Fable：前沿AI模型的民用化与核心能力

节目伊始，主持人首先介绍了Anthropic公司最新推出的AI模型Fable，引发了观众关于AI应用的热烈讨论。Fable作为Anthropic前沿大模型Mythos的民用版本，其核心亮点在于长程任务的连续执行能力和强大的安全保障。主持人指出，此前Anthropic的Mythos模型因其在发现程序漏洞方面的惊人表现，被视为可能引发“世界大乱”的工具，因此仅授权给银行等特定机构用于信息安全检查。经过三个多月的发展，Fable作为Mythos的民用版面世，但在安全性上做出了显著妥协。例如，它会拒绝回答关于信息安全或爬虫等敏感问题，以此来避免被滥用。这种差异化发布策略，体现了AI公司在技术前沿探索与社会责任之间寻求平衡的尝试。

Fable最引人注目的能力在于其长时间独立执行任务的潜力，这与当前业界探讨的Agentic工作模式（Agentic Workflow: 机器通过连续的决策和行动链条自主完成复杂任务）紧密相关。传统AI模型主要通过文本交流来回答问题，但在Agentic时代，AI模型除了生成文本，还会执行一系列基于计算机的操作，如读取文件、调用接口、运行脚本和安装程序等。这意味着AI能够像人类一样，在时间序列上逐步完成宏观任务。主持人强调，虽然Fable的这一能力被寄予厚望，但目前其长程任务的成功率仍有待提高。Anthropic官方数据显示，Fable在执行四个小时以上任务时，成功率仅为45%。尽管如此，这一技术路线的出现，已预示着AI在工作自动化领域的巨大潜力。

AI工作替代：智者假象与长程任务的实质

关于AI是否会替代人类工作，主持人纠正了许多人对AI的“智者”误解。他指出，AI替代工作的核心机制并非因为它像亚里士多德那样智慧超群，而是因为它能独立执行长程任务，即METR（Model Evaluation and Threat Research: 模型评估与威胁研究）时间跨度的延长。METR越长，AI替代人的可能性就越大。一个能够连续运行12小时并成功完成宏观任务的AI，其对人力需求的冲击将是巨大的。主持人举例说明，如果AI能接收“开发一款《使命召唤》游戏”这样的宏观指令，然后自主运行数月完成，那么游戏公司将能大幅裁员。因此，判断AI是否能替代工作，关键在于其独立运转时间以及任务执行的正确率。

然而，AI长时间执行任务的挑战在于错误累积。如果任务的每一步都存在微小错误，这些错误会随着时间推移而放大，最终导致任务失败。这意味着，要实现AI的长时间高成功率执行，模型必须在每一步操作中都保持极高的正确率。尽管Fable目前的成功率仅为45%，但这一技术方向的出现，已经让人们认识到AI工作替代并非遥不可及。主持人认为，即便45%的成功率，也足以对部分白领工作产生冲击。他引用Anthropic CEO Dario Amodei的观点，后者曾预测AI可能在1-5年内替代50%的入门级白领岗位。

CEO改口与社会阻力：AI发展的复杂博弈

值得注意的是，Anthropic CEO Dario Amodei和OpenAI CEO Sam Altman在AI工作替代问题上的态度曾有过转变。Amodei在去年5月曾提出AI可能导致大量白领失业，但在今年5月却改口，引用“杰文斯悖论”（Jevons Paradox: 效率提升反而导致资源消耗增加）来解释，认为AI提升自动化效率将创造更多人类无法自动化的工作，从而提高生产力并确保人人有工作。Altman也表达了类似的观点。主持人对此持怀疑态度，认为这种改口可能与商业利益和社会压力有关。当前美国社会对AI的抵触情绪强烈，AI公司可能需要通过淡化其负面影响来应对监管和民意压力，甚至有报告指出存在“中共网军认知作战”阻碍美国AI基础设施建设的言论。

与此同时，Amodei在今年6月4日还呼吁全球考虑AI暂停选项，理由是他们的下一代模型已能自主编写80%的代码，机器几乎可以自我进化。然而，仅仅五天后，Anthropic便发布了Fable模型，其核心能力正是长时间自主工作。这种自相矛盾的行为，反映了AI公司在追求技术突破、商业利益和应对伦理担忧之间的复杂挣扎。主持人指出，过去人们习惯于依赖AI公司CEO来预测未来，但现在他们的言论可能因背后的巨大商业利益、监管和民意等因素而变得不再完全可信。

Agentic工作模式：AI赋能下的效率飞跃

主持人分享了自己使用Fable模型的经验，并强调其在处理复杂任务方面的优势。他指出，Fable不适合简单的Single Shot问答，而是更擅长处理需要调用大量数据库、查阅多个文件、经过多步骤开发，或进行深度数据分析和网络综合研究的Agentic任务。例如，他利用Fable整理了大量文献资料，帮助自己突破写作瓶颈，甚至觉得AI在其中扮演了“共著者”的角色，将原本难以整合的思路融会贯通。这种体验让他意识到，AI赋能下的工作效率提升是巨大的，他自己的工作效率至少提升了五倍。

他建议听众尝试一种简单的Agentic工作方式：将工作文件夹直接交给AI，以其内容为核心开展工作。这种方法能帮助人们跳出“一问一答”的传统思维，直接体验AI在文件处理、内容生成和数据分析方面的强大能力。他认为，这种实践是改变思维模式、适应AI时代的关键。通过这种方式，用户可以直观感受到AI如何通过对文件内容的读取、处理和新文件生成，实现真正的Agentic操作。

