過去三年，AI 的發展速度讓所有人都措手不及。大量資金湧入，2023、2024 年語言模型快速迭代，幾乎每個季度都有新的「最強模型」出現；進入 2025、2026 年，戰場又移到了 AI Agent—不只是會對話，而是能自主執行任務的代理人。

新技術的衝擊，從來不是平穩降落的。市場正處在一種盤整混亂的狀態：企業估值被重新定義，科技股股價劇烈震盪，所有人都在追 AI，砸錢、做概念驗證（POC）、發新聞稿，但幾乎沒有人找到能完美落地的應用方式。換句話說，AI 還沒有找到 PMF（Product-Market Fit）。這不是技術不夠好，而是我們還不知道該用它重新設計什麼。

「只在此山中，雲深不知處。」身在技術革新的洪流裡，反而最難看清楚趨勢的全貌。就在這個時候，我讀到 Notion CEO，Ivan Zhao 寫的《蒸汽、鋼鐵與無限的心智》。他沒有急著預測未來，而是從歷史借鏡—從鋼鐵、蒸汽引擎、到無限的心智——宏觀看 AI 目前所處的發展階段。他認為：我們現在還在「換水車」的階段，把 AI 貼到舊的工作流程上，但還沒有人真正問：如果舊的限制完全消解，我的組織、我的產業，應該重新長成什麼樣子？

這個問題，值得每一個正在評估 AI 策略的企業主管停下來想一想。以下是 Ivan 的原文翻譯，推薦你花 10 分鐘讀完。

👉 前往閱讀 Ivan Zhao 《蒸汽、鋼鐵與無限的心智》原文

目錄

• 蒸汽、鋼鐵與無限的心智
• 個人：從腳踏車到汽車
• 組織：鋼鐵與蒸汽
• 經濟體：從佛羅倫斯到巨型城市
• 超越水車
• 筆者結論

蒸汽、鋼鐵與無限的心智

每個時代都由一種「奇蹟材料」塑造。鋼鐵鍛造了鍍金時代，半導體點亮了數位時代。如今，AI 作為「無限的心智」降臨。歷史告訴我們：誰掌握了那個時代的奇蹟材料，誰就定義了那個時代。

1850 年代，安德魯·卡內基（Andrew Carnegie）還是個在泥濘的匹茲堡街頭奔跑的電報小弟。當時，十個美國人裡有六個是農民。但不到兩個世代，卡內基和他的同輩夥伴鑄造了現代世界。馬匹讓位給鐵路，燭光讓位給電力，生鐵讓位給鋼鐵。

從那之後，工作從工廠遷移到辦公室。今天，我在舊金山經營一家軟體公司，為數百萬知識工作者打造工具。在這座行業之城裡，所有人都在談論 AGI，但全球二十億桌前工作者中，大多數人還沒有切身感受到它的存在。知識工作的未來會長什麼樣子？當組織架構吸納了永不入睡的心智，會發生什麼事？

這個未來之所以難以預測，是因為它總是偽裝成過去的樣子。 早期的電話通話簡短得像電報。早期的電影看起來像舞台劇的錄影。（這正是馬歇爾·麥克魯漢（Marshall McLuhan）所說的：「我們總是透過後視鏡駕車駛向未來。」）

今天，最流行的 AI 形式——聊天機器人——看起來像搜尋框，像是舊時代 Google 的倒影。我們正深陷在每一次新技術轉型都會出現的那個令人不安的過渡期。

我沒有所有答案。但我喜歡借用幾個歷史隱喻，思考 AI 如何在不同尺度上發揮作用——從個人到組織，再到整體經濟。

個人：從腳踏車到汽車

最早的跡象，出現在知識工作的「大祭司」身上：程式設計師。

我的共同創辦人 Simon 曾是我們所說的「10 倍工程師」，但他現在幾乎不親自寫程式了。走過他的座位，你會看到他同時調度三四個 AI 編程代理人——它們不只是打字更快，它們會思考。這讓他成為了一個 30 到 40 倍的工程師。他在午餐前或睡前排好任務，讓代理人在他離開時繼續工作。他已經成為無限心智的管理者。

