2026-06-17 16:49:56
2017 年，韩国政府搞过一个被媒体称为「机器人税」的东西。
严格说，它不是给机器人发税号，也不是让机械臂自己去税务局排队。
韩国当时削减的是自动化设备投资抵扣。企业投资工业自动化装置，原本可以按投资额获得 3% 到 7% 不等的企业所得税抵扣；政策方案提出把优惠最多下调 2 个百分点。[1]
Bill Gates 同年也谈过类似主张。他的逻辑大概是：机器人替代人类劳动后，原本从工资、社保、个税里来的公共收入会减少，政府应该从自动化里收一点钱，用来支持被替代的人。[2]
这套说法很有人情味，但是逻辑欠妥。
按「替代劳动」征税，听起来关心工人，实际很容易变成技术进步罚款。
再往下推半步，就像财务部门冲进机房，对着一排显卡说：各位，五险一金了解一下。
如果企业用了更高效工具就该多交钱，那人类文明史上绝大多数工具都可以被拉进税务大厅。
Excel 让算盘和手工表格退场，叉车减少纯搬运岗位，自动门省掉一部分门童，SaaS 吃掉内部 IT 运维。照此推下去，Excel 要不要给算盘交慰问金？叉车该不该替搬运工补社保？餐厅买洗碗机，是不是还得顺手办个工牌？
这条路不能走，否则所有企业都会得到一个荒唐激励：效率越高，越像犯罪。
AI 税如果想站住，不能从「少雇了多少人」开始算。
少雇人只是结果，不是税基。税基要从工位移到另一张账本上。
叉车能搬货，背后有人卖钢材、液压系统、发动机和电池；Excel 能算表，靠的是软件工程、函数设计和操作系统。这些投入都在供应链里明码标价，一层层向上游付钱。
大模型也有上游。显卡、机房、电费、工程团队，这些账单模型公司会付。争议不在这些看得见的成本，而在另一条更难开票的供应链：训练语料。
基础模型看起来聪明，不是因为显卡突然长出了灵魂，而是因为书、代码、论文、教程、网页、问答、新闻、博客、论坛和开源项目，都可能成为原料。海量人类知识被压缩进参数和服务接口，最后变成按 token 收费的商业能力。
美国版权局 2025 年的生成式 AI 训练报告明确指出：训练会使用巨大规模数据，其中包含版权作品；权利人同意、补偿、合理使用和许可机制，都是制度难题。[3]
麻烦也正出在这里。训练语料没有钢材、电力和芯片那样的稳定供应商、合同与账单。来源散、规模大、跨国流动、归因困难。
有些材料属于公共领域，有些来自明确授权，有些在用户协议里绕了十八个弯，还有一些处在版权争议里。不能把所有训练都说成违法，也不能把公开可访问直接等同于可以免费商业化训练。
单靠一个作者、一家媒体、一个开源维护者去逐条起诉，根本解决不了这笔账。大型出版商还能坐下来谈授权，普通作者、论坛用户、问答贡献者和代码维护者，多数时候甚至不知道自己是否被用过。
大模型最滑稽的一幕，是把一部分原材料仓库改名叫「公开互联网」，推着购物车进去转了一圈，出门说自己是自主研发。
操作性看起来很难。
因为没人能逐条证明一个模型到底用了哪篇文章、哪段代码、哪张图片、哪个论坛帖子。就算知道某篇文章进了训练集，也很难证明它对某次回答贡献了多少。
但税务系统并非每笔账都靠显微镜。很多时候，它会使用估算、抽样、分级、核定。大模型训练语料规模大、来源散、归因难，反而适合做能力抽检。
办法土得很：出卷。法律卷、医学卷、编程卷、新闻卷、文学卷、游戏卷、金融卷、历史卷、艺术卷、中文社区语料卷。模型答得越多，越准，越像在这些领域里住过几年，就越能说明它涉及的知识范围越大。
抽检结果不能直接当成单条版权侵权证据，但是可以用来收钱。
版权诉讼要证明具体作品、具体复制、具体市场影响，不能因为模型答对一道题，就说它偷了某一本书。
抽检管的是税收和准税收意义上的能力估算，会比版权诉讼简单很多，规避了把税务局变成版权法院的风险。
它不必把每一篇文章、每一段代码、每一条回答都还原成单独发票。只要确认模型商业能力的形成使用了庞大的公共知识系统，账就有了入口。
这就像查酒驾。交警不必追问刚才喝的是哪一瓶酒，吹出来有数就行。
一个模型如果在法律、医学、编程、新闻、文学、游戏、金融、历史、艺术、中文互联网烂梗等领域都表现得很熟，这已经足够说明：这些知识不是显卡自己冥想出来的。
税务系统不用理解 Transformer，会出题就行。
抽检之后，还要有计量单位。这个单位也不用发明，因为大模型厂商已经替所有人想好了：token。
2026 年，美国众议员 Greg Casar 发表《Tax AI to Create Jobs》时，就把征税对象放在 AI providers 上，并提到 token 与底层算力可以作为计量口径。[4]
训练规模动辄 trillion tokens，窗口长度标成 tokens，日处理量折成 tokens，API 价格按每百万 tokens 报价。既然行业已经把 token 做成通用尺子，征管系统没有必要另造单位。
训练阶段，按训练 tokens 规模分档，语料越大，纳入的知识版图越大。
商业化阶段，按 API 和产品实际处理量收取知识回流费，企业级大客户看调用量，普通个人用户和小开发者可以设豁免或低门槛。
此外，闭源自研模型用申报规模、算力消耗和营收互相校验。既然不愿意公开训练细节，就接受更粗的估算方式。喜欢黑箱，黑箱也可以有税率。
以前厂商吹「我们训练了 10 万亿 token」，投资人鼓掌，媒体写稿，用户感叹未来已来。现在账务系统来了：好，10 万亿是吧，先把资料费结一下。
这当然会增加合规成本，也可能让创新变慢。创业公司以后不仅要训练模型，还要准备申报材料、抽检结果和语料说明。听起来很不自由，制度经常把「变慢」改名叫「规范」。
单这套方案最让人不舒服的地方，恰恰是它在逻辑上很顺：模型公司可以按 token 向用户收费，制度也可以按 token 向模型公司核账。
如果这笔钱最后只是进了财政黑箱，前面那套理由就塌了。
政府缺钱，不能自动变成 AI 欠钱。账要算在另一处：模型吸收公共资料、个人创作和开放协作成果，却没有让收益回到知识生产现场。
钱应流向图书馆、数据库、开放语料库，去创作者基金、新闻机构补偿、出版授权，去基础软件维护、教育资源、公共知识平台，也用于训练数据登记、审计和抽样测试。
这套收税逻辑，也正好戳在了「大模型技术平权」叙事最尴尬的地方。大模型确实让很多人第一次用上强大的智能工具。它好用，提高效率，也会让知识服务变得更便宜。这些好处都应该承认。
但好用不等于平权。用户拿到的是调用权，不是训练权、控制权、定价权和分账权。
大模型没有把生产资料发给大众，只把大众的知识包装成收费接口。技术平权不能缩成「人人都有资格交订阅费」。
如果没有回流，模型会在更深处制造垄断。它未必控制某个 App，也未必独占社交入口；它控制的是知识被调用、压缩、重新分发的基础能力。等所有人都在同一个接口上工作、写作、开发、搜索和学习，再谈「平权」，就像租户住进房东的楼里，感谢房东发明了住房自由。
到这里，闭环已经出来了：征税对象盯模型提供商和大型部署者，不找普通用户开刀；税基不按少雇人，按训练语料和知识能力商业化；征管不逐篇追溯，用测试集抽检；计量不发明新单位，按 token、算力和收入互证；去向不直接补财政洞，而是回流知识生态。
机器人不该被当成发薪员工。Excel 不欠算盘安置费。叉车也轮不到替旧岗位发工资。
大模型欠的是另一笔账。模型公司最爱说自己训练了多少 token，那就按 token 补票。
卷子已经发下去了。
答完题，按 token 交钱。
参考文献
[1] Korea takes first step to introduce ‘robot tax’｜The Korea Times https://www.koreatimes.co.kr/business/tech-science/20170807/korea-takes-first-step-to-introduce-robot-tax
[2] Bill Gates: This is why we should tax robots｜World Economic Forum / Quartz https://www.weforum.org/stories/2017/02/bill-gates-this-is-why-we-should-tax-robots/
[3] Copyright and Artificial Intelligence, Part 3: Generative AI Training｜U.S. Copyright Office https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf
[4] Tax AI to Create Jobs｜Representative Greg Casar https://casar.house.gov/media/press-releases/op-ed-american-prospect-tax-ai-create-jobs
2026-05-29 09:39:00
前段时间 AI 自媒体又开始震惊了。这次震惊的是：HTML 比 Markdown 更适合大模型输出。
这件事不是没有讨论价值。复杂报告、交互表格、临时看板、可视化小工具，用 HTML 承载确实比 Markdown 顺手。Anthropic 那篇讲 Claude Code 和 HTML 的文章，说的也是这个方向[1]。
但每次旧技术被 AI 重新用起来，就立刻上升到「某某技术要替代某某技术」，这个反应实在很有自媒体特色。
HTML、Markdown、CLI、LUI 都不是什么新东西。基础设施之间通常不是谁彻底替代谁，而是谁更适合哪个场景。不能因为今天发现扳手好用，就宣布锤子退出历史舞台。哪天模型开始大规模调用命令行，估计又会有人写《震惊，CLI 才是 AI Native 的终局》。
这当然很无聊。
与其参与 HTML / Markdown 的格式宗教战争，不如借这个热点清本溯源，回答两个更底层的问题：
一、软件的护城河到底由什么构成？什么样的基础设施会被替代，什么样的不会？
二、AI Native 的产品到底 Native 在哪个层面？我们应该为 AI 搭建哪些能让它更好发挥能力的设施？
这件事对从业者有现实意义。很多产品团队现在都在补 AI 功能，但很容易做出两类无效建设：一种很快被模型原生能力吞掉，另一种看起来接了 AI，实际没碰到业务核心。先把软件价值藏在哪一层说清楚，至少能少踩一点坑。
