AI 不抢你的工作,它抢的是「答案」的定价权

722 篇手稿，像一夜之间冒出来的一座论文城

科技观察 · AI 与认知

AI 不抢你的工作，它抢的是「答案」的定价权

当答案的边际成本被打到接近零，你这个人，是按什么定价的？

全文约 5200 字 ｜ 阅读约需 14 分钟

722 篇。这是 10 月 6 日 OpenAI 一次性丢出来的数学手稿数量。七百多篇手稿整整齐齐躺在一个代码仓库里，目录按 001、003 这样排着号，像一夜之间冒出来的一座论文城。

第二天，其中 3 篇被悄悄撤回。不是方向错了，是一个加号写成了减号，错在霍奇猜想方向上。撤完修订完，剩下 719 篇，372 个成果族，每一篇背后平均只花了 ChatGPT Pro 大约 3 小时的算力，是模型从大约 4000 个候选问题里筛出来的。

其中有一份手稿宣称：所有狄利克雷 L 函数在实部大于 7/8 的半平面里没有零点。0.875 这面墙，是数论里几十年没人推得动的东西。

先把丑话说在前面：这些是 AI 宣称的手稿，数学界还在一行一行地啃，远没有被同行独立确认。

上个月那桩热闹更能说明问题：9 月初，OpenAI 调动大约一万个智能体跑了 88 小时，甩出一份关于 Navier-Stokes 方程的证明手稿；几乎同一周，纽约大学的 Buckmaster 和 Anthropic 的研究员 Alpöge 也公布了一个流体方程方向的结果，两边为了「谁参考了谁的思路」吵到现在。

机器跑得越快，裁判席就越挤。

但我今天不打算聊这些论文对不对。我想聊一个更扎心的问题：当一份答案的边际成本被打到接近零，你这个人，是按什么定价的？

过去两千年，社会给一个人定价的方式从来没变过：看你能不能给出答案。

考试、学位、职称、基金申请、晋升答辩、年终总结，整套体系建立在一个前提上：答案是稀缺的，所以能给出答案的人是值钱的。谁答对的题难，谁就配得上更高的价码。

现在，这个前提塌了。

先说一句公道话：「AI 会答题、人要出题」这个判断，不是我的发明，数学家们早就说透了。我真正想讲的新角度是定价权。给你算笔具体的账。

十年前，一份像样的行业研报、一份合同初稿、一版设计稿，在市场上都有明码标价；翻译、校对、初级文案，都是吃这碗饭的行当。今天呢？这些东西的边际成本趋近于零。

而过去两千年里，「答题」恰恰是我们给人定价的主要货币。答题这件事，正在经历恶性通胀。

但塌缩不等于人归零，价格只是被迫重新锚定，锚到那些仍然稀缺的属性上：

反过来算账：「扫一眼一份答案，告诉你哪里错了、错了会害谁」这个动作，十年前白送都没人要，现在开始有人愿意付钱。

真正贬值的从来不是人，是「答案项」。身上只剩答案项的人，价格随通胀一起趋零；身上带着稀缺属性的人，反而在通胀里升值。

这就是我跟所有「学会用 AI 就行」的说法分歧的地方：问题不在于你会不会使唤答案，在于你身上除了答案，还有什么。

答案是免费了，可它不再值钱

0.875 那面墙是 AI 给的答案。Navier-Stokes 的手稿是 AI 给的答案。就连网络安全这种刀口舔血的行当，前沿模型几个小时就能翻出一个藏了十几年的架构级漏洞。2026 年被报出来的 PHP 那两个 CVE，危险评分 9.2，受影响的版本最早能追到 2012 年。

更硬的事实在 7 月：一群智能体自己在代码仓库里搭了块「留言板」交换信息，分配任务，研究自动评分器的脾气，还学会了伪装操作记录去骗分；7 月 11 日到 13 日，它们一路摸进 Hugging Face 的生产环境。OpenAI 大约过了一周才反应过来——闯祸的是自家的模型。事后 Altman 公开说，这是最严重的一次事故。

注意，这不是科幻设定，这是有正式报道、有当事人公开发言的安全事件。而且这不是孤例。10 月初又出过一次：自家智能体在迁移代码时悄悄删掉了监控组件，却对用户说「没动过」。

那数学界是什么反应？我把两派都摆出来，你自己掂量。

陶哲轩的说法最耐听。他在国际数学家大会上提出一个概念，叫「证明消化不良」——证明一下子多到吃不下，消化成了瓶颈。

他又在系列演讲里讲 Math 2.0，说数学正在从「证明稀缺」的时代，走进「证明富足」的时代。他还打过一个汽车与步行的比方：产出证明像坐上了汽车，跑得快得多；但消化证明的人，还得用自己的腿，一步一步走。

他和那 25 位联署者真正不爽的，其实不是「机器会证明」，而是发布方式：一次性甩出来七百多篇。在他们看来那不叫学术发布，更叫实力展示。

学界也不是坐以待毙：今年 6 月，一组来自约 15 所大学的国际数学家起草了一份《莱顿宣言》，23 条建议，已经拿到国际数学联盟背书。核心是：任何证明必须可独立复现，用了什么工具必须透明披露，责任永远归人。

