AI改革之殇

最近一直在琢磨AI这事儿。

从去年到今年，大模型是真的开始“成精”了。你让DeepSeek帮你写个方案、总结个会议纪要，条理清晰得比刚来的实习生还靠谱；想做个活动海报，用即梦描述几句画面需求，它唰唰给你出好几版，质感完全不输专业设计师；还有做视频的朋友，以前剪个片子熬大夜，现在把几张图丢进Seedance，直接生成一段运镜流畅的动态视频，人物表情、光影过渡都自然得吓人。

你看，大家都在关心同一个问题：AI会怎么改变我的行业？

我也是。起初我也沉浸在各种“应用场景”的想象里——AI问诊、智能客服、数字人直播……但想着想着，突然觉得不对劲。

我们是不是搞错了什么？

历史上任何一次真正深刻的变革，从来都不只是技术层面的“应用”。蒸汽机不只是在纺织厂里多装几台机器，它重构了整个工厂制度和资本主义生产关系；互联网不只是让信息传递变快了，它重塑了从零售到社交再到政治动员的整套社会运行逻辑。

那AI呢？我们现在热衷讨论的“DeepSeek+办公”“即梦+设计”“Seedance+视频”，本质上还是在旧有的组织架构上嫁接新技术——说难听点，就是给旧马车装上一台新发动机。

但问题在于，这台发动机的马力太大了，大到旧马车的车架根本承受不住。

于是我开始往深处想：真正需要变革的，可能不是某个具体行业的“技术应用”，而是整个社会组织体制、制度框架，乃至我们理解“人”与“劳动”、个体与系统关系的基本方式。

这个念头一冒出来，我就知道，这已经不是AI时代独有的命题了。两千年的改革史里，那些只知在技术表面做文章却不敢触碰制度内核的变革，最后都成了历史的注脚——或者说，都成了“殇”。

一、历史上的“改革之殇”：失败者的墓志铭

在展开AI时代的思考之前，先看看历史上那些轰轰烈烈却最终折戟沉沙的改革，是怎么死的。

商鞅变法 —— 个人之殇，制度之成

商鞅的改革本身是成功的，秦国因此从边陲弱国一跃成为战国霸主，“家给人足，民勇于公战，怯于私斗”。但他个人被车裂。教训：改革动了旧势力的奶酪，改革者就得做好成为祭品的准备。改革能活下来，改革者未必能。

王安石变法 —— 执行之殇

王安石的青苗法、均输法，顶层设计并非全错，但各级官员在执行过程中借机敛财，与民争利，好经被彻底念歪。教训：改革最大的敌人往往不在对面，而在自己队伍里。执行层一旦腐败，再好的蓝图也会变成灾难。

张居正改革 —— 人亡政息之殇

张居正十年改革，硬是把大明王朝从悬崖边拉了回来。但他死后立刻被万历皇帝清算，家人罹难，改革成果一朝归零。教训：改革如果只依附于个人权威而不固化为制度，人一走，茶必凉。

王莽改制 —— 脱离实际之殇

王莽真心想解决土地兼并问题，出发点并不坏。但他照着一千年前《周礼》搞复古式改革，既动了权贵的蛋糕，又让老百姓无所适从。教训：理想再丰满，脱离了社会承受力和时代条件，就是一场灾难。

戈尔巴乔夫改革 —— 共识瓦解之殇

改革初期全民期待，但激进策略和糟糕的切入点导致社会迅速撕裂。教训：改革共识一旦破碎，比不改革更危险。大厦倒塌，往往不是因为外力，而是里面的人自己先散了。

用两句话把这些失败穿起来：

第一句：改革失败，从来不是因为“变”的方向错了，而是四个关键变量上出了致命差错——执行层腐败、制度无保障、方案脱实际、共识先瓦解。

第二句：商鞅死于动了蛋糕、王安石败于底下人念歪经、张居正输在人死灯灭、王莽栽在穿越式幻想、戈尔巴乔夫垮在人心先散——五个人的悲剧，骨子里是同一回事：改革者可以设计未来，却常常控制不了人性与利益。

二、为什么有些改革能成功？

对比这五个失败案例，历史上成功的改革几乎形成了一套完全相反的操作模式。这里重点看看中国的改革开放，同时借鉴几个世界案例。

第一，增量改革，不是砸人饭碗。

商鞅动了旧贵族的根子但依赖个人威权，而邓小平用“社会主义市场经济”逐步放开，给旧利益格局留了过渡期。商鞅和邓小平有一个关键共同点被许小年精准指出：两者都增加了社会总财富，着眼于资源使用效率的提高，而非仅仅在存量利益中重新分配。 这与王安石、王莽“仅仅重新分配利益”形成了本质区别。

第二，试点推广，减少执行跑偏。

王安石被底下人念歪了经，而改革开放采用的是“小范围试错、逐步推开”的方法论——农村改革始于安徽小岗村农民自发的“大包干”，是“基层试点→上面认可→全国推广”的过程；城市经济体制改革也始于深圳等局部试验。自贸区经验更是如此：上海（2013年）→6省区（2015年）→全国21个（2023年），形成了“试点—评估—优化—推广”的闭环。这避免了“一刀切”带来的执行层面的大规模变形。

第三，制度保障，不让改革依赖个人寿命。

张居正人亡政息，是因为改革成果没有固化为制度。而改革开放进程中，退休制度的建立、集体决策机制的完善，以及不断将改革成果写入法律框架，都是为了让改革“不因领导人的改变而改变”。

