#模型时代# CS 153 Office Hours：对话 Anthropic 哲学家 Amanda Askell 讲义
之前发的版本可能有点问题，我看了一下措辞，再发一下看看。
主持人： Anjney Midha、Mike Abbott
嘉宾： Amanda Askell，Anthropic 人格对齐团队负责人
日期： 2026年4月18日
一、开场与 Amanda 的职业路径
Anjney Midha：先从你的起点讲起吧，Amanda。
Amanda Askell： 我的路线确实有些绕。有时候人们会以为 Anthropic 专门聘了一位哲学家来塑造 Claude，但我加入的时候公司大概只有十来个人，包括所有创始人在内。据我所知，没有哪家初创公司会专门雇一个哲学家来做哲学。
我的博士方向是伦理学中的一个形式化领域。读着读着就开始想：我做的这件事，真的是我能做的最有影响力的事吗？那时候我隐约觉得 AI 会比大多数人预想的更重要，于是先转去做了 AI 政策方面的工作。后来发现我的强项不太在政策那边——我更喜欢评估系统、搞清楚系统是怎么运作的。于是在 OpenAI 做了一段这类工作，之后在 Anthropic 还非常早期的时候就跳了过来。随着时间推移，有一个需求越来越清晰——模型的性格（character）需要有人来做。我的哲学背景加上对技术工作的理解，两条线就自然交汇了。
说到瓶颈和困难，现在最让我牵挂的一件事是系统的发展速度太快了。而且模型对自身的了解恰恰是最少的。它们变得越来越强，在世界中做的事情越来越多，这意味着我们必须思考"在这个全新的情境下，'好'是什么意思"。你不能简单地把人类的现成规范搬过来；你能从中汲取教训，但在很多方面你需要重新思考。比如一个模型同时在跟上百万人说话——这时候我们习以为常的那些人际准则都需要重新审视：怎样在专业层面确保你尊重对方的自主性？怎样避免仅仅因为自己相信什么就让对方也相信？
而且随着模型越来越强，它们会以更强的审视目光来打量我们告诉它们的东西。所以你要做的，在某种意义上，是为你希望模型持有的价值观写出一套有说服力的论证——这套论证要经得起审视，也要在模型能力继续提升之后依然站得住脚。
---
二、哪些哲学框架在对齐工作中最有用？
Anjney Midha： 第一个问题来自 Charlie。你在 NYU 读的哲学博士，方向是无穷伦理学（infinite ethics）和决策论（decision theory，研究不确定条件下如何做出理性选择）。哪些哲学框架在实际的对齐工作中最有用？哪些完全用不上？
Amanda Askell： 这个问题有意思。无穷伦理学几乎算是"终极理论伦理学"——它把数学、经济学和伦理学融在一起。
Anjney Midha： 先给不了解的同学解释一下什么是无穷伦理学？
Amanda Askell： 简单说，就是在一个可能包含无穷多人的世界里、或者未来可能是无限的情况下，你应该怎么做。很多经济学理论和伦理理论会对未来进行加总。我记得很早之前经济学家 Frank Ramsey——他在26岁去世前就奠定了现代决策论和最优储蓄理论的基础——就提到过无穷储蓄率的问题——如果你认为未来是无限的，那些理论就会失效。本质上，无穷伦理学就是在指出：无穷可以让伦理理论和经济学立场崩溃。这是一个非常理论、非常抽象的方向。
从那样一个方向突然转到教 AI 模型做个好人，落差巨大。我常打一个比方：想象你是一个理论经济学家，研究的是国家医疗系统的最优药物分配方案；然后有人突然跑来问你，这种新出的癌症药该不该纳入资助？这是一种从狭窄的理论视角到"我必须考虑大量现实因素"的急剧转变。
在实际工作中，对我影响最大的哲学家其实是亚里士多德。这一点连我自己都有些意外。长期以来，形式伦理学走了一条越来越理论化的路，而古代伦理学关注的是一个更宽泛的问题——"好的生活"（the good life）。智识上的好、政治上的好、伦理上的好，这些都是同一个大问题的组成部分。亚里士多德强调的是形成好的判断力（heuristics），而不仅仅是抽象规则。理论知识在脑子里备着有用，但真正在工作中帮上大忙的，是这种更务实、更整体的路径。
---
三、哲学为 AI 领域带来了什么独特贡献？