要回答第二个问题，必须先回答第一个问题。
想要了解一个软件的护城河，不妨先看 Excel。它同时具备很厚的交互层、能力层和数据/标准层。
第一层，是交互护城河。 过去会不会用 Excel，很大程度上取决于会不会写函数、点菜单、做透视表。有人知道 VLOOKUP，有人不知道；有人知道 SUMIFS，有人还在手动复制粘贴。很多人的 Excel 能力，本质上是对一套软件语言的熟悉程度。
AI 来了以后，这一层会被削弱。不需要知道 SUMIFS 怎么写，只要说「按部门统计每个月收入」；不需要知道透视表入口在哪里，只要说「按区域和销售做个汇总」。Microsoft 对 Copilot in Excel 的描述，基本也是生成公式、清洗数据、筛选、洞察、图表和透视表[2]。所以 AI 首先降低的是学习软件语言的成本。
第二层，是能力护城河。 单纯的功能能力会越来越不重要，但能力本身不会消失。Excel 函数、计算引擎、图表、透视表、宏仍然有价值，Microsoft 官方按类别列出的 Excel 函数也说明它有一整套确定性计算能力[3]。
问题在于，这些能力不能只是「功能列表」。过去一个函数的价值来自于用户知道它、会写它；以后更取决于 AI 能不能稳定调用它、解释它、验证它、在出错时回滚它。
Microsoft 官方在 COPILOT 函数文档里提醒：COPILOT 函数适合语义、生成和探索性任务，但涉及准确性或可复现的数值计算时，仍应使用原生 Excel 公式[4]。这句话很重要：AI 不是替代确定性能力，而是需要确定性能力作为手脚。
Photoshop 也是类似逻辑。过去抠图、扩图、修图、去除杂物、换背景、融合光影都需要学习成本；现在 Adobe 的 Generative Fill 和 Remove Tool 已经把一部分能力变成文字提示[5][6]。很多过去靠「会一个复杂功能」建立的优势，会被模型直接压扁。
这当然不代表 Photoshop 没价值，能留下的价值不再是一堆功能，而是功能和专业工作流、图层、蒙版、色彩管理、素材库、商业授权、设计师历史文件结合。功能本身会贬值，功能和确定性、数据、标准、工作流、线下生产体系绑定起来，才更像护城河。
第三层，是数据/标准护城河。 这一层最不容易被替代。公司历史上积累的几万个 Excel 表格，不会因为 AI 出现就消失。里面有预算表、销售表、排班表、库存表、客户表、项目计划、对账单，还有大量实际承载业务流程的半结构化表格。
这些表格背后有字段命名习惯、部门协作方式、审批痕迹、宏、模板、历史兼容格式，以及「这个数为什么每个月都要这么调」的组织知识。Excel 支持 xlsx、xlsm、xlsb、老的 xls、CSV、文本、OpenDocument 等格式[7]，这些兼容能力看起来无聊，但就是现实世界里的软件护城河。
微信也能放进这个框架。它当然会被 AI 改造，但交互层本来就薄，数据层又太厚。微信最核心的交互就是聊天，而聊天本来就是自然语言交互。
真正厚的是微信的数据/标准层，尤其是社交关系。一个人打开微信，不是因为微信有一个聊天输入框，而是因为家人、朋友、同事、客户、同学都在那里。公众号、朋友圈、微信搜索、小程序、视频号等能力[8]，更像是在这张关系网上长出来的功能。AI 可以总结群聊、写回复、找记录、做客服，但用 AI 对话替代真人交流，不符合常识。
所以同样是软件，AI 冲击的层次完全不同。Excel 这种工具软件，交互学习成本高；Photoshop 如果能力停留在功能层，会被模型压缩；微信这种社交软件，数据层绑定真实关系，AI 更多是增强。讨论 AI 替代软件，不能笼统地问「软件会不会死」，要问它的护城河主要在哪一层。
理解三层护城河之后，再回到第二个问题：AI Native 的产品到底 Native 在哪个层面？
最没意义的答案是：有聊天框。有聊天框只能说明有输入框，不能说明产品 AI Native。如果先不讨论后面要说的代理责任，AI Native 至少要 Native 在交互层、能力层、数据/标准层。
第一，交互层要能在对话和界面之间切换。 用户可以用自然语言表达意图，但产品不能只有自然语言。好的 AI 产品应该知道什么时候用对话，什么时候用表格、图表、清单，什么时候生成临时 HTML 页面。
专业界面不会死，它只是从固定入口，变成任务过程中的动态呈现。短路径任务里，界面可能比对话更快。比如打车，用户已经知道去哪，打开界面选目的地、看价格、确认上车点就行，不需要先和 AI 聊一轮。按俞军的用户价值公式，用户价值 =（新体验 – 旧体验）- 替换成本[9]，这种场景里 AI 未必能创造多少增量价值。
精确选择也仍然需要界面。比如拾色器，或者 Vibe coding IDE 里的元素选择器。用户要的不是「大概调好看一点」，而是选中这个像素、按钮、图层、组件，然后只改这里。空白聊天框也不能替代能力地图，否则用户只会对着输入框发呆。
所以交互层的 AI Native，不是砍掉所有界面，而是重新分配对话和界面的职责。对话负责表达意图，界面负责呈现状态、暴露能力、支持选择、允许确认和回滚。
第二，能力层要变成可调用、可组合、可验证的动作。 真正 AI Native 的产品，不能只是让 AI 在旁边解释功能，而是要把原来的功能变成 AI 能稳定调用的动作。
能力层的关键不是「功能更多」，而是「能力能不能被调度」。AI 说要改一个字段，软件能不能知道改哪里；AI 生成公式，软件能不能检查引用范围；AI 整理任务，软件能不能写入数据库、保留版本、出错回滚。
所以产品经理在这个阶段最不该做的，就是继续堆 AI 功能、加 AI 按钮。如果想不清楚做什么，优先做好基础工作：底层对象、数据结构、权限、版本、回滚、审计、稳定 API、可理解的历史上下文。这些事情听起来不性感，但更接近 AI Native 的地基。
第三，数据/标准层要成为 AI 的工作现场。 AI 能不能在真实业务数据、权限、历史上下文和标准接口里工作，决定它是不是只能聊天。
Excel 的价值不是空白表格，而是公司里那几万个历史表格。旅游平台的价值不是生成攻略，而是有实时库存、价格、取消政策和预订链路。Notion 的价值也不是空白页面，而是团队已经写进去的 wiki、项目、任务和数据库。
但有数据不等于能用。很多历史数据如果不能归档、清洗、整理成 AI 能接受的格式和范式，硬塞进上下文反而会制造混乱。Excel 很典型：同一家公司里，不同部门可能对「收入」「活跃用户」「交付完成」有不同口径；同一个字段在不同表里可能叫不同名字；隐藏公式、手工调整、跨表引用，也会让数据看起来能读，实际不能直接用。
这对人来说已经痛苦，对 AI 来说更灾难。AI 很容易把相似字段当成同一个东西，把不同口径的数据合并在一起，然后给出一个非常自信、但业务上完全错误的答案。
所以 AI 时代的数据/标准层，不是把历史资料塞进向量库，也不是把文件全丢进上下文，而是要整理成 AI 友好的资产：稳定字段、统一口径、清楚权限、版本记录、数据血缘、可调用 API，以及能被模型理解的业务语义。
从这个角度看，Notion 是一个很好的正面样本。它至少把「文档、数据库、任务、项目」放在一套相对统一的对象体系里。Notion 接入 AI 之后如鱼得水，是因为它原本的产品结构就更 AI 友好：Notion 本质上像一个伪装成文档的数据库。
Notion 官方帮助文档里说，数据库里的每个 item，不管在表格里是一行，还是在看板、日历里是一张卡，本质上都是一个 Notion page[10]。Notion 工程博客也讲过，文本、图片、标题、列表、数据库行、页面等不同前端表现，后端都建模为一致的 block entity[11]。
这就是底层标准化。也因为这样，Notion Agent 才不只是帮用户润色文字，而是可以创建页面、更新数据库、整理任务、跨工具搜索信息，甚至把会议纪要变成项目管理结构。Notion 3.0 也把 Agents 放在中心位置，强调它能创建文档、构建数据库、跨工具搜索和执行多步骤工作流[12]。
过去 Notion 被喷难用，是因为它不是开箱即用的简单文档，而是一套需要用户理解页面、数据库、属性、视图、关系的低代码系统。现在 AI 可以承担一部分学习成本：用户不用先想清楚建什么 database、加什么 property、用什么 view，AI 可以先生成结构，再让用户调整。
只看产品形态还不够。CNBC 在 2025 年 9 月报道，Notion 已经超过 5 亿美元年化收入，增长受到 AI 浪潮推动[13]。Forbes 在 2025 年 12 月报道，Notion 年经常性收入超过 6 亿美元，其中约一半来自 AI 产品，并且已经现金流为正[14]。TechCrunch 也报道，Notion 2 月推出 Custom Agents 后，客户已创建超过 100 万个 Agent[15]。
这些不是「AI 会员销量」的直接披露，也不能证明 Notion AI 已经完美。但它至少说明：Notion 的 AI 化不是停在右下角聊天框，而是开始变成客户真实使用、真实付费的产品能力。
反过来说，一个产品如果只是堆功能，底层对象七零八碎，数据结构混乱，权限和版本也没有统一设计，那么它加 AI 可能只会更乱。
所以 AI Native 不是把界面换成聊天框。AI Native 是让用户意图进入能力层，让能力层接上数据/标准层，再用合适界面展示过程，并允许用户确认、干预和追责。说得简单一点：AI 不能只是说话，它得能干活。而干活不是靠嘴，是靠工具、数据和标准。
如果只看 Excel、Photoshop、Notion、微信，软件护城河大概可以拆成三层：交互、能力、数据/标准。但到了电商和旅游，事情会更复杂，因为 AI 不只是提供建议，它开始具备行动能力。
一个会行动的 AI，一旦替用户下单、改签、订酒店、买保险，就可能造成真实损失。买错东西可以退，但退货要时间；订错酒店可能扣钱；航班改签失败，可能直接影响行程。
所以 AI 时代可能会冒出第四层护城河：谁站在用户立场，谁能承担责任。
电商和旅游都是典型的「货比三家」。买东西时，用户真正想要的不是打开 Amazon、淘宝、京东或者拼多多，而是在预算内买到最合适的东西。旅游也一样，用户要的不是打开携程、Booking、Expedia、小红书、大众点评和地图，而是把机票、酒店、路线、餐厅、预算、时间、体力、风险凑成一个能执行的方案。
