夜雨聆风
一个被忽视的事实
AI 真正替代的，不是「低端劳动」。
而是：所有可以被清晰描述的劳动。
这背后不是情绪判断，而是一条已经被学术界讨论了近 60 年的理论线，而且它几乎完整预测了今天。
1966年：一个哲学家的预言
1966 年，哲学家 Michael Polanyi 在《The Tacit Dimension》里提出一个核心观点：
"We know more than we can tell."
中文翻译是：「人类知道的东西，比能够说出来的更多。」
他把知识分成了两类：
两种知识的分界线
第一类：显性知识（Explicit Knowledge）
可以被语言表达、被写成规则、被整理成 SOP、被标准化传递。
比如：
合同审核流程
财务报表分析
行研框架
代码规范
客服话术
数据标注
这类知识有个共同特征：它可以被描述。而一旦能被描述，就意味着——它可以被机器学习。
第二类：默会知识（Tacit Knowledge）
无法被完整表达，但真实存在于经验、判断、直觉、组织摩擦、复杂情境里。
比如：
「这个用户其实没说真需求。」
「这个方案理论上没问题，但落地一定会死。」
「老板真正关心的不是数据，而是风险。」
「这个团队表面正常，但已经开始失控。」
这些东西，你很难写成规则。但真正高价值的决策，恰恰依赖这些东西。
一条现实中的职业分界线
Polanyi 当年的理论，本来只是认识论。
但 AI 出现后，它突然变成了一条现实世界里的职业分界线。
因为大模型本质上在做什么？
本质上是：学习人类已经「显性化」的知识。
互联网、论文、代码、文档、教程、工作流……这些全部属于：已经被表达出来的人类经验。
所以 AI 为什么能替代大量脑力劳动？
因为很多脑力劳动，其实只是：高级 SOP。
2003年：经济学家的进一步验证
这件事后来被经济学家 David Autor 进一步验证。
2003 年，MIT 经济学家 David Autor 提出：自动化不会直接消灭「职业」，而是会消灭「任务（Tasks）」。
他把工作拆成两类：
Routine Cognitive Tasks（例行性认知任务）
规则明确，输入输出稳定，可标准化。
比如：报表整理、合同初审、基础分析、标准代码开发。
Non-routine Cognitive Tasks（非例行性认知任务）
需要复杂判断、沟通、创造、情境理解。
比如：商业决策、组织协调、产品方向判断、战略设计、用户洞察。
一个重要结论
自动化最先吞掉的，不是「低学历工作」。而是：规则化程度高的工作。哪怕它曾经是高薪职业。
所以今天很多人会产生一种错觉：
「为什么我学历不低，工作也不基础，却依然开始被 AI 冲击？」
原因很简单：
因为你做的，依然属于「可描述流程」。
三个已经发生的案例
法律行业
Allen & Overy、Harvey AI 等法律 AI 系统，已经开始替代大量初级合同审查工作。
因为合同初审本质上是：
条款识别
风险匹配
法条对照
这是典型显性知识流程。
医疗行业
2017 年 Stanford 的研究显示：
AI 在皮肤癌识别准确率上，已经达到甚至超过平均皮肤科医生水平。
原因不是 AI「理解医学」。而是：影像识别本身存在大量可训练特征。
金融分析行业
BloombergGPT、各类投研 Agent，已经能自动完成：
行业资料整理
财务摘要
竞品分析
基础报告生成
因为很多行研工作，本质是标准化信息重组。
这意味着什么？
意味着：未来真正稀缺的，不是「信息处理能力」。
而是：
什么问题值得被解决？
什么需求是真需求？
什么方向值得投入？
什么判断才是对的？
这也是为什么：未来最危险的人，不是不会用 AI 的人。而是：只会执行规则的人。
因为规则，正是 AI 最擅长学习的东西。
经济史里的规律
经济史里有一个概念：GPT（General Purpose Technology）通用目的技术。
蒸汽机、电力、计算机、互联网、AI，都属于 GPT。
它们有一个共同规律：
第一阶段：替代旧任务
第二阶段：重组职业结构
第三阶段：重新定义「什么能力值钱」
AI 现在正在第二阶段入口。
很多岗位不会立刻消失。但岗位内部的「任务结构」，已经开始重组。
真正的竞争力公式
未来一个人的价值，会越来越取决于：你拥有多少 AI 无法标准化的默会知识。
竞争力 = 默会知识深度 × AI 放大效率
AI 只是放大器。它不会自动创造判断。它只会把「有判断的人」放大得更强。
未来真正重要的三件事
接触真实业务摩擦— 不要只做执行层工作
参与真实决策— 理解「为什么做」
持续训练问题意识— 而不是只训练答题能力
因为 AI 最终会发现答案。
但只有人类会决定：什么问题值得被问。
总结
AI 替代的不是「低端劳动」，而是所有能被清晰描述的「显性知识」——包括高薪职业中的 SOP 化任务
未来真正的竞争力 = 默会知识深度 × AI 放大效率，AI 是放大器，不会自动创造判断
最危险的不是「不会用 AI 的人」，而是「只会执行规则的人」——因为规则正是 AI 最擅长学习的