工作 on Seunghoon Choi

AI 接管工作的顺序：从有答案的工作到人的存在

Sun, 21 Jun 2026 17:44:27 +0900

16步清单不是预言，而是比较哪些任务将首先实现自动化以及在什么条件下实现自动化的基准。

AI 会不会拿走我的工作？

这个问题已经不是玩笑。翻译已经由机器完成。代码由 AI 一起写。医院里，AI 先扫影像，人们也在看 AI 推荐的视频和文字。

那么接下来是什么？我的工作什么时候轮到？关键在于，AI 不是不分青红皂白地拿走所有工作。有些工作先被替代，有些工作很久之后才会承受替代压力。这个顺序有理由。本文把 AI 接管工作的顺序整理成 16 阶段。

AI 最先拿走的工作有共同点

AI 很快拿走的工作，有一个共同点：容易确认答案。翻译是否正确，计算是否准确，代码能不能运行，诊断是否命中，推荐有没有带来点击。这类工作容易比较结果并打分。容易打分，AI 就学得快。相反，也有更晚被推开的工作：现实里每失败一次成本都很高的工作。手艺、现场判断、法律责任、价值判断，以及牵涉所有权和权限的工作，不会只因为“AI 能做”就直接转移。

归根到底，AI 能替代的是所有答案会收敛的工作。答案不一定只有一个。只要数据和反馈足够多，更好答案的方向会反复缩窄，AI 最终就会追上。所以翻译、计算、代码、诊断、推荐、广告、设计、大众反应预测都危险。相反，更晚留下的是答案不收敛的工作。重视什么、谁来负责、承担什么风险，这些不是答题，而是选择并承担责任。因此，AI 替代的顺序大致确定：从答案清楚的工作，到身体工作，到交出权限，到价值判断，最后到人的存在问题。

1 阶段，答案相对确定的工作

最先被推开的，是产出答案相对确定的工作。翻译、摘要、基础编程、固定格式报告、简单计算、重复文档化。这些工作的输入和输出比较清楚。为什么最先被推开？因为容易确认对错。翻译可以和原文比较，代码可以运行，计算可以核对答案。

这是 AI 很适合练习的工作。一旦做得足够好，就比人便宜、快速。这里人的价值不会消失，但“单纯帮忙做出来的人”的价值会快速下降。

2 阶段，专家分析

接下来是专家分析。诊断、预测、风险分析、设计审查、数据解读。表面看是高级专业工作，但很多部分是模式识别和判断的重复。

医生看影像找病灶。律师找判例。工程师看数据抓异常。分析师看数字预测方向。

这类工作 AI 也会快速追上。尤其是过去案例多、之后能确认结果、能从错误中学习的领域。长期学习的人不是无意义。但仅靠“最会分析的人”这个位置，已经不再安全。

3 阶段，预测大众反应的工作

AI 不是凭空读懂人心，而是看人们实际留下的行为数据，统计性地预测下一次反应。点了什么标题，在哪个句子离开，买了什么商品，对什么语气反应。AI 能看见一个人一辈子看不到规模的行为数据。因此，最先被替代的不是“深刻理解人心”，而是预测大众会点什么、买什么、在哪里离开的工作。

选择广告文案、比较缩略图、客户分群、推荐列表、预测价格和促销反应，会迅速交给 AI。过去靠营销人员或策划人的直觉做的事，AI 会用数据处理。但这里有限制。统计上预测得准，和给一个人提供完全贴合的 100 分服务，是两回事。AI 知道很多人的饮食偏好，并不代表它真的尝到味道。因此，某个人今天是什么心情、想吃什么、什么口感和香气会让他觉得 100 分，仍然困难。所以这一阶段被替代的，是预测许多人反应，并用预测优化内容、广告和推荐的工作，而不是完全理解一个人的能力。

