@jerryjliu0：这是一篇关于初创企业与前沿实验室如何共存的精彩文章。另一种视角是任务复杂度——

这是一篇关于初创企业与前沿实验室如何共存的精彩文章。另一种视角是任务复杂度——即需要多少比特的信息来指定一个任务，使得AI能够以高于准确率阈值的方式解决该任务： * 如果最小比特数较低（例如总结通话记录），那么你只需提示Claude Cowork即可完成。 * 如果最小比特数高得多（例如遵循100页的SOP来处理生产线偏差）——尤其是当任务需要在整个组织内标准化时——那么指定任务并配备相关护栏/可审计性/沟通的行为就变得复杂得多，期望一个组织在没有软件框架的情况下利用核心技术是不可行的。 更高复杂度的任务规范与验证这些任务的复杂度相关，尽管它们不一定相同。我认为这两个方向都是AI初创企业可以把握的机会。 例如，一个端到端的销售代表代理在某种程度上容易验证（超额完成指标），但实际如何做的任务规范却很复杂，并且运行的时间跨度可能超过一年——才能看到销售代表是否能真正达到指标！这意味着，即使Fable 5只需给定目标就能准确完成，也有很多机会优化此工作流程以大幅降低成本（在这种情况下，这对销售与营销支出很重要）。 许多任务既难以指定又难以验证，例如复杂的保险理赔裁决。在这些情况下，巨大的瓶颈不是模型本身，而是人类定义什么才是解决手头任务的正确方法的能力。 随着前沿模型越来越好，指定任何任务所需的最小比特数将会下降，但我认为在知识工作领域仍然存在巨大的差距，任何非前沿实验室的公司都可以利用这一点。