在AI时代，好奇心、批判性思维与自我管理能力比以往任何时候都更重要

经济学家长期以来强调“人力资本”（即蕴含在个体身上的技能与知识）的重要性。一个多世纪前，阿尔弗雷德·马歇尔（Alfred Marshall）就曾写道：“所有资本中最有价值的，是投资在人身上的资本。”经济学之外的思想家也有类似的论断。哲学家米歇尔·福柯（Michel Foucault）在思考16世纪和17世纪西方经济崛起时，曾问道：“难道这不就是因为人力资本的加速积累吗？”可以毫不夸张地说，在现代社会中，人力资本解释了一代代人生活水平的不断提升。

近年来，人工智能（AI）的进步引发了人们对人力资本被取代的担忧。AI与人力资本具有互补性、可以让彼此更有效率吗？还是说，二者是替代性的关系？好奇心、批判性思维、自我管理能力——这三个关键但常被忽略的人力资本的组成部分，可帮助回答这一问题。

好奇心

试想一下，让我们将人类截至1939年所记录到的全部数据输入一个大型语言模型（LLM）中。1939年之所以重要，是因为那时保罗·麦卡特尼（Paul McCartney）和约翰·列侬（John Lennon）即将来到这个世界上。事实上，他们的妈妈那时还没怀上他们。然后，假设我们让这个LLM模型按照乐评人用来形容披头士音乐的形容词，创作一首“披头士风格”的歌曲。它能写出《昨日》（Yesterday）这首歌吗？

答案是否定的，这有两个原因。其一，数据不足以预测尚未出生的两个利物浦少年会创作什么。列侬和麦卡特尼的作品源于他们独特的人生经历，而在他们尚未诞生之时，根本没有相关的线索。不仅如此，我们甚至无法确定他们会出生——你无法预测孩子爸爸的哪一个精子会成功使妈妈的卵子受精。

其二，提示词过于模糊，没有给出这些歌的具体细节。《昨日》被人们形容为忧郁、永恒、优雅、抒情、亲密的。这些词听起来都没错，但却无法帮助精确预测歌曲的内容。换言之，在披头士出现之前，AI无法通过预测创造出他们的音乐：我们会错失最好的一些摇滚歌曲。而对于1939年之后诞生的你最喜欢的画家、作家、雕塑家等人的作品来说，情况都也一样。

现在，让我们把目光从1939年移向今天。基于相同的原因，即使将现在所有可得的信息都提供给一个LLM模型，它也无法替代未来创作者的天赋、创造力与好奇心。虽然AI也许能重新组合过去的数据来较好完成一项任务，但它却无法模仿尚未出现的人类创造。

这一点不仅适用于艺术。举例而言，想一想如下的政策问题：“如何降低芝加哥的枪支暴力？”LLM模型能总结先前的研究，可能还会突出强调那些更适用于该城市的举措，不会对新想法进行实证检验、从而给出一个以前未知的答案。LLM模型无法凭自身设计干预政策、筹集资金、培训调查员、开展入户走访、劝导受访者回答问卷等。这些都需要人来完成，而推动人们去做这些事的是好奇心。正是我们的好奇心，不断扩展着AI依赖的知识存量。

我们未来肯定会达到一个时刻，即所有的现有数据都已被提供给LLM模型——这被称为“数据峰值”。在这之后，如果没有新的信息（例如，对防范枪支暴力新方法的研究），那么LLM模型的输出就不再会有大的改进。如果所有人都选择依赖LLM模型的回答而不再去资助或开展新的研究，我们将很快被困在过时的研究之中——这显然是一个不理想的局面。数据峰值意味着，要让AI在回答问题方面不断提升，我们人类必须持续推动知识前沿，不断提出并回答新的问题。我们必须保持创造力和好奇心。

一个金融市场的类比可以凸显这一点。想一想尤金·法玛（Eugene Fama）提出的著名“有效市场假说”。其核心思想是：价格反映了所有可得的信息；因此（撇开特权信息不谈）你无法战胜市场。这一观点后来被桑福德·格罗斯曼（Sanford Grossman）和约瑟夫·斯蒂格利茨（Joseph Stiglitz）深入发展，提出了“信息悖论”：如果价格已经反映了所有可得的信息，那么投资者就没有动机去收集和分析信息了。但如果没有人收集信息，价格又如何能够反映这些信息？市场参与者之所以会生产与加工信息，是因为这样做能带来收益，而价格也会反映这些信息——尽管并非完全或即时反映。

同样，AI也许能在某一特定时点吸收所有可得的信息，但若要保持自身的重要性并持续实现改进，它依赖人类不断产出新的知识。从这个角度来看，好奇心与AI是互补而非替代的关系。从长期来看，只有在人类不断提出更多、更好的创意的情况下，AI才能持续进步。

批判性思维

在1845年的《经济诡计》（Economic Sophisms）一书中，弗雷德里克·巴斯夏（Frédéric Bastiat）描述了一个有趣的二分法：硬科学与社会科学。他认为，硬科学只能被学者真正理解，而“尽管普通人对此一无所知，他们仍能从中受益”。然而，社会科学的实际应用却与每个人息息相关，因此，“没有人愿意承认自己对社会科学是无知的”。人们往往毫不犹豫地接受硬科学专家的意见，但在社会科学上却很少如此。普通人不会声称自己知道更好的方法去制造计算机芯片或飞机发动机，但他们常常认为自己可以更有效地改进税制或更有效地治理贫困。巴斯夏的这种二分法也适用于我们与AI的互动。