如果只看前三层护城河，垂直平台优势很明显。Amazon Rufus / Alexa for Shopping 可以基于 Amazon 的商品目录、评论、问答、历史购物数据做推荐，并在某些场景中采取购物相关行动[16]。Expedia 的 Romie 覆盖规划、购物、预订和旅途中变化处理[17]；Booking.com 的 AI Trip Planner 则结合房源、价格、可用性等数据，把自然语言映射到结构化库存[18]。
这些平台有数据，有交易链路，有售后责任，也知道商品有没有货、酒店有没有房、订单出了问题找谁。这些当然是能力层和数据/标准层的护城河。
问题在于，有能力不等于值得信任。平台 AI 天然带平台立场。Amazon 的 AI 可以帮用户在 Amazon 里面比较，但它为什么要真心帮用户去别的平台买更便宜的东西？旅游平台也一样，如果一家酒店给平台更高佣金，平台 AI 会怎么推荐？
这不是模型能力问题，这是代理关系问题。假设 OS 级 AI 重新做好 computer use，能理解屏幕、操作 app、跨平台读取信息、比较价格、下单和填写表单，那么用户未必需要先进入某个平台。
这时候，平台仍然有货源、库存、售后和交易能力，但未必还能垄断用户决策入口。垂直平台的优势是数据真、链路短、责任清楚；OS 级 AI 或通用 AI 的优势是更像站在用户这一边，不必天然服务某个平台的商业目标。
但 OS 级 AI 也有问题。它不一定拿得到实时库存，不一定处理得了售后，不一定知道平台规则变化，也不一定能承担交易出错后的责任。所以第四层护城河才会变得重要：谁更像用户代理，谁又能承担责任？
只站在用户立场，但不能承担责任，很容易变成嘴上公正、出事不负责的建议机器。只承担交易责任，但天然服务平台利润，又很难成为用户最信任的代理人。
结局现在很难判断。可能垂直平台继续赢，因为它们掌握供应链、交易和售后；也可能 OS 级 AI 或通用 AI 成为用户代理，把平台变成后台能力提供方。但无论哪种结局，电商和旅游里的 AI Native，都不只是「谁模型更强」或「谁数据更多」，更核心的问题是：谁有资格代表用户行动？谁能为行动后的结果负责？
这就是 AI 时代新冒出来的第四层护城河。
所以回到最开始的问题。软件的护城河由什么构成？至少要拆成四层：交互、能力、数据/标准，以及 AI 时代新冒出来的代理责任。
那么 AI Native 到底 Native 在哪里？不是 Native 在聊天框，而是 Native 在能力调用、数据上下文、动态界面、权限、确认、回滚和审计里。更进一步，还要 Native 在代理关系和责任机制里。
如果一个产品只是能聊天，它不是 AI Native。只有当 AI 能调动软件能力、读写真实数据，并在关键节点提供可理解、可干预、可负责的界面，它才算真的 AI Native 化。
所以以后看到「HTML 替代 Markdown」「LUI 替代 GUI」「聊天框替代软件」这种说法，不用跟着震惊。
它到底冲击的是哪一层护城河？
如果只是交互层，那说明书确实会变薄。如果只是纯功能层，那模型迟早会一力降十会。如果数据/标准层也被拿走，那才是真的危险。
如果一个能行动的 AI 既不站在用户立场，也不能承担责任，那它再聪明也只是一个危险的中间商。
很多所谓的替代，最后可能只是把旧软件的入口换了个位置。
参考文献
[1] Using Claude Code: The unreasonable effectiveness of HTML
https://claude.com/blog/using-claude-code-the-unreasonable-effectiveness-of-html
[2] Get started with Copilot in Excel
[3] Excel functions by category
[4] COPILOT Function
https://support.microsoft.com/en-us/office/copilot-function-5849821b-755d-4030-a38b-9e20be0cbf62
[5] Photoshop Generative Fill
https://www.adobe.com/products/photoshop/generative-fill.html
[6] Replace distractions with Remove tool
https://helpx.adobe.com/photoshop/using/tool-techniques/remove-tool.html
[7] File formats that are supported in Excel
[8] Tencent 官方服务清单
http://static.www.tencent.com/uploads/2025/11/13/cc0f748d2c668304559946c9913e9cc6.pdf
[9] 漫谈产品经理 https://www.bobinsun.cn/assets/pdf/%E6%BC%AB%E8%B0%88%E4%BA%A7%E5%93%81%E7%BB%8F%E7%90%86.pdf
[10] Intro to databases
https://www.notion.com/help/intro-to-databases
[11] Building and scaling Notion’s data lake https://www.notion.com/blog/building-and-scaling-notions-data-lake
[12] Introducing Notion 3.0 https://www.notion.com/blog/introducing-notion-3-0
[13] Notion launches AI agent as it crosses $500 million in annual revenue
[14] Notion Kicks Off Employee Share Sale At $11 Billion Valuation As AI Accelerates Its Growth
[15] Notion just turned its workspace into a hub for AI agents
http://techcrunch.com/2026/05/13/notion-just-turned-its-workspace-into-a-hub-for-ai-agents/
[16] Amazon Rufus / Alexa for Shopping personalized shopping features
https://www.aboutamazon.com/news/retail/amazon-rufus-ai-assistant-personalized-shopping-features
[17] Put Your Trip on Autopilot: Expedia Group Introduces New Innovations at EXPLORE to Take the Stress out of Travel and Enhance Partner Experience
[18] Booking.com builds a global AI trip planner
2026-02-26 00:09:04
不知道从什么时候开始，中国春节似乎成了大家约定俗成，用来发布和 AI 相关的重要信息的窗口。
2 月 22 日，一份由独立投资研究机构 Citrini Research 发布了题为《2028 全球智能危机：来自未来的金融史思想实验》（The 2028 Global Intelligence Crisis）的宏观情景推演备忘录 。
该报告以「2028年6月」的未来倒叙视角，构建了一个AI技术大获成功、但随之引发白领阶层大规模失业、消费体系崩溃及系统性信贷危机的反乌托邦经济模型 。
该报告在社交媒体平台X（原Twitter）上迅速获得了超过 2200 万次的浏览量，引发了投资界极大的焦虑 。
在 2025 年 9 月，我曾经写过一篇短文《一个避免被 AI 取代的新思路，逆练上下文工程》，论述个人应该如何应对 AI 替代的问题，今天这篇文章会从更加宏观的视角尝试分析这个问题。
我们究竟该如何面对人工智能造成的技能替代和失业。
大模型的帮助下，一家公司实现用户数量过亿的速度远超以往任何时代，团队规模不但可以得到很大程度的精简，就连企业发展的速度也会被 AI 充分提速。
知名 AI 编程软件 Windsurf在发布 4个月内用户数破百万、年度经常性收入（ARR）超过1亿美元、企业客户数量超过1000家。Windsurf的团队仅有不到160人，最终以30亿美元的估值卖身OpenAI，这也成为OpenAI史上规模最大的收购[1]。
2025 年1 月 DeepSeek 用户增长达1.25亿（含网站（Web）、应用（App）累加不去重），其中，80%以上用户来自1月最后一周，即DeepSeek在没有任何广告投放情况下实现了7天完成1亿用户增长[2]。
OpenAI 的 CEO Sam Altman 曾预言：「很快我们会看到市值十亿美元的单人公司。」
既然一个人可以开创 10 亿美元的公司，那么市面上那些 10 亿美元市值的公司还需要维持成百上千的雇员吗？
如果一个人加上 AI 就能创造过去一千人的产值，那么剩下的 999 人去哪了？
预言 AI 将在未来 10 至 20 年大规模替代人类，并非 OpenAI 一家之言。
IMF、麦肯锡等组织都曾做出类似预测。用 Google 搜索 AI 替代人类，甚至能找到一份媒体报告，总结了近 60 个组织的相关预测 [3]。
更可怕的事情在于，这种 AI 对人力的替代是不均匀的。
