谷歌AI掌門人Hassabis的警告：AGI十年內到來，你只剩一項「元技能」可用

Demis Hassabis（右）與希臘總理 Kyriakos Mitsotakis（左）在雅典衛城下的對話現場。(Credit: AP Photo/Thanassis Stavrakis)

主角是德米斯·哈薩比斯（Demis Hassabis），Google DeepMind的CEO，一位新晉的 2024年諾貝爾化學獎得主 [1] 。他站立的地方，是西方理性與文明的源頭；而他口中吐露的，卻是一則關於一種「非人」智能的終極警告。

這場對話並非科技的頌歌，更像是一次來自未來的「神諭」。哈薩比斯平靜地預測，擁有與人類同等甚至更高智慧的通用人工智慧（AGI），可能在短短十年內到來。他描繪了一個「激進的豐裕」（radical abundance）時代，但也毫不諱言其帶來的巨大風險。

面對這股無法逆轉的浪潮，他給出了唯一的答案：「下一代人最重要的技能，將是『學會如何學習』（learning how to learn）。」

這句看似老生常談的話，在雅典衛城的背景下，顯得格外沉重。它不再是一句勵志口號，而是一場生存預警。它預示著，我們每個人賴以生存的知識、經驗和技能，正在經歷一場前所未有的價值重估。

價值重估——為什麼你的經驗，正以前所未有的速度貶值？

我們對技術變革的感知，常常是線性的，但人工智慧的進化卻是指數級的。我們正處在這條指數曲線陡然上揚的「膝蓋點」（Knee of the Curve），過去的經驗不再是可靠的嚮導，未來的變化將遠超最激進的想象。

AI加速度：我們正處在指數級增長的「膝蓋點」

想象一位2020年畢業的法學生，他引以為傲的是自己能清晰地記得所有關鍵法條。但短短几年後，他震驚地發現，AI不僅能在一秒內完成同樣的工作，甚至在美國統一律師資格考試（UBE）的模擬測試中取得了據稱是 前10%的成績 [2] 。這並非個例，在德國的國家醫師執照考試中，AI的表現甚至超越了 99%的人類考生 [3] 。

這背後，是一場認知能力的暴力革命。AI的通識理解能力（MMLU得分）實現了翻倍式增長；它賴以學習的訓練數據，規模躍遷了50倍；而這一切的實現成本，卻在以每年50%的速度急劇下降。

認知能力指數增長：通用知識翻倍-數據規模50倍-記憶500倍-成本降50%

哈薩比斯本人的成就，正是這場變革的最佳註腳。他的DeepMind因開發出能夠精準預測蛋白質摺疊的AI系統AlphaFold而獲得諾貝爾獎。這項工作在過去需要頂尖實驗室花費數年時間，而AlphaFold將其縮短至幾分鐘。這直接導致了全球公開的蛋白質結構數據從約20萬個爆炸式增長到超過2.14億個，正如 《Nature》子刊的報道 [4] 所揭示的，一場「結構生物學通脹」由此開啟。在藥物發現領域，已有團隊基於AlphaFold預測的結構，在短短30天內就找到了有效的目標抑製劑（ Chemical Science [5] ），而支撐這一平台的Isomorphic Labs公司，已經與製藥巨頭禮來、諾華簽署了總額近30億美元的合作協議， FierceBiotech對此進行了詳細報道 [6] 。

當AI開始以前所未有的方式加速科學發現時，它對我們普通人的職業衝擊，同樣是顛覆性的。那些曾經需要多年苦讀才能掌握的專業知識，正在被AI迅速「商品化」。

知識的「價值轉移」：你的知識資產正在加速折舊

在AI時代，一個全新的經濟學規律正在顯現：靜態知識（你知道的具體事實、技能）的價值正在迅速貶值，因為AI可以無限量、零成本地供給。真正稀缺的資源，是動態的、創造性的學習能力（你如何去知道）。

「知識半衰期」這個概念，即某一領域內一半的事實被證偽或過時所需的時間，正在被AI急劇壓縮。一篇 《哈佛商業評論》的文章 [7] 指出，如今一項技能的平均半衰期已不足5年，而在技術領域，這個數字更是低至2.5年。世界經濟論壇在其 《2023未來就業報告》 [8] 中則預測，未來五年內，高達44%的核心工作技能將被重塑。

