“别只盯着模型多大、参数多少,真正决定 AI 未来的是资源约束、劳动形态和个人能力的重新定价。” — 熊辉
引子:一场不谈模型的 AI 演讲
如果你在过去两年参加过任何一场 AI 行业分享,你大概率听到的是这样一套叙事:先放一张模型参数量指数增长的曲线图,然后现场演示 AI 写诗、画画或者三分钟搭一个网站,最后留下一句”未来已来”。观众鼓掌离场,回到工位上继续焦虑。
2024年,百度前副总裁、罗格斯大学终身教授熊辉站在《太学》的讲台上,做了一场完全不同的演讲。
他没有展示最新的 benchmark,没有秀炫目的 Demo,甚至没有讨论哪家大模型又刷新了排行榜。他讨论的是一个更冷门、但可能更重要的问题:当 AI 改写了生产方式之后,普通人的职业价值锚点在哪里?
这个问题之所以值得认真对待,是因为绝大多数关于 AI 的公共讨论都在谈”AI 能做什么”——它能写代码、能画画、能通过律师资格考试——却很少有人系统地思考另外两个问题:”AI 的瓶颈在哪里?”以及”在一个 AI 无处不在的世界里,人的价值坐标系应该怎么重新校准?”
熊辉的演讲,本质上就是在回答这两个问题。他给出了一套由五个支点构成的分析框架:资源约束、新型劳动体、核心能力重估、数据稀疏地带、以及个人价值的重新分层。这套框架的独到之处在于——它不是从技术出发,而是从经济学和组织行为学出发来审视 AI 对职业的影响。换句话说,他不关心 AI 有多强,他关心的是这股力量撞上现实世界的物理定律和经济规律之后,会被塑造成什么形状。
这篇文章是对这场演讲的一次深度展开。我会沿着熊辉的五个核心论点逐一拆解,但不仅仅是复述——在每个论点上,我都会从不同的学科拉来证据做交叉验证,看看它到底能不能站住脚。
一、算力的尽头不是芯片,是电力
1.1 被忽略的物理层
在 AI 的公共叙事里,有一个奇怪的断层:人们津津乐道于 GPT 的参数量从 1750 亿涨到了万亿级别,但很少有人追问一个朴素的问题——训练和运行这些模型的电,从哪来?
熊辉在《太学》里首先提醒听众:当今最热的”大模型竞赛”并非纯粹的技术军备,而是一场受电力和基础资源约束的产业冲刺。这个判断听起来不够酷,但它指向的是一个比模型架构更底层、更硬核的现实。
让我们看几个数字。国际能源署(IEA)2024年的报告指出,全球数据中心的用电量已经超过了整个法国的全年用电量。而到2026年,仅 AI 相关的计算任务就可能让全球数据中心的电力消耗再翻一倍。英伟达的 H100 GPU 单卡功耗达到 700 瓦,一个装满 H100 的服务器机架功耗高达 40 千瓦——这相当于十几个普通家庭的用电量集中在一个不到两平方米的机柜里。再换一个更直观的尺度:你每向 ChatGPT 提一个问题,消耗的电力大约是一次谷歌搜索的十倍。当全球数十亿用户每天都在跟 AI 对话时,这个十倍会变成一个天文数字。
这不是一个可以靠”技术迭代”轻松解决的问题。芯片可以越做越小、越做越快,但热力学第二定律不讲情面:计算必然产生热量,散热必然消耗能量,能量必然来自某种物理过程。你可以优化软件算法,可以改进芯片架构,但你绕不开发电厂、输电网和冷却系统。
1.2 历史的回声:杰文斯悖论
熊辉的这个判断并不是独创——它实际上在重述一个有 160 年历史的经济学洞察。
