摘要
人工智能通常被理解为一种能力扩张技术：它提高信息获取、文本生产、编程、分析和决策辅助的效率。然而，随着 GPT-6 Astra 一类能够操作电脑、调用工具并执行复杂工作流的 Agent 型人工智能出现，AI 的社会意义正在发生更深层的变化。它所降低的不再只是知识生产成本，而开始包括执行成本、协调成本和将意图转化为结果的成本。
本文提出一个分析性命题：当实现目标所需要的能力逐渐从稀缺资源转化为可以大规模调用的基础设施，社会的关键稀缺性可能向上游迁移，从“能力稀缺”逐渐转向“目标稀缺”。这里所谓目标稀缺，并不是指人缺少欲望，而是指具有长期一致性、系统价值、反思基础并值得投入巨大智能资源的高质量目标仍然高度稀缺。
由此，人工智能时代人的核心问题也将发生变化：人的能动性不再主要体现为“我能够完成什么”，而越来越体现为“我能够形成什么目标、判断什么值得追求，并愿意为什么后果承担责任”。这意味着教育、管理、组织理论乃至人的自我理解，都可能需要从“培养执行能力”进一步转向“培养目标形成能力”。
关键词：人工智能；目标稀缺；人的能动性；有限理性；工具理性；Agent；目标形成。
当实现目标所需要的能力逐渐成为可大规模调用的基础设施，社会的关键稀缺性便可能从“能力稀缺”转向“目标稀缺”。
一个正在被忽视的变化：AI降低的已经不只是知识成本
2026 年 GPT-6 Astra 的出现，使一个原本主要存在于理论讨论中的问题变得更加现实。OpenAI 对 Astra 的定义已经不再局限于语言生成，而是“面向最困难端到端工作的模型”，能力范围覆盖复杂推理、编程、computer use、研究和文档生产，并且能够在代码、浏览器和专业软件之间持续执行多步骤工作流。（OpenAI Developers）这意味着人工智能正在经历一次重要的功能迁移：早期的大语言模型主要降低“获得答案”的成本，而 Agent 型人工智能开始降低“把事情真正做完”的成本。
这个区别非常重要。过去，一个人即使知道应该做什么，也仍然需要投入大量时间，将知识转化为行动。研究市场需要搜索资料、筛选信息、建立表格、比较竞争者、制作报告；开发一个产品需要设计、编程、测试、修改和部署；经营一家公司则需要处理邮件、CRM、财务、供应链、会议和各种持续性的协调工作。真正限制一个目标能否实现的，从来不仅是“有没有正确想法”，而是从想法到现实之间存在一条漫长而昂贵的执行链。
人工智能正在压缩这条链。早期实证研究已经显示，生成式 AI 可以显著提高具体工作的生产率。Brynjolfsson、Li 和 Raymond 对 5,179 名客服人员的研究发现，使用生成式 AI 助手后，平均生产率提高约 14%，其中经验较少和技能较低员工的提升达到约 34%。（国家经济研究局）而现在 Agent 又把这种能力进一步从“辅助人完成一个步骤”，扩展到“连续处理多个步骤”。因此，理解 AI 的长期影响不能只问“它会不会比人聪明”，而必须开始问另一个问题：当知识、计算、编程和执行越来越容易获得以后，究竟什么会成为新的稀缺资源？
本文的基本判断是：答案可能逐渐从“能力”转向“目标”。
人类社会长期面对的，本质上是一种能力稀缺
现代经济学和组织理论长期建立在一个基本事实之上：人的能力是有限的。Herbert Simon 用“有限理性”概念挑战了传统经济学关于完美理性行动者的假设。他指出，现实中的人受到信息、时间和计算能力的严格限制，因此无法在所有可能方案之间进行无限搜索和最优计算，只能在有限资源下寻找足够好的解决方案。（斯坦福哲学百科全书）
有限理性不仅解释个人决策，也可以帮助我们理解为什么现代社会会发展出如此复杂的职业分工和组织体系。一个人不可能同时掌握医学、法律、会计、工程、市场营销和程序开发，也不可能在一天中处理几千条信息。因此社会通过专业化解决能力不足，通过企业解决协作问题，通过管理层级解决信息处理问题，通过软件进一步扩大人的执行效率。从这个意义上说，现代组织本身就是一种应对人类能力稀缺的制度技术。
