费曼尝言「你不能自欺——而你是最容易被自己骗到的人。」此文非预言乃一纸清醒剂。引子你坐在电脑前。也许是凌晨两点也许是午后三点。屏幕亮着光标闪烁。你忽然意识到一件事——写方案AI 会。做 PPTAI 会。剪视频AI 会。写代码AI 会。分析数据AI 会。回复客户AI 也会。你盯着屏幕脑子里冒出一个问题。这问题不是「AI 会不会抢我饭碗」。那太小了。真正的问题是如果所有坐在电脑前完成的工作AI 都能做了那我还干什么更扎心的问题紧跟着来了有钱的人和组织可以买更强的模型、更多的算力、更好的数据、更强的智能体团队。普通人是不是会被越甩越远我在这里想做的不是给你一个安慰也不是给你一个恐吓。我想带你搞清楚这件事——像费曼搞清楚量子电动力学那样不是记住一堆吓人的名字是真正理解到底在发生什么。让我们从最底层开始。 命名之惑我们说的「替代」到底是替代什么费曼的父亲教过他最重要的一件事知道一只鸟在所有语言里的名字不等于你了解这只鸟。「AI 替代人类工作」——这句话我们已经听了千百遍。但你有没有停下来想过这句话到底在说什么Anthropic 在 2026 年 3 月发布了一项里程碑式的研究。他们不是坐在实验室里估算 AI「理论上」能替代多少工作——他们看的是Claude 产品在真实职场中的实际使用数据。结果令人深思。计算机和数学类职业的「理论暴露度」高达 94%。94%听起来几乎全完了对吧但实际使用率——只有 33%。中间差了 61 个百分点。办公室行政工作理论暴露度 90%实际渗透率远低于此。销售行业AI 只覆盖了其理论能力的约 43%。这不是 AI 不够强。这是另一个更深刻的问题把一件事「理论上能做」和「实际上在做」之间隔着企业系统、审批流程、法律合规、数据管道、人类惯性——一座你从 PPT 里看不到的大山。费曼会说别被百分比吓到。搞清楚那个数字到底在量什么。所以第一件事我们先把「AI 替代工作」这句话拆开。它不是在说某一天所有工作突然消失。它在说三件不同的事——其一任务替代。一个工作由几十个任务组成。AI 替代的是其中可编码、可模板化、可度量明确的任务——写文案、做报表、代码初稿、客服话术。它不替代整个工作只是把工作拆了。其二任务重新定价。这是 Anthropic 研究里最关键的发现。AI 相关的对话中52% 是「增强型任务」——人机协作。但这个比例自 2025 年 1 月起已经下降了 5 个百分点。天平正在从「AI 帮人」悄悄滑向「AI 代替人」。当一项任务 AI 做得又快又好又便宜市场上就没人愿意为人工版付钱了。其三入口消失。最隐蔽的替代方式不是裁员是不招人了。Revelio Labs 的数据显示初级岗位的招聘自 2023 年 1 月以来下降了约 35%。高盛发现22 至 25 岁年轻人在 AI 暴露岗位中的就业下降了近 20%。这些人没有被「开除」——他们只是从来没被「招进去」。这才是替代的真正面目。不是机器人走进办公室抢你的椅子。是低阶练级区正在消失。 裂痕已现数据不撒谎我们来看一些数字。不是吓人的标题党数字是研究机构发布的、可以核查的数字。世界经济论坛预测到 2030 年全球约 8500 万至 9200 万个岗位将被 AI 替代。听起来很多对吧但同一个报告说同时期会创造 9700 万至 1.7 亿个新岗位。净增长约 7800 万。麦肯锡估算全球约 14% 的劳动力可能被迫更换职业。皮尤研究中心发现受 AI 影响的任务中77% 对当前工作至关重要。换句话说AI 碰的不是边角料是核心任务。但最让人不安的不是「替代量」是「替代方向」。Anthropic 的研究按「观察到的暴露度」给职业排名——不是理论上的是实际发生的。计算机程序员排第一74.5%。