从《巨浪已来》看AI真正的下一步：从任务驱动走向目标驱动

读完智谱创始人唐杰的内部信《巨浪已来》，最触动我的，并不是AGI、ASI这些宏大的技术判断，而是其中一个看似朴素、实则可能改变每个人工作方式的概念：

长程任务能力。

唐杰说，今天最令人兴奋的突破，是让模型学会完成一个极长的任务。它不再只是即时问答，而是能够跨越数周、数月，甚至数年，持续进行规划与执行。

这句话让我重新审视了自己使用AI的方式。

我一直算是比较深度的AI使用者。无论是GPT，还是Codex，我已经把它们大量用于投资研究、数据分析、信息整理和报告写作。但仔细回看，我过去的大部分使用方式，依然停留在一个非常传统的框架中：

我给AI布置一个任务，AI完成任务，然后这次合作就结束了。

我要研究一个板块，就让AI整理资料；我要分析一家企业，就让AI阅读财报；我要做一次市场判断，就让AI搜集数据、生成结论。

表面上看，我已经在使用最先进的工具。

但本质上，我只是把过去由人执行的任务，外包给了AI。

这不是AI原生，只是AI提效。

一、我们把AI当成了一个更快的员工

以我最近一直在研究的券商板块为例。

过去，我通常每周主动分析一次：看看市场成交额，看看政策变化，看看板块估值、资金流向和技术走势，再判断目前是红灯、黄灯还是绿灯，有没有出现值得关注的买点。

每到需要分析的时候，我会把数据和问题交给AI，让它完成一次研究。

这种方式已经比纯人工高效很多，但它仍然存在一个根本问题：

市场机会不会按照我的工作日程出现。

真正的买点可能在周二上午出现，某个关键变量可能在周四突然发生变化，一条政策信息可能在几分钟内改变整个板块的赔率结构。

但我依然是在按照“每周分析一次”的人类节奏工作。

人按照日历工作，市场却按照变量变化。

如果AI只是等我发出指令，那么无论它回答得多快、多准确，它依然只是一个被动工具。只有当我主动想起这件事，它才会开始工作。

这正是任务驱动的局限。

任务驱动关心的是：

我现在需要AI帮我完成什么？

而目标驱动关心的是：

在未来一段时间里，我最终希望得到什么结果？

两者看起来只有几个字的差别，实际上对应的是完全不同的工作系统。

二、真正的长程任务，不是把一个任务做得更久

很多人会把长程任务理解为：让AI连续工作几十个小时，或者不断生成日报、周报。

这并不准确。

真正的长程任务，不是让AI机械地工作很久，而是让它在很长时间里，不丢目标、不丢上下文、不丢判断标准。

它需要围绕一个尚未完成的结果，持续感知外部变化，更新内部判断，决定下一步应该做什么，并在关键条件出现时主动通知人。

比如，我真正应该交给AI的，不是：

帮我分析一下今天的券商板块。

而应该是：

在未来三个月内，持续跟踪券商板块。在不追高的前提下，识别风险收益比显著改善的投资窗口。一旦多个核心条件形成共振，立即提醒我；在没有出现机会时，定期更新目前所处阶段、已经确认的信号、尚未确认的信号，以及原有判断是否发生变化。

这就不再是一个问题，而是一个持续运行的研究项目。

AI每天需要做什么，不应该全部由我提前规定。它应该根据目标和环境变化，动态生成任务：

今天可能需要分析市场成交额；

明天可能需要跟踪资本市场政策；

后天可能需要检查板块相对强弱；

某家公司发布业绩预告后，它需要重新评估行业盈利预期；

当资金、估值、政策和价格行为开始形成共振时，它需要主动提高优先级。

任务是不断变化的，但目标始终不变。

这才是长程任务的核心。

三、人不是没有目标，而是不得不把目标拆成任务

“人是任务驱动的，AI是目标驱动的”是一句很有冲击力的话，但更准确地说：

人类由于注意力、记忆和精力有限，不得不把一个长期目标，拆解成一个个可以执行的短期任务。

我们依靠日历、待办事项和会议管理工作，是因为人会疲劳、会遗忘、会分心，也会受到情绪影响。

一个人很难在三个月内，每天以同样的标准跟踪几十个变量；更难在同时研究多个行业时，始终保持完整的上下文和一致的判断框架。

AI的优势恰好相反。

AI不需要休息，不会因为重复而厌倦，可以同时监控大量变量，可以保留每一次判断的依据，也可以不断把新信息与原有假设进行比较。

所以，AI真正的价值，并不是替人完成更多零散任务，而是承担人类最难长期维持的部分：

持续关注、持续比较、持续验证和持续更新。

但这并不意味着AI天然就是目标驱动的。

一个普通的大模型，本质上仍然是在收到输入后生成输出。要让它真正承担长程任务，还需要在模型之外建立一套系统：持久化记忆、可靠的数据源、定时触发机制、工具调用能力、结果评估标准、异常升级机制，以及明确的安全边界。