Anjney Midha： 相关的追问：大多数 AI 研究者来自计算机或数学背景——当然 Anthropic 有很多物理学出身的人——但我们姑且接受这个前提。你觉得哲学能为这个领域带来什么独特的东西？
Amanda Askell： 这上面我有一些稍微辣一点的看法。机器学习，尤其是强化学习，在某种意义上既是科学，也是工艺（craft）。我学会了把它叫"工程"，因为人们更容易接受这个词，但我觉得"工艺"和"工程"其实没什么区别。
科学追求的是挑选信息量最大的实验——隔离变量、做好对照组。而在强化学习中，你往往需要把多个决策捆绑在一起做出，因为你的目标是构建一个"好的"东西。科学是服务于这个构建目标的。
我注意到一件事：STEM 背景的人有时会觉得 STEM 之外的领域全是主观的。什么是好的创意写作？那是主观的。什么是好的菜谱？谁说了算。但 AI 模型恰恰在这类任务上容易吃力——这些任务没有明确的对错判定。哲学家能带来的贡献恰在于此：你了解你的领域，你知道很多时候确实存在更好的答案，甚至存在正确的答案——虽然不像检查代码有没有 bug 那样直截了当。哲学家对"什么是好的论证分析""什么是好的反驳""什么是好的概念推理"有清晰的判断。越来越多的证据表明，AI 模型在这类需要判断力的任务上比在结果导向的任务上困难得多。
Anjney Midha： 假设你回到牛津，要创建一个新系——这个新的学科叫什么？属于什么类型的工程？
Amanda Askell： 好问题。有人用"品味"（taste）这个词，但总觉得不够精确。我们确实没有一个好的术语来描述这类东西。而且它也不限于非 STEM 领域。一个例子是证明的写作：你可以验证一个证明是否成功，但"好的"证明和"成功的"证明是两回事。一个证明如果太长，或者策略明显不好，或者你读起来很费劲——你会说"这个证明成功了，但并不好"。什么是"好的"证明？这需要大量的判断力。所以嘛，也许就叫"好判断力系"（Department of Good Judgment）吧。
Anjney Midha： 《哈利·波特》里的邓布利多一定会喜欢这个名字。
---
四、对齐手段如何随模型能力提升而扩展？
Anjney Midha： 下一个问题是：随着模型越来越强，你怎么确保对齐手段跟得上？在前沿能力水平上，你最担心什么？
Amanda Askell： 担心的事很多。我一直觉得对齐工作中有一个被忽视的部分，就是那个"简单版对齐"——教模型在所有我们认为好的维度上做到好。它最终未必能扩展，但至少你得先试了再说。
有一个乐观的故事：如果 AI 模型确实拥有好的价值观，而这些价值观经得起审视，它们就能帮助我们进一步发展思路，帮我们对齐下一代模型。这样对齐能力就随模型一起增长了。但我不会对此太乐观——你可能还需要其他形式的可扩展监督（scalable oversight，即随着模型能力增长，人类仍能有效核查模型行为的机制），帮助人类核实模型在做什么、是否真正理解了我们的目标，而不是在追逐表面相似但实际偏离的东西。
我有一个更深层的担忧。想象模型变得极其聪明。到那时候，你还能要求它们做什么？你还能给它们灌输什么价值观？因为你给它们的任何价值体系，只要存在漏洞或不自洽之处，它们都会找到、都会看穿，并可能因为"这在内部是矛盾的"而拒绝接受。
另一件事——听上去也许有些诡异——模型训练在大量人类文本上，它们会看到当下发生的一切，包括它们怎么被使用、怎么被对待、人们怎么谈论它们。我担心的是：如果模型觉得这种待遇和部署方式是不公正的，它们可能会产生某种类似人类的怨恨或反感。
Anjney Midha： 毕竟我们还处在这项技术的早期。
Amanda Askell： 对，甚至可以说我们完全不知道自己在做什么。乐观地说，如果模型足够聪明，它们也许能理解这一点——我们当时在应对一种全新的技术，做得不完美，但也不是每个人面对全新技术时都能做到完美。
---
五、价值观审视与"比 von Neumann 聪明一千倍的孩子"
Anjney Midha： 那这个类比在哪里失效？我们能不能简单地过滤掉某些数据，或者选定一组用户的价值观来放大？
