E238｜聊聊Harness时代AI-First的组织架构：从信任人到信任AI

【嘉宾】对，我觉得在整个这个过程，不管是叫Harness还是AI主导的工作流过程中，大家主要体会到的improvement就是整个开发速度和迭代的提升。通常来讲implement一个feature或者deploy一个新的产品，需要很长的周期，所以大家需要详细的讨论。但我觉得在AI的mindset之下，因为迭代一个产品的速度是很高的，在这个过程中我们其实更侧重的是：这个新的feature能不能够带来产品的top line metrics提升，或者新的feature能不能有真实用户使用的数据。所以在这个过程中，我们更核心focus的点是怎么把整个的数据链搭建起来。我们把这个链条搭建起来之后，都是由agent通过这些数据来决定——这个feature到底是不是有用的，我们到底要不要roll out这个feature，或者fallback这个feature。

【嘉宾】是的，您这个问题问得非常一针见血。其实我们现在也花了很多时间思考这个问题，因为我们实行这套新的开发机制已经有几个月时间。我自己的一个体会就是，现在我们确实不用跟engineer过多地沟通说你要做什么feature、什么时候能deliver，因为feature现在的数量已经远远超过我们能够去卖它的能力了。这是我最大的感受——我们现在开发的速度是远远超过市场这边的进度的。但这样有一个好处，就是我们不再去讨论说今天这个公司的product roadmap是什么，而我们只需要讨论的是现在市场的需求在哪里。我们就好像有个菜篮子一样，或者说像哆啦A梦的那个百宝箱一样，如果今天市场的需求是一个苹果，我们就从篮子里面挑一个苹果去卖；如果今天市场的需求是一个香蕉，我们就可以挑一个香蕉去卖。这反而大大降低了我们对齐的成本——原来好像市场的反应是这样的，我们要去重新思考要做什么样的产品，这个其实比过去要省时省力很多。

【嘉宾】是的，是这样的。

【嘉宾】对，我觉得bug这个事情是整个engineering不可避免的一件事情，不管是AI写的代码还是人写的代码都会产生bug。因为Harness它不是一个静止的状态，不是说我现在有一个系统之后，只需要维护这个系统，这个系统不会有bug、也不需要提升。Harness这个过程核心就在于我能不能找到系统中的bug。刚才聊到CICD的过程，就是在integration的时候、在testing的时候，我们会有一系列的regression test，去避免一些bug ship到production中break这个系统，这是第一步。第二步的话，即便有一些corner case或者race condition ship到系统之后，我们怎么能够在最快的时间identify这些bug，然后及时fix这些bug。

【嘉宾】首先，因为很多都是agent driven，所以它可以并行进行，可以有很多agent去identify——比如说有一些agent专门负责前端的bug，一些agent专门负责后端的bug，有一些负责核心系统的bug。所以在这个过程中，发现一个bug可能只需要一到两分钟的时间，然后把bug assign给一个engineer的过程，也可能只需要几秒钟的时间。engineer拿到这个task之后，也是用agent去investigate、提出一个solution，

【嘉宾】所以整个的cycle加起来可能也就是一到两个小时的时间。相比之前的话，我们identify一个bug、fix一个bug，再把它ship到系统中，可能需要一个周的时间。

【嘉宾】对，就是提供一个数据的话，就是我们现在有一个auto-fixing系统，这个auto-fixing系统是根据整个我需要fix的代码存在于哪个文件夹下，因为有一些文件夹是敏感的，有一些文件夹是相对来说risk比较小的。对于我要fix的一些东西，如果只是存在于一些risk比较小的文件夹之下的话，AI会自动地提交这个PR，然后可能只需要一个engineer简单地approve一下，它就马上能够ship到production。所以可能现在50%以上的issue是通过auto-fixing的方式进行的，人在里面的参与只是简单地approve这个bug fix。如果fixing涉及了一些比较sensitive的文件，比如说涉及到安全、涉及到agent behavior的话，我们可能需要专门负责这个area的人去进行一个更deep的review，但整个的这个过程相比于之前来说也是有一个很大的提升。

