There will be NO NEED for Common Humans in the Future Society.
当前模型已经可以在数据充足、正误判断明确且反馈易获得的任务（如应试、比赛、编程）上，达到人类顶尖水准（前1%）；在部分任务（如软件工程）上堪比人类小规模中级团队水平。
AI当前还有许多问题，但我相信其中大多数问题会在短期（5年）内解决。
比如模型在一些缺乏充足数据的自然任务和多模态复杂任务（如软硬结合、具身、识图、根据指令修图、医疗）上达不到人类水准，但这些任务随着数据和参数的持续Scaling、模型架构的渐变式升级、上下文窗口的变大、硬件算力和硬件效率的持续升级，终将会被解决。
而以下是一些我认为当前范式下模型没那么容易解决的问题：
- 数据极度稀疏、解法极其创造力、极度困难的任务（如数学难题、理论物理难题）
- 极其强调创造力、要求惊异度、没有标准答案、和大多数数据相似意味着平庸的任务（如写作、绘画）
- 极其庞大且需要高度准确率的任务（创造操作系统、高性能浏览器）
- 需要个体多样性以及群体智慧合作的任务（比如创造一个与人类社会相似的AI社会）
而以下是我认为20年之内模型会拥有的新技能：
- 持续学习的能力
- 长短期记忆成本同时降低，且短期记忆可像人类一样往长期记忆体系中高效蒸馏
- 媲美人类效率的认知能力和学习能力
要知道AI当前的学习效率是极低的，人类根本不需要刷100000道算法题才能学会怎么做Leetcode中90%以上的题目，聪明的人类个体只需要大概200道和体系化的知识网络。
AI吃了这么多数据，在编程这件事上居然只是和人类最强个体持平，是很令人惊讶的，这反映了当前范式下模型训练的低效。 - 多样化个体和协作并产生持续进步的社会的能力
笔者最近有在搞科研，当前的工作流可以说高度依赖于AI（已经很努力地去有自己的见解，有自己的灵感了）。
工作流大致是这样的：
1、用Deep Research了解一个领域并获取该领域内的重要论文
2、用GeminiPro了解这些论文大致讲了什么
3、思考、做出一些猜想、提Proposal、和GeminiPro反复Battle、尝试让GeminiPro提Proposal。
4、用ChatGPT查某个idea是否已经有人做过了，相关论文有哪些，用的什么方法
5、定位几篇关键论文，打印出来仔细阅读，并用ConnectedPaper找这些论文的上下游论文
6、猜想、思考、和AI battle，完善Proposal
7、开讨论会，思考、猜想、判断idea是否有价值
8、用Github Copilot中的Claude Opus做小规模、大规模实验，验证想法
…（以上步骤交叉混合循环进行）
总之，我真没发现有哪一步是AI真的不能自己做的。AI也可以提猜想，只要你给它提供足够好的Context，告诉它什么是“好解释”，该领域有哪些强相关论文。
我也有很努力地试图去学AI不能做的能力（准确来说是我以为AI做不到），比如写严格符合实验要求的Pytorch实验代码，结果发现Opus写得真的比我快且好（并发、测试、超参数调试、文档、实验严谨性……）。
当前阶段AI提的猜想还不够noval，但是实验代码写得比我好且快，AI能联想到的知识也远比我多。
那么，请问：既然Agent集群（如oh-my-opencode）可以一个agent当项目Leader(Sisyphus)，一个agent当项目经理(Atlas)，一个agent当产品经理(Prometheus)，一个agent当信息搜索家(Librarian)……
那么Agent集群也可以端到端地自动化完成我的整个科研过程，进一步地，经过人类顶尖智能体设计的智能体集群，可以完成一切人类按一定步骤和程式完成的任务。
（感兴趣的可以了解一下AI Scientist-v2，已经可以端到端地生产workshop级别的论文）
过不了多久，就会有一个AI产品经理、一个AI HR、一个AI 程序员、一个AI Leader组成的小公司团队；几十年后，就会有一个机器人主刀医师，一个机器人助手医生，一个机器人麻醉医生……他们也不一定会是团队，也可能是一个超级个体（像当前的LLM一样）。
此时会发生什么？
普通人类的劳动力价值将会与完成其劳动所需的算力成本持平。
因为大多数人类和人类团体的劳动成果，都在AI的能力范围之内。
请回忆一下，第一二次工业革命，当纯体力劳动被生产线替代，低端蓝领工人的劳动力价格跌到了什么程度？
未来的几十年里，曾经被认为有极高门槛的脑力劳动中的95%，其价格也将像自由落体般下坠。
未来社会将不再需要普通人类。
本文本应到这里就结束了，因为我实在是无意讨论未来社会会变成什么样，是否应该平均分配，这种讨论对当下决策意义不大。
但我手贱将上述文本扔给了GeminiPro，他提了一个不错的建议：
AI短期内还是杠杆（提升人类生产力，满足人类需求），我们要努力走到杠杆的一端成为杠杆点（始终去寻觅并找到AI还无法做到，需要人类来做的地方）。
比如：
1、成为架构师而不是程序员。未来工程师，可能是去构建Agent系统来解决一个问题。
2、深耕人类需求，深耕“品味”（Taste）。AI始终不懂人类究竟想要什么，他不可能像人类一样提出自己有什么需求，只要AI还在满足人类需求（而非相反），那我们就可以成为提出需求的人。
不要太乐观，也不要太悲观。某些技术往往比人类想象中来得快，但也有很多比人类想象中来得慢（在过去，这往往是工程性突破和创造性突破造成的区别）。