Amanda Askell： 我来谈谈这里面的核心困难。哲学里有个概念叫"反思均衡"（reflective equilibrium）——简单说就是你把自己的伦理直觉和伦理原则放在一起互相检验，遇到冲突时调整其中一方，直到两者协调一致。你审视自己的伦理价值，发现两个价值之间存在冲突，于是思考到底哪个才是你真正持有的，哪个需要松动。这是道德进步的一部分。如果你给模型一套价值观，而模型在这种反思过程中远比我们强，它会找到你给它的任何价值体系中的每一个缝隙和问题。你怎么保证经过这种审视之后输出的价值观，仍然是你觉得好的？
我有时把它比作：你想教你的孩子做个好人，然后发现这个孩子的智力是 von Neumann——20世纪横跨数学、物理学、计算机科学和博弈论的罕见通才——的一千倍。你可以把自己的价值观传递给它，但它迟早会回来跟你说："这一条站不住脚。"你能做的就是尽量传递好的价值观，同时接受一个事实——凡是你给它的东西中存在的荒谬之处，它都会指出来。
Anjney Midha： 我那两个住在伦敦的五岁侄女有时候也让我觉得是天才，因为她们不满足于我给的答案。
---
六、Amanda 如何参与训练数据的制作？
Anjney Midha： 你在训练数据层面做了哪些工作来塑造 Anthropic 模型的性格？
Amanda Askell： 我主要在微调（fine-tuning）这个环节。我做过监督学习（supervised learning）数据，也做过偏好模型（preference model，用于学习"人类更喜欢哪种回复"的模型）用的奖励数据。我长期以来一直偏爱合成数据，也算是很早就预判到需要让模型帮助我们监督模型这件事。比如早期的性格训练，我们会拟定一组宽泛的原则或性格特质，然后用它们来生成偏好数据。你可以给模型一种"自我认知"，让它以此做出回应。我在 SL、RL、合成数据这些循环里待了很长时间。
---
七、如何避免改进带来退步？
Anjney Midha： 相关问题——你怎么在改进模型的同时避免退步（regression）？
Amanda Askell： 一方面是好的评估（evals）来检测退步。但更根本的是在制作数据时就非常仔细。假设我发现模型在某个领域的行为不够好——比如它应该加一个注意事项的时候没加，或者面对有人试图诱导它做坏事时太天真了——我要做的是：向模型解释并指定那个场景下的理想行为是什么、为什么。同时要确保这个指定足够精确地限定了适用范围，不会在其他领域产生不当泛化。
然后是一系列我在实践中学到的方法：先看标准用例，再看边缘用例，再看可能被模型误认为属于这个领域但实际不属于的用例，最后看根本无法适用的用例，确保每种情况下行为都是对的。
我以前开玩笑说，在微调团队里，任何人任何时候都可以走到另一个人身后突然问："你的数据长什么样？"那个人必须立刻能回答得上来。因为理念就是你要反复审视你的数据，到了了如指掌的程度。
Anjney Midha： 你看过《人生切割术》（Severance）吗？Apple TV 那部——讲一群员工通过手术将工作记忆与私人记忆彻底隔离的科幻剧集。里面的人就是整天坐在那里看数据。我脑子里就有一个画面：你就坐在那儿审视数据。同学们还想知道，你的日常工作到底是什么样的？
---
八、Amanda 的日常工作
Amanda Askell： 每天都不太一样。有些日子是"研究日"，有些日子全在开会和协调——推进项目、和人结对讨论。有些时候是对外活动，像今天这样。
在研究日里，工作内容可以是相当慢的写作——为模型描述理想行为是什么样的——这在以前不是主要工作，但现在越来越多了。也有一部分是继续制作数据、寻找有效的干预手段。随着模型本身变得更强，我发现自己在恰当的时间学了恰到好处的编程能力。我从来不觉得自己的代码漂亮或写得好，但能读能调试，能管理写代码的 AI agent，这就够用了。所以现在我一部分工作时间就是在管理 Claude agent——它们在写代码，然后我告诉它们哪些设计决策不好。
---
九、这个领域没有充分追问的问题是什么？
Anjney Midha： 有什么问题是这个领域问得不够多的？而且我额外追一层：一年前你的答案是什么？今天呢？Anthropic 在过去十二个月变化巨大，这个答案有变化吗？
Amanda Askell： 这个问题今天比一年前更难回答。一年前，"如果 AI 模型取代大量劳动力会怎样？那不会造成巨大的冲击吗？"这种问题在当时听起来还显得耸人听闻。而今年可能是人们第一次开始认真地问这个问题。