客服代表70.1%。数据录入员67.1%。市场研究分析师64.8%。你以为最安全的是什么不是高大上的脑力劳动者。是厨师、调酒师、机械师——暴露度0%。费曼如果看到这个数据大概会耸耸肩「没什么奇怪的。真正难的从来不是计算是物理世界里那些乱七八糟的、不能标准化的东西。」需要肉身在场、需要手感、需要面对非结构化环境的工作——AI 目前碰不到。需要纯信息处理、坐在电脑前完成的工作——AI 正在快速渗透。这就是裂痕的方向。但替代的方向比替代的量更值得关注。Anthropic 的研究设了一个检测基准「白领大衰退」——即 AI 高暴露职业的失业率从约 3% 翻倍至 6%相当于 2007 至 2009 年金融危机对白领的冲击程度。好消息是这个信号目前尚未出现。坏消息是研究者警告就像 21 世纪初的「中国冲击」贸易冲击一样重大经济错位可能在总体统计数据中潜伏数年然后突然显现。薪资变化也在讲述同一个故事。计算机系统设计行业的薪资自 2022 年秋季起上涨了 16.7%而全国平均水平仅涨了 7.5%。能指导、评估和优化 AI 系统的资深工作者正在变得更贵从事 AI 可替代的编码化任务的初级工作者正在被悄悄挤出市场。更要命的是新岗位的准入壁垒。约 77% 的新兴 AI 岗位要求硕士学位或同等经验。新岗位集中在技术、数据科学、AI 运营等高技能领域。被替代的客服专员不会自动变成 AI 训练师。这引出一个危险的叙事陷阱。️ 货物崇拜当「AI 转型」变成新式表演费曼在 1974 年加州理工的毕业典礼上讲了「货物崇拜科学」的故事。二战时南太平洋岛民看见美军建了机场飞机就带着物资降落。战后美军走了岛民用竹子和椰子壳建了「机场」——控制塔、跑道、甚至木头做的耳机——一切看起来完全正确。但飞机不来了。形式全在实质全无。今天的 AI 转型有多少是货物崇拜公司成立了「AI 战略委员会」买了最贵的模型订阅做了全员 AI 培训发布了「拥抱 AI」的内部信。一切看起来完全正确。但如果我问你去掉所有外在形式你们的核心工作方式真的变了吗如果答案是没有——恭喜你建了一座竹子控制塔。BCG 在 2025 年的一份报告里把公司分成了两类「未来建造型」future-built和「观望型」。前者不仅用 AI还用 AI 的回报再投入到更深的变革中——换流程、换组织架构、换人才结构。后者把 AI 当效率工具用了一下省了几个工时就没然后了。两者之间的差距BCG 称为「AI 价值鸿沟」AI Value Gap。而且——这个鸿沟正在扩大。费曼诊断货物崇拜的时候有一条简单的标准直接验证。不听汇报不看 PPT自己试。如果你想知道 AI 到底在不在改变你的组织就问三个问题有没有一个流程以前必须人做、现在完全由 AI 自动跑通有没有一个人因为会调度 AI产出翻了数倍有没有一个决策AI 的参与直接改变了结果三个全否定你就在竹子控制塔里。这里有一个更深的问题。货物崇拜之所以危险不是因为没效果——用竹子和椰子壳建跑道至少锻炼了手艺。危险在于它给你一种虚假的安全感。你会觉得「我们已经拥抱 AI 了」「我们走在正确的路上」「我们不会被时代抛弃」。然后你停止做真正困难的事。真正困难的事是什么不是买 AI 工具。是重新设计分工——哪些决策交给 AI、哪些留给人、哪些人机协作、出了问题谁拍板。是重新设计激励机制——如果 AI 帮你省下了 30% 的时间你是让员工做得更多还是让他们想得更深是重新设计学习路径——在低阶练级区被 AI 吃掉之后新人怎么练出判断力这才是转型。不是换个工具是换个逻辑。费曼在挑战者号调查中的愤怒不是针对技术故障。技术故障可以修。