球形镜

AI时代，把人的能力从“岗位”里解放出来

一个从2020年萌发的人本生产关系思想实验

引子：2020年，我脑子里第一次出现了一个“球”

2020年前后，我曾经构思过一个很模糊的模型。我把它想象成一个“球形镜”：球面由许多节点组成，每个节点都对应一个人、一种能力、一段经历，甚至一个可以被调用的资源。那时我还说不清它究竟是什么——不是招聘网站，不是职业教育平台，也不是区块链版简历。它更像一种直觉：人的价值不应该长期被一个岗位、一张证书、一家单位或一段履历锁死。

这种直觉并不是从技术圈里长出来的。它更多来自我十多年职业技能培训、资格考试、技能等级评价的工作经验，也来自创业和真实项目中的反复观察。我们非常擅长给人“定级”：初级工、中级工、高级工、技师、高级技师；本科、硕士、博士；初级职称、中级职称、高级职称。可真实的人并不是一条平滑的刻度尺。

一个平时表现普通的人，可能在某个异常情境里突然发现所有人都没有看见的问题；一个理论考试并不拔尖的人，可能在现场连续十年把事情做得极其稳；一个特级技师可能不擅长写总结、搭Agent、做知识图谱，却能凭声音、温度、手感判断机器哪里出了问题。

如果AI时代只是把这些人再精确地打成一个分数，那只是更先进的旧世界。我真正感兴趣的是另一条路：能不能让技术把“人的可能性”从固定身份里释放出来？

图1球形镜的产品理论体系：从人的现实愿望一路连接到动态生产网络

一、先从一个最朴素的问题开始：你现在最想改变生活里的哪件事？

第一阶段推演里，我们最终把产品的第一问定成了“你现在最想改变生活里的哪件事”这句话，而不是“你是什么学历”“你会什么技能”“你想找什么工作”。这是一个很重要的选择。因为一个人的学习动力，往往不是来自抽象的“终身教育”，而来自现实里一个具体到甚至有些庸俗的愿望：我想多赚3000元；我想每天少跑两小时；我想从重复劳动里出来；我想证明自己能做一件过去做不到的事。

于是，系统不是先给你推一门课，而是从现实愿望出发，寻找“下一次最值得你进入的事件”（Next Best Event）。你去试，暴露能力缺口，再学习，再行动，再拿到新的结果。

这也是为什么我倾向把产品做成“严肃游戏”。游戏的意义不是签到、徽章和排行榜，而是把现实人生原本漫长、模糊、随机的反馈过程，变成一个可以被人看见、可以主动进入的循环。

二、人的价值不是一个分数，而是一串在时间里发光的事件

我们曾设置三个很简单的角色。甲上完课程，考试95分；乙没有亮眼证书，却稳定完成5000条真实任务；丙不一定做得最多，却发现规则本身有问题，重构流程后让整个团队效率大幅提高。我的直觉排序是：丙 > 乙 > 甲。

这个排序与职业技能等级从“会做”到“做得稳”，再到“能解决复杂问题、能改进系统”的纵深逻辑非常接近。但这并不意味着给丙一个95分、给乙85分、给甲75分。第一阶段真正确定的一条底线是：系统不应该给“人”产生永久总分。

这意味着，人的画像不是一张静态雷达图，而应该更像一片不断生长的“事件星图”。有些事件普通但高频，证明稳定；有些事件只出现一次，却像英雄主义电影里的高光瞬间，证明一个人在特殊情境下调动了长期沉淀的“瞬时技能”。还有些事件当时看是失败，几年后却因为后续成功而被重新解释成关键转折。

这里真正重要的不是公式多漂亮，而是承认一件事：V(e,t1) ≠ V(e,t2)。同一段过去，在未来出现新的证据后，可以被重新理解。

三、我越来越不想做“人的数据集”，而想做“价值显影证据数据集”

这一步是第二阶段最重要的修正。长期做技能评价的人，很容易把人的数据理解为学历证书、资格证书、技能等级证书、职称、培训证书、履历证明和个人档案。它们当然有价值，但本质上都属于“结论型数据”：某个机构在某一时点证明你达到过什么标准。

“球形镜”真正需要的数据更靠近现实：当时是什么情境？你面对什么任务？采取了什么行动？改变了什么结果？有什么日志、产出、多方评价或后续事件可以证明？

图2传统凭证是结论；球形镜更关心结论背后的证据网络

因此，我现在更愿意把它类比成一个“人的纵向高质量数据集”。但必须说得更精确：不是建立人的“价值标签数据集”，而是建立“价值显影证据数据集”。

图3价值事件模型不是事后评分表，而是类似高质量数据集的数据规划与事件本体

四、我的14年工作经历，为什么不是一张简历，而应该是一张“事件地图”

