蒸汽机和脑力健身房：高速驶进AI时代的一些感想

title: 蒸汽机、GPS 和健身房：AI 时代的随想 created: 2026-03-28 author: 李学恒 tags:

• AI
• 散文
• 公众号

一、自动系统

前几天凌晨一点，我看着三个 AI agent 在终端里并行跑数据分析。一个跑回归，一个做稳健性检验，一个整理描述性统计。它们通过文件互相传递中间结果，最后汇总成一份完整的报告。坐在电脑前的我偶尔做一个小决策，大部分时间只需要靠在椅背上喝茶。

跑完之后冒出一个念头：我想把这套东西分享给朋友，他能针对他的任务情景修改实现同样的效果吗？

可能比较难。因为对这个系统进行微调，需要理解多层配置逻辑、文件交接策略、记忆系统的协同方式、自动化钩子之间的交互效应。这些东西单独看都不算难，但组合在一起，复杂度在指数上升。

二、蒸汽机启示

知名笔记软件 Notion 的 CEO 在上年底写过一篇博客，叫 Steam, Steel, and Infinite Minds，讲了一段十八世纪的老故事。英国的工厂主们拿到蒸汽机之后，做的第一件事是把它装到原来水车的位置上。毕竟水车转了几十年，大家都知道动力从那个位置接入最方便。生产力确实提升了，但提升幅度不大。

真正的爆发要再等几十年。后来的工厂主意识到，有了蒸汽机，工厂就不用再建在河边了。可以搬到靠近工人的地方，靠近港口的地方，靠近原材料的地方。整个工厂的布局、生产线的设计、工人的组织方式，全都可以推倒重来。蒸汽机带来的真正革命不是替换了水车，而是让人重新思考了什么是工厂。

Notion 用这个类比说明一件事：我们现在就处在替换水车的阶段。AI chatbot 被嵌入到各种现有工具里，写邮件的、做 PPT 的、整理会议纪要的，但没有人真正围绕 AI 的能力重新设计工作方式。我们只是把新引擎装到了旧机器上。

这是个精彩的比喻，指出了需要围绕 AI 重新设计 AI 原生生产和组织生产的形式的必要性。但是，它没有指出如何实现 AI 带来的组织重构。重新设计一个工厂不是更换一台发动机那么简单，它要求设计者同时理解动力学、生产流程、工人管理和市场需求。同样，围绕 AI 重新设计工作方式，不是装几个插件就能搞定的，它要求使用者理解 AI 的能力边界、数据流转的逻辑、人机协作的节奏感。

三、两种产品形态

AI 产品的形态和易用性会怎么发展？

小龙虾（Openclaw）形态 AI 产品的出现和迅速传播似乎预示着，AI 工具的使用门槛会越来越低，展现出 AI 普惠大众的趋势。在“大众产品”的阵列里，AI 工具的使用门槛确实在持续下降。Cursor 能帮你补全代码，ChatGPT 能帮你写邮件，Notion AI 能帮你整理会议纪要，小龙虾让你蹲马桶的时候通过手机也能遥控 AI 牛马为你干活。一个从没写过代码的人，现在可以靠 AI 搭出一个能跑的网页应用。

但如果你看看 Claude Code 的功能演进，会发现在 2026 年 3 月底的今天，要达到 Claude Code 的前沿使用成熟度的难度，与三个月前相比，不是下降了，而是上升了。从 2025 年 10 月以来，每过两周到一个月，Anthropic 就会给 Claude Code 添加一个新的功能模块：从 MCP 到 user commands，到 skills 和 hooks，再到 agent teams 和 memory 系统。复杂度在不断叠加。有些人的 Claude Code 系统里配了几十个自定义技能和子代理，还有行为拦截钩子、跨会话记忆系统、多 agent 协作编排。每新增一个模块，它和已有模块之间的交互可能性就多一层，排列组合的数目和复杂度以指数级增长。

这跟互联网的演化路径也有相似之处。2000 年代初搭建网站需要手写代码，后来 WordPress 出现了，任何人都能建站。但与此同时，专业的 web 开发反而变得更复杂了，React、Next.js、微服务架构、容器化部署，技术栈越来越深。大众和专家走上了两条平行的轨道。AI 工具正在重演这个过程，只是速度快得多。

在大众的世界里，门槛确实在降低，更多人能做更多事；在深度用户的世界里，AI 在创造全新的复杂度层级，掌握这些复杂度构成了一种新的能力壁垒。

四、发明GPS

对个人和劳动市场有什么影响？

理想汽车的李想在朋友圈里说过一段话，后来被观察者网等媒体转载。大意是：期待 AI 抹平专业能力差距是做梦。 非 AI 时代，顶级专家和普通人的效率差距是 100 倍；AI 时代会变成 10000 倍。他的结论是，AI 是放大镜，不是均衡器。

有些研究者提到一个叫技能拉平效应的现象：新手使用 AI 后生产力提升约 34%，而资深员工的边际收益几乎为零。乍一看这是好事，新人追上来了。但换个角度想：如果新手用 AI 就能达到老手的水平，那老手花了多年积累的技能溢价就消失了。市场的反应不会是抬高新手的工资，更可能是把老手的工资压到新手的水平。不是底部上升，而是中部下沉。 如果这个趋势持续下去，收入分布的形状可能会从我们熟悉的橄榄形变成漏斗形：极少数人在顶端享受技术资本的超额收益，大量人堆积在底部，中间层被持续挤压。