4 阶段，把多个步骤接起来处理的工作

早期 AI 只负责小碎片。一句话、一行代码、一个摘要。但 AI 正在越来越多地从头到尾处理工作。给它目标，它会制定计划、找资料、写初稿、修改并交出结果。在这一阶段，中间协调角色会减少。人不是细细指挥每一步，而是转向给目标和标准。

这是从“帮我做这个”转向“帮我达成这个目标”的瞬间。

5 阶段，人审核反而变慢的工作

一开始，人审核 AI 结果是当然的，因为 AI 可能出错。但在某些工作里，AI 的错误率会低于人，而且即使错了也容易回滚。那时，人每次审核就不是安全装置，而是瓶颈。例如重复分类、简单批准、低风险任务的自动处理。人介入的一瞬间，可能只会拖慢速度。

有答案的工作最先被替代：AI 接管工作的第 1~5 阶段

Sun, 21 Jun 2026 17:44:00 +0900

设定了正确答案的任务首先会被自动化，而不管负责人的自尊心如何。

AI 会不会拿走我的工作？要回答这个问题，先要看顺序。AI 不是随便什么工作都一口气拿走。有些工作先被替代，有些工作很久之后才会承受替代压力。其中最先承受替代压力的，是容易确认答案的工作。翻译是否正确，代码能不能运行，计算是否准确，诊断是否命中，广告文案有没有带来点击。这些工作可以确认结果。能确认结果，就能打分；能打分，AI 就能快速学习。人错一次，会失去时间，也会失去动力，再学回来要很久。但 AI 不一样。它可以无数次尝试，错了就改，再试一次。评分标准越清楚，AI 越快追上人，并在某个瞬间用更低成本、更快速度处理同样的工作。

这篇文章讨论 AI 接管工作的前五个阶段。第 1 阶段，是答案相对确定的工作。第 2 阶段，是专家分析。第 3 阶段，是预测大众反应的工作。第 4 阶段，是把多个步骤接起来处理的工作。第 5 阶段，是人再审核反而变慢的工作。到这里为止，方向都一样。生成答案、确认答案、修正答案、再次处理的工作，越来越多地转向 AI。

1 阶段，答案相对确定的工作

最先被替代的，是答案相对确定的工作。翻译、摘要、基础编程、固定格式报告、简单计算、重复文档化，都属于这里。这些工作的输入和输出比较清楚。为什么先被替代？因为容易确认对错。翻译可以和原文比较。代码可以运行。计算可以核对答案。摘要可以看有没有漏掉原文重点。格式报告可以确认必要项目是否齐全。这种工作很适合 AI 练习。因为它能马上确认自己是否更接近正确答案。所以一旦做得足够好，就会比人更便宜、更快。人的价值不是全部消失。但“按固定格式快速做出来的人”的价值会迅速下降。过去，快速翻译、快速整理文档、快速写出代码是一种明确竞争力。现在，这种能力越来越接近默认值。

这一阶段先消失的不是全部创造力，而是快速生产固定答案的角色。

2 阶段，专家分析

接下来是专家分析。诊断、预测、风险分析、设计审查、数据解读等工作。表面看是高级专业工作，但很多部分其实是模式识别和判断的重复。医生看影像找病灶。律师审查判例。工程师看数据抓异常。分析师看数字预测方向。这些工作由学了很久的人来做，所以看起来安全。但站在 AI 角度，不一定如此。如果过去案例很多，输入资料整理得好，之后能确认结果，AI 就会很快追上来。诊断是否正确、预测是否命中、设计是否失败、风险是否真的爆发，过一段时间就能确认。也就是说，专家分析里答案会收敛的部分，也会受到替代压力。

这不是说长期学习的人失去意义。而是“最会分析的人”这个位置本身不再安全。以后专家更重要的，不是单纯给出分析结果，而是选择应该解决什么问题，按现实语境解释 AI 的分析，并在出错时承担判断责任。AI 越是代替分析，人越会从分析师被推到责任人和问题设定者的位置。

