第一篇 · AI 目前还学不太好的，是什么
引子：从我妈那代人讲起
当年我妈来广东打工的时候，工厂老板买了几台新机器。
他算过账：一台机器顶八九个老师傅，按当时的工钱一年能省下五六万。
结果机器频繁出故障，他不得不花十倍工钱请来懂机器的技师；他还得培训能日常照看机器的工人——这种人在当时几乎没有；调度机器、协调原料、处理订单的复杂度反而比手工时期更高，他得再请监工。第一年算下来，他花的钱比之前还多了两倍。
被替代的那几位老师傅处境更糟。工资腰斩，一时半会也当不成机器技师——那需要完全不同的训练。
老板赔了钱，新工人不轻松，旧工人失业。这是技术替代人类劳动的一次普通实验，它在那些年的广东车间里，我们父辈的身上反复发生过——结局比所有人预想的都更复杂、更漫长，也更不平均。
三十年过去，现在我也在广东打工。
但被替代的不再是肌肉，是认知。历史车轮似乎正在赶趟地往我身上撵。
但想看清这次和上一次的相似与不同，我想先理清——这次进入我们生活的“新机器”，到底是一个什么样的东西？
Article 01
答案在哪里，决定了 AI 的边界
AI 强在公开文本、规则和可被大量训练的数据；弱在身体经验、现场情境和长期关系。
AI 能做
答案已经被记录、整理、结构化，AI 可以用更低成本完成。
AI 做不好
答案藏在身体、现场和关系里，无法只靠文本训练获得。
一、AI 是怎样的新变量
每一次工业革命都有一个核心技术作为“新变量”——蒸汽机、电气、计算机。这些变量进入社会后，会改变生产方式、改变工作内容、改变价值由谁创造和如何分配。这是一个有迹可循的历史规律。
AI 是这个系列里最新的一员。它和前几次的核心技术有相似的地方，也有几个根本不同的地方。看清楚这些异同，是看清整个 AI 时代价值重构的起点。
先看相似的部分。
AI 和蒸汽机、电气、计算机一样，是一个能极大降低某类活动成本的工具。蒸汽机让物理动能变得便宜，电气让动力分配变得便宜，计算机让信息处理变得便宜。每一次“变便宜”都意味着——之前靠这种活动谋生的人会失去原有的位置；同时，新的、围绕这个工具组织起来的工作会出现；社会的整体生产能力会上升，但这种上升的红利分配很少是平均的，但黑利实则是大多数工人与工厂一同承担的。
这些规律 AI 都符合。它让某类认知活动变得几乎免费，原来靠这类活动谋生的人会受影响，新工作会围绕它出现，整体生产力会上升但红利分配不会平均——这一切，都是历史的重复。
但 AI 有几个根本不同的地方。
第一个不同：它突破的是认知能力，不是物理能力。
蒸汽机扩展了肌肉的力量，电气扩展了能量的分配，计算机扩展了信息存储和检索的速度。这些扩展都集中在纯“动作—执行”层——做得更快、更省力、更精确。
AI 扩展的不是动作，它部分实现了判断、生成、对话、推理、决策这些过去被认为只有人能做的事情。当你让 AI 写一份商业分析、起草一份合同、提供一个咨询建议、写一段代码、做一次心理疏导——它在做的不是“快速执行你定下的任务”，而是部分地代替你思考。
这件事在人类工具史上是第一次。所有过去的工具都在等待人的指令；AI Agent 已经自己生成指令、自己执行。这是从“动能”到“认知动能”的突破，也是 AI 真正前所未有的地方。
第二个不同：它在持续进化，而不是定型。
蒸汽机一旦造好，能做什么、不能做什么，范围基本上是确定的。计算机的硬件能力大致也是确定的，软件可以更新但边界也有限。
AI 不是这样。今年的 AI 和去年的 AI 在能力上可能有显著差异。它从只能生成文本，到能对话，到能调用工具执行任务，到能交付完整的工作产出，到正在和具身智能、协议执行（如 MCP）、命令行工具结合——它在不断扩展自己能进入的领域。普通人甚至难以想象明天会出个怎样的 AI 模型，在哪些方面又空前绝后地让相应专业与岗位的人惊叹或忧愁。
这意味着，讨论 AI 不能解决的事情时，最好不用绝对语气。今天 AI 做不好的事情，将来可能做得好；今天我们以为只有人能做的事情，可能明年的 AI 就能部分接管。我们能说的，最多只是当前的状态——这是讨论这件事时的一种诚实，其实是无奈。
