先说结论:模型会越来越像自来水,拧开就有,价格往下走,能力往上走。等所有人手里是同一批模型,你和隔壁工位的差距就不在模型上,而在你心里那把「什么算好」的尺子,以及你有没有把验收标准写成能打勾的东西。

先说结论:模型是自来水,判断力是手艺
Every 的创始人 Dan Shipper 在 Thesis: 2027 的闭幕演讲里把这事讲得挺直白:模型是批量货,判断力是手工活。他给这套东西起了个名字,叫手工式 AI。我听完的第一反应是,这不就是手艺人那套——工具谁都能买,活儿好不好看的是手上功夫。
同一批模型,两个人都拿它写周报,一个交上来能直接用,一个得返工三遍。差别不在谁充了会员,在谁心里有标准,谁愿意把标准说出口。这篇不聊参数,也不预测明年出什么模型,只讲三件能上手的事。
一个能直接抄的做法:把改稿意见变成检查表
做法是 Every 的编辑 Mike Taylor 给的,简单到有点朴素。挑一个你反复做的任务,把 AI 这次的输出整段贴回来,然后老实说清楚:哪几句你喜欢,哪几句你看着别扭,为什么。别写「感觉不够专业」这种话,写具体——「开头别用问句」「别出现三个并列形容词」「结论放第一句」。
第二步是让 AI 把你这些意见逐条转成「是/否」的判断项。比如「开头第一句给出结论了吗」「有没有出现三个以上并列形容词」。这一步真正的门槛是能判定:一条意见如果没法用是或否回答,说明你自己也没想清楚,回去接着想。
之后每次它出稿,先把这张表贴上去让它自查,逐条打分,不合格的自己改一遍再交给你。你会发现好用的不是模型变聪明了,是你不再每次从零讲一遍要求。我自己的习惯是把表存在笔记里,做同类活之前先粘一遍,省下的其实是来回扯皮的时间。
这张表还有个副作用:你会慢慢发现哪些意见是重复的。同一句「别在结尾升华」写在表里三次,它就是这件事真正的验收标准,值得单独拎出来当规则,而不是每次临时发火。
能整夜跑,反而更考验人
Every 的 Katie Parrott 实测过 Fable 5.2,说它能整夜甚至整个周末无人值守地干活。听着像解放,实际是把责任挪了个位置:机器不困,可以一直跑,可它跑的方向对不对、跑完的东西算不算完成,全看你交任务那一刻写清楚没有。
我的体感也是这样。让 AI 干一小时的活,出问题大多是我话说得含糊;让它干四小时的活,出问题几乎都是我没定验收标准。它能干得越久,前期那几句话的权重就越高,含糊的代价被放大好几倍。
所以无人值守不是省事,是把「想清楚」这一步提到最前面。任务写得清不清楚、验收标准有没有写死,成了质量的天花板。跑得越久,天花板越低,返工越贵。
小模型反杀大模型的例子
同一期里还有个更值得琢磨的例子。Every 的听写产品 Monologue,是两个人训了一个「笔记本电脑大小」的模型,去替掉原来那个约一万亿参数的大模型。结果是快 3 倍、错误更少、成本低得多。
这里的逻辑不难懂:那件活的范围很窄,就是听写,窄到不需要一个什么都懂的巨物。大模型像把整套厨房搬过来炒一个蛋,小模型是只留一口锅。范围越明确,小而专越划算。
这点对普通人也有用。你手上那些每周重复的活,大多也窄得可怜,窄到值得单独配一套标准、一套模板,甚至一个专门的提示词文件。别老想着找一个万能的东西解决所有事,那是给什么都想干的人准备的。
同一期还提到一些更早期的动向:Goodfire 发现开源模型里大多数神经元只做一两件可读的事,智能体可以较高准确率预测它们何时触发;MIT 的研究者展示了不改训练就改写小模型权重的方法。
还有 Cmpnd 的 Drew Breunig,做了个 Mac 工具干这种「权重空间编程」,每个模型花几美元 GPT-6-Astra 的用量就能改善小决策模型。这些还很早期,一两年后才可能普及,先记着就行。
泼一盆冷水
得说清楚:这套说法来自一家卖软件的公司,样本基本就是他们自己团队。他们既做模型产品又做内容,讲「判断力最值钱」对他们当然没坏处。所以别把它当行业定律,当成一个干活的人的经验谈更合适。
而且手工判断力这件事,没法外包,也没法一键复制。你可以买到同样的模型、同样的提示词模板,甚至同样的检查表,但你得自己知道什么算好。这大概就是它难的地方,也是它一时半会儿不会被抹平的原因。
适合谁:手上有一类反复出现的活,并且愿意花半小时把标准写下来的。不适合谁:每次都只做一次性任务,或者指望模型自己猜出你要什么的人。后者用再贵的模型也会觉得它笨,然后回去怪工具。
最小行动:从一件重复活开始
不用搞大工程。挑一件你每周都做的重复活,就从这周开始。今天只做一步:把这次你给 AI 提的三条修改意见写下来,每条都改成能用是或否回答的句子。三条就够,写多了你也记不住。
下周同一件活再来一次,把表贴上去让它自查。连续三周,你手上就有了一张自己长出来的验收清单。到那时候模型换成哪家、价格涨还是跌,你都不太慌——因为你拼的从来不是手里那个工具。



