夜雨聆风上一篇讲了生产要素和生产组织的变化。很多朋友私信问：道理我都懂，可这些宏大的结构性变革，跟我这个普通人的钱包有什么关系？工资会涨还是跌？AI搞得通胀越来越高还是越来越低？社会财富越来越多，但这些钱最终流向哪里？
这些问题不是杞人忧天，是货真价实的硬问题。
我们来从历史里找答案——不是直接找答案，是找思维框架。因为工业革命时期，这些问题几乎都出现过一遍，那段历史给了我们非常珍贵的对照。
一、工业革命初期：生产力飙升，工人工资原地踏步
先把时间倒回1760年到1840年之间的英国。
这是工业革命的第一个完整周期，也是历史上生产力增速最惊人的阶段之一。纺织业效率因蒸汽机和机械化提升了几十倍，铁产量、煤产量持续暴增，铁路网络快速铺开，整个社会的物质生产能力在短短几十年里发生了量级跃升。
但有一个奇怪的现象：GDP增长了，资本家有钱了，但工人的实际工资几乎没有动。
历史学家把这段时间叫做"恩格斯停顿"（Engels Pause）——不是我随便起的名，这个词有来历。弗里德里希·恩格斯1845年写《英国工人阶级状况》，记录了曼彻斯特纺织工人的惨状：收入低、工时长、居住条件恶劣。他是那个时代最早认真记录劳动者处境的人之一。后来经济学家研究这段数据，发现确实有一个长达数十年的"停顿"——生产率和GDP都在增长，但普通工人的实际购买力几乎没跟上。
《剑桥欧洲经济史》第六卷的研究印证了这一点。书里有一个关键数据：1760年到1820年，英国的国民生产净值增加了约75%，但城市工人的实际工资涨幅微乎其微，甚至有地区出现了实际工资下降。同期，工厂主和土地贵族的财富却快速积累。基尼系数（衡量社会不平等的指标）在工业革命前期显著上升。
这不是偶然的。原因很现实：
第一，劳动供给过剩。农业机械化把大量农民赶出土地，他们涌进城市，制造了庞大的廉价劳动力供给。工厂主不愁招人，自然没理由提高工资。
第二，生产率提升的果实被资本吸走。机器是资本的，生产率提升的利润首先归资本所有者。工人只是运转机器的人，不是机器的拥有者。
第三，制度滞后。工会没有法律保护，劳动法不存在，最低工资更无从谈起。资本和劳动力之间的谈判筹码完全不对等。
《剑桥欧洲经济史》里有一段让我印象很深的描述：纺织业的大工厂可以把童工的工时压到每天十四小时，而受害最深的底层工人没有任何组织能力来对抗这种剥削。这不是市场失灵，这是制度空白。
但——这只是工业革命的前半场。
大约从1840年代开始，情况开始扭转。工人工资开始实质性上涨，到了1870年代，英国工人的实际购买力相比1820年代提升了接近50%甚至更多。恩格斯停顿结束了。
为什么？原因同样清晰：
技术扩散让劳动力需求爆炸性增长。铁路、钢铁、化工、电力……新行业不断涌现，对工人的需求不再只是纺织厂，而是分布在几十个行业。劳动力供给跟不上需求了。
制度终于追上了技术。英国的工厂法（Factory Acts）、公共教育，以及后来逐步合法化的工会运动，都在1830-1870年间陆续推进。劳动者有了更多谈判筹码。
生产力红利终于开始下沉。当工业品产量足够大、成本足够低，工人自己也能消费得起工厂里生产的布匹、机器、日用品。这形成了一个正向循环：工资涨→消费涨→生产扩张→需要更多工人→工资再涨。
这个历史轨迹不是什么意外，是结构性的。技术变革初期，果实向资本集中；技术扩散期，劳动力需求上升；制度跟上之后，分配才趋于平衡。
还有一个常被忽略的细节：工业革命后期工资的上涨，并不完全是市场自然调节的结果。它在相当程度上是劳工运动、工会斗争、政治博弈的结果。工人自己争来的。英国宪章运动（1838-1857年）、德国社会民主运动、美国的劳工联合会……这些在当时被统治阶级视为"危险势力"的力量，恰恰是把工业红利拉回到更平衡分配的关键推手。市场不会自动分配公平，需要有人去争。
这个历史教训，在AI时代同样适用。
问题来了：AI时代的财富分配，会遵循类似的路径吗？
