硅谷正在用"工业革命"这个词形容 AI。但 Benedict Evans——前 a16z 驻场分析师、过去六年最被认真阅读的科技独立分析师之一——给出了一个让两派人都不舒服的判断：

"我最有争议的观点是：AI 跟互联网或手机一样大，也只跟互联网或手机一样大。"

这听上去很谦虚，但其实是个比"工业革命"更狠的预言：互联网和手机确实改变了一切，可它们也用了二十年时间，把无数自以为站在历史正确一边的玩家送进了破产清算。

在最近一期 Lenny's Podcast 上，Benedict 用 80 张幻灯片论证了一件事：我们今天对 AI 的所有判断，大概率都错得离谱——只是还不知道错在哪里。下面是他这场访谈里最值得反复琢磨的六个观点。

AI 已经改变了一切，AI 也还啥都不是

Benedict 一开口就把"AI 已经无处不在"这个共识捅了个洞。

调研数据让人意外。即便在 13–18 岁这个号称"AI 原住民"的群体里，日活用户也只有 15–20%，周活再加 20%，剩下 60% 的人压根不用。在科技圈外，大多数人是"每周打开一两次，看看它能干嘛"，远不是想象中"人人离不开"。

他给这个状态打了个时间戳：我们处在 AI 的 1997 年。

1997 年的互联网什么样？大部分东西都不能用，大部分以后会出现的公司还没诞生，而所有人都在赌错谁会赢——很多人押注 Excite、Yahoo、Lycos，没人想到一家叫 Google 的搜索引擎会从车库里爬出来。今天的 AI 也是同样的格局：基础设施在飞速搭建，应用层一片空白，而声音最大的一群人还在 X 上争论"Anthropic 这周赢了还是 OpenAI 这周赢了"。

Benedict 自己刚发布的 80 页 PPT，有读者抱怨："你这是在用 80 页讲'我们不知道'。"他笑着承认这话差不多对——承认无知反而是这个时代最稀缺的诚实。

更微妙的是，连"AI"这个词都是个移动靶。早年 AI 研究者 Larry Tesler 留下过一句名言：AI 就是机器还不会做的事。一旦机器学会了，人们就改口："噢那个不算 AI，那只是软件。"数据库能做的、图像识别能做的，最后都被踢出了 AI 的定义范围。今天所谓"AGI"被悄悄重新定义成"能完成相当一部分有经济价值的工作"——按这个口径，1975 年的 IBM 大型机就已经是 AGI 了。所以当有人告诉你"AGI 五年内到来"时，先问清楚他指的是哪种 AGI。

最该裁员的 AI 公司，反而在疯狂招人

如果 AI 真的要替代人类劳动，最先该裁员的应该是 Anthropic 和 OpenAI 自己。但事实正好相反——它们在以最快速度扩招，甚至在投资和收购传统咨询公司、PE 基金。

为什么？

Benedict 用一个会计师的故事解释了这件事。70 年代末，第一批电子表格 VisiCalc 出现在 Apple II 上，会计师看着它把一周的工作压成 30 秒，当场震惊。但坐在隔壁桌的律师和记者看到同样的演示，反应是"挺好玩的，但跟我没关系"——他们不做电子表格。

今天 AI 的处境一模一样。软件工程师看到 Claude Code 就像当年会计师看到 VisiCalc，一夜之间分成"用 Claude Code 之前"和"用 Claude Code 之后"。但律所合伙人、医院主任、零售连锁的运营总监看到这些 Demo，第一反应是："很厉害，但我具体怎么用？"

这就是 Anthropic 们疯狂招 forward-deployed engineer 的原因。企业内部根本没有闲人坐下来花一两个月把所有工作流推倒重来——这种事过去就是请 Bain、麦肯锡、埃森哲做的。AI 越是"颠覆一切"，越需要有人手把手告诉客户：你这家公司，到底哪一段工作能用上它。

Benedict 还反问了一句很扎心的话：你以为你雇麦肯锡，是为了那 75 页 PPT？LinkedIn 上确实有人喊"我用 Claude Code 五分钟做出了麦肯锡级别的报告"，你点开一看，是一堆狗屎。但就算它真的能做出 75 页漂亮 PPT，你雇麦肯锡也不是为了 PPT——你是雇他们走遍你的公司，搞清楚内部政治怎么运作、客户真正在想什么，然后告诉你那 75 页应该写什么。PPT 是任务，搞清楚该写什么才是工作。

