W讀Podcast｜當 AI 把智力變便宜，人類最後的工作叫「驗證」

TL;DR

• MIT 經濟學家 Christian Catalini 提出核心論點：AI 時代最稀缺的資源從智力轉移到驗證（Verification）
• 「能被量測的東西終將被自動化」，人類的價值在於那些尚未被量化的判斷與經驗
• 四個象限框架幫你定位自己：Meaning Maker、Liability Underwriter、Director、Displaced Worker
• Missing Junior Loop：入門級工作正在消失，但年輕人也擁有史上最強的工具去跳過傳統路徑
• Trojan Horse Externality：自動化速度遠超驗證能力，累積的隱藏風險可能像 LTCM 一樣一夕崩盤
• Crypto 的 proof of personhood 和鏈上溯源，可能成為 AI 時代驗證基礎設施的關鍵拼圖

這集在 2026 年 3 月 26 日播出的 Bankless Podcast，由 Ryan Sean Adams 和 David Hoffman 主持。Bankless 是 Crypto 圈最知名的英文 Podcast 之一，核心定位是幫聽眾搞懂 Crypto 和 DeFi 的最新發展，不過最近越來越常把觸角伸進 AI 領域。來賓 Christian Catalini 是 MIT Sloan 的研究科學家，也是 MIT Cryptoeconomics Lab 的創辦人。他另一個身份是 Lightspark 的共同創辦人兼 Chief Strategy Officer，更早之前則是 Facebook Diem（就是以前叫 Libra 的那個）的共同創造者和首席經濟學家。簡單說，這個人在 Crypto 跟經濟學的交叉路口待了超過十年，現在帶著一樣的經濟學框架來拆解 AI 對就業市場的衝擊。

三十萬年的瓶頸正在消失

三十萬年來，人類文明的瓶頸一直是腦袋。我們的體制、教育系統、企業組織，全都是圍繞著「智力是稀缺資源」這個前提設計的。怎麼從最聰明的人身上榨出最大產值，基本上就是整個現代管理學的核心命題。

現在 AI 正在把這個前提拆掉。

Catalini 跟另外兩位共同作者（Washington University 的 Xiang Hui 和 Jane Wu）寫了一篇論文叫 Some Simple Economics of AGI，核心論點很直接：當智力變得便宜到幾乎免費，稀缺性會轉移到別的地方。那個地方就是驗證。

我之前在跑在 AI 的輪圈上，停不下來也不敢停寫過那種每天追 AI 新工具、停不下來又不敢停的焦慮感。Catalini 在節目開頭也坦承，這篇論文本身就是那股 low-grade fever（低度焦慮）的產物。他說最近幾個月，光是 12 月到 3 月之間技術的跳躍速度，就超出很多人的預期。

那到底什麼是驗證？

可量測的都會被自動化，剩下的才是你的價值

Catalini 提了一個很銳利的切法：別再用「品味」（taste）和「判斷力」（judgment）這種模糊的詞來安慰自己了。這些詞聽起來很厲害，但你很難定義清楚，也很難證明自己有。

他在論文裡直接把這兩個詞踢出局。

他的框架更簡單：世界上的事情分成「可量測」和「不可量測」兩種。只要一件事被量測過、被轉化成數據，AI 遲早會做得比你好，而且便宜非常多。你的 AI Agent 已經讀過全網的書、文章、程式碼和對話紀錄了。在這些「已量測」的領域，它就是比你便宜、比你快、比你能複製。

那什麼是「驗證」？就是你腦中那些還沒被量化的經驗和直覺。一個頂尖設計師看到 AI 生成的版面，三秒內就知道「這是 slop（垃圾）」，即使他說不清楚為什麼。一個資深 CTO 看到 AI 寫的整坨 code，能精準指出「這五個地方絕對不能出錯，我要逐行看」。

這種能力來自哪裡？來自你這輩子踩過的坑、做過的決策、經歷過的各種 out-of-distribution（訓練集以外的）場景。Catalini 用了一個很好的比喻：這些就是你大腦神經網路裡獨有的 weights（權重），AI 還沒辦法複製。

他還舉了一個很有意思的例子。很多早期投入 Crypto 的人，來自阿根廷、委內瑞拉、奈及利亞這些經歷過惡性通膨的國家。他們的父母扛著一整袋鈔票出門買東西的記憶，讓他們看到 Bitcoin 的白皮書時有完全不同的反應。同樣的資訊，不同的 weights，產生截然不同的判斷。