第三个不同：它的价值重构涉及更广的层面。
前几次工业革命主要重构的是生产方式——谁在工厂里干活、用什么机器干、产出怎么分配。AI 重构的不只是生产方式，还包括我们获取信息、形成判断、感受世界的整个过程。
一个人在 AI 时代不只是“工作可能被替代”，他获取知识的来源在变（从书、专家、师长，到一个对话工具）；他形成判断的方式在变（从自己想到先问 AI 怎么想）；他和别人沟通的方式在变（用 AI 起草、用 AI 翻译、用 AI 总结）。价值重构的范围比之前任何一次工业革命都更深、更广、更涉及人作为人的核心活动。
把这三个不同合起来——AI 不是一个升级版的旧工具，它是一个新种类的工具。它值得被严肃对待，但严肃对待不等于神化或妖魔化。它的能力有真实的边界，它的能力也在真实地扩展。看清它当前的样子，可能是讨论它最有意义的方式。
二、AI 当前很强的部分：重构进程已经在做什么
要理解 AI 时代的价值重构，先看一个具体的事实——重构已经在进行。它不是未来的事情，是当前正在发生的事情。
AI 当前很强的部分，可以归为四类：
第一，信息整理与检索。 把分散的资料整合成结构化的回答、把长文档总结成要点、把一个领域的常见问题汇总成系统知识——AI 在这件事上做得比绝大多数人都好，快且免费。
第二，标准化的文本生成。 起草标准合同、写常规邮件、生成会议纪要、产出基础翻译——这一类工作的核心是按既定格式和惯例输出文本，AI 现在的能力已经可以胜任大部分场景。
第三，模式化的推理与编程。 写常规代码、做基础数据分析、按已知模式解决问题——这一类工作的特征是有明确的输入、明确的规则、明确的输出，AI 在这件事上做得越来越好。
第四，规范化的对话与解答。 客服第一线问答、常规咨询解答、基础教学——这一类工作的特征是高度重复、问题模式有限、答案在公开资料里能找到，AI 接管的速度也很快。
这四类对应的人力岗位，正在 AI 时代被首先替代。
不是猜测，是已经发生的事情。出版业的初级翻译岗位在大规模收缩；律所的初级合同起草岗位在收缩；客服中心的标准问答岗位在被 AI 客服接管；初级文案、初级数据录入、初级编程岗位的招聘量在下降。这些是 AI 当前很强的部分对应的代价。
请注意一个关键事实——这四类被替代的工作不是“低端工作”。很多被替代的人有大学学历，有专业训练，他们的工作过去被认为是“脑力劳动”。这次替代的不是体力，是某一类认知能力——也就是“会读会写会按规则推理”的那一类。
我妈那代人在广东车间里遇到过一次机器换人，被替代的是有手感的老师傅。这次轮到我们了，被替代的是会读会写会按规则推理的我们。形式不一样，事情是一回事。
这件事不舒服，但它是当前正在发生的现实。讨论 AI 时代的价值重构，可能要从这个现实开始看起。
三、AI 当前还学不太好的四类知识
但 AI 也不是万能的。它当前的能力有它自己的边界，而这些边界恰好对应着重构进程中尚未触及、可能也很难短期触及的领域，这部分的分析是本文很重要的一个叙述前提。
要理解这些边界，需要先承认一件事——人类知识不全是可以被写下来的。
二十世纪有一位匈牙利裔哲学家（我忘了他名字）说过一句话——“我们知道的比我们能说出来的多”。这句话指向的是这样一种观察：人类相当一部分重要的知识，很难被语言完整地表达出来。它存在于身体、模式识别、长期经验里，难以被还原为可以传给别人的命题。
而当前的 AI——主流的大语言模型——底色上是用文本学习的系统。它学到的几乎所有东西，都来自被人类写下来的文本（文本的计算在前期 AI 训练中更简单与更好标准化）。那些没有被写下来的，AI 在当前的训练范式下也正在多元向地突破和延伸，比如图像、音频与视频。但这不是数据量的问题，是它能接触到的世界本身就经过了过滤——这是 AI 局限性的根源。
按“为什么没被写下来”的不同原因，可以把 AI 当前还学不太好的知识分成四类。
第一类：缄默知识。