就在幾年前，華爾街的初級律師們還以通宵審閱合同為榮，他們的核心價值在於快速、準確地從海量文件中檢索關鍵條款。如今，一款名為「Harvey」的法律AI，可以在幾分鐘內完成這項工作。全球頂尖的安理國際律師事務所（Allen & Overy）已在其43個辦公室全面部署Harvey，在試點階段，3500名律師發起了超過4萬次查詢， 《金融時報》對此進行了報道 [9] 。初級律師的角色，正從「動手執行」轉向「策略制定+AI結果審核」，價值點從「我知道什麼法條」轉移到了「我該如何提出一個AI無法提出的創造性問題」。

同樣的故事發生在設計行業。Midjourney等AI繪畫工具的出現，讓「繪畫技法」本身的價值大幅下降，而「審美、創意和敘事能力」的價值則空前凸顯。可口可樂等品牌已經開始利用生成式AI，在數天內完成過去需要數周才能完成的廣告創意和素材生產， 其AI創意平台「Real Magic」 [10] 就是這一趨勢的明證。

「工業時代」的教育，正在困住「AI時代」的你

我們中的絕大多數人，都是「工業時代教育模式」的產物。這套體系誕生於19世紀，其核心目標是為工廠流水線培養標準化、可互換的「螺絲釘」。它通過分齡編班、學科壁壘、標準化考試，將知識以一種固定的、可測量的方式灌輸給我們。

這套體系在過去是高效的，但面對充滿不確定性的AI時代，它正在失效。正如教育家肯·羅賓遜爵士在其著名的演講 《改變教育範式》 [11] 中所批判的，這種「工廠模型」扼殺了創造力，獎勵的是記憶和服從。它讓我們習慣於成為一個「知識的容器」，而非一個「學習的引擎」。

美國教育部在其 《人工智慧與教與學的未來》報告 [12] 中也明確指出了這種錯配，強調教育系統需要從標準化轉向個性化，培養學生與AI協作解決複雜問題的能力。

當AI能夠比我們更快、更准地「記憶」和「計算」時，這套教育體系培養出的核心能力，正面臨著被釜底抽薪的危險。

「學會如何學習」——通往未來的唯一「元技能」

當舊地圖不再可靠，我們唯一能做的，就是學會如何繪製新地圖。哈薩比斯提出的「學會如何學習」，正是這種繪製新地圖的能力。它不是一句「終身學習」的空洞口號，而是一種可習得、可訓練的「元技能」（Meta-skill）。

從「知識的搬運工」到「學習的架構師」

為了理解「元技能」，我們可以做一個類比。

App vs. OS： 學習一項具體的技能，就像在手機上安裝一個App。而「元學習」，則是升級你大腦的「操作系統」（OS）。你可以不斷安裝新的App，但如果操作系統老舊卡頓，最終還是會被淘汰。你需要的是一次徹底的OS升級，讓你的大腦能夠更高效地獲取、處理和創造知識。

漁夫 vs. 造漁網的人： 傳統的學習是給你一條「魚」，或者教你一種「漁」的方法。而「元學習」，是讓你成為那個能根據不同水域、不同魚群，設計和製造出不同「漁網」的人。

「元學習」的核心，是從被動接收知識的「搬運工」，轉變為主動構建知識體系的「架構師」。

「元學習」的三大支柱：成為一個「反脆弱」的學習者

學者納西姆·塔勒布（Nassim Taleb）在其著作[《反脆弱》](
https://en.wikipedia.org/wiki/Antifragile_(book "《反脆弱》"))中提出了一個深刻的概念——「反脆弱性」（Antifragility）。脆弱的東西在壓力下會破碎，堅固的東西能保持不變，而反脆弱的東西則能在混亂和不確定性中變得更強大。

「元學習」的本質，就是讓你獲得這種「反脆弱性」。它主要建立在三大支柱之上：

支柱一：第一性原理思考（First Principles Thinking）

這是快速剝離問題表象、直擊本質的能力。它要求我們拋開類比和慣例，將問題分解到最基本的、不可再分的物理或經濟單元，然後從那裡開始重新構建解決方案。

伊隆·馬斯克是這種思維方式的忠實踐行者。當他決定造火箭時，他沒有去參考當時火箭的市場報價，而是問：「一枚火箭的原材料——鋁合金、鈦、銅、碳纖維——成本是多少？」他發現，原材料成本僅占火箭售價的2%左右。於是，SpaceX的目標就變成了：如何用最高效的方式，將這些原材料組合成一枚火箭。通過這種思維，SpaceX將火箭的發射成本降低了近20倍，從太空梭時代的每公斤54,500美元，降低到獵鷹9號的約每公斤2,720美元，NASA的一份 技術報告 [13] 記錄了這一巨大飛躍。