他的愤怒是针对 NASA 管理层把失败概率从 1/100「管理」成了 1/100,000——不是通过改进技术而是通过改变数字。货物崇拜管理的经典案例。当一家公司说「我们已经在用 AI 做决策了」的时候我总想问你们是真的把判断交给了 AI还是只是用 AI 装饰了一下原有的决策——让它看起来更科学、更数据驱动、更不容质疑如果是后者那不是 AI 转型。那是新瓶装旧推。 四重鸿沟新阶层何以固化现在我们谈那个更深的问题贫富差距何以被 AI 拉大。过去的不平等来自资本、房产、渠道、人脉、信息。AI 时代会多出四重新维度。第一重算力鸿沟。普通人用免费模型强一点的人用会员模型企业用私有化模型大公司用模型集群和专属算力。你还在等 AI 回复一句话别人已经让一百个 AI 同时跑市场、跑代码、跑投研、跑销售。这不是效率的差距——这是并行度的差距。第二重数据鸿沟——此为最深者。算力是商品。云服务降价如瀑布摩尔定律虽缓而未死。但数据不是商品。大组织的 AI 吃的是客户数据、交易数据、供应链数据、用户行为数据、内部知识库。这些数据有强网络效应越多越准越准越多人用形成飞轮。且受隐私法规保护后来者不可复制。UNDP 在 2025 年末发布了一份名为《下一次大分流》的报告警告 AI 可能引发国家间的新型不平等——不是因为穷国没有 AI是因为穷国没有数据基础设施让 AI 发挥作用。同一模型喂进去的数据不同长出来的能力完全不同。第三重工作流鸿沟。普通人把 AI 当问答工具。强者把 AI 接进流程。一个人问 AI「帮我写一篇文章。」另一个人让 AI 自动抓热点、分析竞品、生成选题、改写标题、生产海报、排期发布、跟踪转化。这不是一个层级的竞争。第四重资源调度鸿沟。最可怕的不是 AI 提升效率。最可怕的是有钱人和大组织会用 AI 调动更多人。AI 可以帮老板筛人、管项目、盯进度、算绩效、优化流程、控制成本。未来的强者不只是「会用 AI」——他们会拥有「会用人的 AI」。这才是新的权力结构。关于这一点我想讲三个故事。 三则寓言故事一消失的实习生以前咨询公司招实习生主要做资料搜集、PPT 初稿、会议纪要、行业分析。后来公司接入 AI。老板发现过去三个实习生干两天的活现在一个正式员工带着 AI半天就能出第一版。于是实习岗位少了。但奇怪的是公司并不是不需要新人。公司需要的是另一种新人能判断信息真假、能理解客户真实问题、能把 AI 生成的材料变成可交付方案的人。问题在于——以前新人靠「熬」和「做杂活」成长。你在整理资料中学会辨别信息质量你在做 PPT 中学会结构化思考你在写会议纪要中学会抓住重点。现在低阶杂活被 AI 吃掉了新人一上来就被要求像半个项目经理。这不是 AI 不给你机会。这是 AI取消了低阶练级区。哈佛商业评论的 Ibarra 和 Jacobides 在 2025 年指出了这一点领导者需要「通过辅导和心理安全感赋能团队」——因为在 AI 时代新人没有机会「慢慢成长」了。他们一上来就被扔进深水区要么游过去要么沉下去。费曼大概会说「学习从来不是在安全的地方发生的。但如果你把所有的浅水区都抽干了然后奇怪为什么没人学会游泳——那你就是个笨蛋。」故事二一个老板和二十个 AI 员工小公司老板原来 12 个人。销售、运营、设计、客服、财务、内容每个岗位都忙得要命。后来他没有继续扩招。他搭了一套 AI 工作流AI 每天早上生成销售跟进清单AI 根据客户聊天记录判断成交概率AI 自动写朋友圈文案和短视频脚本AI 帮客服整理常见问题AI 每周生成经营复盘AI 甚至提醒老板哪个员工最近任务延迟、哪个客户快流失了。半年后公司人数没变产出翻了几倍。这不是科幻。这是 2025 年已经在地球上发生的事。Agentic AI——能自主规划、执行、完成任务的数字工作者——正在从概念变成产品。