存在于模式识别层面、而非命题层面的知识。怎么判断一个人在说谎，怎么在谈判桌上感觉到对方的底线，怎么知道一道菜的火候到了，怎么在陌生城市判断哪条街晚上不能走。这些事有经验的人知道，但他们说不出来——这些知识从未被语言编码过，存在于“做”的层面，不在“说”的层面，那些潜规则和一个眼神示意双方懂得都懂的知识。
这种东西不只在专家身上。你能从老板进会议室前的脚步声判断今天会不会发火；你能从微信对话里多打一个句号还是少打一个表情，感觉到对方今天不太想说话；做过几个项目之后，你能在合同还没签的时候就感觉到“这个客户后面会出问题”——这些都是缄默知识。它不写在任何 SOP 里，但它在决定你怎么行动。
AI 当前在这类知识上很弱，是因为它生活在一个只有“说”没有“做”的世界里。它读过几百万本谈判教科书，但它没有真正坐在谈判桌前感受过对方眼神的细微变化。它的全部“知道”都是被语言中介过的——而那一秒钟的判断恰恰难以被中介。
第二类：身体知识。
必须用肉身去学的知识。木匠看一眼就知道木头的纹理走向，中医摸一下就知道脉象不对，老师傅听机器的声音就知道哪个零件快坏了。这些知识需要“身体”作为接收器，需要无数次反复训练让感官变得敏锐，需要犯过足够多的错让直觉学会校准。
这种东西每个人身上都有。你骑自行车、打字、踩刹车——身体替你把判断做完了，你只是事后才知道自己做了判断。
当前的 AI 没有身体。它没有手、没有耳朵、没有舌头、没有那种站在烈日下汗流浃背的体感——而身体知识正是这些东西的副产品。一个二十年的老师傅，他知识里最有价值的部分，可能就是他自己都说不清楚的“听一下就知道”。
具身智能是一个正在发展的方向，未来 AI 可能在某些方面接近这一类。但当前阶段，身体知识仍然是 AI 接触不到的领域。
第三类：地方性知识。
嵌入在具体共同体里的知识——一个村子里的人际网络，一个公司的真实权力地图，一个行业里“大家都懂但不会写在合同里”的规矩，一个城市某个小圈子里什么话能说什么话不能说。这些知识只在那个具体语境里有效，出了那个语境就失效或扭曲。
每一个工厂的车间都有一套这种知识：哪台机器爱出问题、哪个工位的老师傅最难说话、哪个班次的产出更稳定、哪个采购人员收红包、哪个客户的尾款一定要催才肯给。每一个公司里也都有：哪两个高管不能放在同一个项目里、哪句话当着老板面不能讲、谁的岗位靠走关系、谁跟谁有一腿——这些事不写在任何手册里，是常年待在那里的人才知道的。
地方性知识有一个反规模化的本质——它的有效性恰恰来自它的具体性。AI 的训练目标恰好相反，追求的是泛化、平均、跨语境通用。它能告诉你“组织变革通常需要考虑既得利益者”，但它当前接触不到你公司里那位姓张的总——而这些具体的、地方的、嵌入的知识，决定了一个方案能不能落地。
第四类：过程性知识。
关于“事情实际上是怎么发生的”的知识。
任何一件大事，事后被写下来的版本都是经过整理的——有逻辑、有因果链、有清晰的主角和动机。但凡是真正当过牛马的人都知道，真实的过程完全不是这样。真实的过程充满了偶然、误解、个人脾气、临时起意、走廊里的一句话、某个人那天心情不好。这些不会进入正式记录，但它们才是真正的因果。
你回头看一段已经结束的关系，会发现它真正崩掉那次不是吵架那一刻，而是之前几次没说出口的不舒服累积到了一个点。你回头看一个项目失败，会发现真正出问题的不是上线那次事故，而是早三个月某个晚上一次没继续追下去的疑问。事情按“人怎么累积感受”发生，不按“道理上应该怎样”发生——这就是过程性知识。
这是最复杂的一类，因为 AI 不清楚事情的完整经过，它得到的信息天然不全面、被刻意隐瞒，或者只读到“被改写过的版本”，它最多只能做到不懂装懂。它不会报错，它会自信地告诉你某个事件的“原因”，而这个原因听起来非常合理——但实际上事情之所以发生，可能是因为某个人那天和老婆吵了架。
AI 读到的全是被整理过的版本。所以它形成的因果模型是过度理性化的——它以为事情按道理发生，而实际上事情按人发生。