这里有一个国外的例子也值得一说。2003年，德国总理施罗德推行“2010议程”，大幅削减过高的社会福利、改革劳动力市场。改革方向是对的，但效果有滞后性——老百姓短期内感受到的是阵痛而不是红利。结果社民党付出惨痛代价，十万党员流失，施罗德黯然下台。但接盘的默克尔政府继续推进这套改革，最终德国从“欧洲病夫”变成了欧洲经济优等生。这个案例说明：改革效果有滞后性，改革者未必是享用人，但前提是制度能保留下改革的火种，让正确的事能被后来者接住。

第四，凝聚共识，用增长稳住人心。

戈尔巴乔夫的改革从万众期待走向社会撕裂，关键在于共识的瓦解。而改革开放始终把发展经济作为最大共识，“发展才是硬道理”，用持续的增长消化矛盾、抵御冲击。日本明治维新也在这一点上提供了经验：明治政府在颁布重大改革举措前会出台相应的法律法规等配套制度，并做到与时俱进地调整政策，使改革始终有章可循、有法可依，减少了社会震荡。

第五，开放竞争，以外部压力倒逼内部改革。

商鞅变法的根本动力来源于国家间竞争，“以外部压力推动秦国的国内政治改革”；改革开放也是“以开放促改革、促发展”——打开国门，让外部竞争成为倒逼内部僵化体制松动的最大推手。封闭环境中的改革，往往因为缺乏参照系和压力而走向内卷和退化。

三、AI时代的改革：三条核心建议

借鉴上面成败两面的经验，AI时代的改革，最该做三件事。

第一，用增量思维推开AI应用，不要一上来就搞存量替代。

改革开放没有一上来就取消国企、砸烂计划经济，而是先搞特区、先发展乡镇企业、先让一部分人富起来。AI改革也一样——与其成天炒作“哪些岗位要被替代”，不如先回答“AI能创造什么新的财富和岗位”。做大蛋糕的能力，是改革合法性最硬的底盘。如果AI改革一上来就让大家觉得“你要抢我饭碗”，改革的阻力会从第一天就拉满，重蹈商鞅车裂、戈尔巴乔夫人心涣散的覆辙。

第二，用“试点—迭代”替代一刀切和顶层空转。

DeepSeek可以优化文件处理，即梦可以辅助创意设计，Seedance可以改变视频制作——但这些AI应用在不同行业、不同地区的落地节奏，绝不能一刀切。应该借鉴改革开放的逻辑：先在容忍度高的领域小范围试点，验证AI对就业、税收、权利结构的具体冲击，再逐步推广。这是预防“王安石式执行腐败”和“王莽式脱离实际”最有效的防火墙。AI的社会后果不是靠技术参数能预测的，必须跑起来再看。

第三，改革成果必须制度化，不能只停留在技术震荡里。

张居正的悲剧和施罗德的终局都在重复同一个道理：没有制度化的改革，要么人亡政息，要么前人栽树后人乘凉但栽的人先被淘汰。AI时代尤其要小心“技术官僚化”现象——算法成为新的权力中介，技术精英变成新的利益集团。如果AI的治理规则不写入法律框架、数据权属不写进产权体系，那么AI红利很容易被少数平台虹吸，最终重演商业垄断裹挟社会利益的剧本。

与此同时，要像改革开放“以开放倒逼改革”一样，在全球AI竞争中保持开放姿态——技术交流、人才流动、标准互认，这本身就是防止国内利益固化的外部推力。商鞅当年靠外部战争压力驱动秦国变法，今天的全球AI竞赛就是最现实的外部压力来源，把这个压力用好，就能转化为全面深化改革的动力。

结语

从商鞅变法到改革开放，从明治维新到施罗德的“2010议程”，两千多年的改革史反复验证着一些朴素而深刻的道理：改革要成功，必须从制度根部着力而非停留在枝节修补；必须在“做大蛋糕”中消化矛盾而非仅从存量中分配；必须把蓝图转化为可执行的系统控制力；必须在共识凝聚中化解反弹、在开放竞争中保持活力。

历史上所有的“改革之殇”，都在提醒我们——技术会过时，但人性与利益的规律不会。AI这场变革，技术只是开场白，真正的考题永远是：我们能不能在制度、执行、共识和时机这四个变量上，比前人少犯一点错？

商鞅虽然被车裂，但他的改革遗产塑造了一个统一的帝国；王安石虽然身败名裂，但他曾想做而未做成的事，数百年后终究在更成熟的社会条件下落地生根。这或许是人类改革史上最深沉也最值得慰藉的启示——真正的改革之路，终将穿越一代人的毁誉，在历史的长河中找到答案。

AI时代叩响变革之门。这次变革的广度和深度很可能超过工业革命——它不仅改变生产工具，更在重新定义“人”的角色。重温改革史不只是怀旧，而是从先人用血肉试错得来的经验中，学会如何让这场变革少走弯路，让技术进步真正服务于人的解放而非人的异化。

这就是“AI改革之殇”——不是某一个改革者的悲歌，而是穿越千年历史的一声回响，提醒我们在拥抱未来的同时，别忘了回头看看那些倒在路上的先行者。

写在后边的话

这篇文章写到最后，我想起一个人——曾国藩。

他一生打仗有个笨办法，叫“结硬寨，打呆仗”。每往前推进一步，先把营垒扎稳、壕沟挖深，确保不败再图进取。别人笑他慢，他笑到最后。

他还讲一句话：“天下事，在局外呐喊议论总是无益，必须躬身入局。”

另有四字自勉——花未全开月未圆。事不做满，留有余地。

我忽然觉得，这几点放到AI变革上，比很多宏大的顶层设计都管用：不贪快求速，把试点做扎实再推开；不坐在办公室里画蓝图，下到一线去看算法到底怎么影响普通人；制度不一步写死，给未来留调整的弹性。

这个话题很大，以后有机会单独展开聊。