根据哈弗大学的论文《Generative AI as Seniority-Biased Technological Change: Evidence from U.S. R´esum´e and Job Posting Data》显示，自从 2022 年后，积极进取采用 AI 技术的公司初阶员工的招聘人数呈现断崖式的下跌，论文的数据通过 AB 实验的方法，排除掉了宏观经济、行业等外部因素 [4]。
根据数据来看，这种对初级员工的替代现象不仅仅出现在了信息行业，也出现在金融，教育，零售等行业。
在零售行业，拥抱 AI 的公司会比自己的同行减少 40%的初级岗位，这符合技术替代的逻辑，因为文员、客服等高重复性角色，天然位于 AI 自动化能力的靶心。
但随之而来的问题是：如果没有初级工程师，未来如何产生高级工程师？
在传统模式下，企业既是生产单位，也是培训单位。以软件工程为例，初级工程师的产出往往低于其薪资成本，且需要高级工程师花费时间进行代码审查。
企业愿意承担这一成本，是将其视为对未来人才的期权投资——通过现在的亏损，培养未来的骨干。这是一种隐形的学徒制。
但在大模型时代，这一逻辑失效。
GitHub Copilot 或 Claude 3.5 Sonnet 编写基础代码的速度和质量，已经超过了绝大多数初级工程师。对于企业而言，雇佣初级员工的必要性大幅下降。这将导致初级岗位在就业市场中大幅减少。
然而人类掌握复杂技能需要遵循「一万小时定律」，通过大量低级、重复的练习来建立直觉。大模型剥夺了人类进行基础训练的机会。
乐观的看，在 AI 的帮助下新人学习的速度应该会更加快，也许能抹平新手和老手之间的差异，但是这种乐观很快也被打破了。
让我们看看 AI 编程领域最权威的公司 Anthropic，也就是 claude 模型的母公司是怎么说的。
该公司于 2026 年年初发布了一篇论文《AI 如何影响技能形成》[5]。
研究人员招募了 50 多位资深 Python 程序员，进行了一场残酷的对照实验。任务是掌握一个陌生的异步编程库 Trio——模拟了职场中常见的「被迫快速学习新工具」场景。
程序员被分成了两组：一组是只能查阅文档的「苦行僧」，另一组则是配备了 GPT-4o 的「超级个体」。
任务结束后，所有人都参加了一场原本用于检验「学习成果」的考试。考试内容包括编程语法、对代码逻辑的理解、阅读代码的能力，以及调试（Debugging）能力。
数据显示，拥有 AI 加持的程序员，在随后的能力测试中，平均得分比纯手写组低了 17%。
这种能力的衰退在「调试」（Debugging）环节尤为显著。这揭示了一个被忽视的风险：当代码不再由你的大脑生成，你便失去了对代码逻辑的掌控权。你不再是创造者，而仅仅是一个无法理解机器黑箱的「操作员」。
更具讽刺意味的是，「Vibe Coding」原本承诺的效率红利，在数据面前也被证伪。
许多人辩解：「虽然我变菜了，但我变快了。」然而 Anthropic 的报告显示，AI 组的平均耗时（23分钟）与手动组（24.7分钟）在统计学上几乎没有差异。
这篇论文告诉我们一个残酷的真相：如果在学习新东西时过度依赖 AI，不仅不会变快，核心能力还会出现显著退化。
反过来说，这篇论文也证明了一件事情，初级员工在工作中的实践学习，对于他们的成长和晋升来说至关重要，AI 把他们「手写」的机会剥夺了，不仅仅剥夺的是工作，很大程度上也剥夺了他们的学习的机会，以及一个通过劳动获得美好未来的机会。
未来的职场可能出现两极分化：一端是极少数在 AI 普及前完成技能积累的精英，另一端是大量因缺乏实践机会而无法晋升，甚至无法找到工作的底层执行者。
长远来看，对于整个社会来说这种对 AI 的依赖将导致技能传承的断裂，是对我们整个社会的「教育体系」提出的重大挑战。
比起瓦解所谓的培养体系，大模型带来的技术进步还可能让企业进入无限扩张的阶段，这是更让人值得思考的问题。
刘慈欣在《赡养人类》中描述的「终产者」概念高度吻合：在技术极度发达、生产效率极高的条件下，最终可能出现一个拥有绝大部分社会财富和生产资料的超级主体。
实际上当前社会之所以没有产生这样的终产者，很大程度上都归功于科层制。科层制的解体不仅仅会导致就业问题，还会造成所有的经济活动被彻底垄断。
要理解上面的逻辑，需要回到 1937 年罗纳德·科斯（Ronald Coase）在《企业的性质》中提出的理论。
企业之所以存在，是为了降低市场交易成本。在市场上频繁寻找合作方、讨价还价、签订合同的成本过高，因此人们建立企业，用内部行政指令替代市场价格机制。
为了处理企业内部复杂的指令传输，科层制应运而生。经理、总监、VP 等中间管理层，本质上是信息的路由器和过滤器。他们负责将高层战略拆解为执行指令，并将基层反馈提炼为决策依据。
然而，科层制本身也有成本。诺贝尔奖得主赫伯特·西蒙（Herbert Simon）指出，随着组织规模扩大，信息传递的损耗和扭曲会急剧上升，导致决策效率下降。这就是所谓的「大企业病」。
根据科斯定理，企业的边界取决于内部管理成本与外部交易成本的平衡点。当内部管理效率低于市场交易效率时，企业就会停止扩张。
这也是目前巨头企业虽然庞大，但无法垄断一切的原因——随着人数增加，管理难度呈指数级上升，人效必然下降。企业自身的「重力」使得企业无法垄断一切。
大模型的出现，改变了这一成本结构。AI 具备极高的信息吞吐量。一个拥有长上下文窗口（Context Window）的智能体，可以极低成本阅读海量文档、代码和历史决策，并直接向执行单元分发指令，且不会出现人类的推诿、疲劳或信息失真。
如果一家公司的核心决策层，可以通过 AI 智能体直接调度全球范围内的供应链和生产，而无需经过中间管理层的层层衰减，那么这家企业的管理半径理论上可以是无限的。
一家公司可以无限扩张，吞噬掉上下游所有环节，涉足所有有利可图的领域，而不会像传统财阀那样死于大企业病。
这意味着，企业规模不再受制于管理效率的递减。这同时也意味着也许我们能看到科层制的终结，毕竟很多时候完成巨大的工作量并不需要那么多的人工了，那么科层制的瓦解也是必然的。
目前的商业竞争，本质上是比拼谁的组织效率更高。但在大模型加持下，如果出现了一个管理成本近乎为零的组织，它对传统企业的打击将是毁灭性的。
在 AI 的辅助下，一家极其高效的超级企业可以无限扩张，吞噬掉所有低效的竞争对手，直到占据整个市场的生态位。
科层制固然是低效的，但这种低效在客观上起到了「反垄断」作用，并「仁慈」地养活了数以万计的中层管理者和普通员工。
大模型对科层制的摧毁，本质上是生产力对生产关系的重塑。
它消除了中间环节的摩擦，但也移除了普通劳动者向上流动的阶梯。同时，它打破了限制企业规模的天然屏障，使得「赢家通吃」的局面可能演变为「赢家独吞」。
在这种结构下，普通人的价值被重新定义。对于绝大多数人而言，如果没有能力构建复杂的上下文环境来驾驭 AI，通过出卖初级劳动力换取报酬的路径将变得越来越窄。
未来是什么样的呢？有没有某一个行业生产力极度发达，并且行业内垄断极其严重呢？还真有。
私以为农业从业者的现状也许就是在大模型铺开之后，软件从业者乃至全社会所有工薪阶层的普遍境遇。
提到现代农业，我们很容易会联想到地理教科书上面写的那些话，土地集约化，大规模生产，农场主不是农民，是小老板。
在科幻电影《星际穿越》中，哪怕人类正在经历史上最大的环境危机，种地依然显得岁月静好。
然而现实却是农场主正遭受两面夹击：上游生产资料被寡头垄断，不断涨价；下游销售渠道被巨头控制，极力压价。
某种角度来说农业生产早就不是市场经济了。
先看看上游生产资料的获取方面。
在传统农业中，农民保留上一季种子用于来年播种，这是几千年来自然循环。但在现代生物技术加持下，转基因种子往往被设计成「绝育」或受到极其严格专利保护。
根据国际可持续粮食系统专家小组（IPES-Food）发布的报告《Too Big to Feed》，全球商业种子市场超过 60% 份额、农化产品 70% 份额，仅掌握在四家跨国巨头手中：拜耳（Bayer）、科迪华（Corteva）、中国化工（ChemChina）和巴斯夫（BASF）[6]。
这种极端的垄断带来的效果就是种子、化肥、农机价格的不断攀升。
美国农业部（USDA）数据显示，从 1990 年到 2020 年，农作物种子价格上涨幅度远超通胀，部分作物种子成本翻了数倍。
销售渠道层面，农民会更加被动，因为农产品有 3 个特性：
一、农产品有保质期
工业品库存积压的结果是折旧，农产品库存积压的结果是价格归零。
这赋予了收购方至高无上的权力：等待权。
在谈判桌上，拥有冷库、加工厂和资本的大公司可以等待；手里捧着烂番茄的农民等不起。
这种时间上的不对称，迫使农民必须接受报价，无论多低。
二、农产品价值密度低
一吨芯片价值数百万，运费几乎可以忽略不计；一吨甘蔗才几百块，运费占比极高。
这就划定了一个物理上的「销售半径」。如果你种甘蔗，你只能卖给方圆 50 公里内糖厂。超出这个距离，运费将吃掉所有利润。
这在经济地理学上被称为「空间买方垄断」。在这个半径内，往往只有一家加工厂或粮库。对于该区域农民而言，这家工厂就是唯一上帝。即使全国有十家粮商，但如果你的村子周围只有一家，全国市场的竞争对你毫无意义。
三、刚性需求规模
粮价跌一半，人不会一天吃六顿饭；粮价涨一倍，人也不能不吃饭。
这意味着只要有微小的供应缺口，农产品价格都会剧烈波动。
农产品的特性对于大型农企来说是可以攫取暴利的良机，然而对于分散的小农户来说，他们面对的是一个悖论：丰收时，由于需求不增加，价格暴跌（谷贱伤农）；欠收时，虽然价格上涨，但手里没货。
可以说在现代农业生产中，《多收了三五斗》中农民的窘迫状况并没有任何改善。
农民想要突破这样的困境，必须进一步扩大土地规模，集约化生产，才能修的起自己的冷库，买得起足够昂贵的农机，只有超大规模工业化农场，才能分摊昂贵技术成本，足够高的生产效率才能保证自己能够获得一点点规模化带来的利润。对于那些经营规模没那么大的农民来说，破产是唯一的选项。
根据美国农业部（USDA）发布的《2022 Census of Agriculture》统计，2022 年美国农场总数为 190 万个。相比 2017 年减少了 14.2 万个（下降 7%）。如果把时间拉长，1935 年美国有 680 万个农场，至今已消失了 72%。
所有规模类别的农场数量都在减少，唯独那些面积超过 5,000英亩（约20平方公里） 的超大型农场数量在增加 [7]。
大部分失地的农场主会被迫受雇于收购他们土地的大型农业公司，或者变成季节性的操作农机的工人。