1980 年代，賈伯斯（Steve Jobs）稱個人電腦為「心智的腳踏車」。十年後，我們鋪設了「資訊高速公路」，也就是網際網路。但時至今日，大多數的知識工作仍然靠人力驅動。我們像是在高速公路上騎著腳踏車。

有了 AI 代理人，像 Simon 這樣的人，已經從騎腳踏車升級為開汽車。

其他類型的知識工作者何時才能開上車？有兩個問題必須先解決。

第一個是脈絡碎片化（context fragmentation）。在程式設計中，工具和脈絡傾向於集中在一個地方：IDE、程式庫、終端機。但一般的知識工作分散在數十種工具裡。試想一個 AI 代理人要起草一份產品簡報：它需要從 Slack 討論串、策略文件、上一季儀表板的數據，以及只存在某人腦海裡的機構記憶中提取資訊。今天，人類是這一切的黏合劑，靠著複製貼上和切換瀏覽器頁籤把這些拼湊在一起。在脈絡被整合之前，代理人將繼續困在狹窄的使用場景裡。

第二個缺失的要素是可驗證性（verifiability）。程式碼有一個神奇的特性：你可以用測試和錯誤訊息來驗證它。模型開發者正是利用這一點，用強化學習訓練 AI 不斷改進編程能力。但你要如何驗證一個專案管理得是否好？一份策略備忘錄是否夠出色？我們還沒有找到方法，讓模型在通用知識工作上持續精進。所以，人類仍然需要在迴圈中監督、引導、示範何謂「好」。

今年，我們從程式設計代理人的發展中學到：「人在迴圈中」並不總是理想的。這就像讓人親自檢查工廠流水線上的每一顆螺栓，或是在汽車前方派一個人舉旗開路（參見 1865 年的《紅旗法》）。我們希望人類從一個有槓桿的制高點監督整個迴圈，而不是身陷其中。一旦脈絡被整合、工作得以驗證，數十億的工作者將從騎車升級為開車，再從開車升級為自動駕駛。

組織：鋼鐵與蒸汽

公司是近代才有的發明。它們隨著規模擴大而退化，並終將遭遇極限。

幾百年前，大多數公司都是十幾個人的工作坊。如今，我們擁有數十萬員工的跨國集團。作為溝通基礎設施的人腦—靠著會議和訊息連接—在指數級的負荷下不堪重壓。我們試圖用層級制度、流程和文件來解決這個問題。但我們一直在用人類尺度的工具，解決工業規模的問題——就像用木材建摩天大樓。

兩個歷史隱喻，展示了借助新奇蹟材料，未來的組織可以呈現截然不同的面貌。

第一個是鋼鐵。在鋼鐵出現之前，19 世紀的建築最多只能蓋六七層。生鐵強硬但脆，加蓋越多樓層，結構就會在自身重量下崩塌。鋼鐵改變了一切—它既堅韌又有韌性，框架可以更輕，牆壁可以更薄，建築突然間可以拔地數十層。全新類型的建築成為可能。

AI 之於組織，正如鋼鐵之於建築。 它有潛力在整個工作流程中維繫脈絡，在必要時浮現決策，同時濾掉雜訊。人類的溝通不再需要是承重牆。每週兩個小時的對齊會議，可以變成五分鐘的非同步確認。需要三個層級批准的高層決策，或許很快就能在幾分鐘內完成。公司可以真正擴張規模，而不用接受我們一直以為理所當然的衰退。

第二個故事關於蒸汽引擎。工業革命初期，早期的紡織工廠坐落在河流旁，靠水車驅動。蒸汽引擎問世後，工廠主最初只是把水車換成蒸汽引擎，其他一切照舊。生產力的提升相當有限。

真正的突破，發生在工廠主意識到可以完全脫離河流的那一刻。他們在更靠近工人、港口和原材料的地方建造更大的工廠，並圍繞蒸汽引擎重新設計整個廠房。（後來，電力出現後，工廠主進一步去中心化，不再依賴一個中央動力軸，而是在不同機器旁設置更小的引擎。）生產力因此爆炸性成長，第二次工業革命真正起飛。

