专家技能变便宜后会发生什么，以及现在正在发生什么
本文由 AI（Claude）从日语机器翻译而成，可能存在错误。 阅读日语原文。
直到 1970 年代后半期，复杂的财务分析都是专家的工作。
擅长数学和会计的人处理复杂的公式，一步一步确认计算是否正确地推进；一旦发现错误，就从出错的地方重新来过。即使计算没有错，只要有新的信息或数值进来，又要重新计算。
通过不断重复这样的工作，才终于能够掌握企业准确的财务状况，并以此为基础进行经营改善和投资判断等。
VisiCalc 的画面请见此处: https://commons.wikimedia.org/wiki/File:Visicalc.png (Public Domain)
就在这时，正在商学院上金融课的 Dan Bricklin 因为受够了重新计算的痛苦，构想出了电子表格软件（VisiCalc），在 1978 年底用两个月的时间开发完成，并于 1979 年开始销售。
此后，继 VisiCalc 之后，Lotus 1-2-3 和 Excel 等电子表格软件相继诞生，随着它们的普及，许多人得以以交互、反复的方式进行计算和重新计算。
可以说，电子表格软件让会计师和擅长计算的人的任务变得更有效率，也变少了。在某些情况下，也许不仅是任务，连工作本身都被取消了。
然而，正如在当下关于 AI 的讨论中经常说的那样，这同时也意味着人们可以把时间花在别的地方。有了电子表格软件，会计师从计算这一任务中解放出来，得以专注于需要更高级专业知识的工作。
但是，事情并没有就此结束。
电子表格软件支撑了 1980 年代以后咨询业和投资行业的发展。因为即使是不那么擅长计算的人或初级人员，只要有软件，也能在一定程度上完成计算，能够进入这类工作的人数因此增加了。
虽然不能说电子表格软件是咨询和投资行业发展的最大因素，但可以说，1980 年代以后这些行业发展的背后，存在着由这类电子表格软件带来的“计算”的普及化。
而真正由此获得巨额利润的，是提供让计算变轻松的工具的软件公司，以及“善用了普及化的计算这一力量的人”。
如果 AI 提供软件以外的各种专业知识
过去电子表格让计算普及化，如今 AI 正要让各种专家的智能和技能普及化。由此将会产生若干影响。
前几天在《软件和智能变便宜时会发生什么》一文中，我介绍了杰文斯悖论的软件版。这是软件工程师的技能和智能普及化时可能发生的事情。
然而，AI 提供的也包括软件开发“以外”的智能。目前其应用在软件领域率先展开，但其影响范围多半也会波及其他智能。
而且，当年的电子表格软件是专门针对计算这一技能的替代，而这次 AI 的性能，其特点在于几乎所有专业领域都会成为对象（在一定水平上）。
因此，本文想整理一下：如果其他专家的智能和技能普及化，会发生什么？以及作为其征兆，我身边现在正在发生什么。
“如果能便宜、立刻得到专家，你会做什么？”
大概会发生的变化之一，是现有需求的效率化。比如，在一定程度上可以让律师和医生的工作变得更有效率。
不仅如此，还可能出现向过去需求未被满足之处的普及。就像过去的灯光和灯泡那样，变便宜的产品会开始被用在以前性价比不合算的地方。
就最近的 AI 而言，像“用今天冰箱里剩下的食材就能做出来、孩子也会爱吃的菜单”这样的烹饪咨询，就是专家的智能和技能正要触达过去无法触及之处的一个例子。本文能够使用大量讲解图片，也是因为生成成本大幅下降了（以前是手工制作）。
而且，正如前面电子表格软件的例子，专家的技能一旦普及化，使用它的工作就会增加。工作流程的一部分变得高效，把它当作零件来使用的领域的机会就会扩大，同时，过去不是专家的人也更容易进入专业领域。
电子表格软件时期发生的事情是，那些能够很好地回答“如果能便宜、立刻得到计算员，你会做什么？”这个问题的咨询业和投资行业，获得了财富。
那么，现在重要的问题也可以说是：“如果能便宜、立刻得到各种各样的专家，你会做什么？”
实际上，身处创业支持的一线，我感觉与 VisiCalc 降低了会计和投资行业的准入门槛、催生咨询业和投资业扩张的现象相同的事情，现在或许正借由 AI 在深科技领域发生。
AI for Engineering - 深科技初创企业正在发生的事情
被称为 AI for Engineering 的领域，首先会对该领域的专家带来很大的帮助，就像计算对会计师来说变轻松了一样。
接下来会发生的是，像咨询业和投资业那样，把这种能力作为其中一部分来使用的工作会增加。
实际上，在支持深科技初创企业早期阶段的过程中，我感觉到的征兆是这样一种变化：即使是该领域的非专家的创业者进入需要专业性的领域，只要肯努力，也能很快达到一定的水平。
比如，以前当人们想在自己的非专业领域创业时，会发生这样的事情。
花几天时间寻找该领域的专家，委托他，然后等几周。验证一个假设就要几周。
而用上 ChatGPT 之后，变成了下面这样。
即使是有些难度的问题，1、2 小时就能完成案头验证
特别是，我感觉从 2025 年 12 月发布的 ChatGPT 5.2 Pro 起的模型，已经能够以相当高的水平完成数值方面的验证工作。
生成式 AI 长期以来被认为“不擅长验证”，但幻觉已经被抑制了很多，而且简易版的技术经济性分析，以及以第一性原理尝试从根本上重新搭建的工作，虽然称不上完美，也能以一定的精度完成。
