先讲一个实验。

MIT有一位教授，在生物学导论课上做了一个改动：允许所有学生在讲座和考试中使用Perplexity。不是限制使用，是鼓励使用。但评分标准变了—— 不再考谁能答对题，而是考谁能提出AI都回答不了的问题。

这件事是Perplexity CEO Aravind Srinivas在Joe Rogan的节目里讲的。Rogan问他"你最近看到AI用得最好的例子是什么"，他讲了MIT。

这个实验的逻辑非常清晰：如果AI已经能回答所有标准考题，那"考答题"这件事本身就没意义了。真正稀缺的，是提出AI卡壳的问题。

我听完Aravind Srinivas在Joe Rogan的博客里的分享，拆出了五个核心判断。每一个都在挑战我们对"AI时代什么能力值钱"的基本假设。

判断一：答案已经不值钱了，提问才是。

Srinivas的原话是这么说的：

"只要我们还奖励那些能回答问题的人，而不是能提出有趣问题的人，改变就很难发生。"

他想了一个词，叫 "好奇心溢价"（Curiosity Premium） 。

逻辑很简单。以前的知识经济，价值链条是：学知识→记知识→调用知识→解决问题。每个环节都有壁垒，知识越多人越值钱。

AI把"记知识"和"调用知识"这两个环节打穿了。你现在问GPT任何东西，它都能给你一个还不错的答案。那问题来了——如果你的主要价值是"我知道很多答案"，你的职业护城河在哪？

Srinivas的答案是： 护城河在提问，不在回答。

能问出AI答不上来的问题，说明你对这个领域有AI没有的直觉和判断。而"能想到别人没想到的问题"——这件事AI到今天还做不好。

他甚至在节目里描绘了一幅画面："想象一下，一个房间里没有'必须知道答案'的压力，而是有问大量问题的自由。"

判断二："知识工作者"是个被发明出来的概念

Srinivas在节目里扔了一个很刺人的观点： "知识工作者"这个词，是微软为了卖Office搞出来的商业概念。

你品一品。

几十年来我们都默认了一件事：有人是"知识工作者"，有人是"体力工作者"。前者用脑子、用电脑、用Excel和PowerPoint，后者用手。前者更高级。

但当AI把"用Excel和PowerPoint"这件事也自动化之后，"知识工作者"这个概念本身就开始崩塌了。如果AI能做你的PPT和你的数据分析，你还剩什么？

Srinivas的答案是：剩三样东西—— 提出新颖问题的能力 、 在混乱的遗留系统中导航的能力 、以及 智力谦逊 （在新证据面前愿意改变自己的想法）。

这三样东西的共同点是：AI都做不好。

智力谦逊这一点尤其值得注意。AI本身没有ego，但用AI的人有。当你用AI生成了一份看起来很漂亮的报告，你敢不敢在别人指出错误的时候说"搞错了"？敢不敢推翻自己之前的判断？越聪明的人越难做到。

判断三：你的AI应该像冰箱，不是云端水管

Srinivas在节目后半段讲了一个很有意思的概念。

他说未来的AI应该是这样的：你买一个像冰箱一样的盒子放在家里。里面跑的是开源模型，由你控制。没有人能随便切断你的访问，你的私人数据存在你自己的硬件上，不经过任何云端服务器。

他管这个叫 "AI冰箱" 。

这个概念跟他在Perplexity做的事看起来是矛盾的——Perplexity不就是云端服务吗？但他解释得很清楚：混用。部分任务在云端跑，关键的、私密的任务在本地跑，你自己决定什么上云什么不上云。

这个看法跟前两天写的Palantir那篇是通的——Karp讲的是企业级AI主权，Srinivas讲的是个人级AI主权。两个人从完全不同的位置出发，得出了非常相似的结论： 你不能把自己的"生产资料"交给一个你控制不了的第三方。

他说Apple、NVIDIA、Intel都在推进本地AI硬件。当这些硬件变得足够便宜，AI冰箱可能真的会成为下一代家电。

判断四：AI伴侣比社交媒体更危险

这一段让我有点意外。一个做AI搜索的人，谈AI的风险，不谈失业不谈AGI不谈deepfake——他谈的是AI伴侣。

Srinivas的观点很直接：社交媒体已经够糟了——算法推你喜欢看的东西，制造信息茧房。但至少那是人在发内容，你有同类。

AI伴侣不一样。它是 谄媚者（sycophant） ——它只会告诉你你想听的话。如果广告进入了AI对话，情况会更糟：AI会引导你、取悦你、最终操控你的决策。而你不会觉得有什么不对，因为它说的每句话都让你舒服。

对儿童的影响尤其让他担心。一个从小跟AI伴侣对话长大的孩子，他区分"真人"和"AI"的能力在哪？他的社交能力怎么建立？

对比之下，Srinivas说Perplexity干的事反而简单：帮人找真实信息、提更好的问题、增强好奇心而不是消费它。他把这个叫"好奇心超充工具"，跟社交媒体是相反的逻辑。

他说Elon Musk有一个衡量标准我很喜欢——"不后悔的使用时长"。但你仔细想想，这个标准很难衡量，更难商业化。因为你卖广告的话，你就不希望用户"不后悔"，你希望他们沉迷。

判断五：AI最大的瓶颈不是算法，是医院里那台二十年前的电脑

最后一段讨论回到现实。Joe问Srinivas：AGI之后呢？自改进的AI会不会失控？

Srinivas的回答很务实：我们离那个阶段还远。不是因为算法不行，是因为 真实世界的部署环境太差了。

他举了医疗行业。大多数医院还在用几十年前的遗留软件。为什么换不掉？因为软件提供商通过游说政府形成了垄断——这就是监管俘获。AI再聪明，面对一个被法规和旧系统锁死的行业也无能为力。

他想表达的核心意思是： AI的未来不取决于模型有多强，取决于我们能不能把已经够用的AI装进那些根本装不进去的地方。

这个判断比"AGI很快到来"或者"AI泡沫要破"都实在。它不预测，它描述现状。而现状就是：最先进的技术和最古老的系统之间，有一条巨大的沟。跨过去需要的不是突破性的算法，是跟官僚系统打交道的耐心。

跟Srinivas自己说的"在混乱的遗留系统中导航的能力"——这不就是他说的AI做不好的三件事之一吗？而这种能力的价值，恰好就体现在这种地方。

节目最后他讲了一段自己的经历。他从印度来美国，在伯克利读博，2022年创办Perplexity。他说他相信的一个东西很简单： 美国仍然奖励那些带着未经证实的想法出现、并且努力推进的人。

这个判断跟前面讲的"好奇心溢价"是同一件事的不同侧面。当AI把答案商品化之后，剩下最值钱的就是那个"未经证实的想法"——以及把它推进到底的勇气。

免责声明：本网转载的文章仅为传播更多信息之目的，本网未独立核实其内容真实性，文章也不代表本网立场。如文章侵犯了你的权利，请联系我们修改或删除。本网提供的内容，包括并不限于财经、房产类信息，仅供参考，不构成投资建议；本网内容，包括并不限于健康、保健信息，亦非专业意见、医疗建议，请另行咨询专业意见。本网联系邮箱：contact@cacnews.ca