涉足各个领域的知识工作，是这波 AI 最大的一个特点，编程、法律、会计等领域都涌现出了大量优秀的 AI 产品。而在相对专业的学术领域，也正呈现出 AI 的巨大价值。麦肯锡最近有一个研究报告称：AI 在知识工作自动化（Knowlege Work Automation）这个领域“可能实现的无数生产力提升，其总体经济效益每年将达到 6.1 万亿至 7.9 万亿美元。”[The economic potential of generative AI: The next productivity frontier, McKinsey & Company, June 2023]。实际上，最近很火的 Perplexity 也是这个领域的 AI 应用。

我一位做知识科普的物理学者朋友，最近做了一款 AI 驱动的知识工作自动化产品 txyz.ai，上线 3 个月时间，迅速吸引了多个领域中的专业知识工作者用户，目前每日用户在其平台上问出的问题数已经远超 Quora 了，并且吸引了几十家企业级客户。在产品背后，他们正在开发能自我进化的 AI 认识论框架。这是一个我最近觉得从一开始就已经将终局都完全想清楚，并且整个逻辑很顺的产品。

TXYZ 网站风格简洁明了，主要入口是一个帮助大家搜索、查询专业文献并可以进行对话的 AI 工具。TXYZ 是唯一和预印本文库 arxiv.org 官方合作的 AI 工具，ArXiv 的每篇论文下面都有直达 TXYZ 的按钮。你也可以自己上传 PDF 论文或者链接，通过它来在专业文献中迅速找到自己想要的答案和内容。

除此之外，你还可以设置自己的兴趣点以获得该领域论文信息的实时更新，而通过 AI 强大的多语言能力，你可以直接用多种语言直接获取其它语言论文的信息，比方说我用中文问了一篇关于环星云的论文主要讲啥的问题，它直接用中文给出了从论文里提出的答案。

这确实让更多人可以高效的了解到专业的知识，再加上其对论文的收藏和管理功能，基本上就实现了从搜索获取、查询对话获取知识再到管理知识的一站式服务，而不只是一个单纯的 AI 工具产品。

目前的用户群体是比较广泛的知识工作者，来自各行各业的都有，比方说科技公司、工业企业、高校教授和学生、各学科领域的研究人员、律师以及医生等。产品从最专业的论文入手，再逐步往外扩。用户对这块的需求不一定高频，但非常刚需并且粘性很高，一旦用上了后续有需求都会继续使用。

而产品最大的一个特点，是通过自然语言来搜索查询相对比较专业的论文并与之对话，让更多知识工作者可以更高效的获取相对专业的信息，因此其长期愿景是在知识领域做一个自然语言版的 GitHub，理念是 Integrate all paths to knowledge（整合所有通往知识的路径）。

联合创始人兼 CEO 严伯钧跟我说，目前知识工作者面临着 4 个痛点：

第一是快速找到基于事实的信息面临挑战，传统的搜索引擎效率非常低；

第二是阅读门槛非常高，要在一堆专业信息中找到相关信息需要长时间的专业训练；

第三是信息过载，导致在专业领域获取最新的信息是一大负担；

第四是协作非常困难，因为沟通成本很高，并且你可能需要在各种工具之间切换；

因此他们把 TXYZ 做成由 AI 驱动的 All In One 工具，来加速各个领域知识的处理；在这个平台上，各个领域的知识工作者可以在 AI 的支持下实现高效的查询、分享以及协作。

在更底层的逻辑上，TXYZ 在构建一套AI的认识论框架，让用户可以共享和调用顶尖科学家水准的认知能力。用户可以用类似搭积木的方式来教会AI学习新的能力，更高效处理并创造新的知识，就像自然语言版本的 GitHub 一样。你可以站在巨人的肩膀上做新的创新，同时还要让大家在平台上的贡献能获得价值，因此会有一个类似 Marketplace 的功能帮助大家完成价值的实现。