它们可以排日程、管项目、写文案、回邮件、做分析。一个老板加上二十个 AI 智能体就是一个微型军团。但有一个东西 AI 永远替代不了这个老板他承担结果。公司赔了AI 不疼。客户跑了AI 不焦虑。员工离职AI 不会半夜睡不着。承担责任——这个最古老的人类功能变成了 AI 时代最稀缺的资源。故事三没有被淘汰的老师一个老师原来靠讲课吃饭。AI 出现后她很焦虑因为 AI 也会讲知识点、也会生成课件、也会出题、也会答疑。她一开始觉得自己快没价值了。后来她换了一个方向。不再把自己定位成「知识搬运工」而是变成「学习体验设计师」。AI 帮她生成课件她负责判断学生真正卡在哪里。AI 帮她批改作业她负责发现孩子的心理状态。AI 帮她设计练习她负责激发学生的信心。AI 帮她做复盘她负责和家长建立信任。她没有被 AI 替代。她被 AI 逼着升级了。这故事最妙的地方在于AI 抢走的是重复讲解留下的是理解人、激励人、陪伴人、唤醒人。那些最像机器的工作被机器拿走了那些最像人的工作反而留了下来。 五事不可代当电脑前的工作越来越多被 AI 完成人真正剩下的不是键盘上的动作是更底层的东西。我把它归纳为五件事。每件都用费曼的方法讲——从一个你能看见的画面开始。第一提出真正的问题。AI 很会回答问题。但它不知道什么问题值得回答。想象你坐在一个全知全能的图书管理员面前。你问什么他就给你什么。一分钟都不耽误。但他不会主动告诉你「你应该问的是另一个问题。」这就是 AI 的处境。WEF 把「分析性思维」和「创造性思维」列为增长最快的技能。这不是巧合。当答案越来越便宜问题就越来越贵。未来最值钱的人不是答案最多的人是能提出关键问题的人。费曼有 12 个他一直在脑中转的问题。每接触一条新信息就碰一下这 12 个问题。大部分时候没火花但偶尔会产生令人惊叹的跨领域洞察。他不是在「找答案」——他是在「养问题」。第二判断。AI 可以给你十个方案。但选哪一个、要不要做、风险在哪里、代价是什么、谁受影响——这需要判断力。举个例子。一个销售 AI 告诉你客户 A 的成交概率是 87%客户 B 是 23%。它建议你全力跟进 A。但你知道——从十次见面、三顿晚饭、一次深夜电话里——客户 B 虽然犹豫却是你未来十年的战略伙伴。客户 A 签得快明年可能就换供应商。数据给的是概率。判断给的是意义。哈佛商业评论把「道德判断」「想象力」「直觉」列为 AI 无法替代的三大人类决策要素。数据和算法做不出伦理选择超越不了现有数据的边界替代不了基于经验的情境直觉。这三点听起来很抽象。翻译成大白话就是AI 知道什么但不知道什么更重要。第三建立信任。客户为什么相信你学生为什么跟你学团队为什么愿意跟你干投资人为什么愿意投你这些不是 AI 生成一段话能解决的。信任有一个反直觉的特性它只能用「不能伪造」的方式建立。你可以让 AI 帮你写一封完美的道歉信。但如果你在关键时刻躲开了、推卸了、消失了——再多完美的文字也补不回来。信任来自长期稳定的行为、来自真实关系、来自关键时刻的担当。AI 可以模拟沟通但它不能替你存在。第四审美与意义。AI 可以生成漂亮的东西。但什么叫好、什么叫高级、什么叫打动人、什么叫符合这个品牌——这需要审美。费曼在讨论物理定律之美的时候说过一句话你可以通过一个东西的简洁程度来判断它是否接近真理。这种感觉是训练出来的——看过足够多丑陋的理论才知道什么是美的。AI 能生成一切风格但它不知道哪种美是「你的」。更重要的是人要知道自己为什么做这件事。AI 可以提高效率但它不能替你决定人生方向。效率本身不是目的。没有方向的效率只是跑得更快地迷路。第五承担责任。这是最核心的。