
我以前开玩笑说,我拿的是诗歌学位而不是计算机工程学位,这样万一这股计算热潮退去,我还能有个退路。多亏了 AI,这已经几乎不再是个玩笑了。
软件工程——我过去 25 年职业生涯中有相当一部分时间都投入其中——正在经历一场信仰危机。那些真心相信手写代码之美的人,眼看着这份美好被夺走。而那些喜欢解决问题、喜欢用技术造东西的人,无论写不写代码,都得到了新的玩具去把玩、新的工具去掌握。
我把它比作 19 世纪以来的木工行业,那时粗刨、凿子和手锯让位于电动打磨机、路由器和台锯。行业规模扩大了,如今普通人也能买得起像样的家具。但还有另一种代价。
物理自动化的直截了当
如果你乐于成为一名机器操作员而不是工匠,那你就能立足。然而,如果你爱上了手刨刨出的薄木花在光下闪烁的样子,如今唯一还能靠此谋生的方式,就是把自己的手艺拍成视频,成为怀旧爱好者的网红。
我们拥抱了体力劳动的自动化,因为它给许多人带来了好处——负担得起的商品和空闲时间。我们在这场交易中贬低了工匠精神。坐在桌前工作变得比制作一张桌子更受尊重。但当聪明程序员的工作受到如此剧烈的冲击时,恐惧便波及了整个案头工作者群体。如果这样的脑力工作都如此脆弱,那么下一个是谁,又会是什么?
一个令人安心但错误的答案是:“人性”的东西是安全的,而编程是技术性的。要理解哪些人类技能能在 AI 自动化中存续,一个更好的方法是看一条与机器学习同样古老的原理,它能很好地解释什么可以被 AI 自动化、什么不能。这条原理自 50 年代以来从未改变,而且短期内也不太可能被打破。它很容易理解,但它所预测的东西却可能反直觉。
如此多的错误假设,如此多毫无根据的散布恐慌,都源于对 AI 自动化自然轨迹之本质的误解。
数字自动化的反直觉本质
为了帮助我的语言学习,我最近创建了一个自己声音的克隆来辅助发音。这花了我几个小时和大约 5 美元的计算额度,重新训练了一个免费的开源模型,现在它完全在我的掌控下,运行在我的 MacBook 本地。我用它录制了一期我的 AI 科普视频,并放给我的妻子听——她是一位专业音乐家,对声音极为敏感,和我共同生活了近 25 年。
她分辨不出那不是我。
创作艺术、写诗写歌,以及辨认所爱之人的面容或声音,感觉像是人类固有的活动。其中一些,比如人脸识别,已经走上了计算机科学家 Larry Tesler 所预言的道路:“智能就是机器尚未做到的一切。”这个“智能”的标签并没有在它身上停留太久。它只是成了日常生活的一部分。
然而,那些最像“我们”的活动,比如艺术、写作、说话,甚至写代码,一旦由机器完成,就动摇了我们的身份认同感。在这里,AI 这个标签牢牢地贴住了。机器从事我们认同的工作,也让我们把自己关于智能的自我形象投射到它们身上。
然而 AI 也可能显得极其愚笨。研究工作中 AI 的研究者给 AI 在各学科间这种不均衡的进展起了个名字:锯齿状前沿。1事实证明,机器擅长什么与不擅长什么之间的分界线,跟我们认为什么难、什么易之间的分界线相去甚远。
前沿之所以看起来参差不齐,只是因为我们用工作感觉有多“像人”来衡量它,这意味着某些学科乃至行业不会很快“追上”最外沿。
事实是,语音合成以及其他一切我们或视为理所当然、或担心会让我们被淘汰的东西,都符合 AI 擅长自动化什么的规律。这些规律源自机器“学习”的方式,而“学习”本身也只是一个纯拟人化的比喻。
理解什么可以被自动化
20 世纪 50 年代最早的 AI 程序是用手写的推理规则来设定的。具备学习能力的程序也在同一个十年出现,其中包括 IBM 的一个程序,它通过与自己的早期版本对弈来提升跳棋水平。2学习需要的不仅仅是设计,还需要一种记分的方式。这就是为什么 AI 如此擅长玩游戏,最终在寻找最佳获胜方式上超越了我们。
AI 研究者 Jason Wei 提出了“验证者定律”:一项任务越容易被检查,就越容易训练 AI 去做它。Andrej Karpathy 将旧的软件做法区分为你能规定的东西,而新的做法则是你能验证的东西。3事实证明,一段声音的数字录音很容易检查,也很容易与正在被克隆的参考声音进行验证。
为简便起见,我将 Wei 等人认为检查与验证所必需的所有要素——比如有正确答案、能够可靠地给它打分、以及能够借助足够的算力以高速反复自动化地完成——统统归入“评分”这一术语之中。
所有这些组成部分对于当今实现 AI 自动化都是必要的。但即便数据和算力变得越来越易得,归根结底,某种数值形式的分析以及对“正确性”的某种评估,才是决定什么能够(永远)被评分的成败因素。
