💡 核心結論速覽 (TL;DR)
- Anthropic 給的不是一個答案，是三種未來：趨勢撞牆（S 曲線）、複合效率持續、完整遞迴自我改進——它自己押「中間那個」最可能。
- 人類沒有出局，位置變了：當「執行」便宜到趨近零，稀缺的變成 research taste、判斷結果可信度、方向設定——這三件 AI 目前還接不住。
- 新瓶頸不在生產，在審查：程式碼狂吐出來後，人類的 review 變成塞車點（Amdahl's law）。我每天最花時間的，早就是「判斷東西能不能用」而非「生出東西」。
- 我的押注：別賭哪個情境成真，把力氣花在練「選題、判斷、驗證」這層能力——三種未來它都用得上。
「Claude 寫了 Anthropic 超過 80% 的程式碼。」這句話第一次看到，多數人的反應是倒抽一口氣：那工程師要幹嘛？再往下想一層，問題其實更尖銳——如果連寫程式這種高技能工作都被接走了，AI 時代的人類，到底還剩下什麼有價值的位置？
這題我想了很久，因為它直接關係到我的飯碗。我一個人撐著好幾個專案：一個英文內容站 mylingblog.com、一個自架的台股工具、還有一個社群類產品，全部重度依賴 AI。所以「人類還剩什麼」對我不是哲學問題，是每天睜開眼要面對的營運問題。
剛好 Anthropic 那份報告把未來拆成了三種情境，還誠實標出自己押哪一個。（這份報告前陣子被一個聳動標題斷章取義，我在「Claude 瓦解人類」其實在講相反的事那篇已經把原文完整擺回原位，沒看過的可以先補。）這篇我把三種情境逐一拆給你看，再從一個實際靠 AI 過日子的人的角度，回答那個最現實的問題：人類剩下什麼，而你現在該練什麼。
先把座標定出來：「遞迴自我改進」到底在講什麼？
遞迴自我改進（recursive self-improvement）一句話講完：AI 強到能自己設計、開發出更強的下一代 AI，然後一代接一代自己往上爬。這是整份報告的核心懸念，也是所有恐慌的源頭。
但先把話講清楚，Anthropic 自己白紙黑字寫：「我們還沒走到那一步，而且它也不是必然會發生。」這很重要——它不是在宣告未來已定，而是在說「這條路有可能，我們得先想清楚」。也正因為沒定，它才給三種情境，而不是一個結論。
為什麼是三種？因為接下來會怎麼走，取決於兩件事：技術趨勢會不會繼續、以及我們選擇怎麼應對。把這兩個變數排列組合，就得到三條岔路。理解這三條路長什麼樣，比急著問「人類完不完蛋」有用得多。
情境一：趨勢撞牆，但今天的 AI 已經夠你受的
第一種情境是樂觀派會喜歡的：那些看起來陡到嚇人的指數曲線，其實是 S 曲線——爬到某個點會彎、會平掉。報告坦白說，這一種「我們不認為最可能」，但值得列出來，因為它給政府和社會最多的緩衝時間。
撞牆可能撞在哪？也許是「判斷力」這種東西沒辦法靠堆算力和資料長出來，需要一個像當年 Transformer 那樣的全新架構突破才過得去;也可能瓶頸根本不在模型，而在供應鏈——晶片、電力、頻寬不夠快。這些都可能讓曲線提早彎掉。
但這裡有個關鍵，也是最多人忽略的：就算 AI 能力「凍結在今天」，世界還是會被大改一輪。報告舉了 Project Glasswing 當例子——它的模型在頭幾週，就在全球最重要的系統裡找出超過一萬個高危與關鍵級的軟體漏洞，多到讓資安的瓶頸從「找漏洞」變成「來不及修」。
換句話說，連最樂觀的情境都不是「沒事發生」，而是「今天這批 AI 光是擴散出去，就足以讓一間一百人的公司，做到過去要一千人才做得動的事」。我自己就是活生生的例子，後面會細講。所以別把「趨勢撞牆」聽成「可以放心睡」——它只是相對溫和的那條路。
情境二：複合效率持續，人類仍掌方向（Anthropic 押這個）
第二種情境，是 Anthropic 明說「我們很可能正走進去」的那一個：AI 大幅自動化開發流程，但人類繼續設定研究方向、判斷結果好壞。組織會越來越有效率，一百人的公司，有機會做到一萬人、甚至十萬人組織的產出。
聽起來很夢幻，但報告立刻潑了一盆冷水，而且潑得很有學問。它搬出了 Amdahl's law（阿姆達爾定律）：當你加速一個流程裡的某一段，整體速度的上限，會被那些「沒被加速的部分」卡住。你把寫程式變快十倍，瓶頸就跑去下一個沒變快的環節。
Anthropic 說它已經親身撞到這件事了——當 Claude 把程式碼產出量狂推上去，人類的「程式碼審查」反而變成新的塞車點。生產端踩了油門，審查端還是肉做的，整台車的速度就卡在審查。這個觀察，是這份報告裡我覺得最值得每個上班族記住的一句。
