夜雨聆风这是“Token与留白”的第一篇，也是这一组创刊号文章的起点。
这个公众号不是我想明白以后才开的，恰恰相反，它是我一直想不明白，才逼出来的。
这些口号当然不一定都对，但它们会带来一种很直接的体感：过去靠工具熟练度、流程熟练度积累起来的优势，正在被压短，甚至被摊薄。
如果你不做技术，也没关系。你只要把它理解成一句话就够了：我花很久搭出来的一套工作方法，很可能在几次模型更新之后，就被一种更简单、更便宜的做法替掉。
这种焦虑不只是职业上的。
我有一个四岁的孩子。每次想到他未来该学什么、该把时间花在哪里，我都会本能地往前多看几年。但看得越远，越不确定。我甚至会想起，连马斯克这样长期谈未来的人，在被问到“孩子以后该学什么”时，也会有那种明显的停顿。那种停顿很真实。它说明这不是一个谁已经有了标准答案的问题。
所以我想写这个系列，不是为了宣布答案，而是想把我看到的变化、我正在经历的焦虑、以及我对未来的一些判断，摊开来跟大家一起讨论。
这个系列我想分三篇讲：
AI 到底在颠覆什么。 AI 时代什么东西仍然重要。 普通人到底该沉淀什么，才可能在未来形成复利。
这一篇先只讲第一件事。
我现在比较确信一个判断：
AI 替代的不是简单工作，而是一切能够被写成要求、放进环境里运行、最后按标准验收的工作。
不是简单，而是可定义
很多人一说 AI 替代，脑子里想到的还是客服、模板文案、标准问答、基础代码。
这些当然会被替代，而且已经在被替代。
但如果这就是全部，今天不会有这么多人焦虑。真正让人不安的地方在于，AI 进入的已经不只是这些“看起来本来就该被替代”的工作。它正在进入复杂工作的腹地。
编译器不是简单工作。但如果任务被描述成“支持某个特性、通过既有测试、性能退化不超过某个阈值”，它就已经非常接近一个可以交给 AI 的任务。
大型代码库迁移也不是简单工作。但当目标、影响范围、回滚条件、验收方式都写清楚以后，AI 就可以先把最耗时的那一层吃掉。
药物研发更不是简单工作。可候选分子筛选、文献归纳、假设排序、实验路径压缩，本来就有大量结构化环节。
动画和内容工业也一样。角色设定、分镜脚本、镜头说明、风格统一、素材生产，这些都很复杂，但只要前置约束足够明确，很多工序都会先被流水线化。
所以问题从来不是“这件事难不难”，而是“这件事能不能被写成一份说明书”。
这也是今天很多人焦虑的根源。我们担心的早就不是“模板活会不会被吃掉”，而是那些过去明明看起来很复杂、很专业、很需要训练的工作，为什么也开始松动了。
答案其实很简单：
不是因为它们突然变简单了，而是因为它们变得更容易被说清楚了。
软件工程，是最早亮灯的样板间
如果你想看清这件事到底有多快，软件工程是最好的样板间。
因为软件世界天然适合被 AI 吃进去。它有仓库，有提交记录，有接口文档，有测试，有日志，有 benchmark，有 CI。很多原来依赖人来回沟通、来回试错的工作，在这里都能留下痕迹，也都更容易被验收。
2025 年新增开发者超过 3600 万，同比增长 23% 平台总开发者规模超过 1.8 亿 开发者平均每月合并 4320 万 个 PR，同比增长 23% 接近 80% 的新开发者在第一周就开始使用 Copilot
这里最重要的不是某一个数字有多大，而是几件事在同时发生：
新人进得更快了。
代码产得更多了。
AI 用得更早了。
这不是一句“AI 提升效率”就能带过去的变化。它更像是在说明，软件行业里大量执行层工作的边际成本，已经被压到了更低。
我很认同这句话。因为它说的不是“程序员没用了”，而是“程序员的价值正在搬家”。
以前你最值钱的地方，可能是亲手把东西一行一行写出来。现在值钱的东西变了，变成了另一组能力：你能不能把问题讲清楚，能不能把上下文补完整，能不能决定什么时候让 AI 继续、什么时候该停下来，能不能在最后对结果负责。
这也是我这半年工作里最明显的体感。
我真的经历过那种很微妙的失落：前段时间还在精细地编排 workflow，认真设计节点、路由和回退；过一阵子，模型上下文更长了，工具调用更稳了，一个 loop 就把原来半套流程吃掉。