如果你让一个LLM模型解一道数学题，它会给出简单而直接的答案。你不需要对此作出判断。你的先入之见不会影响你对这种信息的理解。但在人文与社会科学领域，情况往往并非如此。试想向一个LLM模型提出以下问题：我怎么知道某人是否爱我？上帝是否存在？我应该生孩子吗？我应该在总统选举中投票给谁？LLM模型会给出答案，但这些答案只是对历史上他人观点的重新组合——这远称不上确切的结论。我们必须自己权衡这些论点，并作出判断。从这个意义上说，批判性思维变得至关重要。

批判性思维之所以重要，还有另一个原因。心理学家唐纳德·坎贝尔（Donald Campbell）曾警告称：“一个量化的社会指标越是被更多地用于决策，它就越容易受到腐败压力的影响。”这个“坎贝尔定律”也同样适用于AI。由于许多人依赖LLM模型，不良行为者便有动机利用虚假信息污染其训练数据——这一过程被称为“数据投毒”。因此，即便在最基本的层面上，LLM模型提供的信息也可能具有误导性。意识到了这一点，我们就必须保持警惕，批判性思维在其中发挥着至关重要的作用。

自我管理

AI可以总结海量的信息来指引我们决策，但它并不会控制我们最终具体怎么做。我们会犯错，且常常屈从于情绪。
LLM模型可以为你制定完美的个性化锻炼计划，但这能否成功，取决于你的自律：当你不想运动时，你还能坚持这个计划吗？AI可以告诉你的同事每月应为退休储蓄多少，也可以告诉你的邻居在聚会上应喝多少酒。但他们可能仍然无法遵循建议，即便他们知道这些建议是正确的。

自亚当·斯密（Adam Smith）以来，经济学家就一直承认人会犯错。斯密在其1790年的著作《道德情操论》中写道：“对我们自身最有用的品质，首先是卓越的理性与理解力……；其次是自我节制、自我指挥，以使我们能够为了未来更大的快乐而放弃当前的愉悦，或者为了避免未来更大的痛苦而忍受当下的痛楚。”因此，重要的不仅是我们知道什么事对自己有好处，更在于我们是否具有足够的自我管理能力去做正确的事。

在讨论经济学家所谓的“家庭生产”这一庞杂的人类活动时，斯密的观点尤其重要。“家庭生产”意味着我们通常不会直接“按原样”消费所购买的东西。我们会投入时间、精力和技能，将其转化为真正的效用。我们可能买了一台动感单车，但必须真的去骑它；一本书、一些食材，甚至一段关系，也都是一样的——要获得我们真正想要的东西，就需要投入时间、努力与技巧。这一过程受到迈克尔·克莱默（Michael Kremer）在其“O型环理论”中提出的最弱环节的制约——该理论以40年前的一次航天飞机事故中的一个失效零件命名。在这种情境下，其他投入都无法替代人们所贡献的努力、时间与技能。无论你的健身房多豪华，如果你从来不去，那就毫无意义。我们可以将这一原理应用于AI：随着AI的能力不断增强，最薄弱的环节将是人类贯彻执行我们“明知对自己最有利事情”的能力。因此，随着AI越来越擅长向我们提供信息，自我管理带来的收益也会相应增加。

人力资本

好奇心、批判性思维和自我管理都是人力资本的一种形式，这些能力会在关于好奇心、批判性思维和自我管理方面的反复且有意识的鼓励下得以增长。如果你怀疑这些能力是否真的能增长，只要想想相反的情况：那些压制提问、反思与自主性的学校体系或工作环境，显然会侵蚀这些能力。

对于那些担心“奇点时刻”（即AI超越人类智能并具备自我改进能力的时刻）的读者来说，讨论LLM模型可能显得天真。到了那个时刻，AI可能会像地球上的一个全新物种。我们可以想象未来人类与AI互动的两种情景。在第一种情景中，人类与机器是对手，如沃卓斯基（Wachowskis）执导的电影《黑客帝国》中所呈现的那样。在这种情况下，每一代人的人力资本将是唯一的反击力量，因此，积累人力资本将成为优先事项。在另一种情景中，AI与人类和平共存。那么，我们与这种“超级智能”的互动又将是什么样子？

从某种意义上说，人类其实已经在开展这种互动了——那就是我们在大型组织中工作时的情形。这些“更高等的存在”有自己的利益，其集体脑力远超任何单个人类。但与此同时，它们也会为我们提供薪酬，作为我们贡献知识与技能以协助其实现自身目标的回报。如果我们与“奇点时刻”之后的AI的关系类似于我们与这些大型组织的关系，那么投资人力资本依然会带来回报。在这种人类与AI共存的情景下，有些人可能会选择建立无AI的社区。这些低技术环境将依赖其成员的人力资本来维持运行。因此，无论你是否持悲观的“末日论”观点，投资人力资本的理由均十分充分。

回到现在，Meta公司为了招募顶尖人类人才来开发更强大的AI技术，开出了高额薪酬的方案——这就说明了当下人力资本的重要性。人力资本的时代并未结束；它仍在持续演进。想想农业的机械化、制造业的自动化，再到如今服务业的“算法化”，每一个阶段都释放了一些领域的人力资本，同时也在其他领域创造了新的需求。

但这些阶段不应被视为彼此独立的过程。被拖拉机、灌溉技术和化肥所“挤出”的人力资本，使制造业的繁荣成为可能；而拥有自动化流程的生产线，又让服务业的蓬勃发展成为可能。同样，AI将推动下一轮繁荣。我们今天无法想象的事情，并不意味着未来不会发生。想象一下，如果让我们的曾曾曾祖父母去想象谷歌或英伟达今天在做什么，他们会有怎样的反应？与之前一样，人力资本仍将保持重要地位——只是体现在新的、也许难以预见的方式中。未来将出现新的行业，而其中蕴含的大量价值，将由人们所具备的技能与知识来创造。

文章和其他材料中所表达的观点均为作者个人观点，不一定反映IMF的政策。