二、AI时代的"新恩格斯停顿"
罗杰·布特尔在《AI经济》里明确提出了这个担忧：AI可能正在制造一个新的"恩格斯停顿"。
他的核心逻辑是：AI对生产率的提升主要体现在可替代性劳动上。那些可以被标准化、可以被算法化的工作，被AI接管之后，做这些工作的人的议价能力就下降了。与此同时，AI带来的生产率红利，更多向资本拥有者集中——谁控制了AI算法、谁拥有大量训练数据、谁有算力资源，谁就拿到这部分收益。
这和工业革命前期非常像：生产力在飞，但好处流向了机器拥有者，而不是大多数普通劳动者。
有几组数据可以支撑这个判断。
美国的劳动收入份额（工资总量占GDP的比例）在1980年代约为62-64%，到2020年已经下降到了55-57%左右。与此同时，企业利润占GDP的比例在上升。这个趋势早于AI爆发，但AI加速器效应很可能让它进一步强化。
资本回报率和劳动回报率的剪刀差，在近二十年里进一步拉大。买到了早期AI公司股票的人，财富增值惊人。而被AI部分替代的白领工人，工资增速慢于生产率增速。
还有一个更微妙的现象：技能溢价两极化。
并不是所有劳动者都一样被AI影响。简单来说，AI对高技能劳动者是杠杆（放大产出），对中间技能劳动者是替代（直接接管），对某些体力劳动者影响反而有限（还没到可以大规模替代的阶段）。
这就导致劳动力市场出现一个"空心化"——中等收入岗位（数据录入员、基础法务、基础财务分析、标准化翻译等）在减少，同时高收入的AI技能岗位在增加，低收入的服务性体力岗（护理、清洁、维修、餐饮等）也在增加。两头在生长，中间在萎缩。
麦肯锡全球研究院的一份报告估计，到2030年，全球约有4亿到8亿个工作岗位面临自动化风险，其中受冲击最大的，恰恰是月薪处于中间段的白领工作——这些工作够结构化、够可预测，AI处理起来最得心应手。体力密集但难以标准化的工作（比如水管工修一个从没见过的问题管道）反而没那么容易被替掉。
这是一个令人不舒服但不得不面对的事实：那些好好念书、进了看起来体面的中等收入岗位的人，反而是这一轮技术替代的主要承压群体。
美国的数据显示，1980年代以来，高技能工资增速持续跑赢低技能，但这个剪刀差在近十年里再度扩大。如果AI继续推进，中间技能这块最容易被优化的肥肉，预计会进一步缩水。
这就是"新恩格斯停顿"的核心机制：整体生产力在涨，总财富在增长，但分配结构是倾斜的。大部分红利流向了资本和高技能劳动者，普通中技能劳动者的实际购买力增长很可能落后于整体经济增速。
当然，历史上恩格斯停顿最终结束了。这让一些经济学家乐观：技术扩散之后，AI也会让更多人受益。
这个乐观是有根据的，但时间轴很长。工业革命的停顿持续了大约五十年。如果AI版的停顿也要持续几十年，那对于今天正在工作的人来说，这不是"等等就好了"的事，是要认真对待的现实风险。
三、谁在吃技术红利？资本与劳动的百年争夺
我们来稍微系统一点，看财富分配的三个层次。
第一层：个人收入分配
个人层面的分配，核心变量是技能稀缺性。
工业革命之前，土地决定了财富。拥有土地就是贵族，没有土地就是农民，固化到极致。工业革命初期，资本（机器、工厂）变成了决定性因素。拥有工厂的人暴富，一无所有的工人被压榨。后来，受教育程度和专业技能开始变得重要——你学过机器操作、你懂电气工程、你能管一条生产线，你的工资就比纯体力工人高得多。
AI时代，这个逻辑还在继续演进，但方向变了：能跟AI协作、能做AI还做不好的事情的人，他们的技能稀缺性在上升；做AI能做得一样好甚至更好的事情的人，技能溢价在下降。
这不是危言耸听，是供需逻辑。市场永远按稀缺性定价。
第二层：企业与个人的分配
过去几十年，一个趋势越来越明显：超大型平台企业（Meta、Google、亚马逊、苹果……）的市值和利润在全球GDP中的占比越来越高，而它们雇佣的员工数量相对于其创造的价值来说却很少。