一个目标从产生到实现，通常需要经历“信息获取—理解问题—设计方案—获得技能—任务分解—协调资源—具体执行—结果验证—纠错修改”等多个环节。过去，一个人的目标规模之所以受到限制，很大程度上不是因为他没有愿望，而是因为中间过程太昂贵。一个普通人无法独立建设复杂软件，并不意味着他无法想象这种软件，而是因为其中包含了大量超出个人时间和能力边界的技术工作；一家小公司无法像大型跨国公司那样分析全球市场，也不一定意味着它缺少商业判断，而可能只是因为无法承担庞大的研究和组织成本。
因此，在工业社会和信息社会的大部分时期，一个核心社会问题都是：怎样获得足够的能力，将目标转化成现实？教育培养能力，企业购买能力，招聘寻找能力，职业资格证明能力，工资在很大程度上也是对稀缺能力的定价。一个人越能解决别人无法解决的问题，其经济价值通常越高。
人工智能正在改变的，正是这个结构。
过去的核心问题，是怎样获得足够的能力，将目标转化成现实。
AI真正造成的是“手段的丰裕化”
理解 AI 最好的方式之一，是把它看成一场持续降低“手段成本”的技术革命。互联网首先大幅降低信息获取和传播成本，搜索引擎进一步降低知识检索成本，生成式 AI 开始降低知识加工、内容生产和程序生成成本，而 Agent 则开始进入任务执行与组织协调领域。GPT-6 Astra 所代表的趋势尤其重要，因为当 AI 不再只产生文本，而能够在软件环境中自己采取行动以后，知识就有可能直接转化成执行。
ILO 在其最新全球职业暴露研究中，根据近三万项任务重新评估生成式人工智能对工作的影响，估计全球约四分之一就业岗位具有不同程度的 GenAI 暴露，高收入经济体比例约为 34%。研究同时指出，受影响最明显的不只是传统文职工作，一些高度数字化的专业和技术岗位暴露程度也正在增加。ILO 因此强调，近期最可能出现的不是所有职业整体消失，而是职业内部任务结构发生大规模改变。（国际劳工组织）
OECD 2026 年提出的 AI Exposure Measure 得出了一个尤其值得注意的结果：当前人工智能能力与日常信息处理、行政工作和可编码任务之间的能力差距最小，而与情境判断、人际理解、复杂决策以及责任承担之间的距离仍然较大。（OECD）这个结果实际上指向一种更深刻的劳动分工变化：AI 首先商品化的，是那些能够清晰描述、数字化表达、快速验证的“手段性能力”。
从经济学角度看，这意味着大量原本构成职业壁垒的能力可能逐渐出现边际成本下降。写一份基础报告曾经需要数小时，编写一个简单程序曾经需要专业技能，生成视觉方案需要设计人员，搜索并比较几十份资料需要研究助理。当这些能力越来越容易按需调用以后，它们依然有价值，却不再保持过去那种稀缺程度。
这与历史上的其他技术革命具有相似结构。工业革命没有使力量失去意义，而是使单纯依靠人类肌肉获得力量的重要性下降；计算器没有使数学失去意义，却使人工进行大量机械计算不再稀缺；搜索引擎没有使知识失去价值，却削弱了单纯“知道某个事实”的优势。AI 同样不会使能力失去意义，而是在改变哪些能力值得被高价定价。
当社会拥有越来越丰富的“如何做”的能力以后，稀缺性自然会向问题链条的更上游迁移：究竟应该做什么？
从“能力稀缺”走向“目标稀缺”
这里可以提出一个分析性概念：目标稀缺（Goal Scarcity）。
所谓目标稀缺，并不是说人类没有目标。恰恰相反，人每天都产生大量欲望和目标：赚更多钱、获得更多关注、扩大公司规模、提高销量、拥有更大的房子、获得更高排名、完成更多任务。如果将“目标”简单理解为欲望对象，那么目标从来不稀缺。
真正稀缺的是高质量目标：一个经过反思、具有长期一致性、能够组织多个行动层级、具有真实价值并值得投入大量社会和技术能力去实现的目标。