划分成四类是为了能讨论。但真实生活里，这四类知识从来不是单独出现的——你一秒钟读出对方状态的时候，缄默、身体、地方、过程这四件事是一起在动的。AI 学不好的不只是其中任何一类，是这种几类同时纠缠的状态。这是我（们）将终身学习的能力，也是我们可以继续“为人”的高地。这件事我们后面不展开，因为它本身就处在“几乎说不清”的位置。
把这四类加起来，会发现 AI 当前接触的世界，是一个被语言、被规范、被事后整理三重过滤过的世界。它和真实世界之间的差距，主要不是数据量的差距，是那些目前还难以且“不应该”被语言完整表达的内容。
这个差距能不能被未来的 AI 缩小？这是一个开放的问题。多模态模型、具身模型、能进入具体共同体的智能体可能在某些方向上有进展——这不是不可能的事情。但当前的 AI——也就是我们今天每天在用的这一代 AI——在这四类知识上确实还表现得比较弱。
我们尽可能尝试基于当前的状态来讨论“现在该怎么办”，而不是基于一个推测中的未来 AI——这样讨论可能会更踏实一些。
四、历史的相似与不同：时间变量在这次的微妙不同
从我妈打工的车间到我坐的写字楼所面临的问题，把它放在更长的历史脉络里看。
人类历史上经历过三次大的技术替代浪潮——蒸汽机、电气、计算机。每一次的过程都有相似的形状：旧岗位消失、新岗位艰难地长出来、被替代的人付出沉重代价、社会经过一段时间后慢慢适应、重构完成。
这些重构里有一个值得关注的规律——被替代的人和能去做新工作的人之间，有相当的可转化空间。
蒸汽机时代被替代的纺织工的儿子可以去当机器操作工；电气化时代被替代的多面手可以通过夜校学成专业操作工；信息时代被替代的银行柜员可以学操作软件转去当客户经理。我妈那代被机器换下来的老师傅，他们的孩子（我们）后来上大学、进了写字楼。能力门槛是陡峭的，但不是断裂的——通过几年的培训和实践，被替代的人或他们的下一代有相当大的可能进入新工作。
这一次的替代，从时间节奏上看，可能有一些微妙的不同。
要说清楚这种不同，可以从三个时间尺度上看——新工具进化的速度、新工作生成的速度、人的能力积累的速度。这三个速度在前三次工业革命里大致是相互匹配的。这一次，它们之间出现了一些可能值得我们注意的失衡。
先看新工具进化的速度。
蒸汽机从瓦特改良到广泛工业应用，大约用了三十到四十年；电气化从特斯拉、爱迪生到工厂普及，也是三四十年；计算机从大型机到个人电脑普及，仍然是几十年的尺度。这种速度让社会有时间去理解这个工具、调整教育、培养相应人才。
AI 的进化速度看起来不在同一个尺度上。从 ChatGPT 引发关注到现在大约三年，它的能力从只能生成简单文本，扩展到对话、编程、调用工具、执行复杂任务、和具身智能结合——每隔几个月就有显著的能力跃迁。这种速度大概是前三次工具进化速度的几倍甚至十几倍。社会还没来得及理解上一代 AI 能做什么，下一代已经在做更多的事，下下代能做的事你还没来得及想象。
再看新工作生成的速度。
工业革命时期，新工作的生成需要时间——一个新的职业从出现，到被广泛认可，到形成稳定的招聘渠道、培训路径、薪资标准，通常要十到二十年。但这个速度和当时旧工作消失的速度是大致匹配的——纺织工的工资在二十年里腰斩，新机器操作工的岗位也在差不多的时间里逐渐成型。
AI 时代这两个速度看起来不太匹配。旧岗位的消失可以非常快——一个公司决定用 AI 替代客服，第二天五百人就没了。一个出版社决定用 AI 做初译，下个月十几个外包翻译就没收入了。一个律所决定用 AI 起草标准合同，原本要养十个初级律师的工作，两个就够了。这些决定不需要漫长的过渡期，它们是季度财报会议上的一个数字调整，落到具体的人头上就是一封解雇邮件。
新岗位的生成仍然遵循“需要时间被组织化”的旧规律——“AI 输出审查师”“算法审计师”“缄默知识转译者”这类角色还在萌芽，从出现到形成稳定的市场，可能仍然需要十年以上。
最后看人的能力积累的速度。
这一条可能是最关键的。