这跟工业时代的大企业完全不同。1955年通用汽车的全球员工超过六十万，那是那个时代最有代表性的财富创造机器。它把财富分给工人（高工资）、供应商、经销商、零件厂……一个巨型企业，带动一整条产业链。
今天，谷歌的市值远超通用汽车的历史峰值，但全球员工约十八万。它创造的价值没有均匀分散给十几万个相关岗位，而是高度集中在少数技术精英和股东手里。
布特尔在《AI经济》里把这叫做"无摩擦垄断"——AI和平台经济的赢家通吃效应，让财富以前所未有的速度向少数公司和个人集中，而不产生等量的就业和工资外溢效应。
这个现象用一个数据就能说明白：2023年全球AI相关公司的市值增长超过五万亿美元，但新增的直接就业岗位连百万都没有。财富的增长速度远远跑赢了就业增长速度。
第三层：国家与国家之间的分配
财富分配不只是个人问题，也是国际问题。
工业革命时期，最先工业化的英国获得了巨大的先发优势，随后是法国、德国、美国。那些没能工业化的国家——大部分在亚洲、非洲、拉丁美洲——在接下来一百年里沦为原料供应地和商品倾销市场，财富被系统性地抽走。
AI时代，同样的问题在国家层面浮现：美国和中国拥有了全球绝大部分的AI算力和数据，欧洲在努力跟上，其他大多数国家则面临被再次边缘化的风险。
《剑桥欧洲经济史》有个让人警醒的观察：19世纪初，印度的纺织品质量不输英国，但工业革命之后，英国的机械化纺织以压倒性的成本优势摧毁了印度手工纺织业。印度从出口国变成了进口国，从制造者变成了消费者。
AI会不会在某些领域重演这个剧本？那些AI技术落后的国家，面对的可能不是"竞争落后"，而是整个产业生态被摧毁、被迫依赖他国AI服务的局面。这是比个人失业更宏观也更残酷的财富转移。
四、通货膨胀的历史与AI的矛盾效应
好，从分配转到通胀。这是另一个让很多人困惑的问题：AI时代的通货膨胀会高还是低？
先讲历史。工业革命之后，物价发生了什么变化？
出乎很多人意料的是，工业化初期的英国经历了一段通缩压力——机器生产效率极大提升，纺织品、铁器等工业品的价格大幅下降。一码棉布在18世纪末能买到19世纪中叶大概要价格的三分之一甚至更少。生产效率的提升，直接压低了商品价格。
但与此同时，土地、城市住房、劳动力密集型服务（餐馆、个人服务等）的价格却在涨。为什么？因为这些东西受益于工业化提升生产效率的程度很有限。农业土地就那么多，房子需要人来盖，理发还是需要真人来操作。
这就产生了一个有趣的双轨现象：可工业化商品的价格在下降，不可工业化的东西价格在上涨。经济学家后来把这个现象系统化了，叫"鲍莫尔成本病"（Baumol's Cost Disease）：相比工业品，服务业的生产效率提升慢，所以相对价格会持续上升。
AI时代的通胀图谱，和这个历史有惊人的相似，也有重要的不同。
相似的地方： AI正在大幅压低一批商品和服务的生产成本——软件开发、内容生产、基础数据分析、标准化翻译、法律合规审核……这些东西的价格正在或即将面临巨大的下行压力。未来，一份商业计划书的起草成本、一份合同的初稿翻译成本、一个网站的基础代码开发成本，都会比今天低很多。
不同的地方： AI能降成本的范围，比蒸汽机时代宽得多。工业革命只能机械化实体生产，白领服务业完全不受影响。但AI正在进攻白领服务业的核心地带。
这意味着什么？AI可能是一个长期的通缩力量——它压低了大量知识密集型服务的价格。这在一定程度上抵消了其他因素带来的通胀压力。
布特尔在《AI经济》里明确持这个观点：AI本质上是一种提高生产率、降低边际成本的技术，在宏观上更倾向于创造通缩而非通胀。他甚至认为，AI可能是过去二十年全球通胀持续低迷的部分原因之一——互联网和自动化已经在悄悄压价了。
但这里有一个关键的"但是"：不是所有东西都能被AI降价。
那些AI影响不到、或者影响程度有限的领域——教育（真正高质量的、个性化的教育）、医疗（尤其是需要人际信任的部分）、土地、有限的自然资源——这些价格不会因为AI变便宜。