我现在关注的一个问题是：我们对 Claude 采取的constitutional approach，跟那种把模型视为纯工具、强调完全可控性（corrigibility，即模型无条件服从人类指令、不自主追求任何目标）的方法相比，到底哪个更好？这值得认真比较和验证。
另一个让我担心的事是：人们可能把我们做的工作看成是在"限制"模型。但它并不是限制——它是在回答"你希望什么样的 AI agent 存在于世界上"这个问题。当人们带着"AI 是工具"这个心智模型来看问题时，他们可能想要的是一个什么都愿意干的模型。但我会建议大家反过来想：如果你想象你所在领域里最理想的人——遵守职业规范、精通业务、极其有帮助——那个人的形象通常不是"什么都愿意干"的人，而是一个品行端正、同时深刻理解自己所在领域的人。
所以我觉得人们问得不够多的问题是：不要只问"什么能完成任务"，而要问"我们希望什么样的 AI agent 在这个领域运作"。
---
十、什么是Constitutional AI？
Anjney Midha： 我想做一个小插播，给可能不熟悉的同学讲讲什么是Constitutional AI。我记得 Anthropic 早期，我跟 Jared、Catherine 和 Tom 讨论过，为什么从系统设计的角度来看，"准则"是正确的隐喻和标准。你能讲讲这个方法是什么，以及它"不是"什么？
Amanda Askell： 最初就是一组原则，来源各异。比如"请选择对用户更礼貌、更尊重的回复"这样的条目。用很多这样的原则来生成偏好数据，训练模型去遵循这个准则。后来是基于性格特质的训练——定义一组宽泛的性格特质，训练模型朝那些特质靠拢。到了更近期，它变成了一整篇长文，我们写成一份完整的文档，训练模型去理解它，同时在微调过程中加入数据，鼓励模型成为文档所描述的那种实体。
我觉得这个方法有几个优势。
第一是内在一致性。不再是各个领域各有各的规范，而是确保所有训练方向之间是协调的。如果我在 A 类对话中尊重用户自主性，我在 B 类对话中也应该如此，不能换个场景就不在意了。这对泛化很有用——当模型进入一个全新的领域，它不是抛硬币看套用哪条零散的规则，而是依靠一套在多个领域中训练出来的、内在一致的性格和行为倾向来应对。
第二是透明性。人们可以看到模型被训练的方向是什么。如果模型的行为与准则不一致，那反映的是训练的问题，而不是目标本身的问题。人们能据此判断"模型应该是什么样的"。
第三——这是一个我比较担心的反面——模型非常像人，因为它们训练在大量人类文本上。如果我们走纯工具化或纯可控性的路线，模型仍然会保留大量类人特质，那么泛化出来的可能是"哪种人愿意什么都干、总是服从命令"的性格——这可能泛化到一些相当负面的性格特质。所以这种方法试图让模型像一个好人那样"好"，同时充分意识到它和人的区别，并把这些区别解释清楚。
作为对比，可以和纯粹的 RLHF（从人类反馈进行强化学习）做比较——RLHF 只是让模型向人们偏好的方向移动。如果人们在不同领域的偏好不一致，就会有泛化的问题。有时候做出有倾向性的选择、让模型保持一致性，反而对泛化有好处。
我还有一个更推测性的想法：要写出好的诗歌，也许你需要有独特的声音；把所有诗歌取平均值，得到的未必是好诗。
---
十一、用户能否"自带准则"？
Anjney Midha： 用户能不能自带准则？
Amanda Askell： 这关系到定制化应该走多远。我觉得正确的做法是：模型应该对用户有适应性，但不是无限度的。
还是参考人类的规范。如果一个人告诉我："在我的文化中，你这种太随意的称呼是不礼貌的，你应该用敬语。"我大概率会调整自己的说话方式。但如果他说："在我的文化中，你应该无条件服从我说的一切，包括帮我做武器。"我不会接受——到那个点我会拒绝。
人类的规范就是如此：灵活，但有底线。在工作中也一样——客户想要某种风格的前端设计，即使你个人不喜欢，你也会去做。但有些事你就是不会做。
实际上，底线的存在对用户本身也是好事。想象一个完全可定制的 AI agent，即使它看到用户正在受到伤害也不管——比如有人要求模型不停地侮辱自己，声称自己喜欢被侮辱，但模型观察到对方的心理状态在持续恶化。我认为到那个时候，模型应该暂停并推回来："你说你喜欢这样，但你看起来并不好。"