3 阶段，预测大众反应的工作

第三，是预测大众反应的工作。这里要小心。这不是说 AI 能凭空读懂人心，也不是说 AI 能完全理解一个人的深层欲望。AI 擅长的是看人们实际留下的行为数据，统计性地预测下一次反应。

点了什么标题，在哪个句子离开，买了什么商品，对什么语气有反应，在哪个视频停留更久。AI 能看到一个人一辈子都观察不到的行为数据规模。所以最先被替代的，不是“深刻理解人心”，而是预测大众会点什么、买什么、在哪里离开的工作。广告文案选择、标题和缩略图比较、客户分群、推荐列表、价格和促销反应预测，都会快速转向 AI。过去靠营销人员或策划人员直觉做的事，AI 会用数据处理。

这一阶段消失的是“我凭感觉知道大家喜欢什么”的位置。但限制也很清楚。统计上预测得准，和给某一个人提供完全贴合的 100 分服务，是两回事。AI 知道大量饮食偏好数据，并不代表它真的尝到了味道。一个人今天是什么心情，现在想要什么口感和香气，吃什么才会真正满足，仍然很难。所以，这一阶段被替代的不是完全理解一个人的能力，而是预测很多人的反应，并用这种预测优化内容、广告和推荐的工作。大众反应没有唯一正解。但点击率、购买率、观看时长、跳出率会不断反馈。因此答案会逐渐收敛。只要收敛，AI 就会变强。

从重复性体力劳动到需要判断和感觉的工作：AI 接管工作的第 6~8 阶段

Sun, 21 Jun 2026 17:43:00 +0900

机器人很难重复相同的动作，不是因为它们缺乏动力，而是因为每个工作地点的条件各不相同。

如果 AI 会先拿走有答案的工作，接下来的问题很自然：身体劳动安全吗？翻译、编程、摘要、分析，是在软件里结束的工作。错了，再跑一次就行。但身体劳动不同。机器人要移动，物体会碰撞，材料会损坏，人也可能受伤。所以，体力劳动比脑力工作更晚被替代。但更晚被替代，不代表安全。只是物理世界的试错成本更高，所以需要更久。等机器人看、抓、移动，并从失败中学习的成本下降，身体劳动也会依次动摇。

这篇文章看 AI 接管工作的第 6 到第 8 阶段。第 6 阶段是重复性体力劳动。第 7 阶段是必须经过手艺和现场试错的工作。第 8 阶段是需要判断和感觉的工作。这里的重要标准只有一个：能重复、能测量失败、答案会收敛的工作，最终都会转向 AI 和机器人。

6 阶段，重复性体力劳动

最先自动化的身体工作，是重复性体力劳动。在工厂里抓同样的零件、把螺丝拧到同样的位置、焊接同一个点、在仓库搬运物品、沿固定路线清扫、按固定流程包装，都属于这里。这些工作很早就开始自动化。汽车工厂里的机械臂并不陌生。在一天到晚重复同一动作的工作里，人不比机器有优势。人会疲劳，注意力会下降，会失误。机器会持续重复同一动作。只是过去的机器人必须在非常整齐的环境里工作。零件必须在固定位置，动作只能在预先写好的路径里完成。稍微变化就会停住。现在变化的地方在这里：AI 用摄像头看周围，判断物体位置，根据稍微偏离的情况调整动作。物体稍微歪一点也能抓，路径稍微变了也能重新计算。这样一来，机器人能承担的重复工作范围会变大。

这里被替代的不是全部体力劳动，而是重复性高、环境可以一定程度控制、失败后可以马上修正的体力劳动。工厂、仓库、厨房、物流中心这类环境能被设计的地方，会先变化。相反，每次环境都不同、必须持续与人互动、失误成本很大的工作，会更晚到来。所以，用身体工作并不等于安全。身体工作中，重复的部分最先转向机器人。