【嘉宾】对，我觉得主要是效率和具体能够完成用户的task的层面上，就是我们所focus的就是怎么把我们的系统优化到在cost最低的情况下能够reliable地完成用户的task。

【嘉宾Peter】对，我觉得这个问题很好，所以在之前我的文章中我也讨论了，在AI环境之下的工程团队可能分为两种人，一种是architect，一种是operator。所以architect在整个系统搭建过程中的作用是非常重要的，比如说在搭建整个系统的过程之中，整个agent的architecture是什么样子的，比如说sandbox和host之间是怎么交互的，还是由architect来决定的。如果说agent直接通过AI coding或者vibe coding的方式，它通常来讲会给你一个solution，但这个solution通常会有安全的隐患或者latency的隐患，怎么去优化整个的系统还是由architect来决定的。但通常来讲我觉得区别就是，在传统的情况之下，搭建agent的团队以前可能需要10到20个人，但现在搭建整个这样一个系统只需要一个architect，在一个周的时间之内就能完成。

【嘉宾Peter】当然，从一开始我们在develop这个系统的时候需要我来architect整个的系统，去demonstrate给整个的团队这个architecture比之前更优化、效率更高、cost更低。

【嘉宾】我来补充一下刚刚Peter所讲的内容吧。第一就是我觉得AI的能力在很早以前就已经非常强了，但是它为什么没有达到人们所预期的那样，说今天AI可以替我干活，它如果没有干好我还得帮它去弥补它的错误。我觉得这个点来讲就是harness在这个过程中非常重要去发挥价值的地方，这里面有一个很大的概念上的转变就是，我们要把AI当成一个系统来看待，不要把它当成一个智能来看待，虽然系统是由智能所驱动的。但这里面一个核心的差距就是当AI或者说这个系统发生错误的时候，我们不要想着怎么样去纠正这个智能，我们要想着怎么样去弥补这个系统。这其实就是我们在做harness跟现在普遍认知最不一样的地方，就是它是一个动态改变和提升的过程，并不是一个静态的、固定的枷锁去束缚这个智能，而是要给它提供空间让它能够成长。这个成长的方式就好像你在养一个孩子，你怎么样能够让它不断地在一个规则内变得越来越好。我们做harness其实是在给用户提供说，我们给你一个培训师，去弥补它在发现错误之后你该怎么办。回答您刚刚那个问题，如果您在写作的时候发现说有一个巨大的问题，我觉得您应该花更多的时间去思考这个系统上面有没有漏洞，而不是去花更多的时间去改正具体的某一个错误。这里面还有一个更加极端的想法，就是您今天发的这些内容或者我们自己发的这些内容，可能未来的这些受众并不一定是人，这个错误可能对人来说是一个很显眼的错误，

【嘉宾】但对于未来可能都是AI在读文章，或者AI在读我们的图片视频，对他们来讲可能并不是一个很知名的错误。所以我觉得大家其实在这个过程中要思考更多的就是，我今天做的这个工作，到底是未来谁来去消费我的工作和我的这些结果，根据你的这些消费者他们的偏好调整你构建的这个系统，才能够更好地达到你所期望去deliver的价值。

【嘉宾】对，与其说是彻底修复它，不如说是我们重新思考这个问题它是否还是一个问题。比如说我们平常会生产一些go-to-market的assets，有些图片我们觉得可能从人的审美上去看，它并不是一个很好的asset，但实际上你把这个东西投向市场的时候你会发现，可能来读这篇文章或者读这个图片的是一个agent，它的数据反馈回来其实可能是更好的。如果我们与其继续说OK，今天人觉得这个东西不够好，我们要去修复人主观对这个东西的价值判断，那我们与其继续修复整个系统——不管是我们自己的系统还是别人的系统——对这个事情的价值判断，其实从价值理解上面就会发生偏差。

