2025 年 12 月 22 日，Notion 联合创始人 Ivan Zhao 写了一篇文章：《蒸汽、钢铁与无限心智》。

我前后读了不下五遍。再次从头到尾重读，依然震撼，依然共鸣。但这一次，我也读出了当初没太在意的东西：它描绘的未来有多迷人，有些地方就有多需要冷静。

文章发表后，引来了不少科技界人士的转发和讨论。Sholto Douglas 评价它“很美”，特别提到“AI是组织的钢铁”这个比喻；Sarah Guo 认为，它为未来的组织提供了富有启发的构想；Kevin Weil 也公开表达了赞赏。早期投资 Notion 的 Mike Vernal 则说，Notion 当年的 A 轮路演，是他投资生涯里听过最有说服力的故事，这篇文章让人看到了其中的原因。当时的讨论收录

这些评价不难理解。我们身处 AI 变革之中，每天都有新产品、新数字、新预言，却很难判断它们最终会把工作带向哪里。Ivan 把视线拉回工业革命，让今天发生的变化，有了一个可以参照的尺度。

新材料来了，我们还在用旧形式理解它

他的核心判断是：每个时代，都有塑造它的“奇迹材料”。钢铁改变了建筑与交通，半导体支撑起数字世界，如今，AI 以“无限心智”的形态到来。能理解并用好这种材料的人，将有机会重新定义工作的方式。

19 世纪中叶，卡内基还是匹兹堡街头的电报童。在此后几十年里，铁路、电力和钢铁逐渐改变了人们熟悉的世界。身处变化开端的人，很难想象它最后会长成什么样。

我们今天也有类似的困难。新东西刚出现时，往往先被装进旧形式里：早期电影像拍下来的舞台剧，今天的 AI 聊天界面，也保留着搜索框的影子。

Ivan 借用了麦克卢汉的后视镜比喻。用一句话说，就是：

我们总是透过后视镜，驶向未来。

这是全文我最想划线的地方。我们已经拿到了新的工具，却仍然习惯用旧工作的流程、分工和评价标准去理解它。能让原来的事情做得更快，当然有价值；但有没有一些过去根本做不成的事，现在可以做了？这个问题更难回答，也更值得想。

文章从个人、组织和经济三个尺度，推演了这种变化。原文

个人：智能体增加以后，谁来验收？

Ivan 写到，他的联合创始人 Simon 原本就是一位“10 倍工程师”，如今很少亲自写代码，而是同时指挥三四个 AI 编程智能体。吃饭前、睡觉前，他会排好任务，让智能体在自己离开后继续工作。用 Ivan 的说法，Simon 因此成了“30 到 40 倍工程师”。

这个倍数是作者对身边实践的描述，不能直接当成适用于所有人的生产率结论。但它指出了一种变化：一个人的工作，可以从亲手完成每一步，扩展到分配任务、提供上下文、检查多个执行者的结果。

乔布斯曾把电脑比作“心智的自行车”。Ivan 的意思是，AI 有机会让知识工作者从骑车变成开车。

不过，从自行车换到汽车，远不止换一个输入框。

程序员之所以较早感受到这种变化，一个原因是代码有相对明确的反馈：能不能运行，测试过不过，结果是否符合要求。其他知识工作就没这么容易。一份战略备忘录写得通顺，不等于判断正确；一份市场分析看起来完整，也可能从一开始就问错了问题。

原文提出了两道障碍：上下文碎片化、结果难以验证。我都认同，重读时更在意后一道。

如果 AI 用十分钟生成一份报告，人却要花两个小时逐条核实，省下来的时间可能又花了回去。任务越开越多，等待验收的结果也会越积越多。

智能体可以不断增加，人的注意力却不会跟着增加。所谓“无限心智”，很可能先碰上“有限注意力”的瓶颈。我们最终还得回答：什么可以自动验收，什么需要人来判断，什么出了错必须立刻停下。