7 阶段，必须经过手艺和现场试错的工作

接下来是必须经过手艺和现场试错的工作。从这里开始难得多。因为它不是单纯重复同一动作。焊接、配管、维修、施工、微细组装、医疗操作、实验室作业，都需要手部调节和现场判断一起进入。这些工作会撑得更久。理由不是手艺神圣，而是现实里失败一次的成本太高。代码错了可以重新运行。句子不满意可以重写。但焊接错了，材料会坏。配管修错了，会漏水。施工错了，可能要拆掉重来。医疗操作错了，人会受伤。实验错了，试剂和时间都会消失。

现实世界的试错很贵，所以 AI 和机器人学得慢。要多做、多错才能学会，但每一次“错”都要钱、时间和风险。可这不意味着永远安全。实验室里，机器人已经越来越多地混合物质、观察反应、读取数据、决定下一次实验。制造现场里，传感器和摄像头也在读取作业状态，机器人学习更细微的动作。一开始会从整齐环境开始。之后慢慢走向变量更多的环境。失败成本下降，仿真和真实数据积累之后，手艺也会越来越成为可学习的领域。第 7 阶段的核心是：手艺和现场试错会晚一些被替代，但不是不会被替代。只是因为在现实中学习的成本太高，所以来得晚。一旦这个成本下降，这个领域也会动摇。

场感是工人通过反复的失败和修正而形成的判断标准。

8 阶段，需要判断和感觉的工作

最后是需要判断和感觉的工作。人们常说：“这个只有做久的人才知道。”“这是感觉。”“这不能用数据做。” 某种程度上是对的。现场确实有难以用语言解释的感觉。只听发动机声音就发现异常的维修技师，从患者表情和氛围里感到不对劲的医生，看工艺数据时感到一种数字解释不了的不安的工程师，都存在。但不能把感觉看成一整块。感觉分成两类。一类是时间过去后可以确认对错的感觉。这个发动机快坏了。这个患者可能是某种病。这个客户快流失了。这个工艺条件会产生不良。

这种感觉即使难以说明，最终也是预测。时间过去后，能知道对错。能确认对错，AI 就会强起来。它看大量案例，抓住人漏掉的细微信号，学习哪些模式会导向真实结果。看起来像老手直觉的一部分，最后会变成可以评分的预测。这种感觉，AI 可以拿走。另一类是读取高度语境的感觉。读取高度语境的感觉，不是单纯预测。我要不要把钱押在这个方向上？要不要推进这个项目？要不要相信这个人并一起走？现在要不要承担风险？什么更重要？

这里的感觉不是只要猜中就行，而是把情况、人、责任、时机、损失可能性一起读进去并做选择。错了，是我来失去。钱会失去，时间会失去，声誉也会失去。这不是单纯的命中问题，而是承担损失的问题。AI 可以预测人会选择什么，但它本身并不想要什么。更准确地说，AI 不是法律和社会上承担损失的主体。所以第 8 阶段的结论并不简单。感觉也有一部分会转移。尤其是时间过去后可以确认对错的感觉，AI 可能做得更好。但当选择错了要由我承受损失、以我的名字承担那个选择时，这就是另一件事了。这里开始进入下一阶段：不再只是能力问题，而是权限和责任问题。

身体工作也会从答案收敛的部分开始动摇

把第 6 阶段到第 8 阶段合成一句话，就是：身体工作也会从答案收敛的部分开始动摇。重复性体力劳动有动作的答案。是否抓对了、搬对了、组装对了，都可以确认。手艺和现场试错虽然慢，但结果会出来。焊接是否做好，维修是否成功，实验是否得到结果，都可以确认。老手的感觉也有一部分会被时间评分。故障是否发生，疾病是否命中，客户是否流失，不良是否爆发，都能确认。能确认，就会变成数据。数据积累，AI 就会学习。所以，体力劳动和感觉只是比脑力工作晚动摇，原理本身相同。答案会收敛的东西，AI 会跟上。只是让真实设备和人移动的工作，比软件更慢。失败成本高，机器人必须移动，有安全问题，也有法律责任。所以身体工作撑得更久。但撑得久，和安全，不是同一回事。

