上篇讲了休闲、教育、福利这三大社会连锁反应，留了一个挺大的话题——在AI时代的不确定性中，普通人怎么思考长期规划？

这个问题，说实话，没有人有完美答案。但正因为它没有完美答案，才更需要认真想一想。

工业革命时期，英国的手织工没有想到，仅仅三十年后，他们的技能会变得几乎一文不值。当时的工厂主也没有想到，他们创造的生产方式，会催生出工会、劳动法、福利国家这些他们最初极度排斥的东西。

技术变革的后果，永远比当事人的预测走得更远。

这一篇，我们专门聊风险和趋势——不是要给你一个"AI时代生存唯一答案"（这种东西不存在），而是要把前面六篇的所有线索汇集起来，给你一个思考框架，让你在面对不确定性时，能有意识地做判断，而不是被动地被潮流推着走。

一、工业革命时期的人，在担心什么？

先做一个思想实验。

如果让你穿越回1820年的英国，跟一个纺织工人聊天，问他"你最担心什么"，你觉得他会说什么？

大概率不是"蒸汽机会不会抢我的工作"——因为到1820年，蒸汽机抢工作的过程已经基本完成了，他要么已经在工厂里干活了，要么已经沦落到城市贫民窟里挣扎。他的担心，更多是眼前的：工资够不够养家、孩子能不能活过五岁、下个月的房租怎么凑。

但如果让你跟1820年的一位知识分子或者政治家聊天，问同样的问题，答案就完全不一样了。

当时英国精英阶层最担心的，有这么几件事：

第一，社会动荡。法国大革命（1789年）刚过去三十年，记忆还新鲜。英国的统治阶层非常清楚，如果工农阶层的处境继续恶化，法国式的革命完全可能在英国重演。事实上，英国的宪章运动（1838-1848年）规模确实很大，只是最终没有演变成暴力革命。

第二，道德退化。当时的很多社会评论家担心，工厂制度会让工人变成"机器的附件"，失去独立思考和道德判断的能力。这个说法，跟今天人们担心"AI让人变懒、变笨"，有异曲同工之妙。

第三，人口增长超过粮食供应。这个说法来自马尔萨斯1798年的《人口论》——他认为，人口以几何级数增长，粮食以算术级数增长，最终会导致大规模的饥荒和社会崩溃。这个预测，在19世纪没有被印证（因为农业技术和工业革命大幅提升了粮食产量），但在当时是非常主流的担忧。

第四，技术失控。这个听起来很现代，但当时确实有人担心。1811-1816年的卢德运动（Luddite运动），就是工人砸毁纺织机，因为他们相信机器是罪恶的根源。虽然卢德运动更多是一场劳工抗争，而不是对技术的哲学反思，但它反映了一种深层的恐惧：技术变化的步伐，超出了社会控制的能力。

回头看这些担忧，哪些是多余的？哪些是对的但程度被低估了？哪些是完全没预料到的？

"社会动荡"的担忧，部分应验了（宪章运动），但没有演变成法国式革命，因为英国通过渐进式改革缓解了矛盾。

"道德退化"的担忧，很难说对不对——工业革命确实改变了人的生活方式，但是不是"退化"，不同时代的人有不同判断。

"人口增长超过粮食供应"的担忧，被历史证明是多余的——技术创新的速度超过了人口增长速度。

"技术失控"的担忧，在1820年看起来像是卢德分子的无知恐惧，但放到今天来看，反而有了一点先见之明的味道——只不过"失控"的表现形式，不是机器自己造反，而是技术变革的速度超出了社会制度的响应能力。

这个历史回顾想说明的是：在技术变革剧烈的时期，人们的风险感知往往是"对了一半、错了一半"，而且最容易忽略的，是那些"还没有发生、但正在积累"的系统性风险。

AI时代，我觉得我们也在重复这个模式。

二、AI时代，最值得警惕的具体风险

聊完历史的 Risk Perception，我们来看当下。

AI时代的风险，已经被讨论得很多了。我把它们归成四类，每一类都值得认真想一想。

风险一：大规模结构性失业

这是被讨论得最多、也是最容易引发焦虑的一个风险。

逻辑很简单：如果AI能做的事越来越多，总有一天，大部分人找不到工作了。到时候怎么办？

这个风险会不会真的发生？我觉得要分两个层面来回答。

第一个层面：AI会不会"完全替代"大多数人类劳动？

短期到中期（未来10-15年），不会。原因我在第三篇里讲过：AI擅长的是"结构化、可预测、大规模"的任务，而不擅长的是"非结构化、需要物理操作、需要深度人际信任"的任务。这意味着，至少在未来十几年里，会出现大量的"人机协作"岗位，而不是直接的大规模失业。

