夜雨聆风技术人类学诊断书：人类异化简史
当前，很多人都在谈 AI 焦虑。有人担心工作被替代，有人担心专业不值钱，有人担心孩子未来没有出路。有人看到 AI 写文章、画图、编程、总结材料、生成方案，心里会突然一沉：如果这些机器都能做，那我还剩下什么？
这些担心不是空穴来风。AI 确实正在改变脑力劳动的形态。国际劳工组织 2025 年关于生成式 AI 与工作的研究，标题就用了“one in four jobs at risk of being transformed by GenAI”这样的表述，意思是全球大约四分之一的岗位面临被生成式 AI 改造的风险。注意，这里说的是“被改造”，不只是简单的“被替代”。
所以，AI 焦虑不是无病呻吟。但是，如果我们只把 AI 焦虑理解成“机器抢饭碗”，就看浅了。AI 带来的真正冲击，不只是机器越来越像人。更深的冲击是：它让我们突然看见，很多时候，我们早已经把自己活得越来越像机器。我们输入信息，处理任务，输出结果；接收指令，完成交付，等待反馈；追求效率，减少错误，优化流程；不断学习，不断升级，不断证明自己还有用。
这套能力当然重要。没有抽象、分析、计算、组织、表达和流程，就没有现代文明，也没有科学、工程、商业、管理和技术。但问题在于，当这套逻辑不只是用于工作，而是慢慢占领整个人时，人就会忘记自己不是一台处理器。
身体变成了支撑大脑工作的外设。情绪变成了影响效率的故障。关系变成了资源网络。学习变成了版本升级。休息变成了恢复产能。人生变成了职业路径。自我价值变成了持续输出。
一个人如果长期这样理解自己，就很难不害怕 AI。因为 AI 正好是一台更强的信息处理机器。它可以更快地读，更快地写，更快地总结，更快地生成方案，更快地模拟推理，而且不累、不烦、不需要情绪安抚，也不会在深夜怀疑自己的人生意义。
于是人突然慌了。表面上，我们在问：
AI 会不会替代我的工作？
更深处，我们其实在问：
如果我过去用来证明自己有价值的那些能力，机器也可以做，而且做得越来越好，那我这个人还剩下什么？
这才是 AI 焦虑真正刺痛人的地方。
AI 没有简单地夺走人的价值。它更像一面镜子，照出了我们长期以来对人的价值理解有多狭窄。我们太习惯用“有用”证明自己。太习惯用“产出”证明自己。太习惯用“效率”证明自己。太习惯用“还能解决问题”证明自己。所以，当一个更高效的解决问题机器出现时，我们就像被击中了根基。
而“活成机器”不是一句文学化的批评。它有一个学术名字，叫作：
异化。
1. 什么是异化？
异化不是简单的“不开心”，也不是一般意义上的压力大。
异化的基本意思，是本来属于人的东西，从人这里分离出去，反过来支配人。斯坦福哲学百科对 alienation 的定义，就是一种自我与本来应当属于它的对象之间发生了有问题的分离；这个概念本身带有诊断和批判的功能。
换成更朴素的话：
异化，就是人造出来的东西，反过来支配人；人发展出来的能力，反过来压扁人；人为了更好生活而建立的技术、组织和制度，最后让人越来越不像一个完整的人。
所以，“我们已经活成了机器”，不是骂人，也不是情绪表达。它是在说：现代人在工业、管理、教育、平台、算法和绩效系统里，越来越习惯用机器逻辑理解自己。这种现象不是 AI 时代才有的。AI 只是让它显影了。
2. 人类异化简史：从劳动异化到技能异化
从工业文明开始，关于“人如何被机器化”的诊断就一直没有停止过。这条历史线，几乎可以看作一部现代人的异化简史。
1. 劳动从人身上离开
马克思最早系统诊断的是劳动异化。在马克思那里，异化劳动不是说工作辛苦这么简单，而是说劳动者和自己的劳动产品、劳动过程、他人关系以及自身人性发生了分离。资本主义劳动之所以异化，是因为它包含一些阻碍人类充分发展的分离；劳动本来可以是创造和自我实现，却可能变成外部系统对人的使用。
这可以说是现代异化的第一层：