这里必须区分“更大的目标”和“更高的目标”。将收入从一千万增加到一个亿，是目标规模扩大，却未必意味着目标层级提高；把一家公司从一百人扩大到一万人，也不必然代表目标质量提高。所谓更高阶目标，至少具有几个特征：它拥有更长的时间尺度，不只是解决今天的问题；它处在更高的因果层级，不只是解决一次问题，而试图建立持续解决问题的系统；它需要更加明确的价值理由，不只是“因为能够做”，而必须回答“为什么值得做”；同时，它要求行动者承担更大的结果责任。
由此，可以把人的目标粗略分成四个层次。最底层是任务目标，例如写完报告、回复邮件、完成一个网页；其上是结果目标，例如提高销售、减少客户流失、提高研发效率；再往上是系统目标，例如建立一个能够持续创新的企业、设计一种能够稳定培养人才的教育机制；最高一层则是价值目标，它回答组织为什么存在、技术最终应该服务什么、人希望形成怎样的生活与社会。
AI 最先侵入的是第一层，然后逐渐向第二层甚至第三层扩展。随着这种扩展发生，人如果仍然停留在最底层，把主要精力用于管理具体动作，就会越来越浪费已经获得的新能力。人的责任必须相应向上迁移。这就是 AI 时代一个可能越来越重要的原则。
AI越是接管手段，人就越必须负责目的。
为什么“最高目标”不能简单由效率推出
这涉及一个比人工智能更加古老的哲学问题：手段与目的之间并不存在自动推导关系。
工具理性研究的是，在一个目的已经给定以后，行动者应该采用什么手段才能更有效地实现它。Stanford Encyclopedia of Philosophy 对 instrumental rationality 的基本定义正是“采用适当手段实现既定目的”。然而，关于什么目的本身值得追求，则属于另一个规范层级。（斯坦福哲学百科全书）
这一区分在 AI 时代会变得非常重要。假设一个人工智能能够将广告点击率提高 300%，这证明它具有强大的优化能力，却没有证明提高点击率本身值得追求；如果一个 Agent 可以让一个人每天生产一千条内容，也不能从“能够生产”推出“应该生产”；如果 AI 能极大提高一家企业的增长速度，也仍然没有回答这家企业创造的究竟是什么价值。
这里甚至不能简单地说“目的属于人，手段属于机器”，因为现实中的目的并不是固定不变的。John Dewey 对简单的“固定目的—寻找手段”模型提出过重要批评：人在研究手段和后果的过程中，也会反过来重新评价自己的目的，一个原本看起来值得追求的目标，在理解其代价及后果以后可能不再值得。（斯坦福哲学百科全书）这意味着真正成熟的目标形成并不是先产生一个欲望，然后利用 AI 最大化实现它，而是一个不断反思“目标—手段—后果”关系的循环。
因此，AI 可以极大增强目标推演能力，可以告诉我们某种政策可能造成什么后果，可以生成多个长期发展情景，可以帮助比较不同价值选择的代价，但最终仍然存在一个不能由效率本身解决的问题：什么结果具有值得追求的价值？
这一点构成所谓“目标稀缺”的理论基础。现代技术越来越擅长回答“如何实现”，却因此使“为何实现”变得更加突出。
最大的风险可能不是能力不足，而是“目标—能力失配”
AI 时代存在一种容易被技术乐观主义忽视的危险：能力提高并不会自动导致目标提高。一个社会完全可能同时出现技术能力急剧上升与目标质量停滞。本文可以把这种状态称为“目标—能力失配（Goal–Capability Mismatch）”。
历史上，一个低质量目标的破坏范围往往受执行能力限制。一个人的错误判断可能只影响一个团队，一个效率低下的组织也因为自身能力不足而难以迅速扩大。但当同一个人可以调用成百上千个 Agent，当自动化系统可以持续全天运行，当分析、生成、营销、编程和传播都可以无限扩张时，同一个低质量目标也会获得前所未有的执行能力。
这意味着 AI 不一定自动把社会带向更加宏大的目标。相反，它完全可能被用于更加高效地制造广告、争夺注意力、优化成瘾机制、生产垃圾内容、扩大短期投机、操纵指标，或者把组织推向越来越极端的局部最优。一家公司可以因为 AI 而变得极其高效，同时更加高效地做一件没有长期价值甚至具有负外部性的事情。