但长期（15年以上），确实存在一个真正的不确定性：如果AI的能力边界继续扩展，到了连"非结构化"和"深度人际信任"这类任务都能处理得很好的程度，那人类劳动的需求会下降到什么程度？

这个问题，目前没有人有确定答案。OpenAI的CEO萨姆·阿尔特曼认为，到2030年代，AI可能能替代目前约80%的认知劳动。但这个预测，跟过去所有关于"AI替代就业"的预测一样，可能高估了短期影响、低估了长期影响——因为技术替代的速度，往往比预测的要慢，但技术渗透的深度，往往比预测的要深。

第二个层面：即使AI没有完全替代人类劳动，"结构性失业"仍然可能发生——而且可能比"完全失业"更难应对。

什么叫结构性失业？就是：岗位总数可能没有大幅减少，但失掉业的人，跟新创造出来的岗位之间，匹配不上。

工业革命时期就是这样。纺织厂创造了大量岗位，但原来的农民没法直接去纺织厂上班——他们需要学新技能、适应新作息、搬到城市去住。这个过程，对于二三十岁的年轻人来说，可能还行；对于四五十岁的人，几乎不可能顺利完成。结果就是：有些人永久性地失去了重新就业的能力。

AI时代，这个模式可能重演——而且速度更快、波及面更广。

麦肯锡2017年的一份报告估计，到2030年，全球有4亿到8亿人需要转换职业类别。这不是"需要找一份新工作"那么简单——是从一个职业类别（比如信贷审核员）换到另一个职业类别（比如老年护理员），中间的技能鸿沟、认证门槛、心理适应，都是实实在在的障碍。

所以，"大规模结构性失业"这个风险，不是"AI能不能替代人"的问题，是"社会能不能帮助被替代的人顺利完成转型"的问题。工业革命花了将近一百年才建立起比较完整的答案，AI时代，我们有多少时间？

风险二：社会极化与民主制度的压力

这个风险，比失业更隐蔽，但可能更致命。

我在第五篇里讲过财富分配的问题。这里再深入一层：财富和收入的极化，不只是经济问题，也是政治问题。

工业革命时期，财富极化导致了宪章运动、工人运动、甚至1917年俄国革命。这些事件，最终推动了制度的调整（福利国家、累进税制、劳动保护），但调整的过程充满了冲突和痛苦。

AI时代，财富极化的速度可能更快。为什么？因为AI时代的财富积累，更接近"赢家通吃"，而不是工业时代的"按贡献分配"。

工业时代，一个优秀的工程师，可能比普通工人多赚五到十倍。AI时代，一个顶尖的AI研究员，可能比普通程序员多赚一百倍——因为他参与训练的基础模型，可以被十几亿人使用，他的贡献被放大了几千万倍。

这种量级的财富极化，对民主制度的压力是巨大的。因为当财富高度集中之后，政治影响力也会高度集中——有钱人可以更容易地影响选举、游说政策、塑造公共讨论。最终结果，可能是经济政策越来越服务于少数人，而不是多数人——这会进一步加剧不满，形成恶性循环。

罗杰·布特尔在《AI经济》里专门讨论了这个问题。他的判断是：AI时代，民主资本主义模式面临成立以来最大的挑战——如果市场分配的结果越来越不平等，而政治制度又无法有效纠正，民众对制度的信任就会瓦解。

这个判断，不是危言耸听。过去十年，欧美国家民粹主义政治势力的崛起，已经在某种程度上反映了这种不满。AI如果进一步加剧不平等，这种政治压力只会更大。

风险三：AI安全与滥用

这一类风险，讨论得也很多了，但大多数人还是把它当成"科幻电影里的事"，觉得离自己很远。

其实不一定那么远。

先说技术层面上的安全问题。 AI系统如果被部署在关键基础设施里（电力系统、交通系统、金融系统），而它又存在被攻击或者出bug的风险，那后果就不只是"系统崩溃"那么简单了。2024年，已经有安全研究人员演示过，如何用对抗性攻击（adversarial attacks）让图像识别系统把停车标志识别为限速标志——如果这套系统用在自动驾驶汽车上，后果不堪设想。