人生产出了东西，却失去了对它的控制；人投入了劳动，却不再从劳动中认识自己；工作不再是生命的展开，而变成生存的代价。
今天很多人的 AI 焦虑，和这一点有很深的关系。因为许多人在工作中早就不是在“创造”，而是在“交付”。他写的不是自己相信的东西，而是交付一份内容。他做的不是自己真正关心的问题，而是完成一个项目。他不是在展开生命，而是在按时输出。
这时候 AI 一出现，它挑战的就不只是某个岗位，而是整个“交付型自我”。如果我只是一个交付节点，那么另一个更高效的交付节点出现时，我当然会恐慌。
2. 动作从人身上离开
到了工业管理时代，异化进一步技术化。泰勒主义，也就是科学管理，把工作拆成一个个动作，用时间和效率来分析，去掉“多余动作”，让工人按照近似机器的流程工作。泰勒把每项工作拆解成单个动作，并用秒表计时；去掉不必要动作后，工人按照机器式例行程序工作，生产率因此提高。
这件事的象征意义非常大。工业文明并不是先发明机器人来替代人。它先做了一件更基础的事：
把人当作可以优化的机器来研究。
人的动作被拆开、计时、比较、优化，然后重新组装进流程。这时候，人还没有被机器替代，但人已经开始按照机器的方式被理解。
过去被泰勒化的是工厂动作。今天，被泰勒化的是脑力动作。写作被拆成标题、结构、金句、转化率。编程被拆成需求、模块、接口、测试、部署。管理被拆成 OKR、KPI、数据看板和绩效反馈。教育被拆成目标、排名、测评和升学路径。内容生产被拆成选题、模板、流量、互动和复盘。
身体劳动曾经被机器化，今天脑力劳动也在被机器化。这就是 AI 焦虑的直接背景。AI 并不是突然进入一个完整的人类世界。它进入的是一个早已被流程化、标准化、模块化、可量化的脑力劳动世界。正因为许多脑力劳动已经被拆成了流程，AI 才能这么快介入。
3. 制度把人关进理性化铁笼
韦伯看到的，不只是工厂里的机器，而是整个现代社会的理性化。现代社会越来越依赖规则、流程、官僚制、计算、标准、审批、层级和效率。韦伯对理性化的关注之一，是科学和技术理性提高了人对自然和社会生活的控制，也通过官僚管理、法律形式和工业资本主义强化了制度化纪律。
这就是后来常说的“铁笼”。人不一定被某一台机器控制，却可能被一整套机器式制度控制。他知道自己几点开会，什么时候提交，怎样汇报，如何达标，如何晋升，如何避免犯错。他越来越清楚自己“应该怎么做”，却越来越不清楚自己“为什么而活”。
AI 不是孤零零出现的。它嵌入的是公司、学校、平台、组织、招聘、考核、绩效、资本效率和管理流程。所以 AI 不只是一台工具。它正在成为理性化铁笼的新计算层。
4. 工具理性吞掉了人的完整理性
法兰克福学派进一步指出，现代人的问题不是没有理性，而是理性越来越窄。早期批判理论吸收韦伯的理性化理论，特别关注工具理性、官僚化和现代社会中自由与意义的丧失。斯坦福哲学百科在介绍法兰克福学派时，也把韦伯关于工具理性支配和官僚化扩张的分析，视为早期批判理论的重要来源。
工具理性问的是：
怎样更有效？怎样成本更低？怎样产出更多？怎样控制更稳？怎样增长更快？
这些问题都很重要。没有工具理性，现代社会无法运转。但人的完整理性不只问这些。完整理性还会问：
什么是真？什么是善？什么值得做？什么不该做？什么样的生活值得过？什么样的关系值得守护？什么样的责任必须承担？
当工具理性吞掉人的完整理性，人就会越来越擅长解决问题，却越来越不知道哪些问题值得解决。
而 AI 最擅长的，恰恰是工具理性的加速。它可以更快地生成，更快地优化，更快地比较，更快地算出路径，更快地把一个模糊问题变成可执行方案。所以，如果一个人早已把自己交给工具理性，他当然会在 AI 面前感到恐慌。因为 AI 是工具理性的超级机器。
5. 身体也被训练成机器
福柯把现代异化问题进一步推进到身体。他在《规训与惩罚》中讨论现代规训如何生产“驯服的身体”。囚犯、士兵、工人、学生的身体被现代规训技术塑造成更有用，也更容易控制；人的身体被当作一台可以优化、计算和改进功能的机器。
