AI 的“通用”，可能不是神性，而是商品化
从一个失败的个人 bot 说起
我一开始读 Venkatesh Rao 的 Commodity Intelligence，以为它又是一篇讨论 AGI 幻觉的文章。读到后面才发现，它真正有意思的地方不在于判断 AGI 会不会来，而在于它换了一个角度解释今天的大模型到底强在哪里。
Rao 的说法很不讨喜：今天的 AI 当然很强，但它强的东西，可能不是我们想象中的“通用智能”，而是一种“商品化智能”。
这个词听起来像贬义，其实不是。商品化不是没价值。煤、黄金、土豆都是商品，它们当然有价值，只是它们的价值已经进入了一个可交易、可替换、可规模化的体系。Rao 的意思是，今天大模型掌握的很多知识，也处在类似状态：它们不是某个孤独天才刚刚撞开的未知领域，而是已经被人类写过、教过、争论过、整理过，并在公共文本里反复出现的东西。
所以，大模型给人的“通用感”，很大程度上来自这个事实：它站在一整个人类公共知识市场上。
Rao 是从一个很小的失败实验讲起的。他做了一个基于自己旧文章的 RAG bot，本来希望它能像一个风格化版本的自己。但他发现，这个 bot 变得很无聊。问题不是它不知道他的文章，而是 Claude 的知识和关心范围渗了进来。真实的 Rao 对很多话题会没兴趣，会走开，会承认自己不懂；但 Claude 不会。Claude 会认真回答，会继续展开，会把公共文本里所有能被关心的东西都带进来。
这个例子很小，但它说明了一个更大的问题：当一种高度商品化的公共智能进入一个本该有差异、有品味、有边界的系统时，它会把那个系统抹平。一个人的智能并不只是他知道什么，也包括他不知道什么、不关心什么、对什么没有耐心。Rao 后来不得不给这个 bot 加过滤器，过滤的不是错误，而是他自己的无知、冷淡和盲区。因为这些东西才让一个智能像一个具体的人，而不是像一个披着个人语料外衣的 Claude。
但如果文章只停在这里，它就只是一篇关于“AI 个性化失败”的短文。Rao 后面真正想讲的是：我们为什么会误以为这种能力正在通向某种神性的 AGI。
大模型像商品指数基金
Rao 先反驳了一个常见比喻。很多人说 LLM 像 index fund，因为它综合了大量人类知识。Rao 觉得这个比喻还不够准确。指数基金里装的是公司，至少每家公司仍然有自己的战略、团队、业务和差异。而 LLM 更像 commodity index fund，里面主要是煤、黄金、土豆这类商品。它们有不同等级和价格，但本质上高度可替换。
这个比喻的重点不是说 AI 没有创造力，而是说：大模型最可靠的能力，往往来自高共识、高范式、已经被社会消化过的知识。它当然也知道边缘理论、低共识观点、怪异想法，但它的重心不在那里。它的重心在那些已经被公共文本稳定编码的东西上。
这也是为什么今天的大模型在很多地方显得惊人可靠。不是因为它突破了信息论，不是因为它获得了某种神秘智能，而是因为它吸收了巨大的 Ballardian data。
知识如何从震撼变成常识
Rao 在文章里用了一个他以前提出过的框架：Labatut-Lovecraft-Ballard arc。这个框架大概是在描述新知识如何被人类社会驯化。第一阶段是 Labatut 式的：少数最早接触新知识的人直接承受冲击，新现实还没有被社会解释系统包住，所以它会让人发疯。第二阶段是 Lovecraft 式的：更多人开始接触这种新现实，它仍然恐怖，但已经有先锋群体在尝试理解和重建世界。第三阶段是 Ballard 式的：新现实已经被社会吸收，变得平常、无聊、日常化。
这段其实是全文的理论核心。知识不是一开始就是“常识”。它先是危险的、陌生的、会让人失衡的东西，然后慢慢被教学、制度、语言和实践驯化，最后变成普通人可以使用的背景设施。
大模型强在什么地方？强在它吃进去了大量已经进入 Ballard 阶段的知识。也就是那些已经被驯化、被社会化、被教材化、被论坛化、被文档化的知识。它们对人类历史来说也许曾经很疯狂，但对模型来说，它们已经是稳定语料。
这也解释了为什么 AI 的一些突破容易被误读。比如 OpenAI 用模型推进一个数学问题，外界很容易把它看成某种“机器越过人类边界”的证据。Rao 的解释更冷静：这类问题也许对很多人仍然遥远，但相关数学领域已经被人类数学家消化了几十年。模型不是凭空从混沌里召唤答案，而是在一个已经被人类长期整理过的地形上工作。
这里有一个容易混淆的点：商品化不等于人人都能使用。经典力学是高度商品化的知识，但不是所有人都能真正掌握它。黄金是商品，但不是所有人都拥有黄金。知识进入商品化阶段，只说明它已经有稳定结构、稳定表达和稳定流通方式，不说明每个人都有能力消化它。