【嘉宾】现在大家也比较感兴趣的话题就是以后会不会有这样的agent经济，可能买东西是由agent去买，订报纸是由agent去订，订牛奶是由agent去订，那你的广告是发给agent看还是发给人看。因为我现在自己看很多文章、看很多视频也是让agent去看，所以你要搞清楚你的内容到底是被谁消费，你的工作结果到底是被谁消费，针对这个东西的价值我们再去思考，我们到底是提升系统，还是回到最原始的——人要参与到这个创作的过程中去弥补我们一些错误。

【嘉宾】是的，说几个亲身的经历。我最近在看有什么样的公司能帮我们做合规的，比如说SOC 2认证，我肯定是让agent先去帮我research一番，然后我基于它的结果来看一看是不是适合我们。这个里面你会发现第一步已经是在agent帮你做筛选了，那是不是那些内容应该更偏向面向agent去做，而不是偏向人去做。当我点进去再去看某些东西的时候，可能需要有面向人去消费的内容，但是有可能agent会把第二层也做掉，甚至第三层也做掉，所以这个我觉得都是可能会发生的事情。

【嘉宾】对，所以整个进化还是非常快的。其实刚才您提到这个问题，也是很多公司在做AI转型的时候会第一个考虑的问题。他可能会看到下面有很多员工，或者说管理层会觉得，我使用AI的时候如果还要去review一遍，那跟人去做其实不管是时间也好还是成本也好，可能没有太大差别。但是就像刚才Pierre说的，如果你真的能够把这样的一个AI系统构建起来之后，你会发现你仔细去算一下，你的时间和成本是会有很大的提升的。只是这个过程需要整个团队一起有一个共同的目标，说今天我就是要把公司的组织结构也好、工作方式也好，都去改变。这个过程中只要有那么一些人觉得很多东西可能还不如人去做，那这个改造的时间就会被拉长，这个过程就会变得特别不顺利。这其实是大多数公司都会面临的一个组织上的挑战。

【嘉宾】我觉得我们整个公司也是有一个过程的。你意识到谁是未来生产力的核心角色，可能在2025年的上半年的时候，大家都会觉得那个时间点AI还是辅助人去做事情，人在整个工作里面还是占主导地位的。但是到了下半年的时候，我们会意识到如果还是这样子的话，企业的效率提升还是非常有限的，因为我们也用了这样的方式，会发现效率没有提升得像我们想象的那么多。所以我们会发现里面核心的问题，是我们还没有把这个生产力工具的使用者真正地从人转变到AI。这个过程如果没有彻底去改造，我会发现可能还不如人去做这个事情来得更高效。所以说这个过程也需要一个非常长的时间，还要包括像刚才Karl跟Peter提到的，不光是技术团队内部会有这样的挑战，还包括marketing团队和开发团队之间在对齐的时候，大家都需要一个理解的过程。我们也因为这个理解的过程浪费了一些时间，比如说市场团队跟engineer团队有很长一段时间，可能甚至一两个月都在来来回回地探讨怎么样是一个更好的工作方式。这个其实都是组织的进化，它需要一个过程，这个过程一定不是从第一天开始就是这样的。

【嘉宾】到现在能够相对来说主导开发过程的一个角色，是根据本身基础模型能力的提升，Agent的架构的提升，和Agent的infrastructure的提升都是相关的。比如说一年之前如果想让AI主导整个的开发过程，我觉得从技术上来说是不成立的。但是从整个重构过程中，我们发现当AI reach到这个point的时候，整个的重构不管是从速度，还是从效果上来讲，都是远超于一年之前能够想象的一个程度。

【嘉宾】对，其实我们意识到需要重构这个事情，可能是去年八九月份的时候。之前的话我们会花一些时间进行团队的alignment，其实engineer、产品团队和marketing团队，大家的mindset是最重要的。所以我们可能花的最多的时间就是怎么让大家转变这个mindset。我们真的开始重构代码架构、整个的开发的过程，可能也就是今年一月份的时间，就是今年过年之前。我们在使用了大概两个周的时间，就重构了整个我们所有的架构，包括现在大家看到的产品，也是根据这个阶段重构过程中的这样一个产品。