然而,评分只是预测 AI 自动化的一部分。另一部分是价值,以及我们对“有价值”含义的共识。将工作沿这两个维度绘制,就得到了四个可供考虑的方框。

软件是人类有史以来产出过的最容易被评分的工作之一。它要么能编译要么不能,测试要么通过要么失败,而自动化测试在普通机器上只需几秒钟。只要它符合用途,就没人会质疑可用的软件值得拥有,这使代码位于右上角的方框。我克隆的声音就在它旁边。它要么通过妻子的测试,要么通不过。
然而,正如我之前所说的,永远不会有编译器能检查你诗中的 bug。你可以克隆一位诗人的风格,并恰到好处地遵循所有形式规范。但诗歌最大的诀窍在于避开平庸,而这恰恰是无穷无尽的数值比较与调整迭代所趋同的结果。形式与风格可以被评分;诗本身好不好则不能。这使诗歌位于右下角的方框。我做过一整场演讲来讲这个,如果你想听更多的话。
从社会的角度来看,育儿也许是世界上最重要的工作。自动给它打分(或者说打分本身)显得荒谬,尤其是因为可能需要数年、甚至几代人的时间才能看到结果,而这些结果本身往往容易识别却难以量化。它位于左上角,价值很高,却无法被评分。
最后一个格子容纳的是既无法被评分、也无法被客观估值的工作。我们那些成为业余木工的木匠,因自动化的物理机械而被归入这个格子,但如今却因此对数字自动化免疫。就像诗歌一样,产品的价值是品味问题,而品味因人而异,难以量化。
预测什么会被自动化
在编程之外,艺术和写作的自动化感觉像是在解决一个几乎没人想要被解决的“问题”。4被自动化的东西中有太多让我们惋惜,而未被自动化的东西中又有太多让我们不满。这是因为 AI 自动化的可能性并不遵循我们的意愿,而是遵循上文所述的自动评分与客观价值的原则。它感觉有多“像人”也并不重要:如果它在两者上都得分很高,那就是可能的。然而,这并不意味着它很可能发生。它只是告诉我们该在哪里排除不可能的情况。

让它变得可能的是市场激励。这与能够就客观价值达成一致不同。这关乎资本主义,关乎不仅拥有劳动力生产资料、还拥有知识工作生产资料的梦想。几十年来,一个拥有笔记本电脑的创意工作者拥有自己的生产资料,这比任何工厂工人所能拥有的都多。按需批量生产营销图像的 AI 把这些生产资料交还给任何为订阅付费的人,只需少量剩余工作即可发布并完成工作。
商业艺术和写作属于这一类。一份简报和一个付费客户提供了纯艺术所缺乏的价值共识和稳定收入。AI 正在自动化商业创意工作,这意味着艺术家将发现更难用与其纯艺术或文学实践相同的技能谋生。
不过我必须指出,纵观历史,想要靠纯艺术谋生的人,很少能轻松做到。梵高靠弟弟的津贴生活,许多著名艺术家靠继承的遗产过活。靠父母铺路的名门之后,是一项亘古不变的传统。
大约过去一个世纪里,人们还有副业和正职:沃霍尔画过鞋类广告,霍珀为杂志画过插画,鲁西迪写过广告文案,海明威和奥威尔当过记者。以商业方式从事艺术创作来磨练技艺,同时借此付房租,这才是 AI 时代真正受到威胁的东西。

我自己对艺术家和作家在没有第二职业的情况下如何生活的定性估计。5
当然,对大多数插画师、文案和译者来说,商业工作从来不是为更高追求所做的排练。那就是工作本身。在英国作家协会的一项调查中,四分之一的插画师和超过三分之一的译者表示,他们已经因生成式 AI 而失去了工作。6对他们来说,摆在面前的选择,就像旧时的木匠一样,是成为机器操作员。
为 AI 时代重新学习技能
在知识工作中,AI 产出交付物;人达成结果。交付物是你可以交出去的东西:报告、代码、幻灯片、营销图片。结果则是这件事最初的目的,比如你向董事会做的演示,或你谈成的销售交易。只有当其他人同意、采纳并完成复杂的社会互动时,结果才会发生。
许多交付物可以被评分,这就是为什么 AI 在那些可评分的事情上越来越擅长。相比之下,育儿是一组复杂的结果,每一个都无疑有价值,却全都无法评分。
然后是问责的问题。当事情出错时,模型没有脖子可掐。然而,如果你因为用 AI 做的工作而被解雇,接替你位置的人会坐在同一把办公椅上,使用同样的 AI 订阅套餐。
资本主义用一个存在性威胁让人保持尽责:不工作就没饭吃。它的运作方式远低于工匠对工作的自豪感。但它确实在运作,像一台机器。毕竟,市场有其自身的智慧。
鉴于这些起作用的力量,在机构教育和企业教育中,我们的现代技能培养都应聚焦于可被自动化之外的一切。同样重要的是,要理解如何利用 AI 自动化来提升我们所取得成果的价值,乃至我们所过生活的价值。
对个人而言,这意味着几个好习惯:在要求交付物之前先确定成果是什么;把返回的结果当作署了你名字一样去检查(因为它确实会署你的名!);与工作保持足够近的距离,以便你能核实它既正确又符合用途。我把这些以研究为导向的实践发展成了一种方法,叫做DRIVE。
