AI提高了生产力 然后呢?

10月30日，美国股市经历了一个不太平静的周五。

纳斯达克指数下跌约2.9%，Intel单日暴跌近29%，Reddit下跌约29%，SanDisk下跌约13%。

更有意思的是，这些公司的表现并不能简单用业绩差来解释。

有的公司业绩超出预期，有的公司仍然保持着很高的业务增长，但股价依然大幅下跌。

市场开始担心一个问题：

AI投入了这么多钱，究竟什么时候才能真正赚到钱？

与此同时，A股科技板块也在经历调整。10月29日，通信、半导体、AI算力等方向普遍承压，部分相关ETF盘中跌幅超过4%，甚至达到6%。

此前受到市场追捧的科技方向，也开始面临估值和业绩兑现的双重考验。

这让我产生了一个新的思考：

AI明明让生产力提高了这么多，为什么市场反而开始担心它创造不了足够的经济价值？

如果连企业都在重新审视AI的投资回报，那么作为一个普通技术从业者，我们是不是也应该重新思考自己的职业价值？

我今年26岁，目前从事仿真相关工作。

最近这段时间，我经常想到一个问题：

如果AI继续按照现在的速度发展下去，我现在做的工作，几年后还剩多少？

这篇文章，想聊聊我对AI经济价值的理解，以及一个普通仿真工程师对未来职业方向的一些思考。

一、AI提高了生产力，但生产力不等于经济价值

最近科技股的下跌，让我对AI的经济价值有了更多思考。

过去几年，AI产业的发展几乎可以用疯狂来形容。

从芯片、服务器、数据中心，到大模型、AI Agent，再到各种AI应用，整个产业链都在进行大规模投入。

企业不断增加资本开支，开发者不断推出新产品，AI模型的能力越来越强，Token的价格却越来越便宜。

从技术角度看，这显然是一场巨大的进步。

但经济学有一个很现实的问题：

生产力提高了，最终创造的经济价值一定会同步增加吗？

答案显然是不一定。

举个例子。

过去一家软件公司需要10名程序员，花费半年开发一个产品。

现在有了AI，可能只需要2名程序员，一个月就能完成。

从生产效率来看，这是巨大的进步。

但问题是，其他公司也拥有同样的AI工具。

原来需要专业团队才能开发的软件，现在一个小团队甚至一个人就能完成。

于是市场上的软件产品越来越多，同质化越来越严重，价格越来越低。

最后可能出现这样的局面：

• 开发效率提高了；
• 产品数量增加了；
• 开发成本下降了；
• 产品价格下降了；
• 企业利润却未必增加。

这让我想到经济学中的一个基本原理：

当一种能力不再稀缺，它本身所能获得的溢价就会下降。

过去，一个优秀程序员的价值可能来自他的编码能力。

未来，AI会让越来越多的人拥有这种能力。

过去，一个专业设计师需要花费很长时间完成的工作，现在普通人借助AI也可以做到。

过去，一个分析师需要积累多年经验才能完成的部分数据处理工作，现在AI可以快速给出结果。

这并不是说这些职业没有价值了，而是原来建立在技能稀缺性之上的竞争优势，正在被重新定价。

我认为，这也是最近市场开始重新审视AI商业价值的重要原因之一。

投资者过去关注的是AI有多强，现在开始关注AI究竟能赚多少钱。

毕竟，技术进步和商业成功之间，还隔着很长一段距离。

二、AI到底创造了增量价值吗？

我觉得这个问题不能只从企业赚钱的角度来看。

这里至少需要区分三个概念：

第一，生产力提高。

第二，企业获得利润。

第三，社会整体获得价值。

这三件事情并不完全等价。

例如，过去一个小企业想开发一套专属管理软件，可能需要花费几十万元。

现在借助AI，可能只需要很低的成本就能实现。

对于软件公司来说，这可能意味着原来的订单消失了。

但对于这个小企业来说，它获得了以前负担不起的能力。

从软件公司的收入来看，市场可能缩小了。

从消费者和整个社会的角度来看，价值却可能增加了。

再比如，AI可以帮助一个普通人学习一门新知识、完成一项复杂的数据分析，甚至制作以前没有能力制作的产品。

这些事情不一定直接产生收入，却可能提高人的生活质量和工作效率。

所以，我逐渐意识到：

AI没有创造足够多的企业利润，不代表AI没有创造社会价值。

但反过来，也不能因为AI确实提高了效率，就认为所有AI投资都是合理的。

这次科技股下跌，其实反映了一个非常现实的问题：

AI已经展示出了很强的技术能力，但产业链上的企业还需要证明，这些能力能够转化为持续、可衡量的经济回报。