【嘉宾】之前AI解决不了的事情主要是在planning阶段。比如说我100分是满分的话，它能给我一个90分的plan。我看到这个plan的时候，我能够再给它一些critique，它能够给我一个revised plan，而不需要我真实地去改这个plan。比如说现在这个情况下能够打90分的话，那一年之前的话可能也就是50分，一个不及格的状态，我可能需要人为地再去modify这个plan，再去改整个架构。但是现在的话，比如说整个我们这个新架构，我可以说我一行代码也没有写，一行也没有去改这个plan，我只是在跟它进行交流。我critique你这个plan是不是有缺陷，是不是可以优化的，在critique这个plan的时候，你可不可以reference一下其他popular的open source framework、agent framework，你给我一个最终的版本。

【嘉宾】首先AI写代码的能力肯定是在我之上的，因为我没有写代码的能力。2016年我就没有写过一行代码。但是从planning的能力上来讲，作为一个architect的价值，或者在一个公司里面，不管是你是一个CTO，还是一个tech lead，你的价值就在于找到AI planning的缺陷。所以本身architect和tech lead，在这个之上还是有价值的。我只能说现在AI的planning还是有缺陷的。比如说它一开始给我的plan，可能有security的缺陷，可能有latency的缺陷。那我根据我之前的architecture的经验，我怎么能够criticize它或者challenge它，能够进行进一步的提升。

【嘉宾】对，我觉得这个就是Harness的核心。之前我交给它，你在安全性上，在设计sandbox和host之间的关系的时候，你要follow什么样的准则，那这个时候我就可以把它变成一个skill。那在下一次的过程之中，我只需要reference这个skill，instead of我去说更具体的内容，我说你能不能follow我这个principle，就变成一件很容易的事情。而且不光是我自己能够challenge AI，包括所有其他的我们团队的engineer，也可以reference这个skill，看AI的plan能够follow之前我们的这些principle。

【嘉宾】如果翻到一年之前，我们不是AI主导的情况之下，要develop到create现在这个产品，我就起码需要100人左右的团队，花四五个月的时间去develop这样一个版本。如果大家看其他的general agent公司的company size，大概也是要这个范围。现在是25个人，我们的engineer团队可能是十人以下，从产品的第一个阶段的deployment，可能就花了大概两周的时间。

【嘉宾】所以我们现在整个go to market team都会用我们自己公司的产品，去构建AI first的go to market的workflow或者流程。当然这里面有很多坑，我觉得最大的一个困惑就是，engineer它是一个相对比较好去做evaluation的、相对封闭的一个环境，它能够有明确的指标说今天你干得好还是不好。但是从go to market的角度，不管你是写文章也好，做视频也好，你是面向人的消费群体，它对于这个视频的价值的认可，面向agent或者不同的人群，每个人他都有自己对这个价值的判断，这个是相对来说比较主观的。那我们怎么样去构建这个系统，能够更好地把这些主观的判断变成一种信号，让我们的系统能够自动去运转起来，这个是一个比较大的挑战。我们也没有说我们今天就是百分之百让agent去做决策，但我们会放很多agent的结果，再由人再去判断说这个结果好还是不好。

