从学徒制到 API:AI 如何重塑知识流动与传递

在人类历史的大部分时间里，知识在人之间的流动方式始终如一——通过学徒制。新人观察老手，做基础工作，在耳濡目染中吸收业务语境。知识与其携带者密不可分。地理距离重要。时间重要。关系重要。

然后，有些事情变了。

2026 年 3 月，Anthropic 的经济研究团队发表了一份报告，引入了一个叫 Observed Exposure（观测暴露度） 的指标——逐任务地测量 AI 此刻在真实工作场所里实际在做什么。这份报告不预测未来。它记录一个已经发生的转变：知识开始不仅在人之间流动，还在人和 API 之间流动。

这就是为什么这件事比任何「X% 的工作将被自动化」的头条都更重要。

三层指标

Observed Exposure 由三个数据层构成。

第一层：理论上限。 Anthropic 借用了 Eloundou et al. (2023) 的框架，逐项评估 O*NET 数据库中约 800 个职业的每一个任务——如果交给当前 LLM，能不能让完成速度至少翻倍？能，得 1 分；需要额外工具，得 0.5 分；不能，得 0 分。这是「技术上可能做到」的天花板。

第二层：实际使用。 这是有意思的部分。Anthropic 接入自己的数据（来自 Anthropic Economic Index），看在数百万次对话中，Claude 的用户到底在拿 AI 做什么——和它理论上能做什么比起来如何。

第三层：使用方式加权。 不是所有使用都算作「暴露」。如果一个程序员让 Claude 生成完整函数并投入生产代码——这是高权重的暴露。同一个程序员用 Claude brainstorm 创意或润色邮件语法？权重低很多。Anthropic 仔细地区分了自动化和辅助增强。

核心发现：实际暴露程度远远低于理论能力上限。 AI 能做的和它实际被用来做的之间，存在巨大差距。

这个差距——不是天花板本身——才是我们应该盯住的东西。

哪些人实际被暴露了？

报告按职业画出了暴露度分布，并交叉对比了人口统计数据。

高暴露职业的共同特征：高度数字化、工作流程标准化、产出可量化。 程序员、数据录入员、翻译、客服代表——这些可以被拆解为明确输入-输出模式的工作。

低暴露职业：调酒师、技师、外科医生。 不是因为 AI 做不了其中一部分（它能读医疗影像、分析配方），而是因为这些岗位需要物理在场、即时的物理交互，和难以被干净模块化的任务。

让我停了一下的不是这个分布本身，而是交叉分析。

Anthropic 发现：高暴露职业的从业者更可能是年长的、女性的、高学历的、高收入的。 另一组数据：BLS（美国劳工统计局）预测到 2034 年，这些同样的职业就业增长率反而更低。

想想这意味着什么。被 AI 驱动的知识贬值影响最深的人，恰恰是「看起来」最安全的群体——高学历、高收入的白领专业人士。他们的工作不会一夜之间消失。但这些工作所依赖的知识基础，正在以史无前例的速度被编码、复制和贬值。

还有一个让我印象深刻的发现：自 2022 年底以来，高暴露职业没有出现系统性的失业率上升——但有迹象表明，这些职业中年轻员工的招聘正在放缓。 AI 没有在大规模裁员。但它可能正在悄悄缩减可用的初级岗位数量。

暴露度告诉我们的知识流动故事

我通过经济地理学里一个老问题的透镜读了这份报告：知识在人和空间之间是怎么流动的？

经典答案是：隐性知识——那些写不进手册的东西——需要物理上的近距离。师徒制、同地办公、面对面合作。这就是为什么硅谷只有一个，而不是几百个。知识是有粘性的，地理距离之所以重要，是因为人重要。

Observed Exposure 给了我们一个观察这个反向过程的动态视角。

当一个职业的暴露度得分上升，意味着曾经依赖人脑记忆和手动操作的任务，正在被转化为可编程逻辑或 API 调用。隐性知识正在变成共享代码。 传递这些知识的成本趋近于零。

经济地理学家谈论「全球通道与本地蜂鸣」——长距离知识网络和短距离本地溢出的双重机制。AI 正在做的事情，本质上是开辟第三条通道：一条完全不需要人类接触的知识传递路径。

