AI 飞速发展，人类能否跟上时代的步伐？

近期，一个问题在我脑海中挥之不去：

这一轮人工智能（AI）的浪潮，与以往的工业革命和互联网革命究竟有何不同？

许多人会说：每一次技术革新都会带来焦虑，但最终大家不都适应了吗？农民进厂，工人转岗，办公室职员又转向互联网领域。说到底，不过是更换一种职业而已。

然而，我越是深入思考，越觉得事情并非如此简单。

这次 AI 革命的真正挑战，并非在于“是否会产生新的就业岗位”，而是：

如果 AI 不仅是取代某些特定职位，而是不断提升“人类还能贡献什么价值”的门槛，那么普通人是否还有可能跟得上时代的节奏？

我的核心观点是：

此次 AI 革命最显著的区别，并非在于机器能力的增强，而在于人类需要开始证明：自己仍然能够让一个日益强大的机器系统变得更加优秀。

这不再是“换个工种”的问题，而是关乎“一套新的、被需要的标准”的转变。

纵观历史，人类要体现价值，其门槛实际上一直在不断提高。

早期的人类，仅仅是能够采集到果实或谷物，就具备了价值。

后来，能够耕种土地的人，比只会采集果实的人更有价值。

再往后，能够利用机器进行生产的人，比只会耕种土地的人更有价值。

接着，能够设计机器、编写软件、控制生产线的人，比只会操作机器的人更有价值。

而如今，仅仅会使用 AI 已经不够了——你必须能够让一个本身已经非常强大的 AI 系统，因为你的介入而变得更加卓越。

每一次的进步，都是对上一阶段的“叠加”。每一次叠加，所需的能力都比上一阶段更为稀缺，门槛也比上一阶段更高。

每一次叠加，都伴随着类似的焦虑：从事农业的人会觉得只会采集果实的人毫无用处；会使用机器的人会觉得只会耕种的人已经落伍；会编写软件的人会觉得只会操作机器的人算不上真正的技术。几乎每一代人都认为“下一代人将被淘汰”。

但回顾过去，每一次的“叠加”，其能力要求都在大多数普通人努力一下可以达到的范围内。正因如此，社会才能够在新的层级上重新安置大部分人口。

此次 AI 的出现，引发了一个隐忧：这一新的能力层级的高度，可能首次超出了大多数普通人能够企及的范围。

要清晰地认识到这一点，我们首先需要审视过去几次革命是如何“安置”普通民众的。

历史上，每一次重大的技术革命，都会让一部分人经历痛苦。

第一次工业革命中，蒸汽机、纺织机械和工厂制的出现，削弱了许多手工业者的议价能力。卢德运动常被描绘成“反技术”的象征，但经济史的主流观点认为：他们反对的是机器在特定的产权和工资结构下对他们生计的冲击，而非抽象地憎恶科学本身。

然而，故事并未就此结束。

农业劳动力开始离开土地，涌入城市。一部分人进入工厂，另一部分人则投身于运输、零售、家政和公共服务等行业。这个过程无疑是充满艰辛的，低工资、童工、工伤事故以及贫民窟，都是那次技术革命留下的阴影。但从长远来看，社会最终还是在新兴的产业体系中，重新吸纳了大量普通民众。

20世纪美国的变化则更为典型。

美国劳工统计局（BLS）的数据显示：从1910年到2000年，专业、管理、文秘、销售和服务业从业人员（不含私人家庭雇佣者）占总就业人口的比例，从约四分之一上升至约四分之三；而农民、农业雇工、普通劳工等岗位的占比则大幅下降。

也就是说，过去一百多年的主要趋势大致是：

每一波技术浪潮都在淘汰旧岗位，但同时也在催生新的产业、新的组织形式和新的消费需求。普通民众虽然被迫迁徙、被迫学习、被迫重新适应，但总体上还是有一个出路。

因此，我们对技术冲击形成了一套熟悉的说法：

这些说法背后都隐含了一个共同的假设：

整个系统依然需要大部分普通人，只是需要他们掌握新的技能来重新融入系统。

旧工作被取代，但新系统依旧需要大量劳动力。这就是过去“换工种”的逻辑。

而此次 AI 浪潮的真正不确定性，恰恰就体现在这个核心假设上。

过去的自动化，几乎都是基于固定流程的自动化。

流水线需要固定的动作序列，企业资源规划（ERP）系统需要固定的业务规则，Excel 宏需要固定的表格格式，机器人流程自动化（RPA）需要固定的界面和按钮位置。如果你想自动化某项任务，前提是这个流程必须足够清晰、足够稳定，并且工程师能够将其分解为一系列步骤，然后编写进系统。