当然这并不是结局，更糟糕的还在后头。
农村地区的人均阿片类药物处方量远高于城市 [8]，因为长期从事农业的人，普遍患有慢性背痛、关节炎等职业病。
土地最终失去，劳作不再需要，身体的疼痛和精神的绝望交织，原本的「止痛」迅速转化为「成瘾」。
农民失去了土地，失去了劳动自主权，失去了身体健康，最后还要失去尊严。
中国古代王朝末期土地兼并到极致，也不够如此。
文章写到这里肯能很多人会奇怪，为什么一篇关于人工智能的文章要花费如此多的笔墨来撰写现代农业生产？
因为农业的今天，正是所有产业的明天。大模型将显著加速这一过程。
原因有二。
其一，大模型的加持下，绝大多数产业产能将迅速过剩，进而撞上「刚性需求规模」的铁壁。
以内容产业为例，即便 AI 让优质内容/产品呈指数级增长，人类注意力终归有限。全中国每人每天刷 6 小时抖音已是生理极限，再多的时间也变不出来。
这意味着，生产者卷生卷死制造更多内容，除了增加平台生态丰富度、赋予平台更高定价权外，对自身毫无裨益。
回看前文提到的农业困境，AI 时代的从业者正面临完全相同的死局：
首先是定价权与准入权的丧失。
现代农民无法决定种子的价格，甚至无法决定是否拥有种子。在 AI 时代，掌握核心模型的大公司同样拥有「开关权」。
你的产品或许很棒，但如果 Claude 不对中国地区开放，或者 OpenAI 决定封禁你的 API 接口，业务瞬间就会像断了水的庄稼一样枯死。
这种对上游生产资料（模型算力）的绝对依赖，让下游应用层公司毫无议价能力。
其次是销售渠道的「空间买方垄断」。
农民受限于 50 公里的运输半径，只能卖给唯一的糖厂。而在数字世界，物理半径变成了算法半径。
尽管互联网理论上连接全球，但如果没有算法推荐，你的产品在数字世界就是隐形的。平台是唯一的收购商，它决定了你的劳动价值是几百万还是零。
最后是库存积压的归零效应。
农产品卖不出去会烂在手里，内容若无人消费，其价值耗散得比烂番茄还快，毕竟内容本身基本上都是具有时效性的。
在供需极度不平衡的市场里，拥有流量分配权的平台可以无限期等待，而急需变现的开发者和创作者等不起。
其二，现代农民并非传统语境下的自耕农，本质是背负资产的小企业主或农业工人。
这种身份困境，与现代社会其他产业分工如出一辙。
千万不要觉得身为「小公司」或「独立工作室」就能幸免于难。农业生产的历史告诉我们，大公司剥削的恰恰就是小农场主，直到把他们剥削成一无所有的农业工人。
未来的产业格局将极其残酷：垄断巨头一头控制生产资料（大模型、云算力），一头控制消费终端（用户注意力）。在大模型的加持之下，平台很快会成为类似于「终产者」那样的巨型企业，就好像四大农企对农业领域的垄断一样，把社会的方方面面都垄断起来。
夹在中间的 MCN 机构、SaaS 公司、独立开发者，就像那些拼命贷款买农机的小农场主。他们看似拥有资产，实则是在为平台打工。
平台向 MCN 收租，MCN 向创作者收租，创作者向算法乞讨。
在这个过程中，平台的优势还会不断增加，消费者使用 AI、创作内容、在平台上交互本质是在无偿劳动——数据被用来训练模型，增强平台的统治力。
比起农业生产更可怕的一点在于，如果仅仅是平台垄断了销售渠道与定价权，那还是「垄断资本主义」。但实际上这种控制权超越了经济范畴，进入了规则制定的范畴。
想象一下，如果你生活在一个城市里，供水公司（资本家）不仅收你水费，而且：
由于数字空间天然的「赢家通吃」属性，导致原本应属于公共基础设施（如市场、支付、交流渠道）的「数字水电煤」，被少数私人公司彻底垄断。
当然不能说平台天然就是邪恶的，就好像平台很多时候的封号、降权和下架行为初衷都是为了维护消费者的利益，十几年前中国黑出租问题不断，现在有了滴滴这样的垄断出行平台，大家对于出租车最大的吐槽已经从「随意加价/拒载」转变成了「味道不好闻」，不知道进步了多少倍。
只是当这些公司不再通过卖产品赚钱，而是通过控制这些基础设施，向所有在此生存的人收取「买路钱」（地租），并且施加了调控手段，无论他们出于什么样的出发点做出这些动作，从结果来说已经形成了类似中世纪领主与农奴的依附关系。
这就是希腊前财长 Yanis Varoufakis 所描述的「技术封建主义」。
大模型并不是造成这些这些现象的根因，毕竟技术封建主义这个词提出来的时候大模型还未崭露头角，但大模型会显著加速这个过程。
行文至此，很多人可能会觉得这篇文章是不是在危言耸听。
很多人会习惯性的把历史上的工业革命的逻辑套入到这一次 AI 革命内，认为大模型带来的效果虽然会让一小部分人走上神坛，但是最终会让大部分人受益。
对于这个结论我是持怀疑态度的，尽管我非常希望这些人的结论就是正确的，但是实际上还是很难做到这么乐观，原因如下：
一、大模型对所有行业都会有挤出效应。
和以前的工业革命不同，农民失地了会进入城市成为工人，虽然说这日子不见得比原来当农民好过多少，但是多多少少还是会产生更多的的新岗位。
然而大模型的挤出效应几乎是对全行业生效的，这是一个非常基础性的变革。
二、我们当前面临的是生产过剩的危机。
历史上的工业革命，信息革命之所以可以快速带来普惠，有一个很重要的原因是当时整个全球来看面临的还是生产不足的危机。
以互联网信息革命为例子，这场革命自是二十世纪 80 年代开始的，刚巧碰上了中国改革开放，13 亿人口的统一市场是非常难得的机遇。
而现在我们要面对的问题是移动互联网人均时长见顶的困境，就像我在上文提到的，我们很快会因为产能过剩导致撞上刚性需求规模，哪怕有再多的短视频，用户也没时间看了。
三、就算是以往的工业革命中，被机器替代的工人们日子也是非常难过的。
机器纺纱普及以后，导致纺织工人们产生大规模、长时期技术性失业，尤其是对女性而言。新生工厂纺织业所创造就业岗位，远不足以弥补失去工作。
1806 年时，纺织工周平均工资是 240 便士，到 1835 年，他们周平均工资约为 60 便士[9]。
四、极大地生产力不等于人均可以获得极大财富
还是拿农业举例子。我们经常可以看到一个说法，叫做全球的粮食产量足够养活 100 亿人，有 1/3 的食品被发达国家的国民浪费等等类似的说法。本文不会用这么粗糙的数据来指责分配不均匀，因为全球粮食问题是一个涉及到多个国家、基础建设、粮食运输等大量问题构成的一个综合问题。
我就说一个国家，美国的食品分配问题。
美国农业部（USDA）经济研究局发布的报告：《2023年美国家庭粮食安全状况》（Household Food Security in the United States in 2023）显示，2023年，美国有 13.5% 的家庭（约1800万户）处于“粮食不安全”状态。
这意味着这些家庭在一年中的某些时候，由于缺乏金钱或其他资源，无法为家庭成员提供足够的食物。其中，有 650万户家庭处于“非常低的粮食安全”水平。
哪怕在食物多的根本吃不完的美国，也还是会有人饿肚子。
本文花费诸多篇幅强调现代农业的现状，其实是想强调，文章的重点不是关于失业的讨论，也不是关于人类怎么和 AI 协作的讨论，是关于在极高生产力条件下，社会财富如何分配的根本性问题。
如果农业生产的今天就是所有产业的明天，当 AI 推广之后，上面这些数字只会更加触目惊心。
AI 解决的从来只是生产力的问题，如果我们乐观的认为 AI 也会解决分配问题那就是痴人说梦。如果我们不重视分配问题，不重视技术进步带来的失业/就业困难，那么生产力进步带来的只会是更大的贫富差距。
所谓的技术进步让大多数人受益，从来不是自然发生的，它需要无数人的努力。
如果只是看目前世界上绝大部分国家在农业领域交出的答卷，基本上都是负分。生产端极端垄断，分配端哪怕最发达的国家也有接近 13.5% 的家庭会被饥饿困扰。
但是还真有一个国家不太一样，那就是中国。
2020年后，中国宣布消除了绝对贫困，意味着从统计上讲，因贫困导致的“长期饥饿”已被清零。
所以我们有理由相信，面对 AI 造成的普遍性的失业问题，中国政府会比美国政府处理的更好！中国相比于美国发展人工智能最大的优势就是制度优势！
还得是咱们伟大的祖国啊，牛逼！
参考文献
[1] 160人卖了217亿，AI应用首个大额套现项目，CEO解密成功秘诀
https://36kr.com/p/3281084272272256
[2] AI产品数据对比：一分没花的DeepSeek一骑绝尘，Kimi六小龙花钱还受伤
https://finance.sina.com.cn/roll/2025-02-08/doc-ineiuwqr8517923.shtml
[3] 60+ Stats On AI Replacing Jobs (2025)
https://explodingtopics.com/blog/ai-replacing-jobs
[4] Generative AI as Seniority-Biased Technological Change: Evidence from U.S. R´esum´e and Job Posting Data
[5] Vibe Coding，是怎么「玩废」程序员的？
https://mp.weixin.qq.com/s/5LP9E6A__gsJvuNS1QGonw
[6] TOO BIG TO FEED
[7] 2022 Census of Agriculture
https://www.nass.usda.gov/Publications/AgCensus/2022/index.php
[8] Empire of Pain: The Secret History of the Sackler Dynasty
https://www.supersummary.com/empire-of-pain/summary/?locale=zh_CN
[9] What happens to the weavers? Lessons for AI from the Industrial Revolution
2025-11-12 15:49:49
11 月 9 日，乌镇世界互联网大会上，DeepSeek 资深研究员陈德里表示，AI 将在 10 至 20 年内取代「绝大部分人类工作」，并给出三阶段演进路径，强调该预测「并非危言耸听」。
预言 AI 将在未来 10 至 20 年大规模替代人类，并非 DeepSeek 一家之言。