这听起来像监狱、军队和工厂，但其实我们今天并不陌生。我们按铃声上课，按考勤上班，按日程开会，按消息提醒切换注意力，按绩效节点加速输出，按运动手环管理身体，按睡眠软件评价休息。
到了数字工作时代，一个人明明肩膀紧、眼睛酸、胸口堵、呼吸浅，却还在继续回复邮件、刷新消息、追赶工具。身体不再是生命的家，而像是脑力劳动的外设。
人活成机器的第一个迹象，常常不是思想出了问题，而是身体消失了。你累，但你不知道。你怕，但你不知道。你紧绷，但你不知道。你胸口发堵，但你把它解释成“我还不够努力”。你已经进入机器模式，却以为自己只是在认真工作。
6. 技术不只是工具，它会改变人理解自己的方式
技术人类学最关心的，不是工具好不好用，而是工具怎样重新塑造人。技术改变的不只是生产效率。它会改变人的身体姿势、时间感、注意力结构、关系方式、价值排序，最后改变人理解自己的方式。
斯坦福哲学百科在“技术哲学”条目中指出，过去两个世纪的技术哲学很大程度上关注的不是技术本身，而是技术对于社会和文化的意义与影响。海德格尔对现代技术的批判，也不是简单反对机器。他真正关心的是：现代技术让世界以某种方式向我们显现。万物被看成可调用、可储备、可计算、可支配的资源。海德格尔称之为 standing-reserve，也就是“持存物”或“备用资源”。
这对 AI 时代非常关键。因为技术最大的副作用，不一定是工具失控。更深的副作用，是人开始用工具的逻辑理解自己。
当公司说“人力资源”时，人已经被资源化了。当教育说“学习资源”时，知识已经被资源化了。当人生说“时间管理”时，时间已经被产能化了。当职业说“个人品牌”时，自我已经被商品化了。当平台说“用户留存”时，注意力已经被资产化了。
AI 只是把这套逻辑进一步推进。如果一切都可以被调用、生成、优化、替换，那么人也很容易被理解成一种可调用、可生成、可优化、可替换的资源。
这就是技术人类学必须追问的问题：
技术到底是在帮助人，还是在重新定义人？
7. 数字时代：行为从人身上离开
到了数字时代，异化又进入新阶段。
工业时代把人的动作机器化。管理时代把人的工作流程机器化。数字时代则把人的行为、注意力、评价、关系和偏好数据化。
Data & Society 关于职场监控的研究指出，监控和数据采集工具正在收集新的劳动者数据，把过去难以追踪的活动和个人品质量化；这些数据又会被送入自动决策系统，用来预测劳动者未来行为、能力、晋升或留任。
OECD 2025 年关于算法管理的报告，也把算法管理定义为使用软件，包括可能包含 AI 的软件，来部分或完全自动化传统上由人类管理者承担的任务；报告同时指出，算法管理可能带来效率收益，也带来责任不清、工具逻辑难以追踪、劳动者健康保护不足等问题。
这意味着什么？人不只是被要求输出。人还被持续记录、评分、预测、推送、比较和优化。
你的工作速度可以被记录。你的消息响应可以被记录。你的语气可以被分析。你的绩效可以被排名。你的行为可以被预测。你的未来潜力可以被打分。
到这里，人已经不只是像机器一样工作。人开始被机器系统理解、评估和管理。这就是 AI 焦虑的直接前史。因为当一个人已经被数据系统看成一组行为模式、绩效指标和可预测变量，AI 介入就不再是遥远的科幻，而只是下一步。
3. 异化史的现在进行时：AI 开始蒸馏人的技能
如果说工业时代抽取的是人的产品和身体动作，数字时代抽取的是人的行为数据，那么 AI 时代正在发生更深入的一层：
人的技能本身开始被抽取。
我把它称为：
技能异化。
所谓技能异化，就是原本长在一个人身上的经验、手感、判断、习惯、技巧、表达方式和问题处理路径，被系统性记录、拆解、总结、模板化、模型化，然后变成可以被 AI 学习、调用和替代的能力模块。
过去，一个优秀员工的价值藏在他身上。