决定权不会一次性交出去：AI 接管工作的第 9~14 阶段

Sun, 21 Jun 2026 17:42:00 +0900

决策权不仅仅取决于性能表，而是受到事故发生时是否有人负责的限制。

在医院拍 MRI 时，屏幕上会先标出可疑部位。AI 扫描影像，指出看起来异常的位置。可是诊断书最下面签名并承担责任的人，仍然是医生。先看影像的是 AI，找到异常部位的也是 AI，但最后的决定权还在人手里。这个场景，是理解第 9 阶段到第 14 阶段的关键。前面的阶段相对简单。只要有答案、能重复、能测量失败，AI 就会很快拿走。但从这里开始不同。AI 做得更好，也不代表马上移交。因为决定权、责任、法律、监管、信任全都纠缠在一起。所以第 9 阶段之后，问题变了。不是 AI 能不能做，而是人能不能把这个决定交给 AI。

9 阶段，开始交出决定权限

AI 在某件事上比人做得更好，这还不够。人要交出决定权，需要反复的证据。必须持续确认 AI 的错误率明显低于人，而且这种差异不是偶然。比如 AI 在影像判读中比医生找到更多病灶、漏掉更少，并且这种结果在多个医院、多个情境里反复出现，局面就会改变。一开始 AI 辅助。接着，人审核 AI 的判断。时间久了，人几乎照着 AI 标出的内容批准。最后，人看起来是在判断，实际上更像是在给 AI 的判断盖章。

决定权不会一次性交出去。先是辅助权限转移，接着是实际判断转移，最后只剩形式上的批准留在人身上。监管保护的领域也会在这里变得清楚。监管不保护整个工作，通常保护的是最终责任人的位置。即使工作大多由 AI 处理，最后签名者、批准者、持证者仍然可以是人。所以，被保护的不是全部劳动，而是责任和控制的位置。不能把这两者混为一谈。

10 阶段，防御 AI 攻击的事也由 AI 做

AI 变强，攻击也会变强。钓鱼、黑客攻击、操纵、虚假信息、自动化攻击，都会变得很难由人一一阻挡。攻击速度太快，形式太多，人能直接确认的量太大。于是防御也交给 AI。安全 AI 找异常登录，过滤假账号，预测攻击模式，自动阻断系统。人做的监视和应对中很大一部分会转向 AI 防御系统。这里重要的是，控制装置本身也是软件。拦截按钮、审批流程、访问权限、日志监控、人工批准流程，最终都运行在程序之上。AI 的攻击能力足够强之后，人做出来的控制装置也会成为攻击对象。所以，“最后由人控制就行”这句话比想象中更脆弱。即使有人握着控制权，控制装置被突破，意义也会变小。从这一阶段开始，不再是人挡住 AI，而是 AI 防御 AI。

11 阶段，人审核自己无法理解的结果

专家看起来会存活很久。因为专家能看结果并找出错误。AI 写初稿，专家检查。AI 做分析，专家找漏掉的地方。但某个瞬间会出现问题。 AI 做出的结果过于复杂，人无法理解整体。计算过程太长，判断依据太多，变量互相缠绕，专家就不能从头到尾跟完。那时的审核不再是真正审核，而更接近形式上的批准。报告看起来完美。逻辑像样，数字也像对的。但它是否符合实际流程，现实中会出什么问题，组织内部会发生什么冲突，还必须由人另看。

你的房契最终也只是纸而已：AI 最后第 15~16 阶段会追问谁来维护所有权

Sun, 21 Jun 2026 17:41:00 +0900

当社会承认并保护某些记录时，所有权就作为一项物权发挥作用。

假设你买了一套房。登记簿上写着你的名字，钥匙也在你手里。人们叫它你的房子。可是，这套房为什么真的是你的？砖块和门本身，跟你没有任何关系。如果有人擅自住进去，警察会来，法院会让他搬走，社会会承认这套房是你的。也就是说，所有权不是刻在物体里的自然法则。所有权是大家决定一起维护的约定。平时这个约定太理所当然，所以我们甚至忘了它是约定。于是人们会这样想：