AI 的特殊之处在于，它把很多原本需要训练、门槛和耐心才能接触的商品化知识，变成了可以对话访问的东西。一个没有受过系统训练的人，突然可以和一个看起来懂物理、懂数学、懂编程、懂组织管理的对象对话。这会造成一种很强的心理错觉：对他来说，这些知识像是刚刚从天而降，是新的、震撼的、甚至带一点神秘感。
但对知识本身来说，它未必新。它只是第一次以一种低门槛的方式抵达这个人。
但 Rao 的结论恰好相反。他认为，这更说明今天 AI 的核心是一种 commodity intelligence。它不是不惊人，而是惊人的方式没有那么神秘。它像市场，像天气，像复杂系统，不像神学。
“通用”有两种意思
这就引出全文最关键的区分：general 有两种意思。
一种 general，是 generally available in the market，也就是市场上普遍可得。某种能力以前稀缺，现在被包装成产品、服务或接口，变得可以被很多人调用。今天 AI 的“通用”，很大程度上是这个意义上的通用。
另一种 general，是 totalizing universal，也就是总括一切、近乎全知的普遍性。很多 AGI 讨论会偷偷把第一种 general 滑到第二种 general：因为 AI 可以处理很多公共知识任务，所以它好像正在走向某种神性全知。
Rao 觉得这是一个代价很高的 category error。
我觉得这也是这篇文章最值得带走的判断。今天的 AI 确实很有用，甚至可能是过去几十年最重要的软件能力变化。但如果我们误以为它的“通用”意味着全知，就会把讨论带到错误的地方。我们会开始围绕一些不清楚的问题焦虑，比如它什么时候拥有真正的通用意志，什么时候变成神一样的存在，而不是更认真地理解：这种已经出现的商品化智能，具体在哪些环节能重组工作、产品、教育、研究和组织。
更重要的是，这个误解会影响产品设计。
如果你以为大模型是一种正在走向神性全知的东西，你会自然想做一个什么都懂、什么都管、什么都能接管的 AI。但如果你把它看成 commodity intelligence，产品问题就变了：你要问的不是“怎么把它变成全知助手”，而是“怎么把这种公共市场里的智能，约束到一个具体人的场景里”。
个人 AI 要做反方向的事
这就是我从这篇文章转回个人 AI 时真正关心的地方。
个人 AI 不是把商品化智能接上用户记忆就结束了。那样做很容易得到一个更会个性化输出的通用模型。它知道你的项目，于是把所有创业知识都拿来解释你；它知道你关心 AI，于是把所有模型新闻都变成和你有关；它知道你焦虑，于是把每个日程冲突都包装成心理洞察。
这些东西从模型角度看都相关，但从人的生活角度看未必重要。因为一个具体的人不生活在“所有公共知识都均匀相关”的世界里。一个人有自己的问题、节奏、承受能力和不关心范围。
所以，个人 AI 真正难的不是让模型知道更多，而是让模型从商品化智能里收缩回来。它要把公共知识市场压缩成这个人的问题空间，把无限可说的内容压缩成此刻值得说的东西，把“我能回答”压缩成“这值得打扰你吗”。
Rao 那个 bot 的失败就在这里有了更大意义。它不是简单说明 Claude 太强、个人 bot 太弱，而是说明：公共智能会污染个体智能。一个本来应该有边界、有偏好、有盲区的系统，如果没有足够强的过滤机制，就会被大模型的全知感和无差别关心冲淡。
这对所有做个人 AI 的产品都是一个提醒。记忆不是终点，个性化也不是终点。真正的问题是，AI 能不能建立一个人的关心边界。它不仅要知道用户在意什么，还要知道用户不想再被什么消耗；不仅要知道哪些信息相关，还要判断哪些相关性不值得行动；不仅要会调动公共知识，还要会克制公共知识。
如果通用 AI 的能力来自商品化知识的规模化访问，那么个人 AI 的价值就来自反方向的工作：去商品化。把公共语料里的平均关心，重新压回一个具体人的生活、约束和判断。
这不是让 AI 变弱，而是让它从“什么都能说”变成“知道为什么说”。
也许我们现在对 AI 的很多讨论太急着往神性上走了。Rao 这篇文章真正有用的地方，是把这件事拉回地面：我们已经拥有了一种非常强大的商品化智能。它不是 AGI 神话里的全知存在，但它足够改变很多行业。现在更重要的问题不是继续给它贴神学标签，而是学会使用、约束、组合它。
对个人 AI 来说，尤其如此。
一个好的个人 AI，不应该只是一个记住你的 ChatGPT。它应该是一种把公共智能私人化的机制。它不只是把世界带到你面前，还要替你挡掉大部分世界。
参考素材