把事情说明白，把材料喂够，把工具接上，把结果验掉。
一旦做到了这一步，哪怕这件事原本很复杂，它也会开始进入 AI 的射程。
可怕的地方，不是 AI 完美了，而是工作正在被改写
很多人听到这里会反驳一句：可 AI 还是会胡说，会翻车，会在边界条件上犯蠢，怎么可能真的接复杂工作？
这句话没错，但只对了一半。
很多人听到这里会松一口气，觉得那就还早。
但企业真正做的事情，恰恰不是等 AI 先变得像人，而是反过来改造工作本身，让工作更适合机器。
它们会把模糊的问题切清楚，把资料补进去，把工具接进去，把测试和审核搭起来，让 AI 先做最容易被验证的那一段。
所以今天危险的，并不是“AI 已经像人一样可靠”，而是“大量工作正在被改造成不需要它像人一样也能做”。
这组数字背后的意思其实很明确：
企业今天并不是把整份复杂工作原封不动交给 AI。
它们是在先剥离出其中最容易被规范、最容易被验收、最容易规模化的那一层执行工作。
而这一层，恰恰养活了过去很多人的职业路径。
不是经验没用了，而是经验开始分化
写到这里，最容易喊出来的一句话是：经验没用了。
但我觉得这句话不对。
更准确的说法是：
不是经验没用了，而是经验在分化。
正在贬值的，是那种把一套流程跑得很熟、把一类任务做得很快、靠记忆、熟练度和套路建立起来的经验。
正在升值的，是另一种经验：你能不能在混乱里判断问题、看懂上下文、发现边界、审查结果，能不能在关键处踩刹车，能不能真的对后果负责。
以前公司愿意为“更快、更熟、更稳地执行”付钱。以后更多公司会愿意为“能把混乱现实整理成机器可做的任务，并且在最后对结果负责”付钱。
这才是我现在对这场变化最核心的感受。
AI 没有先废掉努力，它先废掉的，是那些可以被快速复制的努力。AI 也没有先废掉经验，它先让经验内部出现了分化——执行经验在贬值，情境经验、审查经验、系统经验、担责经验在升值。
所以这篇文章如果只留一句话，我希望是这一句：
真正不安全的，不是简单工作，而是可定义的工作。
当更多复杂工作因为“可定义”而开始被 AI 吃进去以后，下一步真正值得问的问题就变成了：
当执行变得便宜，未来真正稀缺的，到底是什么？
这就是第二篇想接着聊的事。
以上。
---
参考材料
2026 年 1 月，Dario Amodei，《The Adolescence of Technology》 2025 年 11 月，Dwarkesh Patel 访谈 Ilya Sutskever，《We're moving from the age of scaling to the age of research》 2026 年 3 月，Andrej Karpathy，《Skill Issue: Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI》 2026 年 3 月，Andrej Karpathy，《Programming is becoming unrecognizable》 2026 年，Anthropic，《Estimating AI productivity gains》 2026 年，Anthropic，《How AI assistance impacts the formation of coding skills》 2026 年，Anthropic，《Measuring AI agent autonomy in practice》 2026 年 3 月，Anthropic，《Labor market impacts of AI: A new measure and early evidence》 2025 年 10 月，GitHub，《Octoverse 2025》；2026 年 2 月更新 2025 年 12 月，a16z，《Big Ideas 2026: Part 1》 2026 年，Y Combinator，《Requests for Startups》