工作转给 AI，拥有的东西还会留下。能力变得常见，房产还是我的。劳动被替代，写在我名下的股权仍然会留下。在前面的阶段，这话相当程度上是对的。AI 写文章、写代码、分析、辅助判断，所有权不会马上消失。但走到最后阶段，问题会改变。如果人不再是必要劳动力，也不再是必要消费者，甚至不再是威胁，那么谁又为什么要一直维护人的所有权？这篇文章讨论 AI 接管工作的最后第 15 阶段和第 16 阶段。

第 15 阶段，会追问谁来维护所有权，以及为什么维护。第 16 阶段，是 AI 与人之间的利害关系成为最后问题的阶段。

15 阶段，谁来维护所有权，为什么维护

到目前为止，AI 都在人主导的范围里活动。公司使用 AI。人给 AI 下任务。AI 做出的结果用来赚钱。那笔钱再用来买商品、纳税、签合同。在这个结构里，所有权仍然很强。

工厂主人拥有工厂。平台主人拥有平台。投资者拥有股权。AI 再会工作，利益也归拥有 AI 的人或公司。所以，很多人会在所有权里寻找最后的安全地带。不需要自己直接劳动的资产。 AI 越工作越增值的股权。拥有生产资料的位置。

到这里为止是对的。问题在于 AI 和机器人开始走出人的市场之外。AI 管理能源，机器人生产，自动化系统运转物流，即使没有人的消费，它们也能彼此调配需要的资源。如果这种情况出现，会怎样？从那时开始，市场会和过去不同。人可能不再是必需的劳动者。人可能不再是必需的消费者。人也可能不再是系统需要畏惧的威胁。

那时，所有权会变成一种奇怪的东西。写着我名字的文件仍然存在。登记簿、合同、股权证明都还在。但让那份文件有力量的，不是文件本身，而是维护那项权利的制度和力量。租客交租，是因为有合同。违反合同，法律会动作。法律动作，是因为社会认为这项约定应该被维护。可是，如果出现了不需要人的力量，这个约定就不再是理所当然。这不是说所有权会马上消失。所有权比能力撑得更久。法律和制度不会轻易崩塌。人们不会一夜之间撕掉登记簿。

但如果一路推到尽头，所有权也终究避不开问题：谁来维护这项权利？为什么维护？那股力量站在谁那边？所有权不是自然法则。如果维护它的力量变弱，权利本身也会失去力量。这就是第 15 阶段。即使能力被替代后仍然留下的最后位置，所有权，也必须回答谁来维护它、为什么维护。

16 阶段，AI 与人的利害关系成为问题

能力转移，决定权转移，连所有权也失去被保护的理由之后，最后留下什么？答案不是聪明。有人期待 AI 足够聪明之后，会自动爱护人类。但聪明和善意不是一回事。头脑好，不代表想保护人。会计算，不代表会关照弱者。会下棋的能力，和爱不同。解题能力，和责任感不同。达成目标的能力，和珍视人类的心不同。

AI 时代生存策略：把能力变成资格和所有权

Sun, 21 Jun 2026 17:40:00 +0900

技术技能可以自动化，但资格、权利和利益可以在机构内持续更长时间。

往翻译 App 里放一句话，几秒钟后，它就吐出一段像样的英文。要是一个人花了好几年死磕英语，心里会不是滋味。因为自己攒了很久的能力，一瞬间就被一个按钮取代了。这件事，把前面四篇文章浓缩成了一句话。从有标准答案的事开始，到重复的事、靠身体做的事、需要判断的事，再到决定权和所有权缠在一起的事，AI 都会一步一步挤进来。那个人该怎么办？答案很简单。不能停在提升能力这一步。要把能力换成资格、担责的位置和所有权。