拿我自己最熟悉的职业技能鉴定、职业技能等级认定工作来说：十多年里，有年度考核优秀，有组织晋升时的民主评价，有超大规模考试组织，有制度方案设计，也有日复一日的资质申报、题库开发、考务统筹、总结计划和建章立制。

传统简历会把它们压缩成几行文字。但如果按价值事件来看，它们的性质完全不同：年度优秀更像长期稳定性证据；一次全国规模极大的考试组织，是高复杂度规模交付事件；一项后来被实际采用的运营制度方案，是系统改变型事件；长期日常工作则构成职业基线流。

图4同一段职业经历，在球形镜里会被拆成不同性质的价值事件

这里还必须容纳失败、异常和恢复。如果系统只记录高光时刻，它最后就是一份更华丽的简历，不是高质量数据集。真正的人生轨迹里一定有失败、偏离、冲突、恢复和重新建立信任。问题不是把这些东西拿来“扣分”，而是把事实、情境和隐私分开。

五、AI时代会制造一个新阶层：不是有技能和没技能，而是“可被看见”和“看不见”

第二阶段里，有一个看似题外的话题突然让我改变了主意：现在流行的“蒸馏同事”类Skill，本质上说明善于使用AI的人，会留下更多结构化的工作痕迹。问题、假设、检索、决策、修改、复盘都被记录下来。

于是，同样能力的两个人，一个依赖经验和口传心授，一个长期与AI协同，系统最终掌握的“证据质量”可能相差巨大。

图5必须把真实能力、数字证据质量和AI增强能力分开建模

这会形成三种新的红利：生产力红利、证据红利、可蒸馏红利。一个人的方法一旦沉淀成Skill、Agent、SOP或工作流，他的能力就出现了过去很少有的“可复制性”。

但这同样危险。一个55岁的高级技师可能现场能力极强，却没有成千上万条数字日志；一个年轻工程师现场能力只有他的七成，但工作过程高度数字化。如果算法把“数据丰富”当成“价值更高”，AI社会会出现新的“数据可见性阶层”。

六、球形镜真正让我兴奋的地方：能力不必再完整地装在一个人身体里

如果只是做到这里，球形镜仍然可能只是一个比LinkedIn更聪明的人才系统。真正让我觉得它可能触碰生产关系的，是另一个场景。

想象一位58岁的特级技师。他不会Prompt，不会搭Agent，也很难把四十年的“手感”写成结构化知识。但现场是一名25岁的中级工，戴着XR眼镜。远端技师可以看到第一视角视频、温度、压力、振动、声音和设备历史；AI同时调用手册、解释风险、把专家语言转换成操作步骤；必要时，机器人或遥操作设备完成高精度动作。

图6一个任务不再只寻找“一个完整的人”，而可以形成复合劳动主体

过去的基本逻辑是“人→职业→岗位→工作”。新的可能是“任务→能力拆解→寻找能力节点→实时组合→共同交付”。职业没有消失，但它不再一定是生产组织的最小单位。

七、把技能分层从“金字塔”改造成“网络”

社会人力资源天然分层，这并不是坏事。高级技师之所以是高级技师，是因为他沉淀了大量稀缺能力。真正的问题是，过去高级能力的覆盖半径太小：一个师傅一次只能带几个人，一个医生一次只能进入有限的现场，一个专家的判断必须等他本人到场。

当XR、云、AI和具身智能把“感知、认知和动作”部分解耦后，高阶能力可以形成串联或并联。串联是护工发现异常→AI初筛→健康管理师/护士判断→医生必要时介入→护工执行；并联则是多个专家、AI和现场人员同时看到一个问题，共同形成决策。

这不是让低级工“冒充”高级工，而是让一个人的能力上限不再完全等于他当前证书等级的上限。一个学徒可以在高阶能力网络中完成过去做不到的任务，同时在真实工作里学习。

图7如果设计得当，真实工作可以同时完成交付、学习、评价与价值证据积累

八、居家照护：我认为它是球形镜最容易被普通人理解的原型之一

举一个非常生活化的例子：长期照护失能老人。今天一个家庭请护工，本质上是在购买一个人的时间。但护工不可能同时拥有医生、护士、康复治疗师、健康管理师、营养人员的全部能力。

