需要細膩處理：《經濟學人》的安德魯·帕爾默

在今天的節目中 我、我自己和人工智慧 播客，安德魯·帕爾默，資深編輯於 經濟學人，描述組織如何在平衡速度、品質與風險的同時，嘗試生成式AI。在他自己的組織中，安德魯與其他人透過人類監督測試人工智慧，以發展編輯與出版效率。

作為 經濟學人的 Boss Class 播客中，安德魯與領導者及職涯初期的專業人士對話，並聚焦近期關於技能與招聘的對話中發掘的有趣見解。

訂閱 我、我自己和人工智慧 在 蘋果播客 或 Spotify.

成績單

艾莉森賴德： 我們如何以既有效又安全的方式進行AI實驗？今天的嘉賓將解釋他如何利用AI推動新的開發項目，並分享他與多位領導者交流時，他們對這項技術的看法。

安德魯·帕爾默 我是安德鲁·帕尔默，来自 經濟學人，而你正在聽 我、我自己和人工智慧.

薩姆·蘭斯博瑟姆： 歡迎來到 我、我自己和人工智慧，來自的播客 麻省理工學院斯隆管理評論 探索人工智慧的未來。我是 Sam Ransbotham，波士頓學院分析學教授。我一直在研究數據、分析和人工智慧 MIT SMR 自 2014 年以來，包括研究文章、年度產業報告、案例研究，以及現在的 13 季播客節目。在每一集中，企業領導人、前沿研究人員和人工智慧政策制定者都會與我們一起剖析人工智慧炒作與人工智慧成功之間的差異。

今天，我們邀請到了安德魯·帕爾默。他是《經濟學人》的高級編輯。 經濟學人，他是「巴托比」專欄的作者及主持人。 Boss Class 播客。他目前的播客系列探討了生成式AI的使用如何改變管理以及像我們這樣的工作。安德魯，歡迎你。

安德魯·帕爾默 嗨，Sam。很高興來到這裡。

薩姆·蘭斯博瑟姆： 我們的一些聽眾可能不熟悉 經濟學人 或 Boss Class 播客。能給我們做個簡短的介紹嗎？

安德魯·帕爾默 經濟學人在其歷史的大部分時間裡，一直是一份每週出版的新聞雜誌。當然，現在我們以多種不同的形式提供服務。我們在倫敦出版，但視野遍及全球，涵蓋經濟、商業、政治、科學、科技等諸多領域。 Boss Class Podcast 是一個由我主持的系列敘事式播客，主題圍繞管理與職場。至今我們已推出三季，正如你所說，最後一季特別聚焦於生成式人工智慧在職場中這個棘手的議題。

薩姆·蘭斯博瑟姆： 這很棘手，我認為你在探討其中的複雜性方面做得很好。你的同事路德維希·西格爾曾在某集節目中說過——我特別摘錄了這段——經濟學人 擁抱變化。我們認為科技是好的，應該被使用。

我一直覺得那種支持創新的偏見有點意思，因為我有電腦安全背景，在那個領域我們對於是否該使用某項技術可能抱持著不同的偏見。但在這個案例中，我想我同意。 經濟學人該期刊對人工智能的整體理念為何？

安德魯·帕爾默 我認為「開放的實驗精神」或許是看待這個問題的方式。我們並未倉促投入，而是透過多項內部專案，探索如何將其應用於新聞流程。舉例來說，我們對所有內容進行事實查核，研究團隊需篩選大量資料。能否在讓人工負責關鍵查核工作的同時，減輕他們的負擔？

同樣地，記者必須遵循風格指南，以特定的方式工作。那麼，我們能否讓他們在稿件送交編輯（即最終把關的人）之前，更容易檢查自己的內容是否符合要求？這其中涉及許多內部細節。

然後我們嘗試了一些事情，比如在網站上提供AI生成的播客文字稿，還有一些更機密的、類似「如果我告訴你，就得殺了你」那種關於未來兩三年可能做的事。所以我們在做的事情五花八門，但我們始終非常清楚，我們的品牌與高品質、人力密集的流程緊密相連，而且我們在這方面做對與否關係重大。我們也相當謹慎地推進。