我认为，这个过程可能还需要时间。

而对于普通从业者来说，另一个问题更加重要：

如果AI让生产力提高了10倍，我个人的价值会不会也提高10倍？

我觉得未必。

因为当所有人都能使用相同的工具时，单纯会使用工具就不再是一种长期优势。

这也让我开始重新审视自己的工作。

三、仿真工作，远不只是把结果算出来

我目前从事仿真相关工作，日常会接触模型、参数设置、计算和结果分析，也会写一些脚本处理数据、整理报告。

如果只把这些工作看成一套固定流程，那么它们确实很容易被自动化。

模型准备可以做成模板，参数可以批量修改，计算可以自动提交，结果可以脚本处理，报告也可以按照固定格式生成。

AI加入以后，这些环节的效率还会继续提高。

例如，以前写一段数据处理脚本，可能需要边查资料边调试，花费几个小时。

现在只需要把需求描述清楚，AI就能给出一个大概能用的版本。

遇到不熟悉的报错，也可以先让AI提供排查方向。

方便是真方便。

但做过仿真的人都知道：

算出结果和得到可信的结果，完全是两回事。

有时候计算正常结束，曲线看起来也很完整，结果却不一定合理。

模型是不是做了不合适的简化？

参数设置有没有问题？

边界条件是否符合实际？

网格划分是否合理？

数值方法是否适合当前问题？

结果之间能不能相互印证？

这些都不能只看软件有没有报错。

更麻烦的是，有些问题并不会以明显的方式暴露出来。

一个错误的结果，可能看起来很规整，也很符合预期。

如果缺少经验，只是按照流程检查一遍，很容易就把它当成有效结果交付出去。

这类工作单靠会操作软件很难做好。

它需要专业基础，也需要对模型和结果保持怀疑。

遇到异常时，知道先检查什么，哪些现象值得继续追，哪些只是数值上的正常波动。

AI可以帮我整理数据，也可以给出分析建议，甚至可以协助编写计算脚本。

但它给出的结果是否正确，是否符合物理规律，是否能够解释实际问题，最终仍然需要专业判断。

所以，我对自己岗位的看法正在发生变化：

重复操作可能会越来越少，但对模型、数据和结果的理解能力会变得越来越重要。

四、只会使用工具，确实越来越不够了

工作以后，我有一个比较明显的感受：

软件操作熟练，和真正理解问题，不是一回事。

刚接触一项新工作时，能够独立完成建模、计算和后处理，通常会让人觉得很有成就感。

但熟悉以后就会发现，如果一直停留在操作层面，能积累的东西其实很有限。

同样面对一个异常结果：

有人只能重新检查一遍设置，再试几组参数。

有人会先判断问题可能来自模型、数值方法还是输入条件，再有针对性地排查。

最后两个人可能都把问题解决了，但解决问题的方式完全不同。

我越来越觉得，工程师的价值不应该只体现在熟练使用某个软件上。

因为软件会更新，工具会变化，AI也会让很多操作变得简单。

真正值得长期积累的，是理解工具背后的原理，以及判断结果是否可信的能力。

对于仿真工程师来说，我认为至少有三个层次：

第一层：会使用工具。

能够独立完成建模、计算和后处理。

第二层：理解工具。

知道模型为什么这样建立，参数为什么这样设置，数值方法为什么这样选择。

第三层：理解问题。

能够根据实际问题选择合适的模型，判断计算结果是否合理，分析误差来源，并对最终结论负责。

过去，我们可能觉得第一层就已经足够。

但在AI时代，我认为真正值得投入时间的是第二层和第三层。

因为第一层的能力，正在越来越容易被复制。

五、接下来几年，我想把精力放在这些地方

我不打算因为AI的出现就匆忙换方向。

现在的工作仍然有很多值得深入的地方，只是不能再照着原来的方式一直做下去。

我给自己设定了几个方向。

1. 继续提高数据分析和自动化能力

数据整理、批量计算、结果对比和报告生成，如果能用脚本完成，就没必要每次从头操作。

Python、NumPy、Pandas，以及一些数据可视化工具，依然值得学习。

我希望能够逐步把重复性的工作自动化。

但我不希望省下来的时间只是用来接更多重复任务，而是把时间投入到更有价值的专业学习中。

2. 减少对软件默认设置的依赖

以前遇到不熟悉的选项，有时会先沿用经验值，只要结果没有明显异常，就不再深究。

以后需要多弄明白一点：

这个设置为什么这样选？

换一种方法会带来什么影响？

当前的模型简化到底忽略了什么？

计算结果对参数变化有多敏感？

这些问题可能不会马上带来工作效率的提升，但长期来看，它们决定了我能不能真正理解自己的工作。