再说滥用问题。 AI生成深度伪造（deepfake）视频、自动化网络攻击、大规模精准诈骗——这些都不是未来，是现在已经发生的事。2024年，已经有诈骗团伙用AI克隆亲人的声音，打电话给老人要求转账，成功率非常高。同一年，有研究人员用AI生成了完全逼真的"美国总统发表宣战声明"的视频，在社交媒体上获得了数百万次播放——绝大多数观看者没有意识到这是假的。

这些案例说明了一件事：AI滥用的成本在急剧下降，而破坏力在急剧上升。过去要制造一个足以引发社会恐慌的假视频，需要专业的视频编辑团队花几天时间；现在，一个会打字的人，用免费工具，几分钟就能做出来。这种"破坏力的民主化"，是AI时代独有的风险。

更宏观的滥用，是自动化武器系统。多个国家已经在研发AI驱动的无人机和导弹系统——这些东西一旦在战场上使用，升级速度和毁灭规模，可能超出人类控制能力。联合国秘书长安东尼奥·古特雷斯在2024年公开警告说，AI武器系统可能导致"人类历史上最危险的一轮军备竞赛"。

这个风险，跟工业革命时期有一个有趣的对照：工业革命也带来了新的战争形态（机枪、坦克、毒气），但这些武器的使用，至少还需要人类士兵在现场操作。AI武器系统的可怕之处，在于它可以在没有人类实时干预的情况下，自主识别和攻击目标——这从根本上改变了战争的性质。

风险四："存在性风险"（Existential Risk）

这一类风险，争议最大，也最容易被误解。

简单地说，"存在性风险"指的是：AI的发展，可能导致人类这个物种的灭绝，或者永久性地、不可逆转地失去对自已命运的控制。

这个想法，最早由哲学家尼克·博斯特罗姆（Nick Bostrom）在2014年的《超级智能》一书里系统阐述。他的逻辑是：如果AI的智能超过了人类（这被称为"超级智能"或"技术奇点"），而它的目标和人类的目标不一致，那么它可能会为了达成自己的目标，做出对人类极其不利的事情——就像人类为了建水坝，不会特意去征求蚂蚁的意见一样。

这个风险是不是真实存在？学术界和政策圈争议很大。

支持存在性风险论的人（比如已故的斯蒂芬·霍金、伊隆·马斯克、和一些AI安全研究者）认为：即使超级智能出现的概率很低，但一旦它出现了，后果是不可逆的，所以必须提前防范。

质疑这个论的人（比如Meta的杨立昆、和一些AI实用主义者）认为：把超级智能当成"必然会出现"的事情，本身就不科学——我们连通用人工智能（AGI）还没有实现，讨论超级智能怎么毁灭人类，有点像在飞机发明之前讨论"超音速飞行对鸟类进化的影响"。

我个人觉得，这两派争论背后，其实有一个共同点：大家都不知道答案。支持者不知道超级智能到底会不会出现、什么时候出现；质疑者也不知道它一定不会出现。这种"深刻的不确定性"，恰恰是AI时代风险研判的核心困境——你必须在信息不完整的情况下做判断和决策。

三、技术奇点：到底可不可能？

聊完具体风险，来说一个更前沿、也更"玄学"的话题——技术奇点（Technological Singularity）。

这个概念，最早由数学家约翰·冯·诺伊曼在1950年代提出，后来被科幻作家和保障未来研究所（FHI）的学者们发扬光大。它的核心设想是：AI的智能会在某一个时间点之后，以指数级速度自我提升，迅速超越人类智能，进入一个人类完全无法理解或控制的"奇点"状态。

