如何判断 AI 将优先自动化哪些任务？

思考 AI 将优先自动化哪些任务，有一个特别有意思的视角——

：描述一件事情的难度，与亲手完成这件事情的难度相比，差距到底有多大？

那些"描述-执行鸿沟"巨大的任务，简直就是自动化的天然沃土。为什么？因为给这类任务创建训练数据相对容易，而且即便执行过程本身并不简单，自动化带来的价值也极为可观。比如说：

• •

  修正长文中的语法错误
  ：说一句"请帮我改改语法"很简单，但真让你手动检查并修改一篇长文，那可就费功夫了。
• •

  提交发片进行报销
  ：一句"把这些发片报销了"多轻松，但手动填表、上传、走审批流程，谁干谁知道。
• •

  训练一个在标准评估基准上达到特定性能的模型
  ：目标很明确——"训练一个模型，在某个数据集上冲到95%的准确率"——可背后要调参、跑实验、debug，工作量可不小。
• •

  构建一个应用程序
  ：检查一个 App的界面是否符合设计稿，一眼就能看出问题；但实现背后复杂的后端功能，那就是另一码事了。

反过来，当任务的背景信息极其复杂（高上下文），而技术挑战性又不那么高时，"描述-执行鸿沟"往往很小。这类任务自动化价值本身就有限，而且想找合适的训练数据也更加困难。比如：

• •

  编写数据处理脚本
  ：在很多场景下，直接甩几行代码比用自然语言描述一遍处理规则要简洁得多、精确得多。
• •

  在高度定制化的代码库中进行消融研究
  ：在一个充满业务逻辑和隐含假设的代码库里做实验，口头描述你想改什么，可能比直接动手改代码更费劲。
• •

  以特定风格剪辑视频
  ：与其费尽口舌描述每一个镜头的切换、调色、配乐，还不如自己上手剪来得更快、更直接。
• •

  帮我妈妈买中式杂货
  ：她对品牌、规格、新鲜度都有极其具体的要求，而且还得懂得怎么挑。对她来说，亲自跑一趟比对我详细描述所有细节要容易得多。

这个概念跟"判别器-生成器鸿沟"有点像，但又不完全一样。有些任务，比如刚才提到的"以特定风格剪辑视频"，可能评价一个视频剪得好不好很容易（判别器-生成器鸿沟大），但要把怎么剪说明白却很难（描述-执行鸿沟小）。这两条鸿沟并不总是同步的，理解这一点，对判断哪些任务最适合交给AI来完成，会很有启发。