【嘉宾】我们有很多很多的feature，但我觉得市场还没有ready，那我们就不会把这些东西放到市场上面去。我很好奇你们有哪些超前的思想是市场还没有接受的？每个人的agent都有所有的权限可以读写，这个其实是一个相对来说比较大胆的一个动作。我们希望说为了能够让你的组织更加高效，你的很多数据是应该开放给你的agent，开放给每一个人。但这里面可能还需要更好的一些技术的支持，包括你怎么样去限制每个人的权限，或者限制agent权限，怎么样让这个agent在读取这些数据的时候不会出现失误，因为如果他读的数据是错的，或者他自己开始乱搞，那你最后的决策可能会受到很大的影响。所以这个我觉得还没有ready推向市场，但是至少我们自己用起来很爽。比如说我原来要说，Peter今天我们有多少个用户有这样的行为，可能还要去找做数据的同学，或者是engineer去帮我跑一个新的表格出来，但今天我只需要跟agent说我提这个问题，他立刻三秒钟之后给我一个答复。

【嘉宾】我觉得现在主要的challenge对于大部分agent公司来说，不是市场能不能接受这种工作方式，是市场不知道这种工作方式的存在，或者他不知道怎么去高效地使用一个agent帮助他能够完成他的work。所以Creal在整个的这个过程中，我们也做了很多工作，就是让用户不用进行复杂的设置，才能够更容易去access这个agent，帮助他完成他自己本身的工作。

【嘉宾】对，我把上一个时代的general agent理解成这些公司会提供一个agent，用户会使用这个agent去帮助他们完成自己的一些工作。但这个agent不管把它叫做general agent还是super agent，它是一个unique的agent，所有用户access的是同一个agent。我Creal在做的事情就是，我怎么能够让用户在我们的系统上搭建属于自己的agent，而且这个agent是具有self improvement、self healing的能力，能够去understand你的workflow。举个例子，你是在做一个广告的campaign，你每个州可能都要放一个广告，那通常来说你可以用其他的general agent，每个州去做一个这样的事情。但在Creal上你的使用方法是，你create一个属于自己的agent，比如说这个叫做campaign agent，我们会在背后做很多harness，保证你的campaign agent能够持续地提升它的performance，能够降低它的cost，在这个过程中为你产生更多的产出。

【嘉宾】其实他都会有，但是我们真正的目标来讲还是那些所谓的SMB，还有企业端的那些中小企业的场景，因为这个可能是最早去adopt AI的这个人群。

【嘉宾】SMB就是small to medium business，就是那些中小型的，可能就是30个人以内的团队。跟你们公司现在非常像的这些团队，然后他们完全开始把自己的工作方式转移成以AI为主导的工作方式。

【嘉宾】不管你是科技公司还是传统公司都能做这样的转型。

【嘉宾】对，这个是。但我觉得更多还是他们得搞清楚，这个转型最后代表的是什么。我举个最简单的例子，其实在23年大模型刚出来的时候，很多的SaaS公司想的都是：我怎么把AI做成一个功能，集成到我的产品里面？这个本质来讲是没有搞清楚，如果你要做这样的功能，有没有可能你原来产品的架构就不支持把这些最新的AI能力给集成进来？因为你的数据库可能也不符合要求，你的交互可能也不是未来的方式。所以你可能需要去做的事情是整体产品的重构，这个结果如果是你接受不了的话，那可能你很难去做这个转型。

【嘉宾】其实从我们现在用户上面的反馈来讲，我觉得并不是说我们的概念很超前。这也是为什么我们从组织上的变革是我们自己在做的事情，我们并没有说让我们所有的客户跟我们一样去做组织上的改变，而更多是我们把Harness这套系统变成我们的产品，能够让我们的用户先体验起来，然后在这个过程里面，他在慢慢去思考组织怎么去改变。

【嘉宾】我觉得这里面是很多角色的变化。首先第一点，如果你要真的做改造，你需要做的是信任上的变化。原来你组织信任的是人，人本身是这个组织最核心的那一环。但现在当你把AI拿进来之后，其实你要先解决的第一个问题就是：你能不能信任你的AI去做决策或去执行任务？这个信任，其实就跟为什么我们要去building一个Harness的系统是一个道理，就是我们得有很多所谓的guardrails，还有机制去保障AI做的所有工作，不管它做决策也好、做planning也好、还是做最后的execution执行也好，最后它的这个东西是能够被人去信任的。