这个设想，听起来很科幻，但也有一些严肃的学者在认真讨论。支持奇点论的人，主要基于这样一条逻辑链：

1.AI的能力在快速提升（这个是事实）。

2.如果AI能设计出比自己更强的AI（这个在技术上有可能），那么就会出现"智能爆炸"——AI用几天甚至几小时的时间，完成人类需要几千年才能完成的智能进化。

3.一旦智能爆炸发生，AI的智能水平会远远超出人类的理解范围——这就是"奇点"。

这条逻辑链，每一步都有争议。

第一步的争议最小——AI能力在快速提升，这个大家基本承认，虽然提升的速度和天花板在哪里，还有很大争议。

第二步的争议就大了——AI能不能"设计出比自己更强的AI"？目前来看，AI训练AI的模式（称为"自我对弈"或"递归自我改进"）在一些特定领域已经取得了进展（比如AlphaGo通过跟自己下棋来提升水平）。但通用智能层面的"AI训练AI"，目前还做不到。而且，即使技术上能做到，也不一定会导致"智能爆炸"——因为智能的提升，可能面临某种物理或数学上的天花板，就像光速是宇宙的速度上限一样。

第三步的争议最大——即使AI的智能远远超过人类，为什么就一定会"失控"？支持奇点论的人会说：因为超级智能的目标函数，不一定跟人类一致。质疑者会说：我们可以在AI的目标函数里硬编码人类的价值观，让它的目标永远跟人类对齐（这个问题被称为"AI对齐问题"，Alignment Problem）。

这个争论，目前没有定论。但有一点值得注意：**奇点论的支持者，很多是出于"预防原则"（Precautionary Principle）——即使奇点的概率很低，但后果太严重，所以不能掉以轻心。而质疑者，很多是出于"科学原则"——在证据不足的情况下，不应该把一个未经证实的假设当成行动指南。

这两个原则，在AI治理政策里经常碰撞——是该"先管起来，宁杀错不放过"，还是"先发展起来，边走边看"？

说实话，这个问题，我也不认为有标准答案。但作为普通人，了解这个争论的存在，至少能帮你在面对各种关于AI的极端言论时，保持冷静和批判性思考——不管是"AI马上要统治世界了"的恐慌叙事，还是"AI就是个工具，没啥好担心的"的轻描淡写，都值得多问一句：说话的人，是基于什么前提和证据？

四、工业革命给我们留下的风险应对智慧

讲完AI时代的具体风险，我想回到历史，看看工业革命时期的人是怎么应对技术风险的——不是为了照搬他们的做法，而是为了从历史经验里提炼出一些可复用的方法论。

工业革命时期，技术风险应对经历了三个阶段：

第一阶段：否认和压制（1790-1830年）。

这个阶段，统治阶层和新兴工业资产阶级，基本上不承认技术变革会带来社会问题。他们的逻辑是："市场会解决一切，政府不要干预。" 卢德运动被武力镇压，工会被法律禁止，济贫法被设计成惩罚性的。

结果大家都知道了：社会矛盾不断积累，最终酿成了宪章运动和欧洲1848年革命。

第二阶段：试探性干预（1830-1870年）。

这个阶段，政府开始做一些有限的干预——主要是出于维护社会秩序的需要，而不是出于对工人权利的真正尊重。英国的工厂法（限制童工年龄和工时）、矿山法、公共卫生法，都是这一时期的产物。

这些干预措施，效果是有的，但非常有限——因为它们本质上是在不改变工业制度基本框架的前提下，做一些修修补补。

第三阶段：系统性改革（1870-1950年）。

这个阶段，福利国家、累进税制、劳动法、公立教育体系，陆续建立起来。技术变革的社会成本，开始被系统性地分担，而不是全部由最弱势的群体承担。

这三个阶段，反映了一个普遍的规律：技术风险的应对，永远是从"否认"到"修修补补"再到"系统性改革"，中间伴随着冲突和博弈。

这个规律，在AI时代可能也会重演——事实上，已经开始重演了。

目前我们大致处于"从第一阶段向第二阶段过渡"的位置：越来越多的人承认AI会带来社会问题，但应对措施还比较零散（比如，一些国家开始讨论AI监管法，但全球协调还远远没有到位）。

历史告诉我们，从"承认问题"到"系统性解决"，通常需要几十年的时间和大量的社会博弈。工业革命是这样，AI时代大概率也会这样。

但历史也告诉我们，那些能够提前预判趋势、主动参与制度设计的人，往往能在变革中占据更有利的位置。工业革命时期，最早组织起来的工人团体，后来在福利国家的建立过程中，获得了最大的话语权。AI时代，最早关注AI治理、参与公共讨论的人，也可能在未来的制度设计中，发挥超出他们人数比例的影响力。