這條路也不是只有好處。報告很誠實地點出：同一套「一個人放大成一支軍隊」的能力，可以拿來做好事，也可以拿來做威權監控、做能精準操弄每個人的影響力操作，規模大到沒有任何人類團隊比得上。效率本身沒有立場，看誰握著它。
情境三：完整遞迴自我改進，AI 開始造 AI
第三種情境，就是科幻電影那一種：AI 真的具備了「設計並精煉自己」的能力，開始造出一代比一代強的後繼者。這時候 AI 進步的速度，幾乎只由算力（和演算法效率的發現）決定，人類的角色大幅縮減，主要轉去做監督、驗證、把關一個由 AI 運轉的「虛擬實驗室」。
這是報告坦言自己「最不確定」的一條路，因為它直接牽動 alignment（對齊）問題。樂觀的版本是：模型夠聰明、也夠有判斷力，能自己找出我們還沒想到的安全解法，甚至聰明到該停的時候會自己停。悲觀的版本是：今天偶爾出現的小小偏差，在一代代自我複製中越滾越大、越來越難理解，直到我們失去控制。
但就算真走到這一步，報告還是補了一句很冷靜的話：Amdahl's law 一樣適用在現實世界。再強的智慧，也沒辦法讓藥物跳過數十年的長期追蹤、沒辦法讓選舉比憲法規定早開、沒辦法在一個週末把陌生人變成老朋友。實驗室上游可以用算力的速度狂奔，但下游那個有人、有關係、有制度的真實世界，節奏還是被它自己的瓶頸決定。
📌 個人觀察、不代表科技業共識：我個人覺得，與其爭論第三種情境哪年到、會不會到，不如先承認一件事——前兩種情境其中之一，幾乎已經在發生了。把注意力全押在最戲劇化的那條路，反而會錯過眼前正在改變的事。
人類在 AI 時代還剩什麼價值？三個還沒被接走的位置
講完三種未來，回到那個最痛的問題。報告的答案其實很明確：人類目前真正的比較優勢，是 research taste 和判斷力。我把它拆成三個還握在你我手上的位置。
❶ 選題（problem selection）：決定「哪個問題值得做」。報告裡有個例子很有說服力——Claude agent 自己跑一個 AI 安全研究，花了約 800 小時、燒掉約一萬八千美元算力，恢復了 97% 的成效，遠勝兩位人類研究員一週的 23%。但關鍵是：問題是人類選的、評分標準是人類訂的。原文一句話定調：「方向設定，是人類扮演的唯一有意義的角色。」
❷ 判斷結果可不可信：AI 給你一個漂亮的答案，但它對不對、能不能上線、會不會在邊角案例炸掉，這個信不信的決定，現在還是人在下。AI 越會「講得頭頭是道」，這層判斷反而越值錢——因為被一個自信但錯誤的答案帶溝裡，代價很高。
❸ 知道什麼時候該收手：哪條路是死路、什麼時候該砍掉重練，這種「踩剎車的智慧」是最難量化、也最晚被自動化的。報告自己也承認，這層判斷「有可能」哪天也被模型學走——就像 AI 以前不會解釋笑話、後來會了一樣。它沒把話講死，但也說了，在那天到來前，這是人類的主場。
我把這三件事連起來看，結論很清楚：以前我們的價值在「會做」，現在開始轉移到「會選、會判斷、會喊停」。這跟我之前在拉開職場差距的三個思考階梯裡講的最高那一階，完全是同一件事。
Amdahl's law 在組織層面：新瓶頸不在生產，在審查
如果只能從這篇帶走一個可立刻用的觀念，我選這個：你的瓶頸正在從「做不完」變成「審不完」。
這不是理論，是我每天的體感。一年前我最大的痛點是產能不夠——文章寫不完、功能做不完、資料整理不完。現在 AI 幫我把「生產」這件事壓到趨近於零成本，結果我最花時間的環節整個換了位置：變成「判斷這篇能不能發」「這個功能會不會有雷」「這份資料的結論我信幾分」。
這正是 Anthropic 說的 Amdahl's law 在我這種一人團隊身上的縮影。生產端踩了油門，審查端還是只有我一個人的腦袋和時間。如果我不刻意去練「更快、更準地審查與判斷」，我擁有再強的 AI，整體產出還是會卡在我這個審查瓶頸上。
所以我這一年真正在升級的能力，不是「怎麼叫 AI 生更多東西」，而是「怎麼更快判斷 AI 生的東西到底行不行」。這個轉變，跟我在AI 沒讓我變輕鬆反而更忙裡寫的感受是同一條線——工具越強，把關的責任反而越重。
📌 以上是我的個人觀察，不代表科技業共識。但如果你也開始覺得「東西生得出來、卻越來越不敢直接用」，那不是你變慢了，是你的瓶頸換了位置，該練的能力也跟著換了。
一百人做一萬人的事：小團隊的槓桿，與它的陷阱
報告裡「一百人公司做一萬人的事」這句話，對創業者和一人公司是核彈級的好消息。它的意思是：每個人都坐在一座由 AI agent 組成的金字塔頂端，指揮的產出規模，是過去的好幾十倍。