薩姆·蘭斯博瑟姆： 我認為其中一個在幾集節目中傳達的概念是「鋸齒狀前沿」的想法，也就是人工智慧在某些領域確實讓你驚嘆，但在其他領域卻出乎意料地帶來災難。這如何影響你對實驗的看法？

安德魯·帕爾默 我認為這可能歸結於那種謹慎的總體心態，避免輕率地擁抱科技，更不用說如果它面向公眾的話。因此，一切都會經歷實驗階段。有一點已經變得顯而易見——我認為你在每一種正在應對這個問題的組織中都會看到——那就是你需要讓真正有經驗的人參與其中。對我們來說，這些是長期在新聞編輯室工作的編輯，他們判斷什麼是品質，為我們進行的實驗提供反饋，讓它隨著時間推移變得越來越好，並對什麼才算足夠好設定相當高的標準。

這就是心態如何轉化為實際評估與審查流程的方式。對我們來說，這是一種全新的工作模式。在過去大部分時間裡，記者幾乎完全掌控一切，但現在必須更加協作，尤其是在運用這項技術時。

薩姆·蘭斯博瑟姆： 有什麼讓你感到驚訝？最大的正面驚喜和最大的失望分別是什麼？

安德魯·帕爾默 我以自己的例子來說，從最新一季開始隨意嘗試，就像坐雲霄飛車一樣。你知道，現在幾乎每個記者都在做「氛圍編碼」，我也不例外。但在當時，我們似乎真的在開創新局面。這些都有記錄下來，不過我是個完全不懂程式的人，根本不知道自己在做什麼。在這場對話中，你絕對是專家。

我們有一本風格指南，我之前跟你提過，這基本上就是我們寫作時的聖經，涵蓋了各種文法規則，還有你聽了會嚇一跳的對美式用語的厭惡——諸如此類的規定，你可以翻閱一份很大的PDF檔案來查閱。你可以把這件事交給編輯處理，但理想上，你會希望有個工具能直接根據這本指南來檢查你的稿件。你之前提到的Ludwig Siegele，為了等開發人員的時間來建置這個工具，已經等了一年了。

這件事相對簡單，但在一個繁忙的組織裡，每個人都有各自不同的任務，這項工作自然被排在較後的位置。神奇的是，我離開後，在75分鐘內就建立了一個擴充功能，能夠比對稿件與風格指南。當我說「我建立」時，其實我更像個傀儡。我根本不太清楚自己在做什麼，但透過使用Claude，這個東西就被生成了。這對我來說相當驚人。我覺得自己完成了一件完全超出我能力範圍的事，一件我原本完全無法做到的事，而且它明顯繞過了我們內部的官僚體系。

那麼，你提到的那種失望感，其實是我們無法在隔天就神奇地把這個東西推送給大家。圍繞這件事，有大量的治理問題需要思考。幕後的種種，像是架構、軟體、資料流程，全都得仔細考量。實際上，我建構出來的東西在規模化上是行不通的。

總之，在那個時候，一群真正懂行的人接手了這件事。結果確實產出了很快的東西，它無疑加速了流程，給了他們可以著手的概念，但同時也很清楚，我沒辦法神奇地繞過所有組織流程來改變事情。

我不確定這算不算失望，但還有其他例子，像是這個東西給出一些胡說八道的答案、產生幻覺，就是你們節目每週都在討論的那些狀況。不過，我認為這大概是從「一個全新世界被打開」的那種狂喜，到被拉回現實的最佳例子。

薩姆·蘭斯博瑟姆： 軟體界有個老生常談：如果你問任何一個軟體工程師：「你進度到哪了？快完成了嗎？」哦，他們會說完成了 90%。而前面那 90% 大概只花了一半或四分之一的時間，最後那 10% 卻非常困難，總是要花很多時間。