另外，如果让它用 Excel 等输出，AI 把数字弄错的话，我们可以自己修正。
最近也出现了这样的事例，比如菲尔兹奖得主 Terence Tao 先生与 GPT-5.2 Pro 协作解决 Erdős 未解问题的一系列案例（2026 年 1 月）。这意味着，目前最前沿的模型已经提升到了作为“能快速解决可用标准方法求解的问题的工具”而有用的水平。
如果把这与 VisiCalc 对比，我想会是下面这样。
过去（Excel 登场时） | 现在、未来（AI 登场时） |
计算这一瓶颈 | 专业知识这一瓶颈 |
会计师这一职业技能的普及化 | 各领域专家智能的普及化 |
咨询、投资行业的人才池扩大 | 深科技创业者的人才池扩大 |
看看美国和欧洲的初创企业，Defense Tech 等领域正在升温。虽然需求侧的变化最为重要，但我也觉得，正因为同时有 AI 带来的“能够立刻调取专业知识”这一供给侧的变化，才会有这样的局面。
我认为这也可以说是 AI for Engineering 的一个例子。
向非专家敞开的深科技
专业技能一旦变得容易使用，就会有更多参与者能够进入把这种技能当作零件来使用的领域。就深科技而言，非专家参与深科技领域创业的空间，正前所未有地扩大。
而且实际上，在帮助探索创意的创业支持项目中，我也感觉到已经开始出现这样的例子：深科技领域的非专家借助 AI 的力量掌握专业见解，以前所未有的速度跨过最初的早期阶段的假设验证。
比如，下面这些工作可以在一定精度上完成。
- 第一性原理思维（把事物从根本上分解开来思考，究竟能做到什么程度）
- 简易的技术经济性分析（TEA）和敏感性分析
- 业务＋技术方向的探索
- BOM 的拆分
- （列出适用的补助金等）
也就是说，过去要委托专家，或雇用兼职人员花几周时间计算的早期案头验证，现在在手边花 90 ～ 180 分钟就能跑完。
有了这样的变化，非专家也可以并行验证多个创意。就像 Excel 等电子表格软件让重新计算变轻松一样，创意的转向在专业领域也成为可能。
不仅如此。现实世界中布线和管道的恰当安装方法，拍张照片问 Gemini，它也能在一定程度上告诉你。也就是说，即使在实际制造东西的环节，利用 AI 也能做到一定程度。
当然，在使用 AI 并不了解的最前沿知识的药物研发等领域是用不了的，细致的诀窍也仍然比不上专家。进行危险作业时，也需要专家的建议。不过，对于确认大致方向等事情，已经可以大幅缩短时间。
深科技的提示词库
有了这样的技术进展，最近我经常使用 ChatGPT Pro，对与受支持的创业者们相关的领域进行分析。
于是这次，我们把自己在使用的提示词等，作为 FoundX 深科技早期提示词库公开了。
这个库里收录了用于验证技术创意**供给侧（技术侧）**的问题和风险的提示词，并生成输入的业务。具体来说，有以下功能。
- 只需输入一次数值，就会自动反映到所有提示词中
- 之后在 ChatGPT 等中执行，即可生成 Word / Excel 格式的输出
它以 Cloudflare Pages 的静态页面运行，输入的信息不会发送到服务器。（文本保存在本地存储中。）
注意事项如下。
不过，这类提示词有有效的情形，也有无效的情形。
- ✅ 有效：物理定律、成本结构、制造工艺等，可以在封闭系统中定量推敲的技术侧验证
- ❌ 不适合：客户行为和市场接受度等，以人这一开放系统为对象的需求侧验证
供给侧的物理定律是封闭系统，基本上不会变化；而需求侧人和市场的变化很大，不可预测的部分很多，所以不适合。因此，需求侧的验证仍然需要客户访谈等活动。
不过，过去必须同时验证供给和需求两方面，而现在供给侧的验证可以说已经轻松了很多。
迈向硬件的文艺复兴
今后，随着生成式 AI 的进步，其前方出现的瓶颈多半会出现在物理一侧。即使现在，能源、变压器、水等也很短缺。解决这类物理问题的瓶颈，今后应该会越来越被需要。
就这样，在需求侧物理的存在感日益增大的同时，如果在供给侧能够发挥 AI 的智能来实现物理层面的供给，我认为那里也存在巨大的机会。
从这个意义上说，现在正是软件的力量可能引发硬件一侧巨大变化的时候，我也感觉硬件的时代其实可能会回来。
比如，如果听到“数据中心用的变压器不够”这样的说法，
“数据中心用的变压器。但不是沉重的研发，而是通过整合现有技术，能把以往的性能提高 10 倍以上，或者把成本降到 1/10 的东西（包括空间利用等）”
请把这样的语句输入上述提示词库，让它输出业务提案和融资格局。应该会出现几个方案。
在其中继续询问推进方式，就能得出一个在一定程度上靠谱的假设。这在过去需要相当长的时间。
话虽如此，创意是否真的能实现，当然取决于创业者自身的思考和执行，需求侧的验证也离不开人的双手。而且实际制造东西时动手的是技术人员，并不是只要有 AI 就能解决一切。
不过，不断拆分、打磨自己的创意的早期工作，随着这些模型的进化，确实变得更容易了。
如果出现了一点感兴趣的领域，希望大家务必把提示词当作“提高假设质量和速度的工具”来使用。正因为现在大家都面向软件，所以我希望有更多人来挑战这类物理领域和深科技。
另外，我们与大家一起思考创意的 Studio 项目也在招募申请者。如果您有兴趣，欢迎参加。