碎碎念（不用看，写给我自己的）：如果chat/agent是新的UI/SDK，MDP可以plug in data，skills是domain specific knowledge，这三个东西叠加在一起，理论上的确可以取代一个特定领域mediocre的工作者 就好像莲藕可以拼出来一个哪吒[微笑] 但实际落地困难重重，我最近一直在想到底哪里不对？

目前我觉得至少有两点：
没有评价函数：和coding不同，coding有一个闭环的training loop，每个“预测”（写出的code）都可以知道绝对的对错（能不能run，结果是否如预期）。而很多task是没有这种评价函数的。或者一个工种里包含多个task，会因为有20%的task无法“训练”导致这个工种无法一比一的直接取代。目前我们看到的是人的确用agent在做他工作中可以结构化的部分，但因为结构化比例不高所以他没有被取代。那么最有可能发生的就是工种的task会被dismantle，可以验证甚至多次run的低风险task的重组并被agent化，剩下的不确定性高，高风险的task重组为一个新工种。这也符合anthropic报告中的信号。

第二点是显性知识和隐性知识。skills是可以写出来的显性知识，但肌肉记忆之所以是肌肉记忆就是因为我说不出来，它来自长期训练后形成的高维模式识别与压缩。理论上说一个解法是让人create data RL出这些说不出的隐性知识。但比如institutional know how，这东西怎么显性化？这个risk reward也是不清晰的，暂时不被prioritize。我觉得他很重要，但投资者/老板未必觉得，也可能我觉得重要只是基于我自己的之前的经历和工种，不能代表所有知识工作，似乎每个行业都是不同的。不如去找显性知识占绝对优势的task先automate掉，不要考虑tackle隐性知识的部分，也许it’s meant to be left unsolved.

最后一点碎片是只要demand足够，supply端还有足够空间扩张就不存在replaceable的问题，另外就是因为新的invention出现的新问题是新的机会，可以提前几步布局，今年值得好好的想一想，不能再偷懒了。

今年真的很像2022年我坐在那想傻瓜trade的那年，唉😮‍💨 那一年的trade没一个能要（但是是对的，比如我5月call了pay July，只不过idea写的不好，我说不清楚），但是这是必经过程，人不能怕犯蠢。