我認為這可能就是我們在「氛圍編碼」中看到的情況。它很快地完成了那 90%，做出了初始畫面之類的東西，但就像你說的，這個流程還有更多東西。當我思考用人工智慧來推演時，我覺得我們傾向於用線性甚至指數的方式來畫線，但報酬遞減可能才是更常見的形狀，特別是在你描述的那種，伴隨著所有其他流程的情況下。

安德魯·帕爾默 山姆，我可以問你一件事嗎？你自己有在用「氛圍編碼」做出來的應用程式嗎？你有注意到什麼差別嗎？

薩姆·蘭斯博瑟姆： 我超級喜歡寫程式，這是我業餘的愛好，我很愛它。我發現的情況幾乎跟你描述的一模一樣，這種快速打造原型的能力真的很驚人。你可以隨便弄個東西出來，做個「嗅探測試」，看看「這值不值得進一步投入？」而不必像你說的，等著官僚體系慢慢來，還要處理一年的積壓工作。

但你不能自欺欺人地以為那真的會變成正式上線的程式碼。你可以從中學到很多，但我不確定是否真的能把任何東西直接丟進正式環境，因為當我拿到程式碼後，在它真正變成能上線的東西之前，我已經把每一行都重寫過了。不過，它確實很快給了我那個「嗅探測試」。

安德魯·帕爾默 我們訪問過的一個人是 Anton Osika，他是 Lovable 的老闆，Lovable 是其中一個大型的「氛圍編碼」平台，總部在瑞典。他有個很棒的口號——「展示，不要備忘錄」——作為思考這件事的方式，這對打造原型非常有用。不要做 PowerPoint，不要寫長篇文件，直接做出東西來展示它能做什麼。但他也非常清楚地表示，你不應該直接把東西放進正式環境，這聽起來完全符合你所說的。

薩姆·蘭斯博瑟姆： 我知道你常談論工作，但你剛才提到的一點是，你為了等待風格檢查工具通過一般的官僚流程而經歷的延遲。而你設法更快地嗅到了問題。我的感覺是，大多數組織都有大量的專案積壓。

安德魯·帕爾默 我想起和 Hannah Calhoon 的對話，她是 Indeed 的 AI 主管。你可能真的邀請過她上你的節目。大家都知道，Indeed 是個大型求職平台。她描述了當突然每個人都能產生大量程式碼時所帶來的組織問題，這意味著有大量的程式碼需要由人來審查。這有點像水床效應，對吧？我是說，工作的腫塊在一個地方消失，卻在另一個地方冒出來。

我想問題是：我記得你說你基本上會做「嗅探測試」，但之後你會從頭開始重寫所有東西。那麼，用「氛圍編碼」走了一半的路，然後才發現「其實我們不該從這裡開始，所以我們得重做一遍」，這有沒有風險？把這件事想清楚，是這個組織挑戰的一部分。這裡顯然有技術上的挑戰，但實際上，我們為了避免糟糕結果而設計事物的方式，同時也成了快速進展的阻礙。

薩姆·蘭斯博瑟姆： 但我們還不需要知道答案。就像你說的，我們都在實驗。每個人都在用這個東西實驗。我們不需要在還沒學到一些東西之前，就確切知道這些要如何融入組織流程。我們在討論的所有這些工具，都會進步。像你提到的 Lovable 和其他公司，它們會隨著時間變得更好。我認為，在事情如何發展、我們選擇投資什麼或不投資什麼這方面，我們某種程度上掌握著自己的命運。

安德魯·帕爾默 理論上我同意這一點，但系統中還有一大堆誘因在運作，實際上限制了你的行動自由。所以，如果高層有一群人承受著實現生產力提升的巨大壓力，他們很可能會衝刺……我們已經看過了，對吧？生成式 AI 最初幾年的故事，有一部分就是朝著目標衝刺，卻沒有考慮組織後果。