学校的评分教给我们一切都可以被衡量,这就是为什么我们如此害怕失败。客观的衡量标准让学校教育可以规模化,因而易于获得(就像家具一样),但代价是那些在 AI 时代如今最有价值的无形之物:个人故事、大局观的创造性思维、明智的判断、不可动摇的伦理,以及为了学习而挣扎的能力。我尤其为挣扎辩护过,在Knowing the Answer Was Never the Point一文中。
总的来说,要做的工作是停止只根据可被评分的东西来评价自己。学校必须少花时间把分数当作已学会的代理指标,多花时间在学会如何学习以及思考本身。雇主必须继续接纳初学者,并把他们当作未来的领导者来对待,以免未来十年无人可选。7从 AI 自动化中获益最多的人必须分享他们的发现。彼此学习关于 AI、关于我们自己以及关于我们价值观的东西,能让我们重新找回身为一个团队的感觉。
希望?真的吗?
我遇到的几乎所有反 AI 论点都把 AI 当作一个引爆点,用来哀叹财富的两极分化和知识工作的被攫取。这种不满是真实的;技术只是最尖锐地显现了它,因为它击中了我们最痛的地方——我们的智识身份。
作为一名程序员和创作者,我已经被狠狠击中过两次;你大概会以为我对未来毫无希望。我的乐观来自理解 AI 能自动化什么、不能自动化什么,理解在工具本身之外晚期资本主义如何参与这场乱局,也来自一种必然性:我的侄子们将继承一个 AI 原生的世界。我想尽我所能,成为一股向善的力量,帮助我们过渡到一个恰当地重新聚焦于智能、安全且妥善地利用 AI 以造福所有人的未来。
与此同时,诗歌仍留在它一直所属的地方——我的后兜里。
- Fabrizio Dell'Acqua 及同事,Navigating the Jagged Technological Frontier,Organization Science37(2),最初于 2023 年流传:一项在波士顿咨询集团对 758 名顾问进行的实地实验。↩︎
- 所设计的程序是 Logic Theorist(Newell、Shaw 和 Simon,1956)。那个会学习的程序是 Arthur Samuel 的,描述于《Some Studies in Machine Learning Using the Game of Checkers》(1959),这篇论文普及了 machine learning 一词。↩︎
- Jason Wei,Asymmetry of verification and verifier's rule(2025)。Andrej Karpathy,Verifiability(2025)。↩︎
- 斯坦福的WORKBank 审计在 2025 年 1 月至 5 月间,就 104 种职业中的 844 项任务询问了 1,500 名工作者。总体而言,工作者对其中 46.1% 的任务欢迎自动化,在艺术、设计和媒体领域则为 17.1%。这些是任务的比例,不是人的比例。↩︎
- 整张图表都是基于有根据的推测,只有最后二十年对照过调查数据。请从它的形状来读它。教会让位于世俗赞助人,赞助人让位于开放市场,市场让位于商业性创意工作(以橙色标示),据我估计,后者支撑艺术实践已有约 140 年。其右边缘背后有两项调查。英格兰艺术委员会的Livelihoods of Visual Artists(2018)在 2016 年 3 月询问了 2,007 名艺术家的 2015 年收入:90% 的人表示其艺术实践所得不足以维持生活,近七成另有其他工作。该英国作者收入调查发现,仅靠写作维生的职业作者比例从 2006 年的 40% 降至 2022 年的 19%。↩︎
- 作家协会调查,2024 年 1 月,787 份回复:26% 的插画师和 36% 的译者。另一项针对约 140 万个自由职业岗位帖的研究发现,在 ChatGPT 发布后的八个月里,写作和编程类岗位相比手工技能类岗位下降了 21%,图像创作类岗位下降了 17%(Demirci、Hannane 和 Zhu,Management Science,2025)。↩︎
- Erik Brynjolfsson、Bharat Chandar 和 Ruyu Chen,煤矿里的金丝雀?,2026 年 8 月修订版,基于截至 2026 年 6 月的美国薪资记录。在受 AI 影响最大的职业中,22 至 25 岁劳动者的就业率比其与受影响较小职业中的同龄人保持同步增长时应有的水平低约 19%,主要原因是招聘人数减少。作者强调,这是数据中的一种模式,并不能证明是 AI 导致的。↩︎