同樣，在特斯拉，馬斯克沒有接受「電池永遠昂貴」的行業共識。他計算了構成電池的各種金屬（鈷、鎳、鋰等）在倫敦金屬交易所的現貨價格，發現理論成本下限遠低於當時的市場價。於是，特斯拉的目標就變成了如何通過創新的工程設計（如4680電池、一體化壓鑄）來逼近這個物理成本下限， Business Insider曾對此有過詳細報道 [14] 。

支柱二：構建知識框架（Building Knowledge Frameworks）

這是將碎片化的信息，整合成結構化、可遷移的知識體系的能力。諾貝爾物理學獎得主理查德·費曼提出的「費曼學習法」（Feynman Technique）是實踐這一點的絕佳工具。

費曼學習法 (Feynman Technique)	核心操作	目標
第一步：選擇概念	明確要學習的具體知識點	鎖定學習目標
第二步：模擬教學	用最簡單的語言向「12歲孩子」解釋	強制去術語化，暴露理解盲區
第三步：識別與彌補	找到卡殼處，返回原始資料學習	精準定位知識缺口並補強
第四步：簡化與類比	用自己的話和貼切的類比重構解釋	形成可遷移的、深刻的「心智模型」

這個過程強迫我們進行「自我解釋」，將零散的知識點壓縮成可推理的、有因果聯繫的「心智模型」。一個穩固的心智模型，就像一個知識的骨架，可以讓你在未來輕鬆地掛載新的信息。

支柱三：AI賦能學習（AI-Empowered Learning）

這是把AI從潛在的「替代者」變為強大「學習槓桿」的能力。這需要我們超越把AI當作「高級搜索引擎」的初級用法。

一些前沿的研究和實踐，如普林斯頓大學研究者提出的 「思維樹」（Tree of Thoughts） [15] 和Google研究者提出的 「自一致性抽樣」（Self-Consistency） [16] ，為我們提供了新的思路。你可以讓AI扮演「蘇格底式的詰問者」，不斷對你的假設提出挑戰；你可以讓它生成多種不同的解決方案路徑，並自我評估優劣；你甚至可以把它設定為一個「反思夥伴」，在每次學習后幫你總結得失。這些高級技巧，能極大地深化我們的思考，暴露我們的知識盲區。

從此刻開始，如何升級你的「學習操作系統」？

升級大腦的「操作系統」不是一蹴而就的，它需要刻意練習和系統性的方法。

個人層面：三步構建你的「元學習」引擎

1. 診斷你的默認設置： 首先，你需要了解自己當前的「學習操作系統」是哪個版本。花點時間反思：你獲取新信息的渠道是什麼？你習慣於死記硬背還是探究原理？你更偏愛文字、圖像還是視頻學習？一個簡單的自測清單可以幫助你開始。

2. 設計個性化學習流： 結合AI工具，為自己設計一個從「信息獲取 → 處理 → 內化 → 輸出」的閉環工作流。例如，用Feedly或Readwise Reader進行信息聚合，用ChatGPT進行初步消化和提問，用費曼學習法進行深度內化，最後通過寫作或分享來完成輸出。

3. 選擇一個領域，刻意練習： 將「元學習」的方法論，應用到一個你完全不熟悉的新領域。比如，用一個月的時間，嘗試去理解量子計算的基本原理，或者學習一個簡單的編程語言。在這個過程中，不斷復盤和優化你的學習流程。

那麼，個人的「操作系統」升級，與一個組織的命運有什麼關係？答案是： 一個組織，本質上是無數個個體『學習操作系統』的集合。 當組織中大部分成員的OS還停留在工業時代，即使引入再先進的AI工具，也只會產生排異反應，無法真正轉化為生產力。一個真正的「學習型組織」，其前提是賦能並要求每一個成員完成「元學習」的升級。

組織層面：「學習力」是未來唯一持久的護城河

「元學習」的能力不僅適用於個人，更是一個組織在AI時代生存和發展的關鍵。未來的企業競爭，本質上是「組織學習速度」的競爭。

一個絕佳的正面案例是NVIDIA。它早已不是一家單純的「遊戲顯卡公司」。從2006年推出CUDA編程平台開始，NVIDIA就開啟了向「學習型組織」的轉型。它不僅僅是賣硬體，更是通過構建一個龐大的軟體和開發者生態，將整個行業的學習和創新，都沉澱在自己的平台上。2019年對Mellanox的收購，更是讓其學習邊界從「晶元」擴展到了「數據中心級」的系統工程。NVIDIA的成功，是組織學習力戰勝單一產品優勢的典範。