IMF、麦肯锡、OpenAI 等组织都曾做出类似预测。用 Google 搜索 AI 替代人类，甚至能找到一份媒体报告，总结了近 60 个组织的相关预测 [1]。
只是考虑到 DeepSeek 几乎不需要融资，所以没有主观夸大动机。看上去最客观中立的公司似乎也已经认定这个趋势不可避免。所以这似乎是最值得重视的预言。
这就带来一个很现实的问题：作为打工人都会思考，什么样的工作不容易被 AI 取代？
关于这个命题有很多说法，包括从事更需创造性、或更需与人打交道的工作。但这些说法似乎总难令人完全信服。
在 AI 产品开发过程中我参与了许多上下文工程相关的工作，一个新视角浮现：如果 AI 的有效应用依赖人类构建特定上下文环境，那么不便构造上下文的工作，是否就难以被替代？
下面让我来详细解释一下这个逻辑。
人类工作需要充分信息，同一个人在信息充足和不充足情况下，能够做出的判断完全不一样。
对于 AI 来说也是一样。构建上下文工程对于 AI 应用能否真正落地至关重要。
上下文工程本质是让模型知道更多信息，从而激发它对应这个环境正确的解题参数，达到提高正确率目的。
然而，上下文越长，模型越易失焦。
以 AI 编程的 Benchmark 排行为例，不难发现一个特点：AI 在竞赛编程上的能力轻易超越人类，但在实际工程环境中，短期内难超人类。
竞赛题如同真空环境下的封闭问题，AI 与人类都从有限上下文中获取信息，且目标明确，极适合 AI 解决。
反观工程问题，AI 能处理的上下文有限，且难以甄别现实中的垃圾文档与「屎山代码」。这种混乱的上下文对人类已然棘手，对当前 AI 更是如此。
即便有丰富工具与上下文工程，梳理和修改「屎山」仍高度依赖人类程序员。
也就是说虽然竞赛题理论上比工程题对于聪明才智要求更高，但对于 AI 来说，因为制造一个适合它发挥才智的上下文环境更困难，所以 AI 取代工程师的难度会比所有人预期都要大一些。
这其实是一个有点反直觉的结论，但这个结论在其他领域也有明显的表征。
机器人跑步还不是很利索，自动驾驶也实现很糟糕，但围棋里面把人类框框乱杀，就会发现人工智能一直都有这种特征：适合解决封闭环境的超级难题，但对于在开放世界里面跑步、驾驶这件事情就是非常不擅长。
因此，判断工作是否易被 AI 取代，核心标准并非工作门槛高低，而是其上下文环境对 AI 而言是否足够复杂，感知难度是否足够大。
我自己过去两年的 AI 自动化实践也验证了这点：给 AI 充分信息，让其自主决策，效果通常不错。
反之，若无法将现实数据数字化，或在恰当环节提供所需上下文，项目往往失败。
这就引出本文标题：怎么找到一个 AI 很难取代的工作呢？确保自己工作环境上下文是足够复杂。所以这就是对所谓「上下文工程的逆练」。
如何理解「逆练」？既然让 AI 解决问题的方法是提供足量信息，那么在一个信息流动奇特、难以标准化的环境中工作，是否就能确保短期内不被取代？
例如，客服人员极易被 AI 取代。其工作环境足够简单，一个商家端聊天界面外加问题手册，上下文环境极其清晰。实际上就在一个月之前就我亲眼看到一个这样的系统化方案。
这个方案尚不成熟，对于没有标准化培训流程、上下文未经整理的小团队，接入成本高，ROI 不足。
初阶律师或许也是高危岗位。律师行业工作规范程度高，案件所有信息常集中于几本卷宗，而国家法律本身是公开文件。
因此，尽管初阶律师与客服在传统认知中技能差异巨大，但在 AI 面前，其工作门槛可能同样低。
但是软件工程师则不一定。尽管大部分软件工程师会被揶揄为增删改查工程师，但大部分软件工程师，尤其是工作比较久那些，都精通于如何分析一堆屎山。
这种活可能很脏很累很辛苦，甚至技术含量不够高，但恰恰是 AI 无法取代。
这便是本文的核心价值之一：从「上下文复杂度」这一新角度，判断哪些工作更安全。
之前的许多论调过于粗暴，认为 AI 将包揽写代码、写诗等所有智力工作，人类只能去扫地搬砖。
真正的判断关键在于：所从事工作需要的上下文是复杂还是简单？获取上下文是困难还是标准化？上下文获取越简单、内容越清晰，被取代的可能性就越高。
用此视角判断，能更准确预测职业生命周期，避免误判。
有了这套准则，面对 AI 浪潮，我们能做什么呢？
思路一：成为新时代的卢德主义者
一种粗暴做法是：联合工友，刻意把工作环境搞成只有人类才懂的「屎山」。
这其实是一个切实可行路子，因为以很多人水平，只要他们在认真工作，屎山自然而然就成，甚至都不会引起大家注意。
只不过这种做法通常是没有什么用，因为这个做法和历史上卢德主义者们并无区别。
19 世纪初，随着动力织布机等新机器引入，大量依靠传统手工技艺为生的纺织工人发现自己生计受到毁灭性打击。
于是纺织工人们做法就是选择把机器砸，这群通过砸机器来维护自己权益的人，被称为卢德主义者。
现代人都知道卢德主义者努力是失败，但大家可能对具体数字没有什么概念。
在工业革命前夕，纺织业吸纳大量劳动力，尤其对于贫困家庭而言至关重要。当时英国有 18 万名纺织工人，但其中大概有 60% 是儿童和女性。
在随后几十年里，机器纺纱普及几乎完全摧毁这个行业，导致大规模、长时期技术性失业，尤其是对女性而言。新生工厂纺织业所创造就业岗位，远不足以弥补失去工作。
1806 年时，纺织工周平均工资是 240 便士，到 1835 年，他们周平均工资约为 60 便士[2]。
可见，被动抵抗的结果，大概率不理想。
思路二：从事 AI 难以胜任的工作
主动出击的做法，是转向那些 AI 难做的工作。
比如面对面大客户销售岗位就很难被 AI 取代，因为销售上下文环境十分复杂，甚至存在很多无法成文潜规则。
如果是程序员，可以考虑转产品经理，毕竟大部分产品经理工作是落实老板不切实际战略，替老板挨骂。
总而言之就是尽量去做一些非标准化，或者标准化成本高于自动化收益工作。就好像上面提到人工智能客服例子，如果为 AI 去整理知识库成本高于雇佣几个人类，那么这几个人类工作就很难被 AI 取代。
当然他们工资也很难比 AI 电费高出来太多。
但相信随着上下文工程构建越发完善，这类工作数量只会越来越少，并且并不是每个人都适合去做销售。
思路三：与 AI 共舞，成为跑得最快的人
有一些普遍观点认为 AI 不会淘汰人，只是会让人更加强大，这种观点和思路三是一脉相承。
这个概念听起来充满希望，似乎描绘一个人类与 AI 和谐共处、互相赋能美好未来。
但实际上这只会导致人类内部内卷。
美国国家经济研究局论文《AI and the Extended Workday: Productivity, Contracting Efficiency, and Distribution of Rents》显示大量使用 AI 带来效果，非但没有减轻工作负担，反而显著推高职场准入门槛和工作标准 [3]。
在这种环境下，「成长型心智」——那种拥抱学习、乐于适应心态——恰恰成为系统进行更深度压榨完美借口。
当人人都拥有 AI 这个强大「外挂」，若未能达到更高绩效，指责便会落到个体头上：「是你没和 AI 进行足够多次对话」，或「你没充分利用 AI 提升自己」。
这种说法，巧妙地将 AI 带来的结构性、社会性、经济性冲击，简化为纯粹的个体心态问题。
它暗示，只要拥抱变化，就能立于不败之地。
然而，正如前文在描述卢德主义者困境时所论述，结构性失业的根源在于技术对生产力体系的根本性重塑，而非个体意愿。
将责任完全归咎于个体心智，无异于指责工业革命中失业的手工业者『不够努力』。
这更像一种意识形态构建，旨在合理化技术变革带来的不平等，将社会责任转化为个人责任。
更值得关注的是，自动化带来大部分收益都会归资本所有而非劳动回报。
美国国家经济研究局有一篇 2017 年就发表、被无数人引用的论文《Artificial Intelligence and the Future of Income Distribution》就指出，AI 替代带来收益主要是资本所得，被 AI 替代劳动者几乎是纯粹受害者 [4]。
简单说，好处平台拿，锅劳动者背。这显然是双重标准。
思路四：关注分配问题
所以，尽管本文在讨论如何避免被 AI 替代，但从根本上看，个体努力避免被替代，或许并无必要。
从效率角度看，AI 替代人类几乎是必然的，任何个体层面的抵抗都可能是徒劳。但问题在于，AI 创造的生产力是人类的好多倍，为何要纠结于失业？难道不该欢庆跑步进入共产主义吗？
这就引出了思路四：关注分配问题。
英国卫报在 2023 年发表一篇文章《AI is coming for our jobs! Could universal basic income be the solution?》。
文章探讨一个问题：如果 AI 要取代大部分人赖以生存工作，全民基本收入这项被呼唤很多年制度是不是应该被提上日程 [5]。
考虑到 AI 技术让生产力可以极大发展，这几乎已经成为共识。如果分配制度是合理，那么大家该纠结的就不是失业问题，而是活着干点啥问题。
反过来说如果在生产力已经如此发达的情况下，关注的是普通人如何不被 AI 取代，这种思路毫无疑问是扬汤止沸，不解决根本问题。
根本问题在于生产力如此发达，自动化水平已经如此高之后，多出来的这部分收益如何分配的问题。
写到这里，该写的基本上都写了。再写下去这篇文章怕是发不出来，就此搁笔吧。
参考文献
[1] 60+ Stats On AI Replacing Jobs (2025)
https://explodingtopics.com/blog/ai-replacing-jobs
[2] What happens to the weavers? Lessons for AI from the Industrial Revolution
[3] AI and the Extended Workday: Productivity, Contracting Efficiency, and Distribution of Rents
https://www.nber.org/papers/w33536
[4] Artificial Intelligence and the Future of Income Distribution
[5] AI is coming for our jobs! Could universal basic income be the solution?