或许可以想想 GPS 导航设备和软件的出现对出租车行业的影响。在导航软件普及之前，出租车司机是一门有门槛的职业，你得熟悉城市的大街小巷，这种路感需要多年积累。GPS 把这个门槛拉平了，任何人装个导航就能开网约车。表面上看，这是技术赋能的好事。但实际发生的是：进入门槛降低了，从业者的议价能力也跟着降低了。 老司机花了十年积累的路感，在导航面前不再有什么价值；新手司机虽然能开了，但赚的也不多，因为谁都能开。

McKinsey 在 2023 年的报告里预测，到 2030 年，美国 30% 的工作时间可以被 AI 自动化，大约 1200 万人需要职业转型。Goldman Sachs 的估算更激进：全球 3 亿个全职岗位面临 AI 自动化的风险。IMF 2024 年的数据说，全球 40% 的就业岗位会受到 AI 影响，发达经济体这个比例高达 60%。

这些数字听起来遥远，但 AI 技术的渗透速度远超历次工业革命。ChatGPT 两个月达到一亿用户，蒸汽机从发明到广泛应用花了六七十年，电力花了五六十年，互联网花了二三十年。AI 直接搭载在已有的互联网和云计算基础设施上，边际分发成本几乎为零，不需要建铁路、拉电线，下载一个 App 就能用。

历次技术革命都经历过类似的阵痛期，只是这一次的速度可能快到社会制度来不及调整。

五、脑力健身房

三百年前，绝大多数人的日常生活包含大量体力活动，出行靠走，劳动靠手，身体机能的锻炼是生活的自然副产品。

现在我们需要专门抽出时间去健身房，跑步、举铁、游泳。锻炼身体从日常必需变成了刻意选择。而全社会的平均体能水平，几乎可以肯定低于三百年前。

脑力劳动会不会经历类似的变迁？当思考不再是完成工作的必要条件，当 AI 能代替你分析、写作、决策，那么我们的思考能力会不会萎缩？

也许，不会萎缩的只剩下那些哪怕不为任何短期的生产力和物质生活动机，依然会自发选择去做脑力锻炼活动的人，就像今时今日要去健身房、驱车去户外爬山制造专门身体锻炼场景才能保持、提升身体肌肉素质一样。

那就只剩下两类人：第一类是对思考和学习有内在兴趣的人，就像那些真心热爱运动、单纯享受跑步本身的人。第二类是有更高追求、超越个人享乐且强烈渴望实现它的人。即使 AI 能替他们做大部分事情，他们依然坚持亲自学习、亲自打磨判断力，他们要成为那 1% 具有设计 AI、改进 AI 能力的人。

这对教育意味着什么？ 意味着教育的重心需要转移。不是教会学生某种有市场价值的技能，因为 AI 会让大部分技能的市场价值持续缩水，而是培养对学习和思考本身的热爱，帮助学生找到自己的使命和方向。不是教会学生如何学习，而是让学生爱上学习，帮助学生找到终身学习的意义。

六、新的护城河

Andrej Karpathy 是 OpenAI 的联合创始人之一，也是特斯拉自动驾驶 AI 的前负责人，在 AI 领域算是顶级的技术人物。他在今年初发了一篇长帖子，记录自己用 AI 编程的体验和反思。读这篇帖子，印象最深的不是他自己说的，而是评论区里有人写的一段话，大意是：真正的护城河变成了想要创造新事物的渴望。 有大量程序员只是为了谋生才写代码，从来没有自己的 side project，从来没有因为纯粹的好奇心而去做什么。

Karpathy 的帖子里还提到一个有意思的观察：AI 擅长的是填空，在微观层面把细节做对，但不擅长战略，在宏观层面判断该做什么、为什么做。我从经济学分工理论的角度去理解这件事，觉得它指向一个价值重估：方法论专家，也就是知道怎么做的人，价值在下降，因为 AI 正在快速学会各种方法；问题发现者，也就是知道该做什么的人，价值在上升，因为 AI 不擅长判断什么问题重要；品味判断者，也就是能评价什么是好的人，价值也在上升，因为 AI 不擅长判断一个答案有没有意思。执行层面的能力正在被 AI 拉平，但方向感、品味和创造欲这些更人性的东西，反而变得更稀缺。

七、对创造的渴望

“没有找到应用场景”——这是我近一年从不同群体中多次听到过的话。

我用 Claude Code 半年多，累计几千个会话，覆盖几十个项目，经历过几个阶段：一开始就是拿它当高级 ChatGPT 用，一问一答，改改代码、润色文档，效率提升有限。后来发现这个工具的可编程性远超预期，可以写系统指令、封装领域知识、在关键节点插入自定义逻辑。再后来是多个 agent 的编排，一个管全局，几个干活，通过文件交接共享信息。到现在已经进入异步自动化阶段，十个定时任务在后台跑着，让我一个完全没有计算机背景的文科大学老师开始做游戏程序、做手机 App。

从第一阶段到最后一个阶段，这中间投入了大量时间。有些自动化流程花了连续几天、每天三四个小时反复调试才达到满意的效果。在信息层面上，现在很多人还不知道怎么去做这样的调试。

信息上的差距会消融，对创造新事物的渴望呢？