前三次工业革命中，新工作所要求的能力虽然是新的，但相对来说是可被规模化训练的——开机器需要的技能、操作流水线需要的纪律、使用计算机需要的软件熟练度，这些都可以通过培训学校、夜校、技校在几年内培养出来。能力的积累速度可以适应新工作的生成速度。
而 AI 时代新出现的工作所要求的能力——也就是 AI 当前还学不太好的那四类知识里对应的能力——很大一部分需要在具体共同体里反复犯错、在身体里慢慢沉淀、在时间里被现实纠正。这种积累的速度有它自己的节奏，很难被加速到匹配 AI 进化的速度。
这是这一次时间变量上最值得注意的不同——
新工具的进化速度（极快） 旧工作的消失速度（很快） 新工作的生成速度（仍然较慢） 人的能力积累速度（最慢，且可能难以被加速）
四个速度之间的差距，比前三次工业革命都更显著。这种差距构成了 AI 时代价值重构的主要张力——重构进程在快速向前，但参与重构的人的转化速度跟不上。中间会拉开一段缝隙，越来越多的人会被卡在这段缝隙里。
更具体一点说——一个被 AI 替代的初级文案、初级翻译、初级程序员、初级法律助理，目前不太容易找到一条清晰的路径通过参加一个短期培训班，就转型成“AI 输出审查师”或者“组织接地气翻译者”。这些大多难以在短期被训练与习得——因为这些新工作要求的不是新技能，是另一类积累过的人——是那种已经在某个领域沉浸了很多年、已经有了缄默判断、已经被现实反复教训过的人。
这意味着我们可能正在经历一次结构上不同的替代。前三次的规律是“被替代的人或他们的孩子可以做新工作”；这一次的规律可能倾向于——被替代的人和能去做新工作的人，更可能不是同一批人。中间会有一个相对漫长、相对痛苦、可能持续一两代人的错配期——我们正好站在那段错配期里。
这是 AI 时代的价值重构和之前几次工业革命比较显著的区别。说“显著”而不是“本质”——因为我们仍然处在重构的早期，最终的形态还在形成中。但目前能看到的趋势，已经足以让我们对这次替代的特殊性保持一定的警觉。
五、本篇收束：两个判断与一个起点
这一篇尝试留下的两个判断——
第一，AI 确实是一个真正的新变量。它和前几次工业革命的核心技术有相似性（降低某类活动的成本、引发岗位替代和重构），但有几个值得注意的不同——它实现突破的是认知能力而非物理能力，它在持续进化而非定型，它重构的范围似乎涉及人作为人的核心活动。讨论 AI 时代的价值重构，可能更适合基于这个新变量的真实特征，而不是基于“AI 万能”或“AI 没什么了不起”的成见。
第二，AI 当前对世界的理解是被语言、被规范、被事后整理三重过滤过的。它在四类知识（缄默、身体、地方、过程性）上目前表现得比较弱。这种弱不是数据量的问题，和当前训练范式的根本特征有关。这种限制正在被新的架构突破，我们尽可能尝试基于当前状态来讨论“现在该怎么办”。
这两个判断合起来，给出一个起点。
价值重构是一个进程。它已经开始（AI 当前很强的部分对应的岗位正在被替代），但远没有完成（AI 当前还学不太好的领域，重构尚未触及）。重构完成后的新结构——哪些工作还存在、哪些能力值钱、哪些人在新结构里占什么位置——现在还没有被完全固化。
我们正好处在这个进程的中间。这意味着——
作为参与者，我们或许可以透过那四类知识来识别什么、参与什么、把行动落脚点放在哪些环节上。
哪些当前还在重构进程中的工作值得进入？哪些当前看起来“安全”但很可能很快会被波及的工作值得提前考虑？哪些 AI 当前还做不好的领域值得深耕？哪些和 AI 协作的新位置正在形成？这些是后面几篇尝试逐一回答的问题。
这就引出了下一篇的问题——既然 AI 已经在替代某些工作，那么具体来说，什么样的工作会被它替代，什么样的不会？
划分线在哪里？为什么是这条线？这是第二篇要尝试回答的。
如果你只记得一件事： 判断 AI 这次能不能帮上忙，不要看这件事“高级不高级”，看这件事的答案在哪里——在书里、在数据里、在公开资料里，AI 能给。在身体里、在车间里、在饭桌上、在你跟一个人打了三年交道之后才能感觉到的那种细微差别里——AI 给不了。