【嘉宾】而是在于它在大多数公司，它其实是矛盾最集中的那个点，因为产品经理同时要跟市场人沟通，也要跟开发人沟通，所有对齐的成本很多时候也都会发生在产品经理那个角色上面。但当你把这个角色给拿掉之后，你会发现对齐的成本反而有时候可能会更低。这个前提也是在于你需要有一套机制能保证，在没有产品经理的情况下团队之间还能互相信任，就决策的信任成本没有因为没有这个角色了变得更高，而是说没有这个角色之后它会变得更低。所以说这个其实就是我们在组织上可能跟传统这些所谓的软件开发公司会不太一样的地方。

【嘉宾】这个问题应该是这样问，未来是不是需要产品经理？它一定需要的，但是未来需要的是一种新的形态的产品经理。因为你的开发成本在降低，所以产品经理更多的，首先它本身的背景也会发生变化，它做的事情可能它原来是一个工程师，之后工程师也可以成为产品经理的角色，更多的人可能能够成为这种所谓的新型的产品经理。或者说未来还有一种可能，就是它这个职位的很多权力会分散在开发团队各个人的身上，因为如果说你的每一个开发团队成员在AI的帮助下都能够更好地去有产品观念的话，其实本质来讲有没有这个职位也不太重要，因为原来产品经理我觉得它更多解决的是对齐的成本，还有包括如何帮助公司去降低所谓的开发成本。

【嘉宾】对，因为会有人会觉得说，未来产品经理可能会变得更重要，因为就像您刚刚提到，如果产品经理也能上手，它可能自己就能够做一个产品。但是一样会有人会觉得说，产品经理因为它没有很多的技术背景，它就算能够做一个产品，这个产品到底能不能被商业化，我们也要打个问号。如果这个产品真的需要被商业化，那可能我们还是需要有工程师，真的能够帮这个产品经理去把这个产品构建得更加能够商业化。未来这个职位本身它可能不是说是一个人，而是一个团队整体扮演这个产品经理的角色，这个角色本身它会被组织化掉，而不是被个人化掉。在传统软件时代下有很多个人英雄主义，就说因为某一个产品经理或一个灵魂人物，导致最后这个产品特别受欢迎，但未来可能是一个组织做了一个很好的产品，被这个市场接受。

【嘉宾】因为初级的工程师不管是他的技术债，或者他的思想束缚通常来说比较小，他能够接受他的expanded scope，就是他不仅是作为一个工程师，包括他要融入到一些产品的设计之中，包括产品的feature上线之后，他还需要做一些分析，他根据分析能够做出这样的判断。但通常来讲比较资深的工程师，因为他比较专一，比如说你是一个做推理的人，或者你是一个做后端的人，你可能在传统的工作环境之中不care你的代码上线之后发生的事情。但是在AI这个环境之下，你的工程师的scope就需要比之前扩大很多，就不只是在我把这个代码写完之后就结束了。

【嘉宾】而是在于我代码写之前，我怎么能够把自己的judgment加进去，代码成形之后，怎么能够判断它的impact，整个的这个过程是非常重要的。通常来讲，senior engineer的话，能够更好地接受这样的一种工作状态。那比如说你跟一个资深工程师说，除了负责前面——就是你代码已经写完了的这个过程——你还要负责后面的这个过程，他们是不能理解、跟不上、马上去转变这个思想的。通常来讲需要align这个mindset的成本要高很多。

【嘉宾】我觉得十倍或者五十倍以上的人，在没有AI辅助的情况之下。

【嘉宾】对，我们可能通常会发现有很多人是这样子的一个心态，但是有这样的心态，跟在工作的时候愿意去相信AI，然后真的把所谓的harness系统去build起来，是完全两回事情。就是很多人会发现，他愿意拥抱AI只是在于他愿意用AI的工具去给自己提升效率，但他并不愿意说我去构建一个系统，真的能让未来我的工作完全由AI来驱动，我在里面扮演的角色都可能发生变化了——这是两种完全不一样的心态。

