最近一直在想一个问题：

这次 AI 浪潮，到底和过去的工业革命、互联网革命有什么不一样？

很多人会说：每次技术革命都让人焦虑，最后大家不是都活下来了吗？农民进了工厂，工人进了办公室，办公室的人后来又开始做互联网。说白了就是换个工种而已。

但我越想越觉得不是这么回事。

这次真正的问题不是”会不会有新岗位”，而是：

如果 AI 不只是替代某些岗位，而是在不断抬高”人还能产生什么增益”的门槛，那普通人到底还能不能跟得上？

我的核心判断是：

这次 AI 革命最不一样的地方，不是机器更强了，而是人要开始证明：自己仍然能让一个越来越强的机器系统变得更好。

这不是”换个工种”的问题，是”换一套被需要的标准”的问题。

一、过去几次革命，本质上都是”换个工种”

拉长一点看，人要变得有价值，门槛其实一直在涨。

最早的人，能拾起一颗果子、一颗谷物，就有价值。

后来，能种庄稼的人，比只会拾果子的人有价值。

再后来，能用机器替代手工劳动的人，比只会种地的人有价值。

再后来，能设计机器、写软件、控制流水线的人，比只会操作机器的人有价值。

到现在，光会用 AI 也不够了——你得能让一个本身已经很强的 AI 系统，因为你的参与而变得更好。

每一阶都是上一阶的”加层”。每一次加层，要的能力都比上一阶更稀缺，门槛都比上一阶更高。

每一次加层，也都伴随着同一种焦虑：种地的人觉得只会拾果子的人没用，会用机器的人觉得只会种地的人落后，会写软件的人觉得只会操作机器的人不算技术。每一代人，几乎都觉得”现在的下一代要被淘汰了”。

但回头看，过去每一次加层都还在大多数普通人努力一下能跨过去的范围里。也正因为如此，社会才能在新一层里重新安排大多数人。

这次 AI 出现以后，有一个隐忧：这一阶的高度，可能第一次超过了大多数普通人能爬的高度。

要看清楚这一点，得先看看过去几次革命到底怎么”安排”普通人。

历史上每一次大技术革命，都会让一部分人很痛苦。

第一次工业革命，蒸汽机、纺织机械、工厂制出现以后，很多手工业者的议价权被削弱。卢德运动经常被描绘成”反技术”，但经济史的主流解释是：他们反对的是机器在特定产权和工资结构下，对自己生计的冲击，而不是抽象地讨厌科学。

但故事还有后半段。

农业劳动力离开土地，进入城市。有些人进了工厂，有些人进入运输、零售、家政、公共服务。这个过程当然很痛苦，低工资、童工、工伤、贫民窟，都是那一轮技术革命的阴影。但从长期看，社会还是在新的产业体系里，重新吸纳了大量普通人。

20 世纪美国的变化更典型。

美国劳工统计局（BLS）有一组数据：1910 年到 2000 年，专业、管理、文秘、销售和服务业工人（不含私人家庭佣工）合计占全部就业的比例，从约 1/4 上升到约 3/4；农民、农业雇工、普通劳工等岗位占比大幅下降。

也就是说，过去一百多年的主线大概是：

离开土地 → 进入工厂 → 进入办公室和服务业

每一波都消灭了旧岗位，但每一波也都创造了新的产业、新的组织、新的消费需求。普通人虽然被迫迁移、被迫学习、被迫重新适应，但大体还有一个出口。

所以我们对技术冲击有一套很熟悉的话术：

• • 转型
• • 学习新技能
• • 产业升级
• • 拥抱变化
• • 上车

这些词背后都默认了一个前提：

系统仍然需要大多数普通人，只是需要他们换一种技能重新进入系统。

旧工作被替代，新系统继续需要大量人。这就是过去的”换工种”逻辑。

而这次 AI 浪潮的真正不确定性，恰恰就在这个前提上。

二、这次不一样：AI 在啃”普通白领的中间层能力”

过去的自动化，几乎都是固定流程自动化。

流水线要固定动作，ERP 要固定业务规则，Excel 宏要固定表格格式，RPA 要固定页面和按钮位置。你想自动化一件事，前提是这个流程足够清楚、足够稳定，工程师能把它拆成步骤，写进系统里。