组织：盖得更高，也得知道哪里会失效

AI 是组织的钢铁。

这是全文最漂亮的比喻之一。

钢结构让建筑突破了原有的高度限制。Ivan 设想，AI 也能帮助组织承受更大的协作规模：过去需要两小时的对齐会议，未来可能变成五分钟的异步审阅；需要多层流转的审批，也可能大幅缩短。

这些是他对未来工作方式的推演，能否实现，还取决于组织怎样改造流程。

他又讲到了蒸汽机。工厂最初引入新动力时，往往沿用旧布局；只有连厂址、设备和生产组织一起调整，新技术的潜力才能充分释放。这个类比放在今天也很容易理解：如果公司只是给每个人配一个聊天机器人，原有的会议、审批和部门壁垒照旧，AI 能发挥的作用就会受到限制。

在写下文章时，Ivan 说，Notion 已有约一千名员工，以及七百多个智能体参与工作。这是他当时描述的公司实践，也让这篇文章带有鲜明的战略宣言意味。原文中的组织实践与设想

但“钢铁”这个比喻，也有它容易遮住的部分。

钢铁的性能可以在明确条件下测量，AI 的输出则带有概率性。同一个系统，可能连续完成许多任务，也可能在一个看似简单的问题上出错。

这不意味着智能体越多，系统就必然越不可靠。关键要看，它们怎样连接，错误怎样被发现。

一个智能体的错误，如果被后续环节当作可靠前提继续使用，就可能越传越远。反过来，如果任务之间有清楚的边界，有独立校验，也能在发现异常时停止，错误就有机会被限制在局部。

所以，用 AI 搭建更复杂的组织，必须同时设计验收和纠错机制。否则，省下来的沟通时间，可能变成后面更昂贵的返工。

盖楼的人得知道材料能承受什么，也得知道它会在哪里失效。

知识经济：东京建起来以后，人怎样成长？

文章最后把尺度拉到了整个知识经济。

Ivan 用佛罗伦萨和东京作比。过去的城市更接近人的步行尺度，后来，铁路、地铁和高层建筑让超大城市成为可能。城市变得更复杂，人未必能掌握它的全貌，却也从中获得了更多机会和选择。

他认为，今天的知识组织，也许还处在“佛罗伦萨”的阶段。随着大量 AI 智能体参与工作，我们将有能力建造“东京”。

这个想象让我兴奋，但我最担心的，还是住在里面的人。

一个有多年经验的人，可以凭借积累判断 AI 的输出哪里不对。可如果他长期离开一线，只负责审阅结果，这种判断力会不会慢慢变钝？

年轻人的问题可能更难。过去，写初稿、查资料、改方案，常常既是交付任务，也是练习判断的过程。如果这些环节大量交给 AI，新人可以更快拿出像样的成果，但他是否理解成果背后的取舍？

AI 完全可能成为更好的练习伙伴，新人也不必把前辈做过的低效劳动再做一遍。但组织需要有意识地安排学习：让新人尝试作出判断，看到判断的后果，理解自己为什么错，再有机会重做。

否则，眼前的产出提高了，几年后需要独立负责的人，却可能没有成长起来。

东京建起来之前，先得想清楚，住在里面的人靠什么成长。

重读之后：期待新天际线，也要读懂材料

重读之后，我仍然觉得，《蒸汽、钢铁与无限心智》是这一轮 AI 浪潮里值得反复读的文章之一。

它当然承载着 Notion 对自身未来的设想，但这不妨碍它提出了一个好问题：当完成知识工作的成本和方式发生变化，我们为什么还要默认，今天的组织形态会一直存在？

只是，读者也需要把历史类比、作者的实践观察和对未来的预测分开。一个漂亮的比喻，可以帮助我们看见可能性，却不能替我们证明那条路一定走得通。

对我来说，这次重读多出来的思考，就落在那些具体问题上：任务交出去以后，谁来验收？错误进入流程以后，在哪里被拦住？越来越多工作由 AI 完成以后，人又怎样积累足以负责的经验？

下一条天际线值得期待。只是盖楼之前，要先读懂这块新材料。