换句话说，未来的竞争不只是模型能力的竞争，更是“能否把模型组织成一个长期运行系统”的竞争。

四、投资研究需要的，不是一份报告，而是一个持续进化的判断系统

如果把券商板块研究做成长程任务，我认为至少需要五个组成部分。

第一，是一个明确且相对稳定的目标。

目标不是“预测明天涨跌”，而是在未来一段时间内，持续识别板块赔率是否发生根本变化，尽可能减少追高和过早入场。

第二，是一套可以被反复执行的判断框架。

例如市场成交活跃度、流动性环境、资本市场政策、两融数据、板块估值、盈利预期、资金流向、相对强弱和市场情绪。

具体指标可以调整，但判断框架不能每天更换。

第三，是一份不断更新的“证据账本”。

AI不能只给出今天的结论，还要记录：

过去的核心假设是什么；

新增了哪些支持证据；

出现了哪些反对证据；

哪些信号已经确认；

哪些信号仍然不足；

整体置信度为什么上升或下降。

第四，是清晰的触发机制。

平时没有重大变化时，只需要做简短更新。一旦出现关键变量突变、多个信号共振或者原有逻辑被破坏，系统就应该立即提醒，而不是等到下一次例行分析。

第五，是持续的复盘和校准。

每一次信号出现以后，都要回看：哪些指标真正有效，哪些指标带来了误导，触发条件是否过松或过严，判断框架是否需要调整。

这样形成的就不再是一份静态报告，而是一个会积累、会纠错、会进化的研究系统。

对投资者而言，AI最重要的作用，不是替你下注，而是替你维护一个长期、可审计、不会疲劳的认知系统。

五、长程任务改变的，是工作的基本单位

过去，我们使用AI时，工作的基本单位是一个Prompt、一个任务或者一个文件。

未来，工作的基本单位可能会变成一个“持续目标”。

这意味着AI的使用方式将发生三个变化。

首先，从“回答问题”变成“维护状态”。

今天的板块是什么状态？与上周相比发生了什么？哪些条件正在接近，哪些条件正在远离？AI需要持续维护对现实世界的最新理解。

其次，从“生成内容”变成“运行流程”。

报告只是流程中的一个输出。真正有价值的是报告背后的数据获取、假设验证、异常识别和判断更新机制。

最后，从“等待指令”变成“例外管理”。

大多数时候，系统可以自行完成监控和更新；只有在重大变化、信息冲突、判断失效或需要承担风险时，才把问题升级给人。

人的角色也会随之改变。

未来最重要的能力，不是给AI安排更多任务，而是定义正确的目标、边界和评价标准。

人负责决定什么值得追，AI负责不厌其烦地追下去。

人负责价值判断、风险偏好和最终决策；AI负责监控、整理、验证、比较和迭代。

六、AI真正的分水岭，不是谁更会写提示词

过去两年，很多人把“会使用AI”等同于会写提示词。

提示词当然重要，但它更多解决的是单次交互质量问题。

真正决定AI应用深度的，是能不能把一个复杂目标，设计成可以持续运行的闭环系统。

未来高价值的AI系统，不只是今天能给出一个漂亮答案，而是半年后仍然记得最初的目标，知道外部世界发生了什么，能够解释自己的判断为什么变化，并在出现错误以后调整方法。

这也是唐杰在《巨浪已来》中提到记忆、持续学习和自我评判的重要原因。

没有记忆，长程任务每次都要重新开始；

没有持续学习，系统只能重复旧方法；

没有自我评判，错误就会在长期运行中不断积累。

长程任务实际上把这些能力压缩成了一个最直接的检验标准：

一个AI系统，能否长期承担一项责任，而不只是短暂完成一次工作？

七、从任务驱动到目标驱动，是AI应用真正的跃迁

读完《巨浪已来》之后，我对自己使用AI的方式也有了一个新的判断。

下一步，我不应该只是让AI帮我完成一次券商板块分析。

我应该把“未来三个月持续识别券商板块机会”这件事，设计成一个长期运行的目标系统：让它持续跟踪，持续更新，持续验证，在没有机会时保持克制，在赔率发生变化时及时提醒。

在现阶段，要实现这套系统，依然需要数据源、定时任务、记忆、邮件提醒和工作流的组合，并不是写下一句提示词，AI就能自动运行三个月。

但方向已经非常清楚。

任务驱动带来的，主要是效率提升。

目标驱动带来的，则可能是能力边界的改变。

过去，一个人很难同时对十几个行业进行全天候、连续数月的高质量跟踪。未来，通过目标驱动的AI系统，这可能成为一个普通研究者的基础能力。

它不再只是把原来的工作做得更快，而是让过去根本无法持续完成的工作，第一次变得可行。

AI时代真正的分水岭，不是谁能让AI更快完成今天的任务，而是谁能让AI持续追踪明天的结果。

人负责决定哪座山值得登。

AI负责在漫长的攀登中，不遗忘、不疲倦，也不轻易松手。

这或许才是《巨浪已来》对每一个AI使用者最现实的提醒。