未来，现场仍然可以是护工，因为大量照护必须由真实的人完成；但老人状态通过可穿戴设备和环境传感被持续感知；AI负责趋势识别和初筛；出现不同问题时，医生、护士、康复、健康管理等节点按需远程接入；具身设备在部分动作上提供支持。

图8家庭购买的不再只是“一个护工8小时”，而可能是一套动态调用的照护能力

这时真正出售的，不再是“一个护工”，而是“某个时间窗口里，一套能够满足照护目标的复合能力”。这已经不是传统雇佣关系的简单升级。

九、于是“球形镜”里应该出现两个Agent，而不是一个

第一阶段我们确定AI的角色不是导师、教练或仆人，而是“经纪人”。它从人的视角工作：你想改变什么？下一次最值得进入什么事件？有哪些资源能兑现？哪个机会短期回报高、哪个机会长期迁移性强？选择权仍然属于你。

第二阶段又出现了另一个Agent：能力路由Agent。它不是站在人的视角，而是站在现实问题的视角：这个任务此刻到底需要哪些能力？哪些必须现场？哪些可以远程？哪些可以由AI承担？哪些必须由有资质的人承担最终责任？

图9AI经纪人解决“人去哪里”，能力路由解决“问题该调用谁”

十、AI、区块链、云、XR、具身智能终于不再只是“技术名词拼盘”

我过去讲“球形镜”时，如果只是说AI+区块链+云+XR+具身智能，很容易听起来像把所有热门技术堆在一起。今天再回头看，它们其实分别解决不同的生产关系问题。

图10每一种技术对应一种现实协作障碍：感知、认知、时延、动作、留痕与结算

XR解决远端专家如何进入现场的感知世界；AI和世界模型解决如何理解情境、调用知识、翻译专家经验；云与边缘计算解决实时同步；具身智能解决高阶能力如何越过身体距离作用于现实；可信账本或区块链类技术则更适合处理谁在什么时候做了什么、哪些证据被确认、怎样留痕和结算。

十一、但我必须承认：它也可能走向一个很坏的未来

球形镜不是天然善良的。如果远程专家可以同时指导50个初级工，平台完全可能得出一个冷酷的商业结论：那就不要再培养那么多高级工了。把现场人员训练到“够听指令、够执行”就行。

这样最后可能形成“极少数超级专家 + 大量低成本现场执行者”。XR和AI不是帮助普通人增长能力，而是把他们变成更高效的人形执行器。

十二、球形镜目前形成的十二条基本公理

图11从第一阶段到第二阶段形成的基本公理谱系

十三、几个我愿意保留的公式

这些公式不是为了假装“数学化”，而是为了迫使产品设计保持逻辑边界。

十四、“球形镜”到底是什么？我现在愿意给出一个阶段性定义

这个定义仍然会变。但它已经帮我排除了很多“看起来像球形镜、其实不是”的东西。它不是另一个证书平台，不是技能版LinkedIn，不是把人打成一个社会信用分，也不是一个纯虚拟的3A职业游戏。2D、3D、XR甚至世界大模型只是它不同阶段可能采用的界面。

真正的底层是：人的愿望如何进入事件，事件如何留下证据，证据如何形成动态能力轨迹，AI如何帮助人获得下一次机会，现实问题又如何反向调用分布在社会里的能力节点。

结语：我想做的不是“更聪明地分人”，而是“让人更自由地组合”

工业时代最擅长的一件事，是把人放进组织、岗位和等级里。这样做非常高效，也建立了现代社会的秩序。但AI时代也许第一次给了我们另一种可能：不必把一个人的全部价值都压缩进某个职位；不必等一个人先变成“完整专家”，才能参与更复杂的生产；不必让一个高级技师的能力永远受制于他的地理位置、体力和能同时带几个徒弟。

如果球形镜最终成立，我希望它做的不是消灭分层，而是把原本僵硬的技能金字塔重新变成一个可以流动的网络：高手仍然稀缺，但他的能力可以覆盖更多人；普通人仍然需要学习，但学习可以在真实任务中发生；一个人的过去仍然重要，但不能封死他的未来；AI拥有越来越强的预测能力，但必须始终给“尚未被发现的我”留下一扇门。

我越来越觉得，真正值得下注的不是“未来哪个职业最值钱”，而是另一件事：当能力可以被发现、组合、远程调用、留下证据并不断迁移以后，职业本身还会不会像今天一样，继续成为人进入社会生产最基本的容器？

这也许才是“球形镜”真正想照见的东西。