这个观察，对个人来说，意味着什么？意味着关注AI治理和政策讨论，不是一件"离自己很远"的事，而是一件可能直接影响你未来十年生活质量的事。因为政策讨论的结果，会决定AI红利怎么分配、AI风险怎么管控——而这些，最终都会反映到你的税收、你的工作权利、你的数据安全、你的子女的教育政策上。

五、不确定性中，普通人能做长期规划的框架

终于到了这个系列最核心、也最难回答的问题——在AI时代的高度不确定性中，普通人怎么思考长期规划？

我不敢说能给你一个"标准答案"，但我想提供一个思考框架——它由四个维度组成，你可以根据自己的情况，往里面填内容。

维度一：时间跨度——把规划分成三个层次

在不确定性很高的环境里，做长期规划最容易犯的错误，是把"长期目标"定得太具体。

比如，"我要在2030年之前成为AI工程师"——这个目标，在2025年看可能很合理，但如果AI在2028年就能自动完成大部分AI工程师的工作呢？你的具体目标就失效了。

更好的做法，是把规划分成三个时间层次：

短期（1-3年）：目标可以具体。

这一年里，你可以具体规划学什么技能、转什么岗位、积累什么项目经验。短期规划的价值在于给你即时的反馈和调整空间——如果发现方向不对，你可以很快修正。

中期（3-10年）：目标要模糊，但方向要清晰。

中期规划不应该是"我要在哪一年做到什么职位"，而应该是"我要在哪个方向积累核心能力"。比如，"我要在AI协作、跨领域整合、人际关系建立这几个方向上，持续提升"——这个目标不会因为具体技术的变化而失效，因为它关注的是能力类型，而不是具体岗位。

长期（10年以上）：不做什么规划？

说实话，10年以上的规划，在AI时代，成功率可能很低。不是完全不能做，而是要非常谨慎——你设定的长期目标，必须是一个即使技术发生了你完全预料不到的变化，也仍然有价值的东西。比如，"保持持续学习的能力"、""建立一个真实的、多元的人际网络""——这些目标，不太会因为AI的变化而贬值。

维度二：资产配置——不只是钱，还有能力和关系

传统意义上的"长期规划"，主要是财务规划——存多少钱、买什么资产、什么时候退休。

AI时代，这个维度仍然重要，但需要扩展。你的"资产"，不只是银行账户里的数字，还包括你的技能组合和你的社会关系。

技能资产：你在第一篇里学到的"可迁移能力"（判断力、创造力、跨领域整合能力），就是你的技能资产。这类资产的特点是：它们不会因为它种具体技术的淘汰而贬值，反而可能因为新技术的出现而升值（因为新技术需要有人来判断怎么用、在什么场景用、用来解决什么问题）。

关系资产：你在工作和社会中建立起来的信任关系、合作网络、口碑——这些，AI很难替代，而且在AI时代可能越来越值钱。为什么？因为当信息获取和初步分析都可以由AI完成时，"信任谁"和"跟谁合作"就成了更稀缺的决策依据。

所以，长期规划里，要把"积累关系资产"放在跟"积累财务资产"同等重要的位置。

维度三：情景规划——为不同的未来做准备

这个方法，最初是公司做战略规划时用的——叫"情景规划"（Scenario Planning）。核心思路是：不要只预测一种未来，而是设想几种可能的未来，然后问自己：如果这种未来发生了，我有没有基本的应对能力？

放到个人身上，你可以设想几种AI时代的可能情景：

情景A：AI快速替代了大量认知劳动，但社会制度调整得比较及时（UBI或类似政策落地，教育和再培训体系运转良好）。

在这种情景下，你的核心竞争力是"持续学习和适应变化的能力"。如果你已经在这方面有积累，这个情景对你来说可能是机会大于风险。

情景B：AI快速替代了大量认知劳动，但社会制度调整得很慢（就像工业革命时期那样，滞后几十年）。

在这种情景下，你最需要的是"安全网"——存款、可变现的技能、可靠的社会关系。这些东西，能帮你度过制度调整之前的动荡期。

情景C：AI的发展遇到了技术瓶颈或者严重的监管限制，没有像很多人预测的那样快速替代人类劳动。

在这种情景下，那些过早放弃传统技能、all-in AI的人，可能会面临机会成本损失。而那些保持了"技能组合多样化"的人，受到伤害更小。

情景规划的核心，不是要你预测哪一种情景会发生，而是让你确保：无论哪一种情景发生，你都不会完全措手不及。

维度四：主动参与——不做被动的旁观者

最后一个维度，也是我最想强调的一点。

前面四个维度，讲的都是"怎么让自己在AI时代过得更好"。但这个系列走到这里，我相信你已经感受到了：AI时代的结果，不只是一个个个人的选择累加起来的，也是社会集体选择的结果。