我自己就在吃這個紅利。同時經營一個英文內容站、一個台股工具、一個社群產品，這在三年前對單一個人來說是天方夜譚;現在靠 AI 把執行層扛起來，勉強撐得住。對想用 AI 做副業、做投資研究工作流、做一人事業的人，這是這份報告裡最該興奮的一段。
但陷阱也藏在這裡。槓桿放大的不只是產出，還有錯誤。當你一個人指揮十倍的產能，你一個錯誤判斷的破壞力也放大十倍。這就回到上一段的瓶頸——能撐起一萬人產出的，從來不是你叫得動多少 agent，而是你判斷力的頻寬夠不夠寬。槓桿越大，越不能省判斷這一塊。
講白一點：AI 讓「能力很強的人」變得更強，但也讓「判斷力不足的人」更快地把事情搞砸、而且自己還不知道。這不是危言聳聽，這是我看著自己和身邊用 AI 的人，真實在發生的分化——這條分界線甚至不是年齡，我在Z 世代 vs 資深員工誰是 AI 職場贏家那篇就聊過，真正拉開差距的是判斷力，不是出生年份。
那我押哪一注？我的判斷與下一步
三種未來，我不賭哪一個會成真——因為對我的日常決策來說，賭哪個都沒意義。真正有意義的是問：哪一種能力，在三種未來裡「都」用得上？答案就是前面講的那層：選題、判斷、驗證。
情境一（撞牆）成真，這層能力讓你在「人人都有今日 AI」的世界裡，靠判斷力勝出;情境二（最可能）成真，它讓你成為那個能駕馭一萬人產能的瓶頸打通者;就算情境三（AI 造 AI）成真，人類被推去做的 oversight 和 verification，本質還是這層判斷力。押這層，三條路通吃。
所以我的下一步很具體，也建議你照做：與其焦慮會不會被取代，不如刻意練「更快、更準地判斷」。少花點時間問「怎麼叫 AI 生更多」，多花點時間問「我憑什麼相信這個結果」。這也是我寫上一篇AI 不會取代你、但會用 AI 的人會取代你時，沒講透、這篇補上的那塊。
當然，我也可能押錯。也許某天 research taste 真的被模型學走，那層判斷力也不再稀缺。但在那天之前——而那天看來還有一段距離——把判斷力當成你最該投資的資產，是我能想到風險最低、報酬最穩的一注。
FAQ 常見問題
Anthropic 三種未來情境，它自己覺得哪個最可能？
第二種：AI 大幅自動化開發，但人類繼續設定方向、判斷結果。報告原文明說「我們很可能正走進這個情境」。第一種（趨勢撞牆）它認為不太可能；第三種（完整遞迴自我改進）它最不確定，因為牽動 alignment 問題。
AI 寫了 80% 程式碼，工程師會失業嗎？
角色會變，不是直接消失。報告指出，人類會從「寫程式」轉向「審查程式 + 設定方向」。但這裡有個關鍵瓶頸：如果人類審查的速度跟不上 AI 生成的速度，審查反而成了整個開發流程的塞車點（Amdahl's law）。所以「會審、審得快又準」會變成更值錢的能力。
AI 時代人類還剩什麼價值？
三個位置目前還握在人類手上：選題（決定哪個問題值得做）、判斷結果可不可信、知道什麼時候該收手。報告把這統稱為 research taste 與判斷力，並用自家實驗證實：AI 把執行做到超人水準，但方向設定仍是人類唯一有意義的角色。
一個人真的能做一萬人的事嗎？
報告認為在第二種情境下有機會——每個人坐在一座 AI agent 金字塔頂端。但放大的不只是產出，還有錯誤：你的判斷頻寬才是真正的上限。槓桿越大，越不能省判斷這一塊，否則只會更快把事情搞砸。
我現在最該練什麼能力？
「更快、更準地判斷與驗證」。因為這層能力在三種未來情境裡都用得上：撞牆時靠它勝出、複合效率時靠它打通瓶頸、AI 造 AI 時人類做的監督驗證本質也是它。與其賭情境，不如押這個通吃三條路的能力。
結論：別賭未來，押那個三條路都用得上的能力
Anthropic 這份報告最珍貴的地方，不是嚇你，而是它誠實到連自己押哪一注都告訴你，還把限制和風險一條條攤開。讀完它我最大的收穫，不是知道未來會怎樣，而是看清了一件事：在所有不確定裡，有一層能力是確定值得投資的。
當執行變得免費，判斷就變得昂貴。當機器能生出一切，「決定要什麼、信什麼、停在哪」就成了人類最後、也最硬的護城河。這不是雞湯，這是一家把 80% 程式碼都交給 AI 的公司，用自己的數據算出來的結論。
如果這篇幫你把焦慮換成了一個可以動手的方向，歡迎訂閱本站，我會不定期把這種「讀完原文、再用實戰濾一遍」的整理寄給你。下一個被斷章取義的 AI 報告出現時，我們再一起把它讀回原位。
參考資料
- Anthropic Institute：When AI builds itself（Marina Favaro、Jack Clark 合著）
- Amdahl's law（阿姆達爾定律，維基百科）
- Anthropic：Project Glasswing