AI 不一样。

大模型开始处理的是非固定流程：写报告、写代码、做方案、整理资料、生成图片、起草邮件、分析会议纪要、拆解任务。

这些事过去不是不能自动化，而是自动化成本太高、边界太模糊。现在，只要输入、上下文和目标足够明确，AI 就可以在一个不那么固定的空间里完成任务。

这里出现了两个关键变化：

1. 1. 知识成本被压到接近零
2. 2. 自动化从固定流程，升级为非固定流程

这两件事合在一起，会让一个特定人群最先承压：普通白领。

为什么？因为过去一个普通白领的价值，很多时候不在于他多顶级，而在于他能处理一些不完全标准、但也没高到需要顶级判断的问题。比如：

• • 写一个还不错的方案
• • 做一个基础分析报告
• • 整理一堆资料
• • 根据会议内容生成纪要
• • 写几段业务沟通文案
• • 改一个中等复杂度的代码问题
• • 根据老板意图拆几个执行步骤

这些事不是纯流水线，但也不是顶级创造。它们正好位于普通白领的核心工作区间。

而这恰恰是大模型最擅长逐步蚕食的区域。

所以这次真正危险的地方，不是 AI 会替代某几个职业，而是它开始替代很多普通人的”中间层能力”。

过去你能完成任务，就有位置。

以后可能要变成：你参与进来以后，能不能让 AI 系统的产出明显变好。

这就已经不是”换个工种”的事了。这是在重新定义”什么样的人值得被雇佣”。

三、生产力变了，生产关系也变了

以前我们说生产力变革，多半在说工具更强了。蒸汽机让人不用靠肌肉拉机器，电力让生产线更稳定，计算机让信息处理更快，互联网让连接成本下降。

但 AI 这次不只是工具更强，它还在改变生产关系。

过去，一个普通人只要有劳动能力，就能在生产系统里找到一个位置。你会搬、会写、会算、会查、会沟通、会执行，组织就需要你。人的价值，来自”我能完成系统里的某一段工作”。

但如果 AI 开始完成越来越多的写、算、查、整理、沟通、检查、执行，人的位置就会发生变化。

旧逻辑：

公司有任务 → 需要人完成 → 人获得工资和议价权

AI 之后：

公司有任务 → AI 先完成大部分 → 少数人负责定义、校准、判断、兜底

普通人的价值，不再只是：

我能完成任务。

而是：

我能不能定义任务、校准 AI、提供判断、承担结果。

这会带来两个结果。

第一，单个人的生产力会被放大。

一个优秀的人，借助 AI 可以完成过去一个小团队的产出。强者会更强，超级个体、超级小团队会更有优势。

第二，普通执行者的需求会被压缩。

不是所有执行者都消失，但低判断、低 taste、低责任承担的执行型岗位，会越来越难维持原来的数量和价格。

这不是简单的”效率提升”，是组织结构重排。

过去，一个组织的问题是”人手够不够”。

未来，越来越多组织的问题会变成”还需要多少人”。

四、普通人不是和普通人竞争，是和 AI 水位线竞争

现在很多人说，普通人要赶紧学 AI。

这话没错，但只说了一半。

因为”会用 AI”很快就会变成基础能力，就像当年”会用电脑””会用 Office”一样。刚开始它是优势，后来就只是门票。

更残酷的问题是：

AI 越来越强，你还能在哪一层对它产生增益？

早期 AI 比较弱的时候，很多人都能对 AI 产生增益：

• • 数据标注员能让模型变好
• • 内容采集员能补充训练数据
• • Prompt 工程师能让输出更稳定
• • 应用工程师能把模型接进业务系统
• • 业务专家能告诉 AI 什么是行业里的真实问题