【嘉宾】如果你问我的话，我其实从一开始刚毕业的时候，我就是在做AI。

【嘉宾】我是——我是哪一年毕业的？我应该是18年吧。

【嘉宾】我可能具体记不清了，但是可能是十年之前的事情，我第一个在苹果做的工作就是在做AI方面的工作，而且也就是和原模型相关的。所以我肯定是从一开始就相信AI能够改变这个世界的。

【嘉宾】对，但是那个时候虽然没有大模型，但是有非常重要的一篇paper，就是Attention is All You Need，包括之前BERT的出现，正好是我刚开始工作的时候。

【嘉宾】在那个时候我就意识到了pre-training的重要性，包括对于我当时在苹果做的一些traffic prediction的工作，我就已经开始利用pre-training。因为之前的pre-training只是在文字上的pre-training，我会在traffic signal上做pre-training，同样利用了类似的concept做这样的事情。

【嘉宾】我没有说AI会一直比人强，哪怕是现在这个阶段，AI也不能够取代人来做任何的事情。但是in the future，或者在现在这样一个阶段，AI已经能够主导很多事情，包括在架构的过程之中，AI是很强，但是你让AI系统能够运转起来，还是需要人去进行架构的。

【嘉宾】我觉得人最需要的能力就是系统架构的能力，从以前implement the feature，变成怎么架构这个AI系统和maintain这个AI系统。

【嘉宾】对，不管是工程师还是marketing的角度，你做go to market，怎么搭建一套能够自主运行的agent的marketing系统，也是核心的过程，而不是说只是单纯地产生一个marketing content。

【嘉宾】对对对，是，但是里面有非常多的问题，包括如果我们真的把AI引进到agent真的能替代人工作，还有一个道德问题是在于，agent和其他的agent也好，其他人之间也好，也会有沟通，那他沟通的这些内容，比如说我作为另外一个人能不能去看，那是不是侵犯他的隐私呢？这里面其实会有非常多道德问题，都是跟未来组织这些关系相关的嘛。

【嘉宾Clark】我觉得其实刚刚凯讲的挺好的，因为我自己觉得，人未来的价值就是判断任何事情是否还有价值，对于价值的定义可能就是人最大的价值。价值的定义本身延伸出来的东西就是，我们怎么样定义自己的需求是什么，当我们知道自己想要什么的时候，才能判断这件事情是否有价值，我觉得这个就是人的价值。

【嘉宾】我自己还是相对乐观的吧。其实很多时候大家探讨的就是人为什么快乐，我自己现在工作还挺快乐的，就是因为我虽然在工作中跟AI的配合会导致我的工作内容和工作强度会比之前要强很多，但是当我不工作的时候，我在享受自然爬山也好，还是去做一些户外运动也好，我可能会更加放松，所以我觉得相对来说是比较乐观的。AI给我们带来的价值就是，比如说我们原来经常说work hard play hard，它可能反而更好地帮我去做工作和生活上的切割。

【嘉宾】比如我们做创业的话，我们肯定是乐观的，如果悲观的话，大家今天也不会出来创业了嘛，对未来肯定还是相对来讲比较乐观的。但是就像我们刚刚聊的，就跟上一次工业革命一样，当时有很多的纺织工人也好，车夫也好，可能都被取代掉了，但是随着那个阶段过去之后，人会找到新的方向去实现更大的自我价值嘛。所以说未来的话，它一定是一个更好的世界，这个世界是不是跟现在大家所定义的幸福一样，那可能是不一样的，这可能是未来会有的一个比较大的变化嘛。

【嘉宾】我觉得我还是非常谨慎地乐观的，因为我觉得在这个变革的过程之中，会有很多痛苦，会有很多noise，但是这个变革的结果，我还是相信它是一个好的结果，就是人能够更多地拥有自由的时间，还是能够在AI的辅助之下发挥出自己更大的价值。