它在自己的领域里极其高效。但它带来的代价，更难量化。

知识「去空间化」的代价

第一个问题是结构性不对称。

AI 的攻击面是不均匀的。高暴露职业的知识被迅速编码、复制、自动化。低暴露职业的知识因为无法被数字化，流动速度极慢。职业间暴露度分数的差异，本质上是一份谁参与 AI 驱动的知识加速、谁被排除在外的清单。

这里有一个悖论：从快速知识扩散中受益最大的知识工作者（程序员、数据分析师），恰恰也是面临知识贬值最快的人。而那些「不够数字化」的职业（调酒师、技师）相对安全——但它们也被排除在了生产力提升之外。

经济地理学界一直在提醒知识流动中的马太效应——创新资源向大都市科技中心集中，加剧区域不平等。Anthropic 的数据暗示了一个反向的趋势：马太效应可能正在反转，因为接收了最多数字化知识投资的职业，现在正经历着最快的知识保质期衰减。

第二个问题更根本。

传统的知识流动，本质上是一个「人传人」的寄生过程。导师、同事、合作者、跳槽者——知识跟着人走。AI 把知识从人身上完全剥离出来，变成了基础设施，而非专业技能。

经济地理学有一个概念叫「路径创造」——边缘区域如何通过吸收和重组异质知识来建立新的增长引擎。在传统模型中，这需要人才流动、机构合作、政策引导。在 AI 时代，一个偏远地区的开发者可以获得和旧金山同行几乎相同的能力底座。数字化的「流空间」确实在某种程度上解放了知识获取对地理特权的依赖。

但有一个问题不断回到我脑子里：当知识不再需要人来携带，人在知识生态系统里到底扮演什么角色？

三个我没有答案的问题

Anthropic 的框架被设计为可以反复运行——追踪暴露度随时间的轨迹。这比任何一次性的预测都更有价值。但这个框架不是为回答我最好奇的问题而设计的。

第一：暴露度的上升是否意味着对称的能力传递？ 当一个程序员用 AI 生成代码时，知识从「人的理解」移到了「系统的输出」。程序员本人的理解可能在这个过程中被绕过了。知识到达了任务层面，但没有到达人的层面。这和传统的知识流动不是一回事——后者至少意味着接收者真的学到了什么。

第二：AI 生成的「知识」有同样的再生产能力吗？ 一个掌握了师傅手艺的学徒，可以在其基础上创新、变异、适应新场景。一个依赖 AI 生成代码的开发者——当 AI 不可用时，他还剩下多少独立解决问题的能力？这不是反 AI 的论点。它只是在追问：当知识流动路径从「人→人」变成了「系统→任务」时，那个被跳过的人会怎样。

第三：如果我们把 Observed Exposure 本身视为一种知识流动的测量——具体来说，是隐性知识转化为系统绑定代码的速度——那么那些无法被数字化、因此「低暴露」的职业，是不是以另一种方式被排除在了这场流动之外？ 它们没有被替代。但它们也没有被赋能。

但 AI 也可能是一堵墙

上面所有问题都假设 AI 在「促进」某种知识流动——只是方式、速度、对象不太对劲。

我越想越多，越觉得还有一个更黑暗的可能性：AI 不仅仅没能促进知识流动，它可能正在主动砌起一堵墙。

让我拆开来说。

第一个观察：承载代际知识传递的初级岗位正在消失。

传统的人才发展本质上是学徒制。新人做基础工作——数据清洗、写初稿、处理标准客户咨询。任务本身不是重点。重点是在做这些事的过程中吸收的语境：团队实际怎么运作，哪些不成文的规则重要，遇到模糊问题时该问谁。隐性知识通过共同工作从资深者流向新人。

AI 正在吃掉这些初级任务。模型可以比任何人类更快地清洗数据，几秒生成初稿，大规模处理标准咨询。公司省钱了。资深者产出更多了。

但问题在于：人的知识吸收不是安装一个 API 就能完成的。 新人需要那些低级任务来建立对业务的认知模型。当 AI 接管后，学徒期没有被缩短——它被直接取消了。新人失去了那个让他们从「边缘参与」逐渐走向「核心贡献」的过程。