薩姆·蘭斯博瑟姆： 談談那些誘因吧。你看到組織內部有哪些誘因是相互衝突的？

安德魯·帕爾默 很多董事會給 CEO 和他們的同儕施加很大壓力，要求他們拿出非常實質的投資報酬。這可能是透過裁員來節省成本，也可能是產出的真正躍升。這兩件事都不見得是好事。你可能過早地裁員，也可能實際上是在犧牲品質來換取數量。

我試著想一個例子。嬌生是我們節目的另一位來賓，他們在最初幾年對生成式 AI 採取了一種非常有意識的、「百花齊放」的做法。我不認為他們有災難性的結果，但他們也很快發現……瓶頸問題在各個地方浮現。

又是水床效應，對吧？那個非常大的組織裡，有非常多的人獨立地想出同樣的流程來改善，像是讓發票處理變得更快，但這麼做只會產生一大堆發票，然後全部湧到財務部門，而他們根本沒預料到，對吧？所以這是一種混亂問題。

但更重要的是，缺乏優先順序意味著做了很多工作。只有 15% 的專案貢獻了 85% 的價值。其餘的，也許有些好處，像是讓人學習等等，但就實際回報來說，並不多。所以他們現在轉向了一個更以優先事項為驅動、更集中的方法，設立了一個中央 AI 委員會。

聽起來有點像 星際大戰，有個中央 AI 委員會、中央資料委員會來批准事情。但感覺起來更有意圖、更有方向性。你會看到高層主管的調查說：「我們還沒看到大規模的生產力提升。我們預期在未來三年內會看到。」在某個時間點，他們要嘛得說：「嗯，不會來了。」要嘛他們會被綁在一種「我們要讓它發生」的心態裡。要展現成果的誘因，是非常強大的。

薩姆·蘭斯博瑟姆： 我比較憤世嫉俗的看法是，我認為我們看到很多因 AI 宣布而裁員的情況，但我深深懷疑他們是把 AI 當作代罪羔羊。你可以選擇說：「好吧，我做了一個很糟的決定，過度招聘了。」或者說：「我做了很糟的決定，或者說是這個 AI 搞的鬼。」把矛頭指向外部因素真的很方便。

我想回到你之前提到的一件事。我們在談論寫程式，但我認為這在整體上是個更大的議題。也許我們可以深入探討一下。你的水床效應是，你創造了容易創造的環境，就像這些工具具有生成能力。我是說，這甚至就在名字裡： 生成式 AI。我們沒有 評估式 AI。那不是一個巨大的趨勢。GenAI 是主題，而不是評估。

我認為我們在科學領域肯定看到了這一點。像網際網路檔案館這樣的開放儲存庫，已經被提交的內容淹沒了，因為困難的部分與其說是生成，不如說是弄清楚什麼值得消費，特別是在我們這個以時間為基礎的注意力經濟中。我們要如何解決這個問題？

給點希望吧。對於當我們能夠如此快速地生成一切時，世界會發生什麼事，你有什麼想法嗎？

安德魯·帕爾默 我想到的例子，也是我自己剛玩過的，是在招聘領域。求職端會出現這種不受控的內容生成，而招聘端則被迫使用人工智慧來應對這種轟炸。所以形成了一種奇怪的軍備競賽。

我的例子是，我剛註冊了一個自動投遞軟體供應商，填了一些資料，非常簡略的資料……我本來可以花更多時間在上面。我離開了一下，晃蕩了大約一個小時，回來後發現我已經投了一百份工作。我完全不知道那些工作是什麼，其中包括紐約市營運主管和美國伊朗及阿富汗退伍軍人協會的主任。我的意思是，你大概可以從我的口音看出來，我不是這個職位的明顯人選。這似乎有點荒謬，對吧？你可以塞爆人們的收件匣。所以我想向伊朗及阿富汗退伍軍人協會道歉。