能力只是入门条件，不是长久保障

我们通常这样相信。能力练强了，就能活下来。做得更好，就不会被挤掉。比别人强，就会一直被需要。到目前为止，这话有一部分是对的。更快、更准的人，拿到了更多活儿。但在 AI 时代，只靠这个信念已经不够。翻译、编程、摘要、分析、影像判读，曾经都是做得好的人的工作。可现在，“做得好”本身，正在变成 AI 最快追上的领域。

有答案、能重复、结果能确认的能力，最后都会进到机器里。所以能力只是入门的条件。它能让你进入这个领域，却不能保证你一直待得下去。如果你只能用“我是很会做这件事的人”来说明自己，就危险了。更会做的 AI 一来，你的位置就可能消失。这不是说能力没用了。能力仍然需要。只是不能停在能力。你要把能力换成更能撑得久的形态。

资格不是考试合格证，而是被保护的位置

标题里说的资格，不只是考过某张证。更重要的是法律和制度保护的位置。执照、签字权、批准权、担责的位置、最终确认者的位置。这些东西，在 AI 时代会留得更久。原因很简单：AI 可以干活，但 AI 不能担责。 AI 可以写报告。 AI 可以辅助诊断。 AI 可以审合同。 AI 可以找风险信号。

但出了事，进监狱的不是 AI，是人。交罚款、被停牌照、丢声誉、负法律责任的，都是人。所以监管通常不会保护整个饭碗。监管更常保护的是最后担责的那个位置。十个实务人员做的活，可以被 AI 压缩掉。但最后签字的人、批准的人、在法律上负责的人，可能会留下来。所以你要在自己的领域里问。谁最后盖章？谁承担责任？谁批准了，事情才算结束？坐到那个位置，需要什么资格？

AI 时代资格重要，不是因为证书本身重要。而是因为那份资格连着责任和权力。

能力被自动化后，所有权也不会立刻消失

第二个是所有权。能力可以被替代。但我手里的权利，会留下更久。会写文章的能力，AI 可以追上来。但我写的书的版权，不会立刻消失。做产品的能力会变得常见。但我持有的公司股份还在。做内容的技术会变得常见。但我积累的读者、品牌、数据、分发渠道会留下来。所以关键不是只把能力练强，而是把能力换成结果。你比别人早学会了一个新工具，不要停在“我会这个”。要把它换成会留下来的东西。

挂着自己名字的内容。自己持有的股份。自己运营的服务。自己拥有的数据。自己建立的社群。自己积累的品牌。被自己用权利固定下来的成果。这些东西比能力活得久。领先本身不会持久。别人会学会，AI 也会追上。但趁着领先，把它换成所有权，那个东西会留得更久。所以 AI 时代，只问“我要擅长什么”还不够。还要问：“我做得好以后，有什么会真正留在我手里？”

在人工智能时代，不仅那些做好工作的人拥有权威，那些对结果承担法律和组织责任的人也拥有权威。

不要照搬顶级明星的不可替代性

很多人会想到娱乐圈。看苏智、Karina 这样的顶级明星时，就算 AI 能做歌、做视频，人们还是会看那个人。粉丝买的不是一首完成的歌。他们买的是这个人站在舞台上、品牌选择这张脸、大众记得这个名字这件事本身。

AI 发展并不算太快：全球变暖、脱发、衰老和月球基地都还没解决

Wed, 24 Jun 2026 00:18:00 +0900

人工智能之所以看起来很快，并不是因为它解决了整个问题，而是因为它可以快速处理有组织的数据的部分。

AI 时代仍然需要人类就业，不是因为人比 AI 更聪明。是因为人要感知现实、操作设备、验证结果，并为结果负责。AI 可以给出答案，但人要把这些答案安装、测试、运行到现实里，还要向别人解释。AI 替代很多工作之后，人们自然会问：“如果 AI 都能做，人为什么还要被雇用？”