反面案例則令人警醒。諾基亞和柯達的失敗，並非因為他們「看不到」智能手機和數碼相機的趨勢。事實上，柯達早在1975年就發明了第一台數碼相機。他們的失敗，是「組織學習系統」的失靈。INSEAD的一項 研究 [17] 指出，諾基亞內部的「集體恐懼」文化，導致負面信息無法上傳，組織陷入「時間近視」，最終錯失轉型良機。而柯達則被其在化學膠片時代的巨大成功所束縛，其積累的能力和學習曲線無法遷移到全新的數字平台生態中， 《MIT斯隆管理評論》 [18] 對此有深刻的分析。

對於我們個人而言，在選擇職業時，判斷一家公司是否是「學習型組織」——它是否鼓勵試錯？是否為員工提供持續的學習資源？其內部信息是否透明流通？——可能比判斷其當前的市場地位更為重要。

結語：這不是一場技能革命，而是一場「第二次啟蒙」

回到雅典衛城下的那場對話。哈薩比斯的警告，與其說是一場關於技能的革命，不如說是一次面向未來的「第二次啟蒙」的號召。

第一次啟蒙運動，將人類從神權的束縛中解放出來，確立了理性和科學的價值。而這一次，AI正在將我們從重複性的、可計算的腦力勞動中解放出來。它迫使我們重新思考「人」的價值。

人的核心競爭力，不再是像機器一樣去記憶和計算，而是我們永無止境的好奇心、提出深刻問題的能力，以及「學會如何學習」的元認知本身。

未來，最高級的智慧形態，既不是純粹的人類智慧，也不是純粹的機器智能，而是深度融合的「人機協同智慧」。未來的頂尖科學家，可能不再是獨自在實驗室里苦思冥想，而是與一個AI研究夥伴協作。科學家負責提出顛覆性的假設和設計思想實驗，AI則在幾小時內完成數百萬次模擬，並從海量數據中找出最關鍵的變數。這種「人類提問+AI探索」的模式，將是「第二次啟蒙」時代最激動人心的創造力引擎。

最終，我們每個人都站在了這場認知革命的十字路口。為了迎接未來，你將從何處開始，升級你的「學習操作系統」？

參考資料

[1]

2024年諾貝爾化學獎得主:
https://techxplore.com/news/2025-09-google-ai-scientist-generation-skill.html

[2]

前10%的成績:
https://cdn.openai.com/papers/gpt-4.pdf

[3]

99%的人類考生:
https://pmc.ncbi.nlm.nih.gov/articles/PMC10884900/

[4]

《Nature》子刊的報道:
https://www.nature.com/articles/s44386-024-00001-2

[5]

Chemical Science: https://pubs.rsc.org/en/content/articlelanding/2023/sc/d2sc05709c

[6]

FierceBiotech對此進行了詳細報道:
https://www.fiercebiotech.com/biotech/alphabets-isomorphic-stacks-two-new-deals-lilly-novartis-worth-nearly-3b-ahead-buzzy-jpm

[7]

《哈佛商業評論》的文章:
https://hbr.org/2023/09/reskilling-in-the-age-of-ai

[8]

《2023未來就業報告》:
https://www3.weforum.org/docs/WEF_Future_of_Jobs_2023.pdf

[9]

《金融時報》對此進行了報道:
https://www.ft.com/content/baf68476-5b7e-4078-9b3e-ddfce710a6e2

[10]

其AI創意平台「Real Magic」:
https://www.coca-colacompany.com/media-center/coca-cola-invites-digital-artists-to-create-real-magic-using-new-ai-platform

[11]

《改變教育範式》:
https://recit-nomade.uqam.ca/sites/nomade.aegir.nt2.uqam.ca/files/rsa-lecture-ken-robinson-trans**t.pdf

[12]

《人工智慧與教與學的未來》報告:
https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf

[13]

技術報告:
https://ntrs.nasa.gov/citations/20200001093

[14]

Business Insider曾對此有過詳細報道:
https://www.businessinsider.com/elon-musk-first-principles-2015-1

[15]

「思維樹」（Tree of Thoughts）:
https://arxiv.org/pdf/2305.10601.pdf

[16]

「自一致性抽樣」（Self-Consistency）:
https://arxiv.org/abs/2203.11171

[17]

研究:
https://knowledge.insead.edu/strategy/who-killed-nokia-nokia-did

[18]

《MIT斯隆管理評論》:
https://sloanreview.mit.edu/article/the-real-lessons-from-kodaks-decline/