AI 可以建议、可以执行、可以预测。但出了问题谁负责公司战略错了谁负责产品伤害用户谁负责投资决策失败谁负责教育误导孩子谁负责未来越智能责任越重要。能承担责任的人才有资格调度 AI。费曼在挑战者号调查中做的事是完美的示范。他不坐在会议室里听汇报。他直接去找工程师谈话。他把一个 O 型环塞进冰水里——30 秒完成了数百页报告没能完成的论证。他不是在证明自己聪明。他是在承担弄清真相的责任。判断来自直接验证责任来自亲身承担。⚖️ 制度之维谁来决定天花板写到此处你或许会问如果数据鸿沟如此之深如果大组织天然占优普通人岂非永无翻盘之日这取决于一个本文此前未触及的变量——制度。技术决定可能的天花板制度决定谁能触及天花板。想想二十世纪的公共图书馆。知识本是不平等的——富人家有藏书穷人家没有。公共图书馆的出现以一种制度设计把知识鸿沟拉平了半截。AI 时代有没有可能出现「公共 AI 基础设施」比如国家级的开源模型、公共算力网格、面向全民的 AI 教育平台——让不是大公司的人也能用上不是玩具级别的 AI想想反垄断法。当少数几家公司的数据飞轮越转越快新进入者无从竞争的时候是否需要「数据互操作性」法规——让用户有权把自己的数据从一个平台带到另一个平台是否需要「数据税」——让拥有巨量用户数据的公司为公共数据基础设施付费想想责任归属。如果 AI 驱动的医疗诊断出错了谁负责如果 AI 管理的投资组合崩盘了谁负责如果 AI 筛选的招聘流程出现了系统性歧视谁负责在 AI 不能坐牢、代码不能开除的前提下法律体系和保险体系需要重新设计责任链条。费曼对体制和权威有一种本能的警惕。但他也承认规则存在是有原因的——不是为了限制强者是为了保护弱者不被强者的优势碾碎。我说这些不是在主张某个具体政策。我想说的是贫富差距的最终形态不独由技术决定亦由社会选择决定。如果我们只盯着个人该怎么「提升自己」「学会用 AI」「练五种能力」而忽视了制度层面能不能给普通人一条不算太窄的上升通道——那我们就是在要求每一条鱼自己长出肺来而不是在质疑河水为什么干了。费曼可能会用另一种方式说这话。他大概会耸耸肩「大自然不会因为你穷就给你开小灶。但社会是人造的——意味着人可以改。」 分水岭四类人五种力一个选择我越来越相信AI 时代会出现四类人。第一类不用 AI 的人。他们会越来越吃力。不是 AI 在淘汰他们是用了 AI 的人在淘汰他们。第二类只会问 AI 的人。他们会提高一点效率但很快遇到天花板。把 AI 当玩具——让它写首诗、画张图、改个标题——有用但远远不够。因为真正厉害的人已经不把 AI 当玩具了。第三类会用 AI 完成项目的人。他们设计流程、拆解任务、验证结果。他们成为超级个体。一个人的产出抵得上过去一个团队。第四类会用 AI 调度人和资源的人。他们成为新组织的核心。他们不是被 AI 调度是调度 AI 去调度别人。普通人还有机会吗有。但机会不在「和 AI 比执行」——你比不过。不要和 AI 比谁写得快。不要和 AI 比谁算得快。不要和 AI 比谁记得多。不要和 AI 比谁不累。你比不过。真正的机会是成为 AI 的驾驭者、组织者、训练者、验证者和责任人。为此每个人都该练五种能力目标定义力——说得清楚你到底想要什么结果。任务拆解力——能把一个大目标拆成 AI 能执行的小任务。结果判断力——AI 给你的东西不能直接信要能判断对不对、好不好、能不能用。流程搭建力——不要只会单次提问要学会把 AI 接进真实工作流。人性理解力——越是 AI 泛滥人味越值钱。第五条值得展开说。所谓「人性理解」不是「情商高」「会说话」。它有三层。表层是共情与沟通——AI 已经能写出感人至深的安慰信了。中层是利益与动机洞察——AI 可以辅助但到底隔一层。