但很明顯，在另一邊，你就需要這種自動回覆。沒有人對此感到滿意。這就像一個非常糟糕的平衡狀態，而且你在其他地方也能看到這種情況。

那麼，出路是什麼？我想，增加更多人類可能是其中一條出路。你可以刻意在招聘端流程中插入人類，看看這樣是否在某種程度上有效，但這感覺不太具有可擴展性。

你可以公開你的AI政策，說：「使用AI沒問題，但這是我們希望你使用的方式」，或者提出一個AI專屬的問題，來證明你將如何善用你的AI應用能力，無論那是什麼。有些證據——雖然是軼事——顯示，公開AI的使用實際上可以減少虛假申請的數量。然後我想，非常長期的答案，有點太理想化，我無法完全買單。

薩姆·蘭斯博瑟姆： 告訴我們那個夢想。

安德魯·帕爾默 嗯，這個領域的人是這樣說的：最終AI會變得非常厲害，它會主動搜尋求職者。這會有所謂的「反向申請」。所以，作為求職者，你不需要擔心申請任何東西。AI會從你在Indeed這類網站上的資料，自動知道你到底適合什麼，了解你的偏好和經驗，基本上，他們會來找你——不需要系統中那些亂七八糟的東西。也許隨著時間推移，情況會變成這樣。我很想知道你認為這是否合理，但看起來我們還需要很長時間才能達到那個目標，而在此期間，對每個人來說都不太好。

薩姆·蘭斯博瑟姆： 我認為我們可以類比一下正在進行的深偽檢測。每次我們改進深偽技術，我們也改進了深偽檢測，然後我們來回反覆。所以，當你生成工作申請時，就會有工作申請檢測器。我們在搜尋引擎自動化中就看過這種情況，你在網站上放對關鍵字，然後你就在搜尋引擎中被「錄取」了。我們經歷過很多像這樣的動態。

我記得在你的節目中，有一位剛畢業的學生Kat Harrison-Gaze，她談到了在就業市場求職的經驗。你能舉個例子來說明一下嗎？

安德魯·帕爾默 Kat 畢業於牛津大學，所以在英國的背景下，她來自一所非常、非常頂尖的大學，顯然非常聰明，應該是雇主想要的人才。有很多因素影響了這一點。我們不應該只歸咎於AI，但她描述了兩個擔憂。

一個是申請的過程以及「我該如何應對？」她對AI有所懷疑。她擔心認知依賴。她重視自己思考事情的能力。這有點像是：「如果你碰了這個東西，它會感染我，改變我的思考能力。」這是其中的一部分。

然後第二個擔憂更普遍：「如果你考慮幾十年的職業生涯，我到底該把籌碼放在哪裡？什麼是未來有意義的職業？」在我看來，這兩個都是完全合理的擔憂。現在要應對招聘過程真的很困難。順便說一句，我認為不碰AI並不是答案。

所以給Kat的建議是：「使用AI，不要迴避它。這不是看待它的方式。」而給雇主的建議是：「這裡有一個非常聰明、決心獨立思考的人。看看她吧。」

薩姆·蘭斯博瑟姆： 我認為你所描述的，是當我們走向機器對機器的互動時……以前，在過去，人們會挨家挨戶地走訪辦公室申請工作，可能留下履歷，親自見某人——這後來變成了線上。你所描述的未來，有點像是你的代理人跟我的代理人對話；你的智能體跟我的智能體對話。就像球員有經紀人為他們談判一樣，你描述的像是招聘人員代表公司談判，代理人代表雇主談判，而這些不一定需要是人類，可以是機器對機器的互動。這是我們正在走向的未來嗎？

安德魯·帕爾默 我有點希望不是。我想這取決於情況……在第一階段，我完全能理解。在這一點上，這幾乎是必要的，對吧？因為很難看出它如何能擴展。但只要勞動力中還有真人——而且，順便說一句，目前人類在處理這個過程上做得非常差。這是一個非常難以做對的過程，但很多部分可以透過人類花時間誠實地測試某人是否適合公司文化來改善。「這份工作因為這些原因很好，但因為那些原因不好。」這類事情不一定要由人類來做，但如果有人類一起討論，通常會運作得更好。所以我認為，人類必須在某個環節參與其中。只要我們是與其他人一起工作，那麼文化契合度、組織的價值觀，所有這些對於良好招聘都是至關重要的。