AI 则不同。

大型语言模型（LLM）开始处理的是非固定流程的任务：撰写报告、编写代码、制定方案、整理资料、生成图像、起草邮件、分析会议纪要、分解任务等。

这些任务并非不能实现自动化，只是过去其自动化成本过高、边界过于模糊。如今，只要输入、上下文和目标足够明确，AI 就能在一个相对不固定的环境中完成任务。

这里出现了两个关键性的变化：

这两点结合在一起，将最先对特定人群造成压力：普通的白领阶层。

为什么会这样？因为过去一个普通白领的价值，很多时候并非取决于他有多么顶尖，而是他能够处理一些非完全标准化、但又未达到需要顶级判断力的问题。例如：

这些任务并非纯粹的流水线作业，但也不是需要顶级创造力的工作。它们恰好处于普通白领的核心工作范畴。

而这正是大型语言模型最擅长逐步渗透和取代的领域。

因此，这次 AI 革命真正危险的地方，并非在于 AI 会取代某几个特定的职业，而在于它开始取代许多普通人的“中间层能力”。

过去，只要你能完成工作，就有你的位置。

未来，情况可能会转变为：你参与进来之后，能否显著提升 AI 系统的产出效果。

这已经不再是“换个工种”的问题了。这是在重新定义“什么样的人才值得被雇佣”。

以往我们谈论生产力变革，大多是指工具的进步。蒸汽机使人们无需依靠体力拉动机器，电力使生产线更加稳定，计算机加快了信息处理速度，互联网降低了连接成本。

但此次 AI 的发展，不仅是工具的强大，它还在改变生产关系。

过去，一个普通人只要具备劳动能力，就能在生产体系中找到一席之地。你会搬运、会书写、会计算、会查询、会沟通、会执行，组织就需要你。人的价值，来源于“我能够完成系统中的某一段工作”。

然而，如果 AI 开始承担越来越多的书写、计算、查询、整理、沟通、检查和执行任务，人的位置就会发生变化。

旧逻辑：

AI 之后：

普通人的价值，不再仅仅是：

“我能完成任务。”

而是：

“我能否定义任务、校准 AI、提供关键判断、承担最终责任。”

这将带来两个结果。

第一，个体生产力将得到极大放大。

一个优秀的人，借助 AI 的力量，可以完成过去一个小团队才能完成的工作量。强者会变得更强，超级个体和小型高效团队将更具优势。

第二，对普通执行者的需求将受到压缩。

并非所有执行者都会消失，但那些需要较低判断力、较低品味、较低责任承担的执行型岗位，将越来越难以维持原有的数量和薪资水平。

这不是简单的“效率提升”，而是组织结构的重塑。

过去，一个组织面临的问题是“人手是否充足”。

未来，越来越多的组织将面临的问题是“还需要多少人”。

如今许多人提出，普通人应该尽快学习 AI。

这句话没错，但只说对了一半。

因为“会使用 AI”将很快成为一项基础能力，就像当年“会使用电脑”和“会使用 Office”一样。最初它是优势，后来则仅仅是入场券。

更严峻的问题是：

随着 AI 能力的不断增强，你还能在哪个环节对它产生增益？

在早期 AI 能力较弱时，许多人都能对 AI 产生增益：

但随着 AI 的日益强大，这条能力边界会不断向上移动。

许多曾经“帮助 AI”的人，最终也可能被 AI 所取代：

这就形成了一个令人不安的循环：

因此，普通人所面对的，并非是“今年是否学习 AI”的问题，而是一条不断抬高的能力水位线。

今天你懂得如何撰写提示词，可能还具有优势。明天，如果产品经理将提示词功能封装起来，这项优势就会消失。今天，你可能对 AI 工作流有所了解，能够提高效率。后天，如果 Agent 平台将工作流模板化，这项优势也会减弱。

最值得警惕的是：就业岗位的压缩并非是线性的，而是阶段性的。每一轮 AI 能力的飞跃，都会重新筛选一遍上一轮“尚算有用的人”。

真正能够留下来的人，是那些在 AI 越强大，越需要你参与的领域做出贡献的人。

这也是为什么“学习 AI”仅仅是第一步。更重要的是，你需要明确自己所处的位置，以及如何能让 AI 变得更有价值。

我不太倾向于将这个问题描述为“只要努力就一定不会被淘汰”。这种说法过于鸡汤，也不符合现实。

更真实的情况是，将会出现几种分化。

第一种：被 AI 增强。

这类人本身就具备较强的解决问题定义能力、行业理解能力、判断力和执行力。AI 对他们而言，就像一个杠杆。过去一个人只能完成一份工作，现在可以承担一个小团队的任务；过去想做但因能力限制无法实现的项目，现在有机会启动。