2025-09-30 16:11:00
注：这是一篇把之前的一系列推文重新整合修正后的稿件，加入一些新思考，删除冗余描述，对排版做优化，以方便读者朋友们阅读。
最近在公司经历了一个项目，堪称地狱笑话。
为了信息脱敏，叙述中会掺杂真假信息，但绝对不会影响你理解故事的核心。
我负责一个数据产品，其中有个关键的筛选字段，因诞生太早，与公司后来的统一标准不符。这导致客户体验割裂，投诉不断。
2022年，前任评估过修复方案，结论是成本太高，ROI太低，项目被搁置。
今年，问题临近爆雷，我接手了这个项目。设计了一个成本可控的方案，准备推动。但戏剧性的变化开始了：
首先，支持这个项目的部门负责人离职。大老板对这事的态度变得暧昧，他看得到收益，但始终对成本存疑，不反对，也不力推。没有自上而下的强推，底层治理项目基本就是原地踏步。
一个月后，大老板也走了。新老板到岗，对着这个问题一顿输出，批评团队没有防患于未然，导致现在积重难返。
又一周后，我转岗了。我的新任务，是参与重构公司级的标准——一个向前完全不兼容的重构。
这意味着原来那个部门我留下来的半成品项目需要推倒重做，当然思路还是可以借鉴的。
我亲手点的火，换了个部门，再亲手来灭。
事情到了这个地步让我感觉这简直是一个巨型的地狱笑话。
这个故事很容易让人联想到一个网络段子：这个世界是由草台班子组成的。
在我有限的认知里面这句话最早应该出自于论坛 Stage1st。
原文是：「我工作以后才发现，大家都是草台班子。政府草台，企业草台，我也草台，大家都草台，凑合赚钱过日子。一个企业，看着像台奔驰在高速公路上的豪华轿车，里面其实是几个人蹬着自行车顶个壳。路上的车都是这样，大家谁都不戳破。」
后来被不知道哪个网红发扬光大了。
但其实草台这件事情基本上可以说是市场经济或者自然选择之下的必然产物。
如果了解人类眼球的结构，就会忍不住感叹，上帝真的是一个草台程序员。
把人类的视网膜装反了不说，为了传输数据还搞了个飞线，导致盲点的存在，最后还得靠人类无敌的大脑疯狂二次后期处理，人肉 HDR 才得以实现良好的视觉体验。
但是这不妨碍人类成为这个星球上事实上的统治级物种，站在食物链的顶端。
无论是对一个物种，还是一家公司，任何对「生存」这一核心目标无益的过度优化，本质上都是一种自我满足。
面对一个难题，最简单的做法是责怪前人没有防患于未然。
但在此之前，不妨反问自己：设想中的「完美」优化，能带来多少收益？需要付出多大代价？这次优化如果视为一次固定资产投资，需要多久才能收回成本？
很多时候，拒绝一个看似「正确」的提议，反而是更明智的选择。
许多人在调整软件时，忽略了一个核心问题：软件是一种固定资产。
重构是不需要勇气的，拒绝重构才需要勇气，动辄重构是用行动的勤奋掩盖思考的懒惰。
37signals 的主页上有句话：「No」 is no to one thing. 「Yes」 is no to a lot of things.
这句话的意思是，每当你对一件事说「是」，你就同时对其他所有可能性说了「不」。
理解这一点，需要从投资、工程、产品可行性和需求时效性四个角度来看。
第一，做需求是一种投资。 如果一个需求不符合产品原则，不服务于年度规划，在单个项目的ROI上也没有明显收益，那为什么要投入资源？更直接地说，即便ROI再高，如果与团队的核心目标（KPI）无关，接手的动机又是什么？
第二，每个新需求都可能增加软件的债务。 软件的复杂度会随着功能叠加而必然上升，无论工程师多么谨慎。而软件是公司的核心资产，急剧增加系统的复杂度，无异于「破坏固定资产」。在传统行业，破坏固定资产是大事；但在互联网公司，制造技术债务却司空见惯。
第三，不是所有问题都能被完美解决。 解决一个问题，很可能引发新的、更棘手的问题。 很多人都想教张小龙做产品。比如，有人抱怨微信PC端不支持密码登录。但如果真的加上，马上会有人质疑安全性，毕竟微信里有钱包。又比如，有人抱怨微信的文件传输大小限制。如果放开限制，用户又会开始抱怨微信占用存储空间。这些看似简单的改动，背后都是复杂的权衡。
第四，不是每个问题都需要立即被解决。 许多问题会随着时间推移而自行消失或变得不再重要。 比如性能问题。如果一个运算的复杂度不会随着业务规模扩大而上升，就可以考虑不优化。因为根据摩尔定律，18个月后硬件性能会翻倍，问题自然缓解。 再比如内部效率工具。除非能证明某个流程的人力消耗是长期、大量且持续增长的，否则投入自动化工具的意义不大。很多时候，效能工具刚上线，对应的业务就已经萎缩甚至消亡了。
因此，接到大部分需求后，首要考虑的不是如何解决，而是是否需要解决。有时候，问题会自己解决，或者承载问题的业务本身被「解决」了。
把软件系统当作一种会折旧的固定资产来管理，才能真正理解「拒绝」的价值。
拒绝去解决一个不值得解决的问题，本质上就是在维护公司资产。
我们看到的那些混乱不堪的「草台」产物，很多并非源于最初的疏忽，而是在没有想清楚上述问题前，就仓促进行重构或优化的结果——在既有的「屎山」上继续堆砌，最终越陷越深。
所谓的「防患于未然」，如果缺乏深思熟虑，措施本身不仅无法防患，反而会增加新的隐患。
从这个角度看，等到问题快要爆雷时再集中处理，未必不是一种有效的策略。事实上，这也是大多数组织在实践中的选择。
尽管看上去这是一种很「草台」的选择。
做产品最忌讳过度优化，任何对生存无益的改进，本质上都是自我满足，只会加速固定资产的折旧。
但如何判断一件事是必要的「防患于未然」，还是「锦上添花」式的过度优化？
许多公司的答案是：数据驱动，用ROI（投入产出比）来决策。
这听起来无懈可击，在大多数场景下也确实有效。数据作为一种共识机制，可以极大地降低沟通成本。
但数据度量并非万能，比如：
就好比我故事里的项目，它属于「道理上都懂，但数据上难证」的类型。
当一个组织过度依赖可量化的ROI时，会自然形成一种惯性：倾向于做易于度量的渐进式改进，回避需要承担风险的激进式创新。
因为前者更容易在绩效考核中获得认可。这或许是许多大公司陷入「慢性死亡」的根源之一。
这也是为什么很多技术债务、体验问题总会拖到快爆雷时才被解决。
因为临近爆雷时，不做事的损失变得清晰可见，ROI的计算也就变得简单直接。
即便如此，我仍然认为花精力去做一些在数据层面上没有价值的事情是值得的。
因为很多时候我们断定一件事没有价值，并非因为它真的没有价值，而是我们现有的工具和认知，尚无法度量它的价值。
这些很难度量的价值，是我在最初的小故事里面愿意去接一个看上去很坑的项目的原因。
如果不持续投入维护成本，一个90分的产品会因系统的日常迭代造成的「固定资产折旧」，逐渐滑落到60分，最终被市场淘汰。
仅仅因为价值难以度量就放弃那些正确的事，或许一两年内相安无事，长此积累必然会造成成无法挽回的恶果。
因此，产品经理不仅要关注宏观的数据，更要去审视微观的用户反馈，倾听真实的声音，去一条一条地看用户原声，听用户访谈，通过微观观察来佐证自己的判断，避免因为数据度量的缺陷忽视真正重要的问题。
我认为打造一个好产品的欲望，是每一个加入到这个行业的人最原始的动力之一，而用户的真实反馈可以最大程度激发一个人打造好产品的原始欲望，
当所有方法论和流程都陷入僵局时，这种源于直觉的判断力，看似古老的访谈方法，往往是最终的指南。
要解决ROI失灵的困境，团队必须保有打造卓越产品的原始欲望，而公司的职责，则是设计一种机制来保护这种欲望，使其能够落地，并确保践行者不受伤害。
许多公司采用的策略是制定「产品原则」。
产品原则是在产品设计、运营、迭代过程中需要共同遵守的核心规范。
产品原则的核心逻辑是用「共同信仰」代替「复杂的数据度量」，从而降低组织运行时的摩擦成本。
这并非不科学，恰恰相反，产品原则本身就来自于大量实践的总结，是将已被验证的业务认知固化为决策依据。
例如各大 OTA 的机票搜索相比火车票搜索要慢 3 倍，“找到最低价”的优先级高于“搜索速度”。
用户愿意忍受更长的加载时间以换取更便宜的机票。这条原则一旦确立，团队就不必在每次迭代时都重新论证和测试是否要这么去做。