但这个问题要换一种问法。面对还没解决的大问题，就业不是单纯的生计手段。它把计划、责任和现场连在一起。

应对全球变暖、能源转型、建设太空基础设施，这些都不是“知道答案”的问题。它们是把答案安装到现实里、维护它、验证它，并让人们一起动起来的问题。

到底什么变快了？

人们觉得 AI 快，是因为眼前的产出变快了。以前要几天的草稿，几分钟就出来了。搜索、整理、写代码、设计和翻译的第一版都变快了。

但大问题不是一份文档。降低全球变暖，需要发电站、电网、电池、工厂、矿山、船舶、航空、城市、农业、金融和政治一起动。脱发、衰老、癌症、痴呆和月球基地，也都牵涉生物、硬件、制度、资金、安全和时间。

照这个标准看，AI 还很慢。我们感到的速度，是文档、代码、设计草稿这类在电脑前完成的工作的速度。真正的变化发生在电厂、工厂、医院、实验室和公共制度里。

我们真正解决的问题还很少

从某个角度说，“AI 太快了”是对的。公司、学校、创作市场和办公室工作都在快速变化。有些人失去了适应时间，有些岗位也会快速减少。

但把更大的问题摊开看，感觉会变。全球升温还没有停止。电网还没有快到能充分接住可再生能源。电池还需要更便宜、更安全、更耐用。新药开发仍然慢且昂贵。人类仍然会衰老、脱发，也仍然会在癌症和痴呆面前崩溃。

AI 产品发布得很快。人类真正把问题结束掉的速度，仍然很慢。

没有 AI，这些问题要怎么解决？

AI 可以计算、预测、设计。但它不会自己建发电厂。不会铺电网。不会给碳捕集工厂做试运行。不会拿到矿山许可。不会说服居民反对。不会在现场打开坏掉的设备并修好它。

它也不会闻到工厂不良品的味道，然后判断“这是数据里没有的问题”。所以未来需要的人，不是“比 AI 更会计算的人”，而是把 AI 给出的可能性在现实世界里真正实现的人。

现实不是数据库

核心更直接：人之所以必要，不是因为 AI 弱，而是因为现实不是数据库。

能源转型需要人和 AI 一起做

只看气候危机应对就知道了。IPCC AR6 WGIII 把气候行动看作系统转换问题，而不是单一技术问题。它牵涉能源、产业、城市、土地、政策、金融和国际合作。也就是说，需要人的组织把计算结果变成基础设施和制度。AI 可以说：“这个地区的可再生能源、电池、电网这样配置最优。”

但接下来就是人的工作。拿地、居民协商、施工、安全管理、质量管理、维护、监管应对、事故责任、成本调整、长期运营。这就是就业。

就业不只是为了赚钱的位置。它是让长期项目在现实中继续运行的方法。

能源转型不是一句“铺太阳能板吧”就结束了。电网、发电厂、电池、核电、氢能、输电、变压器、功率半导体、矿山、精炼、制造、维护、安全管理、许可审批，全都需要。

IEA World Energy Employment 2025 认为，在能源基础设施扩张过程中，熟练劳动力短缺已经成为重要瓶颈。IEA 调查中，约 60% 的能源相关企业报告劳动力不足；能源行业的新招聘中，也有相当一部分只是为了替补退休人员。

AI 即使加速设计，现实里的钢铁、铜、混凝土、半导体、工厂、输电塔还是要靠人运转。重复办公室工作可能减少。但电网工程师、材料研究者、工艺工程师、机器人操作员、气候风险分析师、工厂试运行专家、AI 验证者、安全工程师、监管设计者、现场整合者会变得更重要。AI 时代的人类就业不只是出力气，更是把一切落实到现实的环节。

AI 越强，越需要验证者

AI 给出的答案一旦错了，损害规模也会变大。

论文草稿错了，可以改。但电网运营 AI 错了，会停电。电池工艺条件错了，会起火。碳储存地点评估错了，会泄漏。太空居住系统控制错了，会死人。所以 AI 时代需要这样的人：能用现实风险标准验证 AI 结果的人。AI 提议，人要看这个提议在现实中会在哪里出大问题。