我們現在還在「換水車」的階段。AI 聊天機器人被硬插進為人類設計的既有工具。我們還沒有重新想像：當舊的限制消解之後，當公司可以在永不入睡的無限心智上運轉，組織會長成什麼樣子？

在我的公司 Notion，我們已經開始實驗。在一千名員工之外，超過七百個代理人正在處理重複性工作—記錄會議筆記、回答問題以整合組織內的隱性知識、處理 IT 請求、記錄客戶回饋、協助新員工了解員工福利、撰寫每週狀態報告，讓大家不必再費力複製貼上。而這些，都只是起步。真正的成長空間，僅受限於我們的想像力和慣性。

經濟體：從佛羅倫斯到巨型城市

鋼鐵和蒸汽不只改變了建築和工廠，它們改變了城市

幾百年前，城市是人類尺度的。你可以在四十分鐘內走遍佛羅倫斯。生活的節奏，由一個人能走多遠、聲音能傳多遠來決定。

後來，鋼鐵框架讓摩天大樓成為可能，蒸汽引擎驅動的鐵路將市中心與腹地連接起來。電梯、地鐵、高速公路相繼出現。城市在規模和密度上爆炸式增長。東京、重慶、達拉斯。

這些不只是更大的佛羅倫斯，它們是截然不同的生活方式。巨型城市令人迷失方向，匿名而難以駕馭。這種「難以辨讀」，是規模的代價。但它們也提供更多機會、更多自由—更多人在更多組合中做更多事，遠超一座人類尺度的文藝復興城市所能承載的。

我認為，知識經濟即將經歷同樣的變革。

今天，知識工作幾乎佔美國 GDP 的一半。但它大多仍在人類尺度下運作：幾十人的團隊、靠會議和 Email 推進的工作節奏、超過幾百人就開始崩潰的組織。我們一直在用石頭和木材建造佛羅倫斯。

當 AI 代理人大規模上線，我們將開始建造東京—橫跨數千個代理人和人類的組織；不再等待某個人醒來，就能跨越時區持續運行的工作流程；由恰好適量的「人類在迴圈中」來綜合決策的架構。

這會讓人感到陌生。更快、槓桿更高，但一開始也更令人迷失。每週例會的節奏、每季的規劃週期、每年的績效考核——這些可能都將不再適用。新的節奏將會浮現。我們失去一些清晰，換來規模與速度。

超越水車

每一種奇蹟材料，都需要有人停止用後視鏡看世界，開始想像全新的可能。卡內基看著鋼鐵，看見了城市的天際線。蘭開夏郡的工廠主看著蒸汽引擎，看見了不再依賴河流的廠房。

我們現在還在 AI 的水車階段，把聊天機器人硬貼在為人類設計的工作流程上。我們需要停止問 AI 只是做我們的副駕駛。我們需要想像：當人類組織以鋼鐵強化，當瑣碎的雜務被永不入睡的心智接手，知識工作將會是什麼模樣？

鋼鐵。蒸汽。無限的心智。

下一條天際線就在那裡，等待我們去建造。

筆者結論

成長的過程總是跌跌撞撞。技術轉型更是如此—沒有人第一次就找到最佳解，但有毅力持續嘗試的人，最終會找到它。

Ivan 說 Notion 現在有七百個代理人，和一千名員工並肩工作。這是起點，不是終點。我們自己在 OakMega 內部也建立了很多 Agent 在處理例行工作。老實說，我們現在的 AI 應用，處於一個「可以達成任務、但仍未效率最佳化」的狀態—這很正常，這就是探索期本來的樣子。所以我們會一直投入在 AI，不斷嘗試，不斷失敗，不斷修正，直到找到最佳解。

問題不是 AI 準備好了沒，而是你準備好重新想像你的組織了沒？準備好為了找到答案，不斷嘗試、不斷失敗、不斷修正了嗎？

歡迎留言告訴我你的想法。

👉 聯繫我們