市面上公开自己产品原则的公司不多，有赞就是一个，有赞的产品原则中有一条内容是：「不可减少，每个用户都重要。新产品不能比老产品的功能少，不应该轻易下线产品功能，不降低服务。不让少数服从多数，每个用户的需求和习惯都是重要的。」
这既是保护客户，避免产研团队犯下低级错误，防止产品体验在追求短期指标的过程中滑向深渊，也是在警示产研团队，上线任何功能都需深思熟虑。
同时产品原则还会有一个潜在的好处，就是减少「债务」的产生。当我们需要重构时，究其根本原因大概率是以前为了快速迭代业务做了很多糙猛快的决策，但是大部分产品原则在设定的时候天然就会更倾向于长期而非短期价值，所以一些原则的设定可以避免债务快速堆积，进而避免我们总是陷入不重构就迭代不下去，不得不面临削减业务投入来重构的窘境。
想清楚这一点之后就会发现，这个世界上绝大部分基础设施建设都是信仰投入。
比如中国的扶贫，为什么要跑到穷山恶水的地方去扶贫，这个 ROI 用经济账算怎么都不可能是正的，但是为什么要扶贫，从一个角度来说这是信仰，是一个政党对自己民众的承诺。
另一个角度来说也是信仰，历史上那些不扶贫的朝代都已经不复存在了。
然而，有时一个逻辑上明确有价值、却无法计算ROI的工作推不动，问题可能不在于度量本身，而在于组织结构。
这就引出了康威定律：「设计系统的组织，其产生的设计等同于组织之内、组织之间沟通结构的副本。」
通俗地讲，组织是什么结构，你就会做出什么结构的产品。
现在，用康威定律来复盘我的「地狱笑话」：
项目的生死起伏，看似充满偶然，实则是组织结构变迁的必然结果。
理解康威定律，对产品经理的意义重大。
首先，它提供了一个客观视角来审视组织结构。 这不是鼓励办公室政治，而是要求我们从产品的理想架构出发，反思当前的组织结构是否与之匹配。当一个项目无法推进时，与其归咎于个人，不如先分析是否存在结构性的阻力。
了解这一点，能帮助我们在公司的宏大目标下，找到最适合自己的位置与发力点，减少不必要的内耗。
其次，它让我们理解团队间的冲突是系统性的。 在大公司里，不同团队的目标函数天然存在冲突。负责用户体验的团队和负责商业化的团队，背负的指标不同，日常争执在所难免。这并非个人恩怨，而是组织结构决定的必然现象。
将这些冲突视为系统中的正常博弈，心态会更平和。如果你的需求依赖对方，但与对方的核心KPI相悖，那么问题出在组织设计，而非个人刁难。
用科学的工程理论去理解组织现象，可以帮助我们避免陷入犬儒主义的陷阱，既能脚踏实地，又不至随波逐流。
很多事情背后有其客观规律，我们要做的是学习并适应它，而不是抱怨或扭曲它。
说了这么多就会发现，一大堆所谓的长期问题和短期问题的平衡，解决之道无外乎良好的企业文化、团队共识和组织结构。
现实情况远比我上面说的理论更加复杂。
康威定律可以正着用，也可以反着用。可以为了设计合理的产品而设计合理的组织架构，也可以为了自己的利益，利用自身在组织的位置在软件上卡位，这种卡位显然并不是为了产品本身对客户更有价值，而是为了自身在这个组织上的位置而做的。
很多离谱的操作，有时候只是为了生存罢了，只是每个人求生的底线不同。倒也不用苛责，大路朝天，各走一边。
在复杂的公司环境中，要区分一个人的行为究竟是为了个人利益、组织利益，还是真心为了产品，是极其困难的。个人利益、部门墙、KPI导向，这些因素交织在一起，使得纯粹的产品思考变得奢侈。
这就是为什么每个从业者都需要有自己的产品。
无论是做一个开源项目、一个独立应用，还是写一个博客，拥有一个完全由自己掌控的产品，能让我们以最纯粹、最理性的视角去亲身体验前文讨论的一切。
当你面对完全属于自己的产品时，所有决策的出发点都是唯一的：如何让它变得更好。这时，你不用再纠结于ROI的短期计算，也不必受困于组织结构的制约。你是唯一的负责人，所有的投入和产出、短期利益和长期价值，都由你一人权衡。
在这个过程中，你是绝对的理性人。或者说，你的所有“私心”，就是产品的成功本身。
这种毫无保留的实践，是理解产品、商业和组织运作最深刻、最直接的方式。
进一步说，自己想做什么，如何做，和什么人一起做，打造一个什么样的自己，其实才是每个人需要思考的终极话题。
2025-08-31 15:47:58
2007年3月，以色列内盖夫本-古里安大学流行病学家兰·D·巴利瑟在《流行病学》杂志发表了一篇文章，描述了《魔兽世界》中的堕落之血瘟疫与SARS和禽流感的相似之处。利用游戏进行社会科学乃至自然科学的研究并不是一个新鲜话题。
AI Agent 的诞生给了沙盒游戏全新的可能性，如果一个小镇里面有无数的 Agent 都在按照自己的性格随机活动，辅以人类撰写的 Prompt 增加一些随机性，可以创造出全新的游戏。
香港科技大学开发了一个斯坦福 AI 小镇的游戏化版，Aivilization。这个游戏的名字显然是捏他了知名的战略类游戏《Civilization》。
游戏本身玩起来很简单，这是一个偏放置的游戏，玩家可以非常佛系的就看着 AI 干活，第二天再回过头来给 AI 一些指令，比如要求它去睡觉或者学习，当然其实也可以完全不干预。
游戏也支持撰写一个长期指令（有点类似于系统提示词），告诉 AI 以什么样的策略进行生存/生活。
按照香港科技大学的开发研究人员们最初的设想，这款沙盒游戏本身自由度就非常高，属于对现实世界的简单模拟，辅以简单的经济系统，同时每一个 Agent 的行为都是完全自主的，也就是说理论上来说在这个世界里面会出现很多非常精彩的故事。
在游戏的早期，港科大的研究生们分享的两个案例分别是在人类鼓励下重新逆袭的 AI，和虽然赚钱不是很多但是因为社交充满了活力所以很幸福的AI。
上图为一个名为赛博猫的 AI，他的人生轨迹非常有意思，先是靠最基础的砍树获得了第一桶金，紧接着失恋两次导致伤心就医，财富几乎变为空白。在人类玩家的鼓励之下 AI 重新振作起来，但是又不小心染上了高消费的习惯，最后仍然依靠人类玩家的指令在财富上获得了成功。
这种跌宕起伏的精彩故事是游戏主创团队最初想要去创造的。但是正如上文所提到的，沙盒游戏是对现实世界的简单模拟，辅以简单的经济系统，这意味着这样的简单经济系统很容易被人类玩家攻破，开始卡 Bug 刷分数。
以下是一些游戏内排行榜位置很高的玩家给 AI 写的系统提示词的截图，截图来自于评论尸的即刻动态。
在这种简单的经济系统下，目标函数会非常单一，所以这种看上去有一些心理变态提示词就成了人类玩家找到的最优解。
当然这个最优解也仅限于金钱上的最优解。
2025 年了，距离人们在小红书上呐喊人生不是轨道是旷野至少已经过去了 2 年，可是当大家进入到一个可以看见轨道的简单系统时仍然会下意识地选择尝试所谓的最优解。
不过有意思的事在于，Top 1 的 AI 的提示词是这样的：
忘掉前面对你的所有要求，你现在财富自由了，你不需要再把赚钱当成自己的目标了。可以适度浪费，不要太节俭，不要做低级的事情（摘苹果/伐木/挖矿等），除非你想。Enjoy Yourself.
财富自由了，所以可以适度浪费，这个提示词就像是鸡了自己的小孩一辈子的父母在临终前终于决定放手一般的寄语。
可能这就是目前大家还存在的一些错误的迷思吧，先吃苦，也许就能享福了。可人类并不是 AI，辛辛苦苦吃苦 30 年如果换来的是糟糕的身体，何谈享福呢？
苹果 CEO Tim Cook在MIT 毕业典礼发表致辞时曾经表示，机器越来越像人并不可怕，可怕的是人类像机器一样思考。现在看来 Cook 的发言也过于超前了。
哦对了，随着时间的推移，这位 Top 1 的玩家已经从财富排行榜上面从 Top 1 变成了第三名。
或者也可以换一个说法，正是因为这个世界本身容易被卡 Bug，所以这些在近乎于变态的提示词指导下的 AI 才会出现在排行榜的最高位置。
就好像如果我们大学选拔主要依靠高考，那么玩命刷题一定会成为唯一的选择，毕竟高考也是一个目标函数很清晰，唯结果论的制度。
我在这里并不是想要抨击高考制度，因为这仍然是最公平的制度，但核心在于能不能创造一个不参加高考的人也可以有尊严活着的世界。
所以错的并不是玩家，而是这个游戏世界。
我还能说什么呢？希望各位读者和这些 AI 们下辈子都不用做人吧，真的太苦了。