你可以想像一種機器主導、基於技能的流程，測試某人是否能勝任這份工作。但實際上，是什麼驅動他們？他們為什麼要加入？他們會是合適的人選嗎？我想和這個人一起工作嗎？所有這些事情。我不覺得智能體是回答這些問題的正確方式。

薩姆·蘭斯博瑟姆： 也許只是因為這是我在與之共事的人方面感到舒適的方式……但正如你所說，我們在歷史上在這方面做得不好。我們做出有偏見的決定。我們根據不應該據以做出決定的屬性來做決定。我覺得有點吸引人的是，也許增加自動化可以幫助我們至少看到這一點，或者至少提出那些我們的偏見可能讓我們錯過的潛在候選人。

安德魯·帕爾默 沒錯。心理學家丹尼·康納曼顯然非常支持在每個流程中都使用演算法，並且打賭這比任何人類都好得多。我認為可能兩者結合才是對的，對吧？我的意思是，你有一種基於規則的演算法方式，可以消除提問方式等方面的偏見。儘管如此，從根本上說，與某人相處融洽是招聘中非常重要的一部分。

我能問問關於軍備競賽的事嗎？抱歉有點反客為主，但你是網路安全領域的，對吧？

薩姆·蘭斯博瑟姆： 是的，那是我以前論文研究的主題。

安德魯·帕爾默 那種軍備競賽問題——你有AI在嗅探弱點，也有AI在試圖修補它們。這的終點是什麼？在這樣的世界裡，人類的角色又是什麼？

薩姆·蘭斯博瑟姆： 我很想知道答案會是什麼，但可以肯定的是，這影響很大。我們已經看到許多過去由人類進行的滲透測試之類的事情被自動化了。這些在很大程度上已經自動化，但人類在找出保護和設計誘因的方法方面，仍然有一些根本性的聰明之處，我認為這在許多方面仍然勝出。

現在發生的是，當我們把誘因弄清楚，並建立一套結構化的規則時，機器就會把它帶到高度精煉的水平，但隨後就會有人提出不同的方法或想法。不幸的是，在安全領域，常見的問題是人類是最薄弱的環節。我們可以整天攻擊你的密碼，但直接走進你的辦公室，看看你桌上便利貼上寫了什麼，或者騙你透露出來，會容易得多。所以我認為我們正在看到，凡人可能是這裡更薄弱的環節。

我的意思是機器，因為只有機器才能反應得那麼快。但我會拉回你的一集關於Oura Ring的節目。攻擊公司的一種方式是退款攻擊。我的意思是，這不是我們傳統上認為的網路攻擊，但退款攻擊可能是抱怨產品有問題以獲得退款。而你提到了Oura Ring的例子……你為什麼不描述一下？AI智能體診斷了問題，檢查了政策，然後訂購了替換品。

安德魯·帕爾默 是的，就是這樣。我們當時在與Mike Krieger交談，他是Anthropic新產品部門的人之一，也是Instagram的共同創辦人。他在談論他們的路線圖，顯然，不可避免地，我們開始談論智能體相關的東西。他講述了他當時最好的客戶服務體驗。Ring攝影機似乎有電池問題，只與一個智能體互動。這個東西基本上自行決定他有資格獲得一個新的Ring。它問了他的地址，然後就包裝寄出了。他認為這是他有過的最棒的客戶體驗。

不過，針對你的觀點，是什麼阻止AI直接給你終身電池？這在指導方針裡，對吧？就像，如果智能體發出的退款達到某個閾值數量或百分比，你就會停止，並將其轉交給人類或另一個AI模型。