知识管理研究者把这叫做门锁效应——AI 锁死了进入职场的门。

而资深者呢？没有新人需要带，他们的隐性知识无处流动。那些写不进手册的东西——什么时候该打破规则、如何在灰色地带做判断——就这样停止传递了。资深者成了孤岛上的专业能力，他们离开时就消失无踪。

第二个观察：知识正在被「资产化」，而这杀死了人际传递。

当一个职业的观测暴露度很高，组织会做一件理所当然的事：从最好的员工身上提取核心操作知识，蒸馏进 AI 模型或自动化模块，存到公司服务器里。隐性知识被去肉身化、不朽化。从效率角度看，这完全合理。

从知识流动的角度看，一个根本性的变化发生了：知识不再在人与人之间流动。它现在在人与系统之间流动。

人际传递有一个系统传递没有的特性：传递也是转化。知识从师傅到学徒的过程中，它会发生变异。学徒不是简单复制——他们解读、改编、重组、有时改进。知识是活的东西。

当知识变成服务器上的一个模块，它就是一个资产。它被完美地保存下来，也被完美地冻结了。你可以通过 API 调用它。但你不能和它争论、不能改进它、不能让它变成你自己的。

还有一个更微妙的层面。我读到一些研究提到，高暴露岗位的员工开始出现防御性知识保留行为。他们知道自己的技能很容易被 AI 捕获和复制。所以他们不再分享那些让自己有价值的独特技巧。他们用难以追踪的方式执行关键任务。这是人对「被蒸馏」的本能反应——但它在组织内部砌起了新的墙。

第三个观察：悖论正在形成。

我们面对的是一个奇怪的局面——

数字知识可访问性从未如此之高。你可以让 AI 解释几乎任何东西，和它对话，获得定制教程。如果你想学习什么，屏障从未这么低。

但如果你想进入一个行业——成为一个领域里合格的从业者——屏障从未这么高。公司更喜欢雇佣「拿来就能用、能高效指挥 AI」的专家。培训新人成了越来越少公司负担得起的奢侈品。

结果是：知识在数字层面从未如此「自由」，在社会层面从未如此「停滞」。

经济地理学界担忧区域不平等——资源向大都市集中，边缘地区落后。这个框架给了我们一个更锋利的版本。这已经不只是地理问题了。这关乎谁能有效指挥 AI。资源——知识、机会、成长——围绕这个能力集中。其他所有人——包括那些需要学徒时间来成长的年轻人——被关在了外面。

如果这种趋势持续，组织将面临一个中坚力量的断层问题。数字化捷径以牺牲长期知识再生产为代价。

这是一个比「AI 会取代多少工作」更难的问题。被取代至少是可测量的。代际知识断裂——你只有在它已经发生之后才会发现它。

所以

Anthropic 的报告不是那种让人「哇」一声的东西。没有末日预言，没有乌托邦承诺。它只是一个脚手架——一个可以反复使用的、测量 AI 在劳动力市场真实渗透率的框架。

但它的锋利点在这里：它把讨论从「AI 能不能做这件事」拉到了「AI 实际上在做这件事了吗」。而它在做的事情，安静但不均匀，是重新布线知识的传递通道。

几个世纪以来，这条管道一直是学徒制。人传人，一代传一代——通过共同工作、不完美的模仿、缓慢积累的隐性理解来传递。新管道不同了。人到 API，系统到任务。更快、更便宜、可大规模复制——但它不复制载体本身。它不培养下一代从业者。

报告里那个最安静的发现，可能也是最重要的：自 2022 年底以来，高暴露度职业的年轻员工招聘正在放缓。 没有大规模裁员。没有戏剧化的头条。只是那些曾经把新人变成专家的入门级路径在缓慢收缩。

这就是标题指向的真正转变。从学徒制到 API。而我们才刚刚开始理解，在这条路上，什么被丢在了后面。

本文基于 Anthropic 经济研究报告「Labor market impacts of AI: A new measure and early evidence」（2026年3月5日发表）。主要数据来源：Anthropic Economic Index、ONET数据库、Eloundou et al. (2023) 任务级暴露度评估。个人判断仅供参考。