那个一直被预测会消失的咨询行业，反倒成了 AI 时代的新基建。

工作末日不会到来，但金字塔结构会被改写

Anthropic CEO Dario Amodei 最近放话："AI 会消灭一半的入门级白领岗位。"硅谷一片恐慌。Benedict 的回应很冷静：

"我对 Dario 在未来 6 到 12 个月模型能力上的判断很感兴趣。但对他在劳动经济学上的观点，我跟对你的观点一样有兴趣——我们都上过那门课。"

他搬出经济学一年级的常识：劳动总量谬误（lump of labor fallacy）。

1800 年，全世界 90% 的人是农民，每天最大的焦虑是庄稼绝收。此后每一轮自动化——蒸汽机、电力、流水线、计算机、互联网——都消灭了一批工种，但永远会创造一批更新、更高产出的工种。新工种你预测不到，因为它还不存在。19 世纪初你跟人说"未来会有'铁路工程师'这种职业"，对方会反问"什么是铁路，凭什么有人想跑那么快？"

最反直觉的数据是会计行业。从打孔机、主机、数据库、ERP、Excel 到云端，过去一百年每一次"自动化革命"都被预言要把会计师赶尽杀绝，但美国注册会计师的总数曲线一路向上。原因是 Jevons 悖论：把一件事的成本砍掉一个数量级，你不是用更少的人做同样多的事，而是用同样的人做指数级更多的事。

Benedict 在 X 上开过一个玩笑："年轻人可能不信，但在 Excel 出现之前，初级投行分析师工作时间极长；现在有了 Excel，高盛的副总裁周五中午就下班了。"——这是反话。真实情况是 Excel 让投行做出了十倍于以前的财务模型，但没有少雇一个 analyst。软件工程师面对 Claude Code 时也一样：写 iPhone App 的代码里 90% 是 Apple 帮你写的，可全世界的 iOS 工程师没有因此减少十倍。

但 Benedict 也不打算粉饰太平。律所今年的 associate 名额可能从 100 砍到 50，对今年法学院毕业生就是切肤之痛。总体上历史会平均掉所有人，但活在历史里的人不是平均值——他们要么是其中一个被换下场的，要么是赶上下一波的。

而那个"AI 能替代 X% 工作量"的咨询报告，他直接骂回去：

"你不能盯着律所合伙人的工作，说其中 17% 可以被自动化。这是 horseshit。工作不是这样拆解的。"

真正的钱，可能不在模型公司

Benedict 这场访谈最值钱的判断在这里——也是大多数 AI 投资人最不愿意听的。

他职业生涯起步是电信分析师。今天他用电信业的历史做类比：全球移动业务一年营收超过一万亿美元，从 2010 年到现在数据流量涨了大约 1500 倍，而所有运营商的股价 25 年里几乎原地不动——它们出色地完成了一项规模惊人的工程奇迹，又把全部利润让渡给了上层的 Apple、Google、Meta。

模型公司的命运可能一样。

第一，模型层没有网络效应。你换 GPT、Claude 还是 Gemini，对体验影响有限，没人会因为"朋友都在用"而锁死在一家。

第二，模型本身越来越同质化。同样的训练范式、相近的能力曲线、相互压价的开源替代品——这是商品市场，不是平台市场。

第三，真正的差异化和粘性在上层。Google 把 Gemini 喷进 Chrome 和 Android，Meta 把 Llama 塞进 Facebook、WhatsApp、Instagram，分发能力替代了产品能力，成为新的护城河。

如果还要类比，Benedict 觉得最贴切的不是 Windows，而是 AWS。Windows 的逻辑是双边锁定——开发者都在 Windows，所以用户也必须在 Windows，反之亦然；而 AWS 是另一种逻辑——你买一个 ERP、一个律所系统、一个工程软件，你压根不在乎它跑在 AWS 还是 Azure 还是 GCP，云只是底下的发电厂。模型层一旦走到这一步，"OpenAI 还是 Anthropic"对终端用户就跟"AWS 还是 GCP"一样无所谓。

这就是为什么 Sam Altman 那句"我们要像水电一样按表卖 AI"在 Benedict 看来如此天真：

"我亲爱的孩子，要不要我跟你讲讲电力公司的毛利结构？你看电视的时候，电视台不会给电力公司分账。你洗衣服的时候，博世也不会给电力公司分账。"