所以在治理方面有很多東西。關於這一點，我與Bret Taylor進行了一次對話，他是OpenAI的董事長，也是Sierra的共同創辦人，Sierra是另一家客戶服務智能體新創公司。同樣，指標對於把這件事做對超級重要。所以最初，他們在想：「好吧，任何不需要智能體轉交給人類的通話都是成功的通話。」然後他們意識到：「好吧，這完全可以被鑽漏洞。所以我們就永遠不轉交給人類。」百分之百成功。每個人都開心。顯然這不對。所以現在他們有一個綜合指標，包括轉交通話的比例，以及與智能體互動過的客戶的淨推薦值。這個混合指標似乎有效。

這感覺完全顯而易見，但這其實是良好管理實施的基礎。你要解決的問題是什麼？你如何衡量成功？這對於把這件事做對是根本性的。而這只是一個他們如何得出一個不錯指標的簡單例子。

薩姆·蘭斯博瑟姆： 是的，那個衡量標準是件大事。我認為正在發生的一件事是，這些工具正在幫助我們以不同的方式衡量事物，所以我們可以衡量以前從未衡量過的事物。我們收集了更多數據，這很棒。但這也指出，許多現有的衡量標準可能……我認為你的說法是「可被鑽漏洞的」，一旦人們弄清楚那個指標是什麼，他們就會採取行動。

讓我來問問你。我們的節目是 我、我自己和人工智慧你是如何對這個產生興趣的？請簡單介紹一下你的背景。

安德魯·帕爾默 我從2007年就加入這本雜誌，擔任過多種寫作和編輯職務，涵蓋拉丁美洲、金融、數據新聞團隊、英國編輯等不同領域。

最近，我主要撰寫管理和工作相關的文章。而我們在這裡所做的大部分事情， 經濟學人 都是從外部觀察內部。這是巨大的非個人力量在運作，包括宏觀經濟、地緣政治、科技。我是那個從職場內部向外看的人，某種程度上將人類視為這些力量的副產品，例如我們如何互動。

我這樣做已經有一段時間了，很明顯地，AI正在影響職場、影響我們作為員工的角色、影響管理者，並引發各種問題。因此，我開始撰寫相關主題是非常自然的事。我認為這是一個極有趣的交集點：一邊是極度科學、冷冰冰的機器技術，另一邊是人類那難以言喻、混亂的情感湯汁，將兩者結合起來觀察，真的很有意思。

這裡有個小小的預告——但等到這集播出時，它就不再是預告了：我這週正在寫一個大家都同意的觀點。AI將消除瑣碎工作或苦差事，這很棒。但我對此不完全確定，因為對人類來說，適度的苦差事其實是好的。真的很好。它帶來一點自主性，因為你可以完成事情。你可以稍微放鬆，因為你不可能一直繃緊神經。有證據顯示，思緒漫遊對創造力很有幫助。所以，認為我們會一直全力處理高階任務的想法是有問題的。我們天生就不是那樣設計的。這就是我目前關注的領域。

薩姆·蘭斯博瑟姆： 我覺得這相當吸引人。確實，只有透過暫停、思考和反思——這需要一點不總是處於緊繃狀態——才能產生那些想法。這當然與「哦，你會擺脫苦差事」的說法相反。另一方面，我們的工作中當然也有許多真正的苦差事，所以我認為關鍵在於我們要試著弄清楚這一切。多少苦差事才是「金髮姑娘」的適量？

安德魯·帕爾默 再次回到誘因問題。某種心態的管理者可能會想：「好，我不想讓任何領我薪水的人閒晃，永遠不要，對吧？讓我們一直去做認知密集的工作吧。那會很棒的。」所以這裡也涉及一種心態轉變，就像我們以前無法擺脫苦差事——它只是生活的一部分。但如果可以選擇完全消除它呢？你會怎麼想？

我曾花時間在一個空中交通管制中心，他們的工作是思考：「什麼是最佳績效環境，讓這些人不會低於他們的A級水準？」所以他們在努力取得一個非常有趣的平衡：一方面不想讓員工超載，因此需要限制工作時段和強制休息；另一方面也不想刺激不足，因為過度無聊基本上會讓注意力開始偏離，這對負責空中交通的人來說可不是好事。所以他們已經思考過這個問題，對吧？這是一種人因工程學科。奇怪的是，這可能即將進入每個辦公室，只是風險程度低得多。