Codifier's Curse：驗證也是一座正在融化的冰山

Ryan 在節目裡很直接地問：驗證這件事本身，不也會慢慢被 AI 學走嗎？

Catalini 的回答很誠實：會。

他在論文裡給這件事取了一個名字叫 Codifier's Curse（量化者的詛咒）。邏輯是這樣的：你每次做驗證，每次說「這個可以、那個不行」，你就在產生數據。而數據一旦存在，就能被量測。能被量測就能被自動化。

所以你做的每一次驗證，都在訓練 AI 取代你的驗證能力。

節目裡有一段用 AI 生成影片的例子講得很好。David 說他看到一段伊朗衝突的影片，放大一看發現建築物是複製貼上的、街上的車形狀不合理，所以他判斷是 AI 生成的。但 Catalini 接著說，我們大概離「普通人完全分辨不出來」的那天不遠了。到時候就需要軍事專家來看爆炸的物理特性對不對。再之後，連軍事專家也看不出來，得靠 AI 跑模擬才能判斷。

所以驗證這座冰山的表面積確實在縮小。

但 Catalini 話鋒一轉：冰山的另一面其實在變大。那些根本無法量測的東西，人類創造意義的能力、社會共識的形成、對未知領域的探索，這些領域的版圖反而在膨脹。AI 把「已知世界」的工作做完了，但「未知世界」因此變得更大。

四個象限：你的工作在哪一格？

論文裡有一個很實用的 2x2 矩陣，用「自動化成本」和「驗證成本」兩個維度把所有工作分成四種：

	自動化成本低（容易自動化）	自動化成本高（難自動化）
驗證成本高	Liability Underwriter（風險承擔者）	Meaning Maker（意義創造者）
驗證成本低	Displaced Worker（被取代者）	Director（導演）

Displaced Worker：左下角，你最不想待的地方。自動化容易、驗證也容易，AI 做完再用另一個 AI 檢查就好。Catalini 直接點名：傳統 SEO 內容農場、大部分的 paralegal（律師助理）、把公開資訊重新包裝的顧問服務。如果你的工作本質是把已有的東西換個皮，基本上沒有護城河。

Liability Underwriter：自動化容易但驗證很難。這是各領域頂尖 1% 的人，他們的價值在於幫 AI 的產出「蓋章背書」。頂級律師、頂級醫生、頂級工程師都在這裡。他們會用 AI 大幅擴張產能，但最終的判斷還是得由他們來做。VC 也是好例子，因為一筆投資對不對，可能要五到十年才知道。這段時間差就是人類判斷力的護城河。

Meaning Maker：自動化和驗證都很難。這群人的價值在於「創造社會共識」。時尚設計師、藝術家、社群意見領袖。Catalini 直接說，Crypto 很大一部分也落在這個象限，因為一條鏈值不值錢，很多時候是看社群共識和敘事能力。

Director：自動化難但驗證相對容易。這是創業者、科學家、任何需要在 Knightian Uncertainty（奈特式不確定性，連機率本身都無法估算的那種未知）中做決策的人。工作方式就像好萊塢導演，放出一群 Agent 去執行，但全程在修正方向，感覺哪裡不對就拉回來。沒有 SOP，全靠不斷的 course correction。

老實說，看到這個框架我第一反應是去想自己落在哪一格。應該多數人都會這樣吧。

Missing Junior Loop：年輕人的起跑線不見了

整集裡我覺得最值得關注的議題。

Catalini 說的 Missing Junior Loop（消失的初階循環）是這樣的：很多產業的入門級工作，本質上是一個訓練場。你當 paralegal 不是因為這工作本身有多大價值，是因為你在過程中學到法律思維。你當 junior engineer 寫 CRUD，不是因為公司真的需要你寫，是因為你在這過程中理解了整個系統怎麼運作。

AI 把這些訓練場直接鏟平了。

公司不需要 junior 做這些事了，AI 做得更快更便宜。這跟之前在 SaaS 要死了嗎？從 Klarna CEO 砍掉一半員工的故事聊起 提到的趨勢完全一致。Klarna 把人砍一半，不是生意變差，是 AI 直接取代了大量中間層。

但 Catalini 也提了另一面。這些年輕人現在手上有史上最強的工具。一個剛畢業的人，可以在一個週末用 AI 把一個 idea 從概念做到上線 prototype，五年前這需要一整個團隊。傳統的「拿學位、找實習、慢慢升」路徑確實在崩解，但新路徑是直接拿工具去造東西。