因此，“能力越强越好”本身不是完整命题。能力必须与目标质量共同评价。可以用一个简单的思想模型表达：实际能动性的价值，不是单独由能力决定，而大致取决于能力、目标质量和责任约束三者的共同作用。能力越大，如果目标质量和责任机制没有同步提升，潜在风险反而越高。
这也意味着未来所谓的 AI alignment 可能具有两个层次。第一层是我们现在经常讨论的“机器是否与人的目标对齐”；第二层则更困难：人的目标本身是否值得被一个极其强大的系统高效执行？如果人的目标存在严重缺陷，一个完美服从的 AI 并不必然产生良好结果。
从这个角度看，AI 安全最终不仅是机器对齐问题，也包含人的目标治理问题。
人的目标本身，是否值得被一个极其强大的系统高效执行？
从 Goal Setting 转向 Goal Formation
传统管理学和心理学长期研究如何通过目标提高人的行动效率。Locke 和 Latham 的目标设定理论在数十年研究基础上说明，具体且具有挑战性的目标在适当条件下能够显著影响动机与绩效。（PubMed）但这类理论主要回答的是：当一个目标已经存在以后，应当如何设计目标才能提高表现。
AI 时代需要把问题继续向上游推进一步。未来更加重要的也许不只是 Goal Setting（目标设定），而是 Goal Formation（目标形成）：目标究竟从哪里来？为什么这个目标而不是另一个目标获得优先权？一个人的目标究竟来自自身长期价值判断，还是来自社会比较、算法推荐、组织 KPI、短期情绪或者市场激励？目标之间发生冲突时应该如何排序？在什么情况下，坚持目标是一种美德，在什么情况下，放弃目标反而代表更高水平的理性？
进一步说，AI 时代甚至需要发展 Goal Governance（目标治理）。一个拥有大量 Agent 的企业必须建立机制，避免局部目标破坏整体目标；一个自动化程度极高的平台必须避免点击率、停留时间等指标逐渐取代它真正希望创造的社会价值；个人也需要不断检查，自己正在让 AI 优化的目标究竟是目的本身，还是已经异化成一个方便测量的代理指标。
这也是为什么 AI 越强，哲学、伦理学、历史、制度分析和系统思维的重要性可能反而上升。过去这些学科有时被认为“不够实用”，因为它们无法直接告诉一个人怎样提高执行效率。但当执行本身逐渐被机器商品化以后，判断“究竟值得执行什么”就会成为越来越实际的问题。
人的能动性需要被重新定义
Amartya Sen 的能力方法为理解这种变化提供了另一个重要视角。能力方法不把资源本身视为最终目标，而强调一个人真正拥有多少实现其所珍视生活状态的实质自由；它同时特别强调 means 与 ends 的区别——拥有资源只是手段，真正重要的是人能够用这些资源做什么、成为什么。（斯坦福哲学百科全书）
人工智能正在前所未有地扩张人的“能力集合”。一个普通人未来可能拥有过去只有大型组织才能获得的研究、编程、设计、翻译、数据分析乃至持续执行能力。从能力方法的语言来看，这是实质行动机会的一次巨大扩张。
但这里出现了一个悖论：能力集合扩大，并不自动等于人的能动性增强。
如果一个人可以调用几十个智能 Agent，却完全不知道自己真正想追求什么；如果他的目标全部由外部指标、算法推荐和社会比较决定；如果他拥有强大的实现能力，却缺乏反思目标的能力，那么他在技术意义上拥有了更多选择，却不一定在更深层意义上更加自主。
因此，AI 时代“人的能动性”应该从一种狭义的执行能力概念，提升为一种包含目标形成、价值判断和责任承担的能力。真正强的行动者，不只是能够获得结果的人，而是能够解释为什么这个结果值得获得、能够理解其长期后果，并愿意对自己的选择负责的人。
人的角色因此可能经历一次结构性迁移：从 Task Executor（任务执行者）逐渐转向 Goal Architect（目标架构者）。目标架构者并不是简单地“提出一个宏大的梦想”，而是能够在不同时间尺度和系统层级之间建立一致目标，并不断根据现实反馈重新评价自己的目的。