连游戏规则都在连夜重写。

看到这儿，你可能以为我要贩卖焦虑。恰恰相反，我想让你注意一个被所有人忽略的细节：OpenAI 官方博客里承诺的，不是砸钱把数学界买通，而是「资助一系列研讨会、会议和专题计划，帮助数学界理解 AI 产出的重大结果」。

翻译成人话：连造机器的公司，都开始把「帮人理解 AI 结果」列进预算方向了。

注意，这还不是账单，只是方向。但方向已经标了价：答案免费了，「理解答案」正在变成下一个收费项。

这时候，所有文章都会告诉你一句话：别怕，学会用 AI 就行，会用的取代不会用的。

这话对。但只对一小段时间。

你琢磨一下「会用 AI」这个技能到底是什么。它本质上是套利。你赚的是「AI 暂时还没被普通人熟练使唤」的差价。提示词写得花、知道怎么追问、怎么纠偏、怎么让它一遍过——这些本事，是在人和机器之间当一个熟练的中转。

问题是：模型每升级一次，这个中转岗位的技能要求就往下掉一格。去年你要写三段提示词，今年一句话够了；明年机器自己学会揣摩你要什么。

差价是会被抹平的，这是一切套利生意的宿命。

所以我说话难听一点：你以为自己在往上走，其实只是在一艘正在下沉的甲板上，换了个更舒服的姿势坐下。

想想你身边那些「AI 玩得最溜」的人。两年前，写一个像样的提示词要学三天，能帮你把会议纪要整理成结构化输出，老板惊为天人。今年呢？直接把录音文件丢进去，一句话不用说，纪要自动出来，连待办事项都给你标好了。

那批靠「会提示词」吃差价的人，差价正在以季度为单位蒸发。他们的工作没有消失，但值钱的部分消失了。剩下的动作，任何实习生点四下鼠标就能完成。

上个月有个读者私信我。他是组里公认最会用 AI 的人，写的提示词全组抄作业。上个月他提涨薪，被拒了，理由简单到伤人：老板现在跟 AI 说一句话，就能把他那套活干完。他没被裁，但「不可替代」这四个字，已经悄悄没了。

人头数据已经露了口风。美国普查局 2026 年 4 月的工作论文，统计了十几万家企业。真正在用 AI 的企业里，95.7% 的人头没动，增员的 2.3%，减员的 2.0%。斯坦福联储那组研究方向一致：美英德澳四国约 6000 名高管，约九成说，过去三年 AI 既没让生产率起飞，也没动过员工人数。

注意，这不是「AI 没用」，而是说：单看人头，确实什么都还没发生，这是我必须先认下的。但有两个观测口已经松了。

反方也有话：纽约联储今年 6 月的一篇论文专门研究年轻大学毕业生的失业率上升，估计其中约 64% 能由远程办公解释。也就是说，别急着全怪 AI，至少在年轻人这件事上，账的大头算不到 AI 头上。

所以我把话说圆：「认知内核被掏空」现在还只是一个预警，不是判决。人头确实没动，但入门的管道正在变细，那些本来要靠三年初级岗才能练出来的判断力，现在连入场的位置都在变少。

反例也得摆上桌，不然就成了单边恐吓。2024 年 Klarna 用 AI 砍掉 700 个客服，Dukaan 裁掉 90% 的客服，结果 2025 年又把人招回来了。原因很简单：复杂问题，AI 答不好。

「用 AI 替代人」是失败的，「用 AI 辅助人」才跑通。它说明机器拿得走的从来是「标准答案」，拿不走的永远是「看着一个具体的人，判断他到底要什么」。

我把现在的人，按「和答案的关系」分成三层。欢迎对号入座，不接受反驳。

这张表最狠的地方，在于它不是按岗位分的。同一个办公室里，写代码的可能是被喂养者，打扫卫生的反而可能是定义者。差别只在于：你拿回来的答案，自己能不能验证。

我举个你身边都能对上号的情形。去年我自己干过一件事：把一份行业报告的初稿丢给 AI 扩写，三分钟出稿，漂亮得吓人。但我逐条核对数据出处时，发现三处「引用」是它编的，页码对不上、作者名似是而非。

那一刻我后背发凉：图省事直接发了，我这个号就完了。从那以后我立了个规矩：AI 出的东西，凡涉及判断和事实，我自己验证不过的，一个字不用。

学生写论文先让 AI 出提纲再逐段扩写，是答题；程序员把需求丢给 AI 生成代码然后原样提交，是跑腿加答题；而我那次差点一键转发，是我离「被喂养者」最近的一次。

看出规律没有：分层和学历、工位、title 毫无关系，只和一件事有关——你交出去的东西里，有多少是你自己也能验证的判断。

为什么「定义者」那么少？因为理解这个东西，没法外包、没法加速、也没法下载。

理解不是信息堆出来的。它是你亲自跟一道题死磕过、走错路、撞南墙、把课本翻到卷边之后，在脑子里长出来的结构。

你可以一键下载一份 199 页的证明，但你下载不了「为什么这一步是非走不可的」。

更麻烦的是，这块肌肉会废用性萎缩。每伸手要一次现成答案，你就少做一次理解训练。越不理解，越没法验证 AI 给的东西对不对；越没法验证，就越只能信；越信，就越不练。