深层是存在性理解知道一个人为何痛苦、为何空虚、为何明明拥有一切却觉得「不够」。此层关乎人之为人的根本困境。AI 或可引用存在主义哲学但它不曾活过不曾死过不曾真正孤独过。未来最有价值的人性工作者——教师、治疗师、领导者——其护城河不在表层共情在深层存在性理解。尾声费曼说过一句我很喜欢的话「我能活在怀疑和不确定中。我觉得不知道比有错误答案更有趣。」AI 时代的真相是没有人知道五年后、十年后具体会发生什么。所有精确到年份的预测都是货物崇拜——形式正确实质无人验证。但我们可以确定几件事。执行能力正在贬值判断能力正在升值。但这不意味着所有执行都没用了——「涉身执行」需要肉身在场、需要手感、需要直面非结构化物理世界的执行依然稀缺。外科医生的手、大厨的味觉、木匠的眼力、心理咨询师对微表情的捕捉——这些不是纯信息处理是身体与材料、人与人的对话。纯信息处理的工作会被 AI 渗透得最深。数据鸿沟比算力鸿沟更深因为它不可复制、自带飞轮、受法规保护。流程化使用 AI 比单次提问高效不止一个数量级——这不是效率的差距是范式的差距。能承担责任的人才有资格调度 AI——这个最古老的人类功能正在变成这个时代最稀缺的资源。但我真正想说的是这个放弃思考才是最危险的。不是 AI 太强。是在 AI 面前主动放弃思考——放弃追问放弃验证放弃自己判断。把 AI 的建议直接当成自己的决定。把 AI 的分析直接当成自己的洞察。把 AI 的回答直接当成自己懂了。费曼管这个叫「自欺」——人类最危险的认知陷阱。你不需要比 AI 更快、更强、更不累。你需要的是在 AI 说出一个漂亮答案的时候还能追问一句「等等这是真的吗」最后我想借费曼的另一句话收尾「科学的核心价值不是知识本身是怀疑的自由。」AI 时代的核心价值不是你会不会用 AI——是你在 AI 面前还保不保留怀疑的自由、思考的自由、选择的自由。有些人用 AI 放大自己。有些人被 AI 重新定价。有些人拥有 AI 组织。有些人变成 AI 流程里的一个节点。你要成为哪一种人不是「未来」该决定。是现在该决定。屏幕亮着光标在闪烁。选择在你手里。本文参考了 Anthropic 2026 年劳动力市场研究、世界经济论坛《未来就业报告》、麦肯锡全球研究院职业转型预测、UNDP《下一次大分流》报告、哈佛商业评论 Herminia Ibarra Michael Jacobides 五项关键技能框架、BCG AI 价值鸿沟报告以及 Richard Feynman 的公开著作与演讲。参考文献Anthropic, “AI and White-Collar Jobs: New Research Challenges Mass Displacement”, March 2026.World Economic Forum, “Future of Jobs Report 2025”, 2025.McKinsey Global Institute, “Jobs Lost, Jobs Gained: Workforce Transitions in a Time of Automation”, 2025.UNDP, “The Next Great Divergence: Why AI May Widen Inequality Between Countries”, December 2025.Herminia Ibarra Michael Jacobides, “5 Critical Skills Leaders Need in the Age of AI”, Harvard Business Review, October 2025.