这将改变教育和人才培养的方向
如果这个判断成立，现代教育体系面临的问题就不只是“怎样教学生使用 AI”。真正困难的问题是：当越来越多传统能力都可以被 AI 辅助甚至完成以后，我们应该培养什么样的人？
工业化教育长期擅长训练执行者：给定问题，寻找答案；给定规则，完成计算；给定题目，写出文章；给定需求，制作产品。这种教育模式并非没有价值，它曾经非常适合一个专业技能稀缺的社会。但是当机器越来越能够完成“给定一个明确问题之后寻找答案”这类任务时，教育就必须更加重视问题的上游。
未来真正重要的能力可能包括：发现尚未被定义的问题，识别一个看似合理的目标背后的错误假设，在不同时间尺度上思考后果，理解复杂系统中的二阶和三阶效应，在效率与价值发生冲突时进行伦理判断，以及在没有标准答案的情况下形成自己的立场。
教育因此需要完成一次重要迁移：从训练“问题解决者”，进一步培养“问题发现者”；从训练任务完成能力，进一步培养目标形成能力；从只评价答案是否正确，进一步评价一个人为什么提出这个问题、采用了什么价值标准以及是否能够为自己的判断负责。
未来最危险的情况可能不是人类能力不足，而是出现大量“拥有极强 AI 能力、却没有独立目标形成能力”的人。因为他们虽然拥有巨大的行动工具，却很容易把外部平台、组织 KPI、市场激励甚至即时欲望直接当成自己的目标。
从能力稀缺到目标稀缺，是AI时代真正的稀缺性迁移
从更长的历史尺度看，人类文明的发展可以被理解为一个不断解除能力约束的过程。机械扩大体力，能源扩大生产能力，计算机扩大计算能力，互联网扩大信息获取和连接能力，生成式 AI 扩大认知生产能力，而 Agent 正在进一步扩大人的行动和组织能力。
每一次技术进步，都使过去的一种稀缺逐渐转变为相对丰裕，也把价值推向更上游的位置。当计算变得廉价以后，重要的不再是谁算得最快，而是谁知道应该计算什么；当信息变得丰裕以后，重要的不再是谁拥有最多信息，而是谁能够判断什么信息值得相信；当内容生成趋于廉价以后，重要的不再是谁能够写出更多文字，而是谁真正有值得表达的思想。
同样，当执行能力开始走向丰裕以后，人类社会面临的核心问题就可能从“我们有没有能力实现目标”，逐渐转向“我们究竟有没有值得如此强大能力去实现的目标”。
这就是“从能力稀缺到目标稀缺”的真正含义。
它也意味着，未来人与 AI 的关系不应该被简单理解成机器替代人。更深刻的变化是工作链条正在重新分工：机器不断向下承担搜索、计算、生成、执行与验证，人则必须不断向上移动到目标形成、系统设计、价值判断和责任承担的位置。
如果人拒绝向上移动，就会与机器在执行层竞争，而机器最终会越来越快；如果人能够完成这种迁移，那么 AI 的意义就不是让人成为一个更加高效的执行者，而是第一次赋予越来越多普通人过去只有大型组织才能拥有的行动能力。
由此，一个更加严肃的问题出现了。
过去，人可以把许多没有实现的愿望归因于外部限制：“我没有时间”“我没有团队”“我没有技术”“我没有能力”。AI 不会彻底消除这些约束，但它正在不断削弱它们。当“做不到”越来越少，人的责任反而越来越大，因为我们必须开始回答另一个更困难的问题：既然越来越多事情可以做到，那么究竟什么值得去做？
AI 革命最终可能以一种意想不到的方式重新把人带回哲学最古老的问题。机器不断提高我们回答“怎么做”的能力，却因此使“为什么做”“做什么”“成为什么样的人”重新变得无法回避。
在这个意义上，人工智能最深刻的影响也许并不是机器终于变得越来越像人，而是机器的能力增长迫使人重新思考什么才真正属于人的责任。
当执行不再稀缺，目标就成为真正的稀缺资源；当“怎么做”越来越多地交给机器，“做什么”以及“为什么值得做”，就必须重新成为人的核心能力。
当执行不再稀缺，目标就成为真正的稀缺资源。
连接 · 事件 · 生成 · 意义