3. 补充专业理论和数值方法基础

我认为这是仿真工程师最不应该忽视的部分。

无论具体使用什么软件，背后的物理原理、数学基础和数值方法都是相通的。

软件可以帮你完成计算，但不能替你决定一个模型是否适合当前问题。

AI可以给出公式和解释，但不代表它给出的内容一定正确。

所以，我希望自己不要只停留在软件操作层面，而是进一步理解模型、算法和数值计算背后的原理。

4. 提高分析和表达能力

仿真工作经常需要和其他人沟通。

如果只会给出一堆云图和曲线，却很难说明结论的依据，工作的价值就会打折扣。

真正有意义的分析，应该能够回答：

• 为什么会出现这个结果？
• 结果是否可信？
• 主要影响因素是什么？
• 有哪些不确定性？
• 结论适用于什么范围？

能解释结果，也能解释结果的不确定性，是工程师很重要的一部分能力。

5. 学会正确使用AI

我会继续使用AI，但不会把它当成答案来源。

它适合帮忙处理琐碎工作，也适合提供初步思路。

例如：

• 帮我编写数据处理脚本；
• 帮我理解不熟悉的算法；
• 帮我检查代码逻辑；
• 帮我解释复杂的报错；
• 帮我整理技术资料；
• 帮我设计一些自动化流程。

但涉及专业判断的地方，尤其是它给出的公式、代码和解释，我都会再核实一遍。

看起来多了一道检查，似乎没有那么高效。

但至少不会把“说得很像那么回事”，误认为正确。

六、未来真正稀缺的，可能不是会使用AI的人

最近市场对AI投资回报的担忧，让我开始思考一个更长远的问题。

如果AI继续发展，未来很多知识和技能都会变得越来越容易获得。

那么，人和人之间的差距会体现在哪里？

我认为可能会转移到三个方面。

第一，对真实问题的理解。

AI可以快速给出答案，但问题本身是否定义正确，往往比答案更重要。

一个人如果连自己要解决什么问题都不清楚，再强大的工具也很难发挥作用。

第二，对结果的判断能力。

AI可以生成代码、公式、模型和分析报告。

但结果是否符合现实，是否存在隐含假设，是否能够经受验证，仍然需要专业能力。

第三，对最终结果负责的能力。

工具可以提供建议，但工程实践中，最终交付的结果需要有人承担责任。

尤其是在工程、制造、医疗、能源等领域，一个看起来合理但实际上错误的结果，可能带来非常大的损失。

我觉得这三个方面，可能是AI时代专业人士需要长期积累的竞争优势。

当然，这不代表这些能力永远不会被AI增强甚至部分自动化。

但至少在当前阶段，它们比单纯熟练操作某个工具更值得投入。

七、写在最后：26岁，我不想被AI的焦虑裹挟

回到最初的问题：

AI会不会取代仿真工程师？

我现在没有答案。

也许几年后，今天很多需要人工完成的步骤都会被自动完成。

建模、计算、后处理，甚至一部分结果分析，都可能比想象中发展得更快。

但与其反复猜哪些工作会消失，不如先看看自己目前最依赖什么。

如果我的价值主要来自流程熟练、重复操作和整理材料，那确实应该紧张。

因为这些事情最容易被标准化，也最容易交给工具。

如果我能够理解模型，判断结果是否可信，在信息不完整的时候找到问题，并对自己的结论负责，那么工具越发达，反而越有可能帮我把工作做得更好。

26岁，还谈不上有多少不可替代的本事。

但好的一点是，现在意识到这些，应该还不算晚。

我不想和AI比谁的脚本写得快，也不想靠收集各种工具来缓解焦虑。

接下来更重要的是把基础补牢，把问题想明白，少做一些机械重复的事情，多积累一些真正属于自己的判断。

回头看最近的科技股暴跌，我觉得市场真正担心的，也许并不是AI没有技术价值，而是技术进步究竟需要多久，才能转化为真实、持续的经济回报。

这和个人职业发展其实很像。

我们学习新工具、提高效率、完成更多任务，并不意味着个人价值就一定增加了。

最终还是要回到一个问题：

我们究竟创造了什么价值？我们解决了什么真正的问题？

工具会一直换，具体软件也可能过时。

但面对一个复杂问题时，知道该怎么分析、怎么验证、怎么避免自己被一个漂亮结果糊弄过去，这些能力应该还能用很久。

26岁，重新审视自己的职业方向。

不一定是因为害怕被淘汰，而是希望在技术不断变化的时代，自己依然能够拥有选择的能力。

与其焦虑AI发展得太快，不如让自己成长得扎实一点。

共勉。

我是wrizzy 一个专注于数据交付 仿真测试 的工程师 欢迎交流 vx：wzkwotwt