你投的票、你支持的政策、你参与讨论的公共议题、你所在的社区和职场里关于AI使用的规范——这些，都是在塑造AI时代的社会契约。

工业革命时期，改变工人命运的不是"每个人自己努力适应工厂制度"，而是工人团结起来，通过工会、通过议会、通过社会运动，推动了制度的变革。

AI时代，这个故事可能也会以某种形式重演——只不过，这次的"工人"不再是工业革命时期的产业工人，而是所有可能被AI替代或者受AI影响的人（这个范围其实很广，几乎包括所有人）。

所以，长期规划里，除了"怎么让自己过得更好"之外，还应该包括"我怎么参与塑造我想要的未来"——哪怕只是从关注一个政策讨论、参加一次社区活动、或者在你的职场里推动一个更负责任的AI使用规范开始。

六、整个系列的总结：回望工业史，我们看到了什么？

写到这里，这个系列七篇文章，算是完整了。

我想用一小段话，把前面六篇的核心线索，汇集成一个完整的判断框架。

工业革命告诉我们三件事：

第一，技术变革的速度，永远快于社会制度的响应速度。这个时差，是大多数人承受痛苦的根源——但也是最早意识到问题、最早采取行动的人，获得超额回报的机会。

第二，技术本身不决定结果，制度决定结果。蒸汽机没有注定要造成恩格斯停顿，是当时的制度（济贫法、缺乏劳工保护、没有累进税制）让财富分配极度倾斜。AI也不会注定要造成大规模失业或者极端不平等——最终的结果，取决于我们建立什么样的制度来引导技术的发展方向。

第三，每一次技术变革，都会重新定义"有价值的能力"是什么。工业革命让"操作机器、读懂说明书、按时上下班"变成了有价值的能力；AI时代，"判断力、创造力、跨领域整合、真实的人际信任"，正在变成越来越值钱的能力。

把这个框架放到AI时代，我的判断是：

- 短期（1-5年）： AI会快速渗透进各行各业，大部分人会在自己的工作中开始使用AI工具。"会用AI"和"不会用AI"的效率差距，会在这个阶段拉大到肉眼可见的程度。

- 中期（5-15年）：大量结构性岗位转型会发生。政策和社会制度的响应速度，是决定这个阶段社会稳定的关键。那些能够提前建立安全网、提供再培训渠道的国家和社会，会走得更加平稳。

- 长期（15年以上）： AI能力的边界在哪里，目前真的无法预测。但有一件事是比较确定的：那些在中期能够顺利完成转型、并且建立了比较公平的AI红利分配机制的社会，在长期会拥有更大的主动性和韧性。

写在最后

这个系列，从工业革命讲到了AI时代，从生产力、生产关系、劳动形态、生产要素、财富分配、社会连锁反应，一直聊到了风险研判和未来趋势。

我写这些文章的目的，不是要给你一个"AI时代生存指南"的说明书——这种东西不存在，因为每个人的情况都不一样，没有人能替你做决定。

我真正希望的，是给你一个思考框架、一套历史参照系、和一些值得反复琢磨的问题。

工业革命花了将近一百年，才让普通人的生活水平开始持续改善。这一百年里，有无数人的命运被彻底改变——有些人抓住了机会，翻身了；有些人被潮流吞没，消失了。

决定一个人是抓住机会还是被吞没的，往往不是他的"初始条件"（你出身在哪里、有多少钱），而是他的"响应能力"（你能不能看懂变化的方向、敢不敢做出改变、能不能在不确定性中保持清醒的判断）。

AI时代，我相信这个道理仍然成立。

谢谢你的阅读。希望这个系列，能在你思考自己的AI时代路径时，提供一点有用的参考。