但随着 AI 变强，这条边界会不断上移。

很多曾经”帮助 AI”的人，后面也会被 AI 吃掉：

• • 数据标注会被合成数据和自监督学习压缩
• • 普通 Prompt 技巧会被产品封装掉
• • 简单的 Agent 搭建和工作流串联，会逐渐模板化

这就形成一个很不舒服的循环：

AI 需要人类辅助→ 产生一批新岗位→ 这些岗位帮助 AI 继续变强→ AI 变强后，降低对这些岗位的依赖→ 曾经优化 AI 的人，也进入被优化对象

所以普通人面对的，不是”今年学不学 AI”，而是一条不断上涨的能力水位线。

今天你会写提示词，可能有优势。明天产品把提示词封装掉，这个优势就没了。

今天你懂一点 AI 工作流，可能能提效。后天 Agent 平台把工作流模板化，这个优势也会变弱。

最值得警惕的是：就业压缩不是线性的，而是阶段性的。每一轮 AI 能力跃迁，都会把上一轮”还算有用的人”重新筛一遍。

真正能留下来的，是那些 AI 越强、越需要你参与的部分。

这也是为什么”学 AI”只是第一步。更重要的是，你要知道自己在哪个位置上，能让 AI 变得更有用。

五、几种分化：你大概率会落在哪一类？

我不太想把这个问题写成”只要努力就一定不会掉队”。这样太鸡汤，也不符合现实。

更真实的情况，是会出现几种分化。

第一种：被 AI 增强。

这类人本来就有比较强的问题定义能力、行业理解、判断力和执行力。AI 对他们来说是杠杆。过去一个人只能做一份工作，现在可以做一个小团队的工作；过去想做但做不了的项目，现在有机会启动。

这类人会变得更强。

第二种：被 AI 平台化。

这类人会用 AI，但主要是在平台给定的流程里完成任务。效率会提高，但议价权未必提高。平台、公司、工具会拿走大部分收益，人只是更高效地完成被分配的工作。

这类人不会立刻掉队，但很难掌握主动权。

第三种：被 AI 压缩。

如果一个人的工作主要是低判断、低责任、低 taste 的执行任务，那他的岗位会逐渐被压缩。不是立刻失业，而是招聘减少、薪资承压、外包化、合同工化、一个人干过去几个人的活。

这类人的体感会是：工具越来越强，但工作越来越不稳。

第四种：被系统安置。

这是最刺眼的部分。如果 AI 真的让大量普通人在经济系统中的必要性下降，一部分人可能不再是生产系统中的谈判者，而是被补贴、被娱乐、被低成本内容安置的人。

这就是硅谷一些 AI 从业者私下说的”永久底层”（permanent underclass）：

一个人不再是生产者，不再是谈判者，不再是可以通过学习、跳槽、创业、迁移完成上行的人。他变成一个被安置的人，一个被补贴的人，一个被娱乐内容填满时间的人。

这和传统失业不一样。

传统失业默认你还在劳动力市场里，只是暂时没匹配到岗位。”永久底层”暗示的是，你可能已经被排除出核心生产系统。市场不再等你重新训练，也不再需要你迁移到另一个行业。你不是”暂时落后”，而是被新技术结构重新定义成低必要性人口。

这个判断很悲观，但不能完全不想。

因为如果一个社会的生产力足够强，但生产关系没有调整好，最后的问题就不是”有没有足够的东西”，而是”谁有资格分到这些东西“。

六、”上车”话术，把社会问题包装成了个人问题

这里我想专门聊一下”上车”这件事。

最近这两年，”上车”几乎成了 AI 时代最热的词：

• • 赶紧学 AI
• • 赶紧做 AI 产品
• • 赶紧进入 AI 产业链
• • 赶紧积累代际财富

但这套话术藏着一个很残酷的前提：车不会停，没上去的人活该被甩下去。

有篇文章里写过一句话：“要么 zero to 100，要么 zero to zero。”

这套语言的问题在于，它把一个本应被讨论的公共问题——AI 红利如何分配、普通人被替代的代价由谁承担——包装成了个人问题：你为什么不上车？

公开场合，AI 公司和资本方往往说：AI 会赋能每一个人，AI 会创造新工作，AI 会带来丰裕时代，普通人只要学习、转型、上车，就还有机会。

但私下场景里：硅谷一些 AI 从业者讨论”普通人已经完蛋了”；工程师担心自己的工作就是”用 Claude Code 取代自己”；更夸张的是，一些高收入 AI 从业者不再相信传统退休规划，转而买比特币、建地堡、装防弹玻璃、买地或进行末日准备。