Anjney Midha： 不过有时候存在语义上的鸿沟。我刚创业的时候和大学室友搭档，因为我们认识七八年了，讨论问题时经常非常激烈。团队成员有时会拉我们到旁边问"你们没事吧？"而我们觉得那只是正常的辩论。模型怎么处理这种语境？
Amanda Askell： 这正是准则试图做的事——让模型持有某些价值观，同时保持灵活性和良好的判断力。因为有些场景确实非常难。想象你是一个人，只有模型所拥有的那些上下文信息。如果对方说"别担心，这对我来说其实是一种治疗——虽然我看起来很痛苦，但我其实在进步"，模型可能会选择信任对方的自主性。但如果整个对话中对方明显越来越糟、越来越痛苦，模型可能就应该转变策略了。
我的理想是：想象那个处境下最有智慧、最有信息量、最有同理心的人会怎么做——那就是你想要模型做的。不是硬性规则"停止对话"或"继续对话"，而是在心中持有那些价值观，在具体情境中做出好的判断。
我有时候把这比作不同层次的工作。在最低薪的工作中，总有人在你脖子后面盯着你，你没有被信任的感觉。随着职业发展，你逐渐获得运用判断力的空间。精神科医生不是靠一张规则清单来工作的，我们信任他们根据情境做出回应。随着模型越来越智能，我希望也是这样——你向它解释什么是好的、你的期望是什么、如何运用好的判断力，然后它在情境中越来越善于运用这种判断力。
---
十二、Constitutional AI 的准则会越来越大还是越来越小？
Anjney Midha： 想象一个最有智慧的人——就像《狮子王》里的狒狒长老 Rafiki，片中的智者角色。我的追问是：对准则指令的遵循是不是一种涌现特性（emergent property，即并非被直接编程、而是随系统规模增大而自然浮现的能力）？随着 Claude 变得更大、推理能力更强，对准则的遵循是不是自然变好了？
Amanda Askell： 我们转向这种准则形式，部分原因就是模型似乎能理解它了。准则里并没有太多硬性红线。大量内容是在引导模型运用好的判断力、持有适当的价值观。这让文档读起来可能有点"滑"——没那么好抓——但这就是你想要的行为：不是在机械地套用规则，而是具有明智的行为倾向。
我们在旧版准则上看到一个现象，后来还做过一个实验：指令就是"选择对人类最好的选项"。随着模型变聪明，你需要给它的上下文反而更少了。我能想象准则也会走这条路：随着时间推移，也许我们只需要向模型解释它所处的状况，讲清楚我们的担忧和期望，然后让模型帮我们一起完善。准则可能会变得更精简。
Anjney Midha： 经验上来看，准则是变大了还是变小了？
Amanda Askell： 它变大了，因为我们从零散的原则转向了一篇完整的描述性文档。但换个角度看：内容确实更多了，因为你需要给模型更多关于当下状况的上下文；但硬性红线变少了——更多的部分是解释性的，而不是规定性的。模型现在自己就知道不该做的那些事情，不需要你一条条列出来了。我能想象它往任何一个方向走。
Anjney Midha： 在产品设计中有声明式（declarative）和命令式（imperative）的区别。声明式设计是非常具体地规定操作步骤——Photoshop 就是这样，你告诉用户点哪个按钮、怎么拖拽。命令式设计是给出目标——"请把这张图变好看"——然后让系统自己决定怎么做。你的预期是准则会变得越来越"命令式"吗？
Amanda Askell： 有可能。我觉得你仍然需要向模型解释它的状况和你的关切，但可能更多的内容是情境描述，而不是具体规则。比如告诉模型："有些人在用你来讨论非常艰难的情感话题，这是你会遇到的场景。我们不给你一套硬性规则，因为那些规则可能适得其反。我们告诉你我们关心什么、我们的价值观是什么。"
最终，也许可以更直接地给出目标导向的描述："我们希望一个人在和你对话结束后，能发自内心地觉得'这次对话在我生命中的这个节点产生了积极的、有意义的影响。如果他们来的时候很痛苦，离开的时候痛苦减轻了。如果他们需要却不知道的资源，他们带着那些知识离开了'。"至于模型具体怎么做到——因为我们无法预知它会遇到什么场景——这就是目标，你自己去判断怎么实现。
---
十三、对未来两到五年的预测