模型公司还会继续巨亏式融资、继续在前沿能力上互相超车，但十年后真正赚走 AI 蛋糕的，可能根本不是它们。

反 AI 情绪在涨，但大多数指控经不起推敲

最新的一些民调显示，美国公众对 AI 的支持率比对 ICE（移民执法局）还低。Eric Schmidt 在某高校毕业典礼演讲，每次提到 AI 就被嘘。

Benedict 把目前所有反 AI 论点拆成三类。

第一类是真实但被夸大。比如某些州的电价确实因为数据中心建设上涨了，但这是真实的、有限的、可以通过电网规划解决的工程问题。

第二类几乎是假的，却传播最广。比如"AI 在喝光我们的水"。他实际去查了 Lawrence Livermore 实验室 2024 年底的研究——美国数据中心总耗水量大约占全国总用水量的 0.017%。当然，如果一个小镇唯一一口井被某家数据中心包了，居民完全有理由抗议；但那是规划问题，不是 AI 问题。

第三类是真问题，但归因极难。比如 18–24 岁就业率明显下滑。是 AI 抢走了入门岗位，还是关税导致的经济周期？是文凭通胀，还是远程办公的滞后副作用？经济学家在一堆数据里吵了一年，没人敢断言主因。

Benedict 提醒大家，这一波集体焦虑跟当年社交媒体的反思潮非常像。当年"Facebook 在出卖你的数据"传得人人相信，到现在也几乎完全是假的；但社会从恐慌中走出来、看清真正问题（青少年心理健康、信息茧房、广告生态）用了将近十年。AI 大概也得走同样的过程，没有捷径。

更难办的是：我们甚至预测不准它会真正冲击谁。1997 年绝大多数人押的"互联网最不会改变的事"里就有打车——结果 Uber 把整个出租车行业打穿。今天有人轻飘飘说"私教肯定不会被 AI 影响"，可你把 iPhone 立在镜子前让它实时分析你的动作、给你定制每周训练计划的那一天，距今只剩几个产品周期。真正的盲区从来不在你担心的地方，而在你以为不用担心的地方。

不能把头埋进沙子里

主持人最后问：知道这一切之后，普通人到底该怎么办？

Benedict 的答案没有任何鸡汤：

"不要把头埋进沙子里说'我讨厌这玩意儿'。这种姿态会给你一种巨大的道德优越感，你可以去 Bluesky 上跟别人对喷，告诉全世界 AI 多么邪恶——我替你高兴，但这帮不了你。"

他描绘了一个完全现实的场景：你去律所面试，对方告诉你，去年招了 100 个 associate，今年只招 50 个。你坐在面试官对面说："AI 是 bullshit，我永远不会用。"——你的下场可以想象。

他给的建议只有三个动作：

1. 沉浸
   ：每天用、每个项目都试着用，让自己进入"看到一件事会自动问'AI 能不能做'"的状态；
2. 内化
   ：分清楚哪些任务它真能做、哪些任务它假装能做、哪些它根本不该做——这种判断力只能靠手感攒出来；
3. 重新定位
   ：在新的工作分工里，找到那个"机器做不了、而你能做"的位置。

有意思的是，Benedict 自己用 AI 并不重。他坦白说，自己工作里最常做的是精确的信息检索——而这恰恰是今天大语言模型最不擅长的事。他用 AI 主要是校对、找图、给公寓重新装修时换配色方案。

"AI 擅长计算机不擅长的事，不擅长计算机擅长的事。"

这是迄今最精炼的 AI 能力描述：它擅长模糊、生成、风格、共情；它不擅长精确、确定、规则、查找。一旦你脑子里有了这把尺子，你既不会神化它，也不会低估它。

回到 Benedict 反复强调的 1997 类比。那一年所有"互联网赢家预测"都错了。没人押 Google，没人想到 iPhone，没人押 Facebook，没人能预测一个叫 YouTube 的网站会重写媒体。今天我们对 AI 的所有宏大叙事——"OpenAI 会统治一切"、"白领工作即将全军覆没"、"AGI 五年内到来"——大概率也会被一两个尚未存在的产品打脸。

Benedict 把他的口头禅留给读者作为收尾：

"It depends. And it'll probably be ok."

——视情况而定。而且大概率，会没事的。