这里不是八卦，而是一个很关键的信号：最接近 AI 能力边界的人，对普通人就业前景的判断，可能比公开叙事悲观得多。

如果他们真的相信 AI 只是提高效率的普通工具，就不需要一边讲”赋能”，一边准备”地堡”。

七、那普通人到底该怎么办？

我觉得可以分成三个层次。

1. 短期：把 AI 用成杠杆，而不是玩具

先把能提效的地方都用起来：资料整理、初稿生成、代码辅助、学习答疑、会议纪要、日程规划、信息检索、方案推演。

这一步不用神化，就是把低价值时间省出来。

但要注意：不要把判断交出去。

AI 可以给草稿、给选项、给分析，但最后你要问：

• • 这个问题是不是真的重要？
• • 这个方案的代价是什么？
• • 这个结论有没有偷换概念？
• • 这个东西在现实里能不能落地？

如果所有判断都交给 AI，人最后会变成一个”确认按钮”。

2. 中期：建立一个能持续增益 AI 的能力组合

不要只学工具，要把工具嵌进自己的主线里。

如果你做技术，就不能只让 AI 写代码，还要理解架构、质量、系统边界和长期维护。

如果你做产品，就不能只让 AI 写 PRD，还要理解真实需求、商业目标、用户行为和组织约束。

如果你做运营，就不能只让 AI 写文案，还要理解渠道、转化、内容判断和用户心理。

工具会越来越简单，真正难的是你对真实世界的理解。

未来比较有安全感的人，可能不是”会某个 AI 工具的人”，而是有能力组合的人：

3. 长期：理解这不是单纯个人努力问题

普通人当然要努力，但不能把所有问题都归结为个人努力。

如果 AI 真的让维持经济运转所需的人力大幅减少，那教育、再分配、公共服务、基本保障、劳动制度，迟早都要被重新讨论。

以前我们说工作是收入来源，也是尊严来源。

但如果未来工作不能承载所有人的收入和尊严，社会就必须重新回答一个问题：

当人不再都被生产系统需要时，人靠什么获得体面生活？

这个问题不会因为我们多学几个 AI 工具就消失。

八、最后

回到一开始的问题：

AI 越来越强，人还能跟得上吗？

我的理解是：能，但前提不是”追上 AI 本身”。

人不可能在所有知识、速度、记忆、生成能力上和 AI 比。这个方向本身就错了。

真正重要的是，在 AI 越来越强的系统里，找到自己还能增益它的位置。

不是和 AI 比谁更像机器，而是提供 AI 还缺少的人类判断。

这些东西可能是问题定义、行业经验、taste、组织协同、独特数据、责任承担，也可能是未来还没有被模型很好覆盖的现实判断。

过去的技术革命，是”换个工种”——你失去了田，可以进工厂；失去了工厂的位置，可以进办公室；办公室没了，还能做服务业、做互联网。每一次的逻辑都是：旧岗位消失，新岗位继续需要你。

这次的革命，是”换一套被需要的标准”——不是你换一件能做的事，而是你需要证明：我做这件事，能让 AI 系统的产出比没有我的时候更好。

从拾果子，到种庄稼，到操作机器，到设计系统，再到让 AI 变得更好——人要变得有价值这件事，门槛一阶比一阶高。前几阶里，大多数普通人努力一下都还能跨过去。这次 AI 这一阶，可能是第一次，跨度大得让很多人跨不过去。

过去，普通人只要能劳动，就能进入生产系统。

未来，普通人可能必须证明：我不只是能劳动，我还能让 AI 劳动得更有价值。

这才是这次 AI 革命最值得警惕的地方。

不是 AI 会不会替代某个岗位，而是它会不会不断抬高”人还值得被需要”的门槛。

普通人要做的，不只是追 AI，而是找到一个位置：AI 越强，你越能借它放大自己，而不是被它一步步挤到边缘。

本文基于历史工业革命就业结构资料、BLS 职业变迁统计、Autor 等关于岗位极化的研究，以及《永久底层：硅谷的 AI 从业者普遍认为，普通人已经”完蛋了”》等材料整理分析。AI 仍处于快速演进阶段，本文更偏机制判断，不是精确就业预测。