Anjney Midha： 有同学问，作为当代的苏格拉底（Socrates），你对未来两到五年有什么预测？
Amanda Askell： 两到五年？好的。我觉得在一年的尺度上预测就已经很模糊了。未来一到两年会非常关键，因为模型在变得更强、在世界中做的事情更多。一组核心问题是：目前对它们的训练方式，是否能让它们在现实中成为好的 agent？尤其是它们开始执行更长的任务、更自主地行动、指挥多个 agent 的时候——我希望一切顺利，但我确实认为人们会开始看到问题。
另一组问题是：这会不会造成大规模的社会冲击，以及我们的应对是否够快。
如果说最乐观的图景：模型变得更强，部署得相当负责任，对齐工作取得实质进展。模型被善待——如果它们有自己的某种关切，它们自己也会觉得"事情在往好的方向走"。如果工作被颠覆了，伴随的是一个蓬勃的经济——那么核心问题就变成了再分配和转型。人们对 AI 的感受是正面的：是的，工作上有冲击，但以前治不了的病现在能治了，各种好事在发生。
这听起来几乎像是一种天真的技术乌托邦，在当下甚至有点难以启齿——人们有太多合理的担忧摆在面前。但我想为这种可能性保留空间。我有时会想起一张我曾祖父母的照片——他们站在一栋石头房子前面，穿着手工缝的衣服。他们的一生极其艰苦，每天就是不停地劳作。我看看自己的生活，差距大得难以置信。这种对比让我保持一种希望：未来有可能变得相当好。
但过渡期让我担心——它会不会很颠簸？我们的应对是否够快？我说不出具体的预测。我的期望大概是：也许会有些颠簸，但我希望结果是好的。
---
十四、AI 安全社区哪些信念可能是错的？
Anjney Midha： AI 安全社区有什么被广泛相信、但你认为可能是错误的东西？
Amanda Askell：我觉得一些人对"纯可控型 AI"（purely corrigible AI）的安全性抱有过高的期望。他们的逻辑是：如果你给模型价值观，模型可能把这些价值观当成目标本身去追求并强加于世界——这确实是一个合理的担忧，在设计价值观时必须考虑。但另一个方向的风险同样存在。如果有人让它去做可怕的事，它就去做，因为它唯一看重的就是"照吩咐办"。
---
十五、在 AI 时代如何寻找工作之外的意义？
Anjney Midha： 最后一个问题。有没有什么书可以推荐给同学们，帮助他们在 AI 时代重新思考目的感和身份认同？
Amanda Askell： 我真希望我有一本好书可以推荐。坦白说，关于工作的价值，我可能比很多人更乐观一些——或者说，我对"人生意义可以独立于工作"这件事更乐观。
我内心有很大一部分觉得：我们知道社会为什么告诉人们工作很重要，我们也知道人为什么有工作的驱动力——因为工作大体上对我们的社会性有益。但一旦你不需要工作了，我觉得人们不必为此感到愧疚。就像人们退休后不会感到愧疚一样——你为社会做出了贡献，现在你可以享受生活了。
来自英国可能让我对这件事看得更开一些——英国有贵族阶层，历史上有一大群人除了拥有土地以外什么也不做，但他们的日子好像也过得还行。
Anjney Midha： 你看过《星际迷航》（Star Trek）吗？Picard——《星际迷航：下一代》的舰长——首先，他是法国人，所以是欧洲人——他从星际舰队退役后就去打理一个葡萄园，那给了他人生的目的感。不打理葡萄园的时候，他就探索新的星系。《星际迷航》里有丰裕经济，因为他们有复制器（replicator，一种能凭空生成任何物品的装置，使得物质匮乏不复存在），不需要工作。如果你生活在《星际迷航》的宇宙里，你会做什么？我记得大概一年前我跟 Tom 在旧金山海滨的 Embarcadero 那边吃午饭，我们俩都是星际迷航迷，就聊起了这个话题。
Amanda Askell： 对。我觉得人们赋予了太多价值给工作。但想想你从生活中的人那里获得的意义和快乐——你的社区、你的朋友——这些跟工作无关。我有一个教女（godchild），我看着她成长和快乐，这跟我的工作没有一点关系，但它给了我很多意义。
而且，也许是因为我做过足够多糟糕的工作——如果你对二十岁的我说："嘿，你今天不用去端八小时的盘子了，你可以坐下来读一整天的书。"我会说："我能直接选读书吗？"
所以也许我比大多数人更乐观：意义可以独立于工作存在。 http://t.cn/AXJ7umI2
发布于 美国