这类人将会变得更加强大。

第二种：被 AI 平台化。

这类人能够使用 AI，但主要是在平台预设的流程内完成任务。效率会有所提升，但议价权未必随之提高。大部分收益将被平台、公司或工具获取，个人只是更高效地完成被分配的工作。

这类人不会立即被淘汰，但很难掌握主动权。

第三种：被 AI 压缩。

如果一个人的工作主要是低判断性、低责任性、低品味性的执行任务，那么他的岗位将会逐渐受到挤压。并非立刻失业，而是招聘需求减少、薪资承压、工作被外包化、合同化，以及一个人需要承担过去几个人才能完成的工作量。

这类人的切身体会是：工具越来越强大，但工作却越来越不稳定。

第四种：被系统安置。

这是最令人不安的部分。如果 AI 真的大幅降低了维持经济运转所需的人力，一部分人可能不再是生产系统中的谈判者，而是成为被补贴、被娱乐、被低成本内容所安置的对象。

这就是一些硅谷 AI 从业者私下里所说的“永久底层”（permanent underclass）：

一个人不再是生产者，不再是谈判者，不再是可以通过学习、跳槽、创业或迁移来实现向上流动的人。他变成了一个被安置的人，一个被补贴的人，一个被娱乐内容填满时间的人。

这与传统的失业概念不同。

传统的失业假设你仍然处于劳动力市场中，只是暂时未能匹配到合适的岗位。“永久底层”则暗示你可能已经被排斥在核心生产系统之外。市场不再等待你重新培训，也不再需要你迁移到其他行业。你不是“暂时落后”，而是被新技术结构重新定义为低必要性人口。

这个判断虽然悲观，但并非完全可以忽视。

因为如果一个社会的生产力足够强大，但生产关系未能得到妥善调整，最终的问题将不是“是否有足够的产品”，而是“谁有资格获得这些产品”。

在此，我想专门谈谈“上车”这件事。

近两年来，“上车”几乎成为了 AI 时代最热门的词汇：

然而，这种说法背后隐藏着一个残酷的前提：列车不会停下，未能登上的人活该被抛弃。

一篇文章中曾写道：“要么从零到百，要么从零到零。”

这套话语的问题在于，它将本应被公开讨论的议题——AI 红利的分配方式，以及普通人被替代的代价由谁承担——包装成了个人问题：你为什么没有“上车”？

在公开场合，AI 公司和资本方常常宣称：AI 将赋能每一个人，AI 将创造新的就业机会，AI 将带来丰裕的时代，普通人只需学习、转型、搭上“车”，就有机会获得成功。

但在私下交流中：一些硅谷 AI 从业者讨论着“普通人已经没救了”；工程师们担心自己的工作可能被“Claude Code”所取代；更令人惊讶的是，一些高收入的 AI 从业者不再相信传统的退休规划，转而购买比特币、建造地下掩体、安装防弹玻璃、购置土地或进行末日准备。

这并非闲言碎语，而是一个至关重要的信号：那些最接近 AI 能力边界的人，对于普通人就业前景的判断，可能比公开叙事更为悲观。

如果他们真的认为 AI 仅仅是提高效率的普通工具，就不需要一边鼓吹“赋能”，一边却在为“地堡”做准备。

我认为可以从三个层面入手。

首先，将所有能够提高效率的地方都利用起来：资料整理、初稿撰写、代码辅助、学习问答、会议纪要、日程规划、信息检索、方案推演等。

这一步无需神化，核心在于节省低价值的时间。

但需要注意：切勿将关键的判断权拱手让出。

AI 可以提供草稿、提供选项、提供分析，但最终你需要问自己：

如果所有判断都交给 AI，人最终将沦为一个“确认按钮”。

不要仅仅学习工具本身，而是要将工具融入你自身的核心业务流程中。

如果你从事技术工作，就不能只让 AI 编写代码，你还需要理解架构设计、代码质量、系统边界以及长期的维护策略。

如果你从事产品工作，就不能只让 AI 撰写产品需求文档（PRD），你还需要深刻理解真实的用户需求、商业目标、用户行为模式以及组织内的各种约束条件。

如果你从事运营工作，就不能只让 AI 撰写文案，你还需要理解不同渠道的特点、转化率、内容判断的依据以及用户心理。

工具会越来越便捷，而真正困难的，是你对真实世界的理解深度。

未来相对更有安全感的人，可能不是“掌握某个 AI 工具的人”，而是那些具备“组合能力”的人：

普通人当然需要努力，但不能将所有的问题都归咎于个人努力。

如果 AI 真的大幅减少了维持经济运转所需的人力，那么教育、财富再分配、公共服务、基本保障制度以及劳动法律法规，迟早都需要被重新审视和讨论。

过去我们认为工作就是收入