变革性的技术通常遵循一种自上而下的扩散路径：起源于政府或军事背景，流向大型企业，最终才触及普通个人——想想电力、密码学、计算机、飞行、互联网或 GPS。这种演进逻辑是符合直觉的：新技术在早期通常是稀缺的、资本密集型的，且其使用需要专业的工程技术。

因此，令我感到极其独特且非凡的是，大语言模型（LLM）展现出了这种模式的剧烈逆转——它们为普通人带来了不成比例的巨大收益，而在企业和政府中的影响却显得平淡且滞后。ChatGPT 是历史上增长最快的消费级应用，每周有 4 亿活跃用户将其用于写作、编程、翻译、辅导、总结、深度研究和头脑风暴等。这不仅仅是对现有工具的小修小补，它是对个人在广泛能力领域上的重大力量乘数。

而且，其使用门槛低得令人难以置信——模型廉价（甚至是免费的）、快速，任何人只需通过一个网址（甚至在本地机器上）即可按需获取。它们能说任何人的母语，甚至理解语气、俚语和表情符号。这简直不可思议。据我所知，普通大众从未如此迅速地体验过如此剧烈的技术跨越。

为什么组织机构的受益相对较小？

为什么在企业和政府领域，这种收益反而显得平淡？

1. 1. 能力分布的特性：LLM 提供的是一种非常特殊的能力画像——即准专家级的知识与表现，但同时跨越了极广的领域。换句话说，它们既全能又浅薄，且具有误导性。相比之下，组织的独特“超能力”是通过雇用工程师、研究员、分析师、律师和营销人员，将多元化的专业知识集中到一个实体中。虽然 LLM 确实能提高这些专家的个体效率（例如起草法律条款、生成样板代码），但对组织的提升仅仅是让它在原本就能做的事情上做得稍微好一点。
   相反，个人通常最多只在一个领域是专家。因此，LLM 提供的广泛准专业知识，从根本上允许他们去做以前做不到的事情。现在，人们可以靠 “氛围感编程”（vibe coding）开发应用，可以看懂法律文件，可以理解深奥的研究论文，可以进行数据分析，还可以生成多模态的品牌营销内容。他们可以在不求助额外专家的情况下，以足够的水平完成所有这些工作。
2. 2. 复杂性与约束力：组织处理的问题具有更高的复杂性和协同需求，例如：各种系统集成、遗留系统、品牌规范、严格的安全协议、隐私考虑、国际化、合规性及法律风险。这里的变量更多、约束更强、容错率更低。你很难把这一切都塞进一个上下文窗口，你不能只靠“感觉”去写代码。一次灾难性的“幻觉”可能就会让你丢掉饭碗。
3. 3. 组织的惯性：大型组织存在众所周知的惯性，包括文化、历史先例、在快速变革期激化的政治地盘争夺战、沟通成本、分布式员工的再培训挑战，以及老掉牙的官僚主义。当面对一个崭新的、“全能但浅薄且易出错”的工具时，这些都是巨大的阻力。

我并不想贬低 LLM 在企业或政府中的影响，但至少在目前及整个社会层面，它们对个人生活的改变远比对组织的改变深刻得多。玛丽、吉姆和乔们获得了大部分红利，而不是谷歌或美国政府。

展望未来：这种平衡会持续吗？

展望未来，LLM 的持续扩散当然取决于其性能的持续提升和能力画像。“收益分布”的走势非常值得关注，它很大程度上取决于性能随资本支出变化的动态范围。

今天，最前沿的 LLM 性能是非常易得且廉价的。超过这个点，你无法通过多花一美元来获得更好的性能、可靠性或自主性。金钱买不到比 ChatGPT 更强的模型——比尔·盖茨用的 GPT-4o 和你用的一模一样。

但这种情况会持续吗？

• • 拉大差距的力量：训练规模化（增加参数、数据）、推理时规模化（增加思考时间）和模型集成（增加计算量）都是在扩大动态范围的力量。
• • 缩小差距的力量：模型蒸馏（通过模仿大模型来训练出极其强大的小模型）则是缩小差距的力量。

当然，一旦金钱能买到显著更强的“ChatGPT”，情况就会改变。大型组织将集中庞大的资源购买更多的智能。而在“个人”范畴内，精英阶层可能再次与社会其他阶层脱离：他们的孩子将由 GPT-8 Pro Max 高端版辅导，而你的孩子用的是 GPT-6 mini。

结论

但至少在此时此刻，我们发现自己正处于技术史上一个独特且前所未有的境遇中。如果你回看各种科幻作品，你会发现很少有人预料到人工智能革命会以这种路径演进。它本应是将军们掌握的顶级机密政府“超级大脑”项目，而不是几乎一夜之间免费出现在每个人口袋里的 ChatGPT。

还记得威廉·吉布森（William Gibson）那句名言吗？

“未来已来，只是分布不均。”

惊喜的是——未来确实已来，而且其分布之均匀令人震惊。赋权于民。就个人而言，我非常喜欢这种现状。