严伯钧说，知识工作如果做抽象拆分就三步：第一步获取信息，第二步产生一些新信息也就是做知识研究的工作，第三步是输出。目前 TXYZ 的产品还处于第一步，很快他们将针对第三步推出一个写作的功能，但真正困难并且支撑整个产品底层逻辑的其实是第二步。

这涉及到他们开发的名为 SOAN（Self-Organized Agent Network）的新技术框架，它能够不通过数据训练而在人类指导构建能够自我进化的 AI Agent ，其核心能力是直接从与人类的对话中获得新的功能，实现一个 Human-AI Network Effect。

严伯钧解释说 AI 的终点应该是像人一样思考，但目前的大模型跟真正人类的思考方式还是有本质的区别，那就是人类会做那种理性的、比较慢的“系统 2” 那种推理性的思考；但大模型还不具备，它们只有特别快的、下意识的行为反应，也就是“系统 1”。

为了更好理解，这里做个比喻，比方说 9*9 我们一下子就知道答案是 81，那是因为小时候我们背过，所以 81 这个答案其实是储存在人脑的“系统1”当中，而如果是要算 999*999，我们就需要去将其分拆成几个步骤来实现，这就是“系统2”的理性思考能力。这些步骤知识都存在人类的大脑里，也就是我们平时所说的每个知识工作者都有的一些 “Know How”。

SOAN 的目标就是让 AI 具备这种思考能力，使得人可以把他脑子里的这些 Know How 教给 AI，而这套框架需要具备自我进化功能，这和人类的知识进步是一样的：我们往前走的每一步几乎都是站在前人的肩膀上，你发的每一篇论文可能都要引用很多别人的论文。

GitHub 通过开源共创的方式实现了整套基础设施的搭建，而这套机制同样也可以用于知识工作这块，在人类与 AI 的共同努力下，不断贡献新的知识，一个人与一个 AI 因为教学过程形成一种师徒关系并构成一个单元，单元之间的叠加和关联，会自发地形成一个网络，这就是 Human-AI Network Effect，它提升了整个网络的智慧和不可替代性。

目前 SOAN 技术已经完成初步的开发和验证，但要真正实现 Human-AI Network Effect，在产品方面需要反着做。为了 AI 能够学到各行各业的 know-how，你需要有一个强大的社区让大量用户在里面互动协作起来，再往前推，需要一个工具先让用户单机用起来，这也就是现在用于提高知识工作效率的 AI 工具产品。当用户进来后逐渐给它构建各种工具并提升人类用户贡献 know-how 的自由度。

当我了解了这个底层逻辑后，对他们在产品这块接下来做的事情其实也就很容易理解了。

TXYZ 的创始团队里，联合创始人兼 CEO 严伯钧是一位前物理学者，连续创业者，第一次创业时我们曾有过合作，并且他还是一位拥有 1200 万粉丝的知识博主，他创作的科普视频已经在全网累计获得了 100 亿次播放，我想国内很多人可能都看过他的科普视频；

联合创始人 Chen Nie 之前是 Block 的高级技术负责人；联合创始人Guanhang Wu 之前是 DeepMind 的资深科学家；而联合创始人兼首席科学家 Xiaoliang Qi 是斯坦福大学历史上获终身教职最年轻的学者之一，也是具有“诺贝尔奖前哨战”之称的“新视野奖（New Horizon Prize）”的获得者。Xiaoliang Qi 的研究方向是量子引力，目标是量子力学和引力的统一，是爱因斯坦未竟的事业，全球目前处在这个领域的学者堪堪百人。

严伯钧跟我说，他本来打算去斯坦福大学拜师 Xiaoliang Qi 学习的，但是 AI 的大爆发让他们感受到了巨大的机会，而他这几年一直做知识科普，感受到了知识工作者面临的各种问题，于是大家一拍即合直接创业做了 TXYZ 这个产品。他们目前已经拿到了硅谷投资人 300 万美金的种子轮融资。

·END·

文章来源“投资实习所”，作者“StartupBoy”