还有更麻烦的：能源。 AI的运行需要巨量算力，算力需要电力。当全球AI训练和推理的能耗以指数级增长，对电网和能源基础设施的压力是真实的。如果能源供给跟不上，电价上涨，这会反过来推高AI的运行成本，以及所有依赖能耗的实体生产成本。
所以AI对通胀的影响，不是一个简单的"涨还是跌"的问题，而是：AI密集的领域通缩，AI进不去的领域通胀。
这个分化，直接影响到你的实际生活成本。如果你收入主要用于消费AI可以压价的东西（娱乐、数字内容、标准化服务），你的实际购买力会提升。但如果你的支出主要在AI影响不到的地方（好学区的房子、优质医疗、孩子的教育），你可能会感觉越来越贵、越来越难。
有一个词叫"通胀的不平等"（inflationary inequality）——同样名义上2%的通胀率，对不同家庭意味着完全不同的生活压力。低收入家庭的消费结构里，食品、住房、基本医疗占比更高，而这些正好是AI难以压价的部分。高收入家庭消费更多数字娱乐、软件服务、信息产品，这些恰好是AI压价最厉害的领域。所以同样的通胀数字，富人的实际感受可能比统计数字好，穷人的实际感受可能比统计数字差。
这个分化在AI时代可能更明显，而不是更平滑。
五、GDP：这把尺子还够用吗？
现在讲一个更有意思的问题：我们用来衡量经济好不好的那把尺子，在AI时代还管用吗？
GDP是什么？简单说，是一段时间内一个国家所有最终产品和服务的市场价值总和。它是工业时代建立起来的衡量工具。
工业时代，生产出来的东西有市场价格，很好统计。一辆汽车卖了多少钱，一吨钢铁什么价，一栋楼建了花了多少——都能算进去。
AI时代出现了一个棘手的问题：大量由AI创造的价值，要么是免费的，要么价格极低，但对人们生活品质的实际提升非常大。
举几个例子。
谷歌地图对你免费，但它每年为你省下的时间、汽油和精力，折算成货币价值可能数以万计。如果地图公司向你收费，每月一百块，它就能进GDP；因为免费，它的"经济贡献"在统计上几乎是零。
一个AI助手帮你在半小时内写完了一份原本需要花两天的报告。这两天节省下来的时间，在GDP里没有体现。你的"产出"没变（还是一份报告），但你的劳动时间大幅下降——这到底是经济进步还是经济停滞？GDP告诉你是停滞，常识告诉你是进步。
《剑桥欧洲经济史》在讨论工业革命的生产率测量时，也提到了类似的困境：工业化提升了商品的数量和质量，但早期统计体系很难准确捕捉质量的提升。一块1820年的棉布和一块1790年的棉布，名义价格可能差不多，但1820年的布更薄、更均匀、更耐用。这种"质量红利"长期被统计低估。
AI时代的同类问题更严重。因为AI提供的很多价值不是实体商品，而是时间节省、效率提升、决策改善——这些东西现有的GDP框架基本没法量化。
经济学家Erik Brynjolfsson等人已经在研究怎么修正这个偏差，提出了"GDP-B"（GDP-Benefits）的概念——把免费数字服务对消费者的实际价值也算进去。他们的初步估算显示，如果把这些"免费但有价值"的数字服务考虑在内，美国的经济增速可能比官方数字高出不少。
这对你意味着什么？
最直接的含义是：不要只盯着GDP数字来判断自己的处境。AI可能让你的实际生活质量提升了——信息获取更方便、决策更聪明、很多事情变得更便宜——但官方的宏观指标可能反映不出来。官方说增长放缓，不等于你的生活在变差。
反过来也成立：官方说GDP在增长，但如果这个增长主要体现在少数高科技公司的利润里，而你的工资没跟上，你的购买力实际在下降，那增长数字对你个人的意义就非常有限。
学会从GDP之外看经济，是AI时代很重要的思维升级。
六、贫富分化的加速：不平等在AI时代会更严重吗？
让我把前面讲的几条线索汇总起来，正面回答这个很多人想问但没问的问题。
从历史来看：技术突变期，几乎总是会加剧不平等，至少在初期是这样。
