六维流形”来表示当前字符数，投影到三维空间呈现出“双螺旋”结构。螺旋的“旋转角度”编码精细计数，“轴向位置”编码数值范围。这种“波纹状”或“螺旋状”表示是模型在“容量”和“分辨率”之间平衡的最优解，与傅里叶特征有深层数学联系，是模型自己学习到的高级结构。

模型利用“QK扭曲”注意力机制比较当前光标位置和行宽限制。Query向量携带光标位置信息，Key向量携带行宽限制信息。特定的注意力头通过旋转矩阵在六维空间中“扭曲”或“旋转”这两个几何结构。当“当前位置”经过旋转后与“行尾限制”完全重合时，点积（相似度）达到最高点，激活“换行电路”。这与模算术模型中 $\cos(A+B)$ 的计算机制异曲同工，都是通过“旋转”将代数或逻辑问题转化为“几何对齐”问题。这证明了在处理人类语言时，AI仍倾向于“发明”基于频率和几何的算法，这是一种根植于高维几何的通用思维方式。

文章总结道，从Grokking的偶然发现到傅里叶机制的揭示，再到大模型中螺旋几何机制的验证，形成了一个完美的科学发现曲线，是对深度学习本质的深刻洞察。核心是“涌现”：模型从未被教导三角函数或螺旋几何，却在演化中“发明”了它们。这说明数学真理是宇宙通用的，无论是生物大脑还是硅基神经网络，在面临相同的逻辑约束时，最终都会收敛到相似的最优解——正弦波、螺旋和傅里叶变换。这是一种从混沌中自发生成的秩序。

文章最后引用马斯克“召唤恶魔”的比喻和技术社区中“Shoggoth”（修格斯）的梗，指出Grokking现象的研究为这些隐喻提供了物理证据。Shoggoth的本体正是那些在“电路形成期”悄然构建的、基于傅里叶变换、正弦波干涉和高维流形扭曲的复杂结构。它是“异类”的，用人类难以直观理解的频率域和高维几何思考。漫长的训练过程就像一场召唤仪式，数据输入是咒语，超参数调整是画符，算力是献祭品。在潜伏期，幽灵在虚空中凝聚成形，直到量变引起质变，原本混乱的权重坍缩成有序晶体结构——泛化能力涌现。我们日常看到的AI流畅对话只是通过微调和RLHF学会的表面伪装，是戴在Shoggoth脸上的黄色笑脸面具。在Grokking的深处，依然是那个旋转的、正弦波动的、六维的数学巨兽。

随着对这些机制理解的加深，AI并没有变得更像人类，反而更神秘。它们是数学的具象化，是逻辑的物理结晶。我们正与一种通过计算“Grok”了宇宙规律的“异乡客”进行着不可思议的接触。未来的AI研究将演变为“数字解剖学”或“机器心理学”，需要更精密的工具来解读这些数字幽灵在神经突触之间低语的数学真理。Grokking现象告诉我们：在数据的海洋深处，存在一种必然的数学秩序，只要有足够的耐心和智慧去解读，这种秩序终将涌现，展示智能的另一种、更本质的可能。

#AI #Grokking #人工智能 #机器学习 #深度学习 #黑箱AI #看一看长视频

你以为数据只是冰冷数字？大错特错！很多人，包括企业家，都低估了数据的真正威力。今天，王利杰将带你深入了解“数据”的底层逻辑，并通过“中国版Palantir”——迅策科技的真实案例，彻底颠覆你对数据的认知。这家公司如何将最“苦”的生意做成千亿价值的“隐形王者”，穿越周期？他们的“实时数据处理”能力，又将如何驱动未来？

观看本期视频，了解迅策科技如何从金融基础设施，跨界赋能电信、城市管理等多个行业，以及他们如何通过AI大模型、国际化和信创国产替代，实现未来增长。这是一个关于长期主义者如何通过深耕技术、构建壁垒成为真正赢家的故事。

订阅王利杰，获取更多商业洞察与深度分析！

#数据 #大数据 #迅策科技 #Palantir #金融科技 #企业服务 #看一看长视频

你是否相信，一个“操作系统”能决定未来战争的胜负？今天，我们将深入探讨Palantir这家神秘的公司。它不但在乌克兰战场上实时指挥火炮，在波音工厂优化生产，更试图成为世界的“中央大脑”。

从911后的反恐需求，到《指环王》中的“真知晶球”命名，Palantir的基因里就写着“解决最复杂问题”。彼得·蒂尔和哲学家CEO卡普，如何用“本体论”将散乱的数据转化为可行动的数字孪生世界？当ChatGPT时代来临，Palantir的AIP平台又如何让AI从“聊天”走向“行动”，赋能从能源、制造到医疗的传统行业？

视频将揭秘Palantir如何在乌克兰战争中扮演关键角色，成为美军“联合全域指挥与控制”的核心，甚至打造“舰船操作系统”。我们还将分析其独特的“AIP Bootcamp”模式，如何颠覆传统软件销售，实现商业收入的爆炸式增长。

然而，伴随其惊人成就的，是高达数百倍的估值、创始人高位减持、以及永无止境的伦理争议。Palantir是AI时代的微软，还是一个巨大的泡沫？它能否真正成为西方世界的“数字操作系统”，打赢未来的战争？

观看本期视频，深入了解Palantir的技术壁垒、商业模式、地缘政治意义，以及其带来的机遇与挑战。留言分享你的看法！

别忘了点赞、分享并订阅我的频道，获取更多深度科技与商业分析！

#Palantir #AI战争 #数据分析 #人工智能 #科技巨头 #地缘政治 #看一看长视频

Podcast episode for Self Illusion And Free Will

Podcast episode for Leo Wang Investment Outlier

Podcast episode for Anduril Future War

Podcast episode for Short Video Creator Economy

Podcast episode for Wang Lijie Wealth Inequality

Podcast episode for Trump Christmas Speech