一个优秀客服怎样判断客户情绪，怎样安抚，怎样转单，怎样让问题闭环。一个优秀程序员怎样读代码，怎样拆任务，怎样写测试，怎样做迁移。一个优秀运营怎样写标题，怎样判断用户，怎样调节节奏，怎样做转化。一个优秀经理怎样写总结，怎样开会，怎样做绩效反馈，怎样处理冲突。一个优秀老师怎样判断学生卡在哪里，怎样换一种说法，怎样给出恰到好处的鼓励和挑战。
这些能力过去很难完全从人身上剥离出来。它们是经验，是手感，是判断，是多年沉淀出来的微妙能力。但 AI 时代，这些东西越来越可以被记录、被提示、被标注、被总结、被模板化、被模型学习。
在机器学习里，有一个词叫 distillation，蒸馏。一个模型可以从另一个更强的模型那里学习能力。
放到组织里看，AI 时代出现了一个很讽刺的反转：
优秀员工，正在变成企业 AI 的 teacher model。
他多年积累的判断、流程、话术、代码习惯、客户处理方式，被系统观察、记录、总结，再交给 AI agent 复用。等 student model 学会了足够多，teacher model 反而可能变成成本项。
这不一定是某个经理的恶意。不必假设每家公司都在暗中策划“榨干员工再抛弃员工”。事情往往没有那么戏剧化，也没有那么简单。但只要资本、效率、AI 和组织管理结合在一起，结构性结果就会自然发生：
人的经验被捕获；人的流程被编码；人的判断被模型化；人的岗位被重新评估。
我是一名硅谷土著，自然率先观察到硅谷部落中大厂和技术公司里发生了什么。
Google 在 2026 年 Cloud Next 上说，Google 内部 75% 的新代码已经由 AI 生成并由工程师批准，而且工程师正在转向编排自主数字任务队伍的 agentic workflows。
Amazon CEO Andy Jassy 在 2025 年给员工的公开信中说，随着生成式 AI 和 agents 推开，公司会需要更少的人做今天的一些工作，并预计未来几年由于广泛使用 AI 获得效率提升，公司的 corporate workforce 会减少。
Duolingo CEO Luis von Ahn 的 “AI-first” memo 也很典型：公司将逐步停止使用承包商来做 AI 可以处理的工作，把 AI 使用纳入招聘和绩效评估，并且只有在团队无法进一步自动化更多工作时，才给予新增 headcount。The Verge 同时报道，Shopify CEO Tobi Lütke 的类似 memo 也要求团队在请求更多 headcount 或资源前，说明为什么不能用 AI 完成。
Salesforce 的案例更直接。Business Insider 报道，Marc Benioff 在播客中说，公司客户支持团队从大约 9000 人减少到 5000 人，因为 AI agents 带来了效率变化；Salesforce 发言人也说，公司不再需要主动补招支持工程师角色，并把部分员工重新部署到其他部门。
这些案例当然不能简单理解成“AI 会替代所有人”。更准确地说，它们显示了一个正在发生的组织逻辑：
企业先让员工使用 AI；再让 AI 学会员工的流程；再用 AI 重组岗位；最后用效率提升解释缩编、停止招聘和重新分配人力。
这就是异化史的当前进行时。
人不只是失去劳动产品。人不只是被拆成流程。人不只是被数据化和评分化。
到了 AI 时代，人的技能、经验和判断路径本身，也开始从人身上离开。这才是 AI 焦虑最深的地方。很多人真正害怕的，并不是“我明天就被 AI 替代”。更深处，他害怕的是：
我多年的经验，会不会只是下一代 AI 的训练材料？
4. 真正可怕的不是机器替代人，而是人先替代了自己
现在，我们可以回到这篇文章的核心诊断。AI 焦虑的深层根源，不是 AI 太像人。恰恰相反，是我们太久以来，把自己活得太像机器。