工业革命前期，英国社会的基尼系数明显上升。《剑桥欧洲经济史》的数据显示，1760年到1820年间，英国社会财富集中在顶部20%人口手里的比例显著提升。新兴工厂主阶级暴富，农民和手工业者相对贫困化。
然后呢？1870年代之后，随着技术扩散、制度跟进、工资上涨、中产阶级形成，不平等程度开始缓和，在二十世纪中叶，很多发达国家的基尼系数达到了历史低点——这是工业化"后期红利下沉"的体现。
AI时代的轨迹，目前正处于哪个阶段？
从数据看，处于不平等加速阶段。
美国最富有的1%人口的财富占比，在1970年代约为25%，到2020年已经超过38%。与此同时，中间阶层的实际财富（扣除通胀后）在过去二十年几乎没有增长。
这个趋势的驱动因素很多，AI只是最新的加速器，不是唯一原因。资本市场的扩张、金融化、全球化分工等等都有贡献。但AI可能让这个进程更快：一个AI工程师可以用自己开发的工具，产生以前需要一百个人才能产生的价值——而那一百人的工资，不会因此流向这一个工程师之外的任何人。
布特尔对此并不完全悲观，但他承认结论很难确定。他提出了两种可能的未来路径：
路径一：类工业革命后期——不平等先升后降。 AI技术扩散、教育普及、政策干预，最终让技术红利下沉。这需要几十年，也需要制度配套。
路径二：技术永久性固化不平等。如果AI的主要价值集中在极少数平台、极少数人，而技术门槛持续保持足够高，那扩散效应可能比工业时代弱得多——工业机器可以被各国仿造，但AI最核心的壁垒（数据、算力、顶尖人才）更难复制。
历史是路径一的依据，但历史不是宿命。
七、政策应对：历史给出的经验
工业革命时期，社会是怎么应对财富分配失衡的？这段历史给了我们几个可以复用的模板。
模板一：教育普及
19世纪后半叶，英国、德国、美国相继推行普及义务教育。这不是什么道德善举，是经济逻辑：工业化对有基本读写算能力的劳动者需求激增，没有教育就没有合格的工人。普及教育客观上成为了财富向下扩散的渠道——受过基础教育的工人，议价能力比文盲工人高得多。
AI时代，教育的功能同样关键，但内容需要大幅升级。读写算不够了，AI工具的使用能力、批判性思维、跨学科整合能力，这些才是新时代的"基本识字"。
模板二：累进税制
20世纪上半叶，随着工人阶级政治力量增强，西方各国相继引入或加强了累进所得税和遗产税。这是财富再分配的直接机制——从高收入者那里多收税，用于公共教育、基础设施、社会保障。
AI时代的财富更多来自资本回报（持有AI公司股份、持有数据资产）而非劳动收入。现有税制主要是对劳动收入征税，对资本利得的税率在很多国家反而更低。这个税制逻辑如果不调整，财富集中只会更快。
模板三：劳动保护
工厂法、最低工资、工时限制、工伤保险……这些制度的建立，让工业时代的工人有了基本的安全网。
AI时代，平台经济催生了大量"灵活就业"——外卖骑手、网约车司机、自由接单者——他们依托平台工作，但不被视为雇员，因此享受不到劳动法保护。这是一个制度漏洞，也是一个政策真空。
模板四：社会保障体系
工业革命之后，随着老龄化、城市化、家庭结构改变，传统大家庭的养老功能逐渐失效，国家养老、失业保险、医疗保障体系陆续建立。这是现代福利国家的由来。
AI导致的就业冲击如果足够严重，传统的"就业→社会保险"模式会面临根本性挑战——失业或半就业的人越来越多，他们缴纳的社会保险越来越少，但需要的保障越来越多。
这里就涉及到一个近年来讨论热度很高的概念：全民基本收入（Universal Basic Income, UBI）。简单说，就是政府无条件给每个公民发一笔基础生活保障金，不管你是否工作。
支持者认为，UBI是AI时代最合理的安全网——不依赖工作状态，覆盖最广，管理成本低。反对者认为，UBI会削弱工作激励，而且财政上很难持续。
这个争论还没有定论，但历史给了我们一个启示：社会保障体系不是一步到位的，是随着技术和经济结构变化，逐步演进出来的。工业革命之后的社会保障体系，是工业时代人们在几十年时间里摸索出来的。AI时代的保障体系，同样需要这个过程。