薩姆·蘭斯博瑟姆： 你剛才提到，以前我們沒有能力自動化這些事情，所以不需要做出選擇。現在我們有了這些能力，就必須做出一些艱難的決定。什麼樣的技能能幫助人們做出這些選擇？我在大學任教，請幫幫我。我們應該幫助學生學習什麼？什麼樣的技能能幫助他們做出這類決定？

安德魯·帕爾默 奇怪的是，我用了「人因工程」這個詞， 它本身就是一門學科，對吧？但它一直以來定義相當狹窄，例如如何讓戰鬥機飛行員發揮最佳表現。但我確實認為，理解人類表現對於理解人機互補如何運作非常重要。這也涉及管理學科本身，對吧？如何設計一個好的流程？如何避免瓶頸？以一種不讓所有工作在其他地方堆積的方式調節工作流程，需要你從組織層面思考，並考慮系統和流程。所以基本上，系統思考、所有管理訓練，我認為這些對於思考這個問題都非常有用，再加上一點內省。也許這項科技最好的地方在於，一旦你開始使用它，它就會迫使你內省：「我擅長什麼？我在哪裡可能擁有可持續的優勢？我喜歡做什麼？不喜歡什麼？我真的喜歡百分之百做高階任務的想法嗎？這對我來說可信嗎？」我不知道如何訓練自我意識，但在嘗試的過程中，我認為你不可避免地會開始進行這類內在對話，而這些對話很有用。

即使要回答這些問題，我們也需要更多關於人們及其工作方式的資訊，這又回到了你的衡量問題。這在很多方面與我希望保護個人資訊的願望相衝突。同時，這些系統可能可以幫助我稍微了解自己、了解自己的工作方式，以及在什麼情況下我表現最好。

薩姆·蘭斯博瑟姆： 我認為，總體來說，你在許多不同案例和例子中提出的一點是對細微差別的需求，這種需求是不要總是走得太遠，也不要總是做得太少。嘗試一些，但不要過度依賴。我認為這確實是我從你的播客中得到的整體主題，也就是為所有這些決定帶來一些細微差別的想法。我認為這種細微差別在我們當前「做這10件事讓你成為更好的AI人才」的風氣中並不容易被接受。我從你的作品中提煉出的主題是清晰和細微差別。我認為這真的很難。

這真的很難。另一種表達方式，但這是推廣播客最糟的方式，就是變得無聊。所以掌握要點、基礎，對吧？你的目標是什麼？AI採用本身不是一個指標。那麼你想解決的問題是什麼？從端到端思考工作流程，而不是單一環節，因為工作可能只是被重新分配。所有這些問題都只是常識，但像往常一樣，這能帶你走很遠。

安德魯·帕爾默 Andrew，感謝你抽空與我們交談。如果聽眾想聽你的播客，或者聽一個你創造機器人來模仿自己聲音的實驗——我認為那是個有趣的例子——《第三季》

薩姆·蘭斯博瑟姆： 目前正在進行中，與 Boss Class 合作。感謝你抽空與我們交談。 經濟學人謝謝，Sam。這很有趣。

安德魯·帕爾默 感謝今天的收聽。在下一集中，我們將轉向醫療保健領域，與飛利浦首席醫療官Carla Goulart Peron討論AI如何增強而非限制醫療領域中的人性元素。請加入我們。

薩姆·蘭斯博瑟姆： #細微差別 #經濟學人 #Andrew #Palmer

艾莉森賴德： 感謝您的聆聽 我、我自己和人工智慧。我們的節目能夠繼續進行，很大程度上歸功於聽眾的支持。您的串流媒體和下載量會產生很大的影響。如果您有時間，請考慮給我們留下 Apple 播客評論或 Spotify 評級。並與您認為可能會覺得有趣且有幫助的其他人分享我們的節目。

我、我自己和人工智慧^® 是麻省理工學院的聯邦註冊商標。版權所有。