AI成本与普惠性：订阅制与API的经济学

对于“AI太贵，用不起Agentic”的观点，主持人给出了不同的看法。他指出，目前许多AI服务，如Claude Max和ChatGPT Pro的订阅费用（每月约200美元），所提供的token量远超同等API消费的价值。例如，200美元的订阅费用可能相当于8000美元的Claude Max API或14000美元的ChatGPT 3.5 Max API token。这意味着，通过订阅制使用AI服务，成本效益远高于直接调用API。他承认未来AI成本可能会上涨，特别是像Fable这样即将完全采用Credit购买模式的模型，可能会让用户在每次调用时感受到更高的花费。

主持人提醒大家，应培养Token Efficiency（Token使用效率: 优化AI指令和上下文，以最小化token消耗，提高成本效益）的习惯，避免盲目消耗token。他预测，随着模型规模的不断扩大，AI的使用成本可能会变得更高，这可能导致AI时代出现类似财富分配的智能贫富分化。然而，他认为这种分化主要体现在国家与国家之间，而非个人之间。拥有最前沿AI模型的国家，在国防系统和信息安全等领域将拥有巨大优势，这种鸿沟将远大于个人和公司之间的差异。因此，中国等国家正在不遗余力地攻克AI核心技术，正是看到了其在国际竞争中的战略意义。

开源与闭源：协议困境与伦理抉择

节目还深入探讨了大模型训练与开源协议之间的复杂关系。主持人提出了一个核心问题：闭源大模型使用开源代码进行训练，是否构成对开源协议的违反，或被视为某种衍生作品（Derivative Work: 基于一个或多个现有作品创作的新作品，其著作权受原作品限制）？他指出，这个问题与AI生成音乐、绘画等领域的争议类似，核心在于量的关系。AI训练需要海量的数据库，单个开源项目对整个模型的影响犹如“一滴水汇入大海”，这使得界定“使用”变得模糊。

另一个问题是，即使模型本身不被认定为衍生产品，其输出是否将合规风险转嫁给用户？如果AI生成的代码片段与开源代码高度相似，用户是否需要遵守开源协议？主持人认为，开源协议由项目所有者决定，而非代码形式本身。他甚至提出，可以成立开源NGO，利用AI来更新和维护GitHub上大量停滞的开源工具。他强调，法律主要关注所有者，而非训练过程。对于开源作者来说，如果不希望自己的代码被商业大模型训练，唯一的选择是避免将其发布在GitHub等易被抓取的平台，但这又会牺牲易用性。他甚至猜测，AI公司可能已能自我生成训练材料，从而减少对外部开源代码的依赖。

伦理边界与社会反思：AI、政治与人际关系

在社会伦理层面，主持人与听众讨论了AI时代工程师的伦理责任，特别是当技术可能被用于军事或镇压目的时。他认为，关键在于“为谁而做”。如果技术被用于中国等国家，其伦理代价是巨大的，无论是在国内、台海还是其他国家。他还分享了对“生活圣像”现象的观察，即中文互联网上将普通人迅速抽象为道德符号（如“鹅腿阿姨”、“胖猫”），以满足社会动员和情感寄托的需求。他认为这种现象并非中国特有，而是全球性的，其深层原因在于社会存在的对立和紧急状态，使得人们需要“战斗英雄”来作为符号凝聚力量。

在讨论个人生活时，听众也提出了许多困惑。例如，有女生询问如何判断心仪对象是否是“小粉红”，以及如何在东亚两性战争的背景下处理恋爱关系。主持人建议通过非政治化的生活话题进行试探，如VPN使用，来判断对方的立场。对于两性关系，他认为社会层面的“两性战争”与个人层面的恋爱是两个尺度的问题，不应将社会宏观叙事完全套用到个人情感中。他还建议一位面临家庭经济重担和情感压力的女生，通过找到一份异地工作来建立个人边界，因为改变环境往往比直接沟通更容易解决家庭内部的矛盾。

AI时代：工具属性、思维转变与未来挑战

整期节目都贯穿着对AI时代下人类工具属性的深层反思。主持人指出，随着AI在实现逻辑（Implementation Logic: 将业务需求转化为实际可执行代码或操作的详细步骤）方面越来越强大，人类在这一层面的价值会大幅降低。未来的关键在于业务逻辑（Business Logic: 定义业务运作方式、规则和流程的抽象概念），即如何设计业务、如何将AI融入业务流程。他认为，AI时代将促使人类回归到更深层次的思考和创造，而不是重复性的执行。

尽管AI技术飞速发展，但主持人也提醒，当前AI仍未达到人类智力的水平，特别是推理能力（Reasoning: 基于逻辑和证据进行思考、判断和决策的能力）。他认为AI更多是基于统计学进行预测和生成，而非真正的逻辑推理。这种差异意味着，在某些需要复杂推理和原创性思维的领域，人类仍然具有不可替代的优势。同时，他对AI模型的普惠性也保持谨慎乐观，认为真正的普惠可能要等到边缘算力与模型优化达到一个“良好平衡点”才能实现。在此之前，人类需要适应AI带来的巨大转变，培养新的思维习惯，并在技术、社会和个人伦理层面做好准备。