人把身体替换成效率。把感受替换成情绪管理。把判断替换成标准答案。把关系替换成资源配置。把创造替换成内容生产。把学习替换成版本升级。把生命替换成一份不断更新的简历。
然后，当 AI 出现时，我们才惊慌地发现：
自己最熟悉、最依赖、最引以为傲的那一部分，正是机器最擅长的部分。
如果一个人长期把自己理解成信息处理器，他当然害怕更强的信息处理器。如果一个人长期把自己理解成任务完成器，他当然害怕更快的任务完成器。如果一个人长期把自己理解成内容生产器，他当然害怕更便宜的内容生产器。如果一个人长期把自己理解成绩效优化器，他当然害怕更稳定的绩效优化器。
所以，AI 焦虑不是从 AI 开始的。AI 只是把现代人早已被机器化的事实照亮了。这不是对个人的责备。没有人是自愿这样活成机器的。学校、考试、公司、平台、算法、KPI、竞争、房贷、育儿压力、年龄焦虑、职业焦虑，都在一起把人往这条路上推。
我们只是活着活着，就学会了这样使用自己。我们不是一开始就想变成机器。我们只是为了生存，为了通过考试，为了保住工作，为了养家，为了不落后，为了证明自己还有用，一点一点把自己交给了机器逻辑。
最后，机器真的来了。它比我们更像机器。于是我们崩溃了。
5. AI 不是敌人，它是一面镜子
这篇文章不是要反 AI。恰恰相反，真正理解 AI，不能把 AI 简单看成敌人。AI 是技术史的一部分，也是人类外化能力的一部分。它会替代一些工作，也会创造一些新工作；它会带来风险，也会带来生产力；它会加剧一些不平等，也可能释放一些人的创造力。
问题不在于 AI 本身。问题在于：我们拿什么样的人去迎接 AI？如果我们拿一个已经被机器逻辑压扁的人去迎接 AI，那 AI 就会变成最后一击。因为它会告诉这个人：
你一直努力成为的那个东西，我比你更擅长。
但如果我们能从 AI 这面镜子里看见异化，事情就有另一种可能。AI 也许第一次逼我们重新追问：什么应该交给机器？什么必须还给人？
机器可以处理信息。人必须判断意义。
机器可以生成内容。人必须承担表达。
机器可以优化路径。人必须选择方向。
机器可以模拟情绪。人必须真实感受。
机器可以调用知识。人必须面对生命。
机器可以给出答案。人必须承担后果。
机器可以加工，活人才能负责。
所以，AI 焦虑真正逼出来的问题，不是：
我还能不能赢过机器？
而是：
我还能不能重新成为一个完整的人？
6. 诊断结论
到这里，AI 焦虑的诊断已经比较清楚了。我们害怕 AI 替代人，常常不是因为 AI 真能替代完整的人。而是因为我们早已把人的价值，缩小成了机器擅长的那一部分。
我们用效率证明自己。用输出证明自己。用任务完成证明自己。用持续升级证明自己。用“我还有用”证明自己。
所以，当一个更高效、更稳定、更便宜、更不疲惫的机器出现时，我们当然会恐慌。这就是异化。异化不是人变懒了。异化不是人不努力了。异化恰恰可能发生在最努力的人身上。越努力把自己变成一个高效系统的人，越容易在 AI 面前感到崩塌。因为他过去努力成为的东西，正是 AI 最容易强化、复制和超越的东西。
所以，AI 焦虑症的深层根源，不是 AI 太像人。是我们已经太像机器。
7. 下一步：下机
如果这个诊断成立，那么出路也就不是让自己变成更强的机器。
不是更焦虑地追赶所有 AI 工具。不是更拼命地输出更多内容。不是更快速地升级技能包。不是更努力地证明自己还没有被淘汰。
这些当然都可能有用。人要学习工具，要理解变化，要调整工作方式。但如果方向错了，越努力越异化。真正的问题是：
当机器终于可以做越来越多机器性的事情时，人能不能把自己从机器模式里换回来？
这就是心力劳动要开始的地方。
如果说黑领训练的是 AI 时代的外部生产力，那么心力劳动训练的，就是人如何从机器模式中重新回来。
第一步很简单，也很难。它叫：
下机。
下机，不是关掉电脑。下机，是停止把自己当电脑用。这就是下一篇要讲的事。