他給年輕人的建議是：你的野心應該是我們那個年紀的 100 倍。因為工具允許了。

Trojan Horse Externality：你看不見的風險在累積

自動化成本下降的速度，遠超過人類驗證的頻寬。結果就是越來越多 AI 的產出，沒有被真正驗證過就上線了。

現在很多公司說「我們 30% 到 50% 的 code 是 AI 寫的」。你仔細想，這些 code 真的有人逐行看過嗎？

大概沒有。

Catalini 把這叫做 Trojan Horse Externality（特洛伊木馬外部性）。短期內可能沒事，Proxy Metrics（代理指標）看起來一片綠燈，出貨速度變快，客戶成長數字好看。但風險在暗處累積。他拿 LTCM（Long-Term Capital Management，長期資本管理公司）當比喻：那些聰明的金融工程師搞出來的模型跑得很順，直到某個 edge case 出現，整個基金在幾天內崩掉。

這就是 Hollow Economy（空心經濟）的風險。所有可量測的指標都在改善，但底下有一堆沒人看過的地雷。他跟之前網路上流傳的 Citrini Research 那篇文章談的「空心經濟」概念有重疊，但 Catalini 的定義更精確：不是 AI 太強所以沒人有工作，是所有人都在追 proxy metrics 但沒人在做真正的驗證。

Crypto 可能是驗證基礎設施的關鍵拼圖

Catalini 在 Crypto 產業待了超過十年，他的觀察是：Crypto 過去十年蓋的很多東西，剛好是 AI 驗證時代需要的基礎設施。

Proof of Personhood（人格證明）：當 AI Agent 滿天飛，你怎麼知道跟你互動的是真人還是 Bot？Crypto 圈已經在做這件事了，鏈上的 attestation（認證）和各種去中心化身份協議都是。

Provenance（溯源）：一段影片是真的還是 AI 生成的？如果有密碼學等級的 chain of custody（監管鏈），從拍攝到呈現每一步都有紀錄，這問題就有解。Catalini 提到 Stanford 有一個實驗室已經在用這種技術記錄戰區的影像證據。

之前在 Crypto 不是為人類設計的，是為 AI Agent 設計的 那篇聊過類似觀點。Catalini 的論文等於從經濟學角度補了一塊拼圖：在 AI 時代，驗證基礎設施只會越來越值錢。

所以到底該怎麼辦？

Catalini 最後給了一些蠻務實的方向：

個人：把自己的工作拆開看。哪些部分是可量測、容易被自動化的？哪些是你獨有的判斷和經驗？拼命用 AI 取代前者，把時間集中在後者。如果你還年輕，別等傳統路徑了，直接拿工具去造東西。

公司：自動化能自動化的，但同時投資驗證基礎設施和人才。另外，如果你的公司擁有某種 proprietary ground truth（獨家真實數據源），比如 Bloomberg 的金融數據、Wirecutter 的產品評測，這在 AI 時代會更值錢。因為 Agent 比人類更需要可靠的資訊來源，它會比人類更容易被假資料騙。

投資人：找在建驗證基礎設施的公司。找擁有獨家 ground truth 的公司。找在探索「不可量測領域」的深度科技項目。以及，重新評估手上持股的護城河。那些 network effect 是 AI Agent 可以用 compute 暴力破解的嗎？如果是，護城河沒你想的那麼深。

焦慮是合理的，但別讓它癱瘓你

Catalini 最後說了一句我覺得很中肯的話：別讓那股焦慮把你定住。去玩工具、去實驗、去把那些一直想做但覺得自己不夠格做的事情做出來。最壞的情況是你發現了模型在哪裡會壞掉，那本身就很有價值。

他還提了一點：很多人的 side project 或業餘愛好，搞不好才是他們在新經濟裡最值錢的東西。Creator Economy 已經是一個前兆了，那些在 YouTube 和 TikTok 上把某個極度小眾的主題做到極致的人，反而在 AI 時代有護城河。

我自己的感覺是，這篇論文的框架比「AI 會取代所有人」或「人類永遠不可取代」這兩種極端都有用得多。它給了一套可以操作的思考工具，讓你去盤點自己的工作到底在哪個象限。至於答案是什麼，每個人自己最清楚。

去想一下就好。

更多 AI 和 Crypto 交叉領域的觀察，都會持續更新在 wilsonhuang.xyz，有興趣的可以訂閱追蹤。