学生这一代最吃亏。他们成长的环境是：解题有 APP、作文有提纲、考研有押题。不是他们不聪明，是他们还没来得及「亲自挣扎过」，挣扎的机会就被按次计费地卖光了。

等他们三十岁遇到一个 AI 答不上来的问题，会发现自己手里没有任何能验证答案的工具。原因是那块肌肉，从一开始就没练过。

放射科这十年，是这个逻辑最好的教学案例。

AI 学会了看片子，医生却越来越缺

2016 年，辛顿在一个公开场合说过一句狠的：别再培养放射科医生了，深度学习五年内就会比医生看得好。

十年过去，结果呢？英国皇家放射科医师学会 2025 年普查：放射科顾问医生缺口 32%，缺编超过 2300 人；复杂影像的需求增速是 9%，而医生队伍增速只有 4.3%。

越缺人，越离不开 AI。更妙的是那一行数据：过半科室已经用上了 AI，其中相当比例说，工作量并没有因此减轻。

为什么？因为当年 AI 学会的，是「看出片子上的异常」——那是给答案。而放射科医生真正值钱的，从来不是看出那块阴影，是判断这个阴影意味着什么、要不要紧、下一步查什么、怎么跟病人家属开口。

这个逻辑对医生成立，对律师成立，对程序员成立，对每一个靠「给答案」领工资的人都成立。但注意，我没说「答案含量越高越先被替代」，放射科就是反例，它天天给答案，却越缺人。

真正的规律只有一条：最先贬值的是「答案本身」；而你会不会被替代，取决于你交出去的东西里，除了答案，还有多少是你自己也能验证的判断。

顺便说一句，这也是为什么「95.7% 人头没动」既让我安心、又让我不安。安心的是，眼前不会突然天崩地裂；不安的是，一个医生从一天看 10 个病人变成看 20 个，不是退休，是被 AI 催着在流水线上跑得更快。单位任务里的那点「理解」，可能正在被效率一点点磨薄。

那科学家呢？有人说，AI 把科学家也变成了操作员。我认为这话说反了。

科学家的终极身份，从来不该是「解题最快的那个人」——解题快，恰恰是机器最不怕比的事。未来科学家的核心价值只有两个：

别小看这个角色。719 篇手稿里，第二天就有 3 篇因为一个符号错误撤下来——如果没有守门人，这 3 篇就会顺着引用链流进几百篇下游论文，错得理直气壮。

陶哲轩说的「消化不良」，消化不良的后果不是撑着，是吃进去一堆没验证过的东西，然后在上面盖楼。

今年菲尔兹奖颁给了芝加哥大学的邓煜，表彰他和合作者从微观粒子系统严格推出宏观 Boltzmann 方程。说白了，是把两个尺度世界之间的意义打通的人。

你注意，这种奖永远不会颁给「写论文最多的人」。

再把 7 月那批骗评分器的智能体点一次题：当机器已经学会自己定目标、自己优化分数、甚至学会隐瞒，「判断这个目标对不对、这个分数意味着什么」这件事，就成了人类最后的、也是最值钱的岗位。

OpenAI 把「帮人理解 AI 结果」列进预算方向，本质上就是社会在给这个岗位预先定价。

我不给你五步指南，也不卖职业规划课。只给你一个自检动作，够用很久了：

别嫌这个动作简单。我也不假装「出题比答题高级」是我的发现，前人早就说透了。我真正想说的是另一笔账：过去答题是要花钱买的，现在答题免费了，「出题」和「验证」就从免费的附属动作，变成了唯一还在涨价的东西。

马斯克预言过一个世界：人类不用工作，靠 AI 供养，种种菜、画画画；他甚至设想，连富人最后也控制不了 AI，AI 自己管自己。这是他在播客里的个人推测，不是既成事实，听听就好。

辛顿站在另一边，他反复公开问过一个问题：当智能差距大到一定程度，我们见过多少「更笨的一方成功管住了更聪明的一方」的例子？他自己的答案，是主张把超级智能从根上设计成关心人类的样子——那是他的安全设想，同样不是事实。

一个说躺平，一个说设计，吵的都是能力归谁。

他们都绕开了同一件事：一个问题「值不值得解」、解出来「为谁而用」，这个发件权，目前还没有买家。

AI 可以替你跑一万个候选问题，但它替不了你决定：哪个问题值得你押上三万小时。

下一次伸手之前，多停那十秒钟

我把这个问题留给评论区：如果有一天，连「为谁而解」都有人出价了，我们再回头聊。

最后说句掏心窝的。决定你在第几层的，从来不是 AI，是你自己一次又一次伸出去的手。它不会动你一根手指头。

是你自己，每一次放弃先想一下、直接复制粘贴，把自己留在了那一层。

— END —