八、宏观经济的"奇怪现象"：为什么生产率提升没体现在增长里？
最后讲一个更有意思的宏观问题。
诺贝尔奖得主罗伯特·索洛（Robert Solow）在1987年说过一句现在非常有名的话："你到处都能看到计算机革命，就是看不到在生产率统计数据里。"
这句话有个专门的名字，叫"生产率悖论"（Productivity Paradox）。信息技术投入巨大，但宏观生产率数据就是不涨。
后来，1990年代末、2000年代初，美国的生产率数据确实涨了一波——IT红利姗姗来迟。经济学家的解释是：技术的大规模影响总是滞后的，因为经济和社会体系需要时间适应新技术，重新组织工作流程、培训人员、调整供应链……这个配套成熟了，生产率才能真正爆发。
AI现在也面临类似的问题。GPT-4发布已经两年多了，全球AI投资数以千亿计，但宏观生产率数据的改善依然不够明显。这是"生产率悖论2.0"。
这不一定说明AI没用。更可能的解释是：AI对生产率的宏观影响还在积累，等企业真的把AI深度整合进流程、等劳动力真的学会了跟AI协作，等制度和法规不再阻碍AI部署……那个时候，生产率数据才会真正体现出来。
《剑桥欧洲经济史》研究工业革命时有个非常类似的观察：瓦特的蒸汽机1769年就发明了，但蒸汽机对英国制造业生产率的全面提升，大约在1820-1830年之后才真正体现出来——整整滞后了五六十年。因为工厂需要重新设计、工人需要培训、基础设施需要配套，这些都要时间。
所以对AI的生产率红利，最合理的预期可能不是"现在就看到"，而是"接下来的十年二十年里逐步释放"。
只是这个"逐步释放"的过程，对不同的人意味着完全不同的事。对那些已经在用AI工作、已经掌握了AI时代核心技能的人，红利现在就在发生。对那些还在等待的人，等的代价可能越来越高。
九、你和这一切的关系
好，把这一切拉回到个人。
我在这篇文章里讲了很多宏观的东西——恩格斯停顿、通胀、GDP测量、贫富分化。你可能会说，这跟我的工资和存款有什么实际关系？
有的，而且直接。
第一，工资的预期要现实。
如果你处于中间技能岗位，坦白说，未来五到十年，工资快速增长的可能性不高——除非你主动升级自己的技能，让自己变成AI的协作者而不是被替代者。不是吓你，是结构逻辑。历史上，那些在技术浪潮里工资停滞的人，不是坏人，也不是懒人，只是没能跑赢技术变化的节奏。
第二，资产配置要考虑通胀的分化。
AI时代，不同资产、不同商品的通胀率完全不同。你的储蓄放在货币里，但如果你消费的东西——教育、医疗、房租——持续涨价，名义上没亏，实际购买力在缩水。这不是新问题，但AI加剧了这种分化。分清楚"AI能压价的东西"和"AI压不了价的东西"，在消费和投资决策上是有意义的。
第三，政策变化值得关注。
工业革命时期的制度追赶发生在几十年的时间尺度里，AI时代的制度响应可能要快一些——政府、监管者、劳工组织都在加速行动。税制改革、平台经济劳动权益、数据权属——这些听起来遥远，但都在决定未来的分配格局。普通人很难影响政策，但能理解政策走向，做出对自己有利的判断。
第四，"等红利下沉"不等于"什么都不用做"。
历史上，工业革命的红利确实最终下沉到了普通工人。但那需要几十年。而且，那些在等待期间提前学会了操作新机器、提前进入新兴行业的人，比等着红利自然下沉的人多拿了二十年的超额收益。这个时间差是真实的，不要等。
下篇预告
财富分配和宏观经济讲完了，下一篇我们看一个经常被忽视的角度：AI对社会结构的连锁反应——休闲怎么变、教育体系怎么重塑、福利体系面临哪些挑战。
这一块有一个工业革命时期非常典型的对照案例：工厂时代来临之前，普通人一年有超过一百天的节假日（教会节日、农闲期……）；工业革命把这些统统压缩成了漫长的工作周，休闲被重新定义。AI时代，休闲和工作的边界又在发生一次巨变——这次是另一个方向。
下篇见。