1865年,英国经济学家威廉·斯坦利·杰文斯出版了《煤炭问题》一书。当时的主流观点认为,瓦特改良蒸汽机大幅提高了煤的使用效率,所以英国的煤炭消耗应该会下降。杰文斯却得出了一个反直觉的结论:效率的提升不会减少资源消耗,反而会因为使用成本降低、应用场景扩大而导致总消耗上升。
这就是著名的杰文斯悖论。它在此后的 160 年里反复被验证:电力越便宜,用电量越大;汽车油耗越低,人们开得越远;互联网带宽越高,数据流量越多。
AI 领域正在上演同样的戏码。大模型的推理效率确实在快速提升——同样的任务,今天需要的算力可能只有一年前的十分之一。但杰文斯会告诉你,这只会让更多的人、更多的场景开始使用 AI,最终推高而非降低总算力需求。当每个人的手机里都跑着一个个人助手,当每辆车都在做实时决策,当每家工厂的每条产线都由 AI 优化——届时的电力需求将是今天的数倍甚至数十倍。
1.3 谁在布局”发电厂”
理解了这个约束,你就能看懂一些看似反常的商业动作。
微软在2024年重启了三里岛核电站的部分机组,专门为其数据中心供电。亚马逊和谷歌在大力投资核聚变初创公司。OpenAI 的 CEO 萨姆·奥特曼个人投了超过 3.75 亿美元给核聚变公司 Helion Energy。这些科技巨头不是突然对环保产生了热情——他们是意识到,在 AI 时代,谁控制了稳定、廉价的电力供应,谁就拥有了最硬的护城河。
这就好比 19 世纪的铁路时代。大家都在讨论火车跑得有多快、能拉多少人,但真正赚大钱的不是造火车的,而是铺铁轨的、挖煤矿的、炼钢铁的。技术的光芒总是吸引最多的注意力,但底层基础设施才是决定格局的力量。
1.4 给职场人的启示
这个判断对普通人的职业选择意味着什么?
第一层含义是投资视角:如果你在考虑投资或创业方向,别只追最亮眼的模型热点。与 AI 供电、冷却、能源管理、电网调度相关的”环节型机会”,可能拥有比模型公司更持久的竞争优势。
第二层含义更深:它训练了一种看问题的方式。 每当你面临一个技术趋势,不要只看技术本身,要追问”它的物理约束是什么?”、”它依赖什么稀缺资源?”、”谁在控制这些资源?”把视角下沉一层,你的决策就不容易被表层噪音牵着走。
这种思维方式在经济学里有一个名字,叫”约束条件分析”。任何一个系统的产出,最终不是由它最强的部分决定的,而是由它最薄弱的环节决定的——这就是”木桶原理”在产业层面的应用。AI 最薄弱的环节不是算法,不是数据,而是电力和基础设施。看到这一点,你就比 90%讨论 AI 的人多了一个维度的认知。
二、新型劳动体:一个人加 N 台机器
2.1 从”包工制”到”代理人制”
英国工业革命之前,纺织业的主流生产方式叫”包工制”(putting-out system):商人把原材料分发给农村家庭,每家每户用手工纺车织布,再把成品交回商人。一个商人可能同时管理几十个家庭作坊,但每个作坊的产出完全取决于织工个人的手速和体力。
蒸汽机和珍妮纺纱机改变了这一切。工厂制度诞生了——工人不再在家单干,而是集中到工厂里,围绕机器协作。一个工人操作一台机器,产出是以前手工的几十倍。但请注意,真正改变的不是工人的能力,而是劳动的组织形式。
熊辉在演讲中提出的”人机协作新劳动体”概念,本质上是在描述第三次劳动组织形式的变革:不是人围着机器转,而是人指挥一群 AI 代理(Agent)组成的数字团队,同时推进多条工作流。
如果说工业革命把”一个人做一件事”变成了”一个人操作一台机器做一件事”,AI 时代正在把它变成”一个人编排 N 个代理做 N 件事”。
2.2 认知杠杆:比体力杠杆更强大
为什么这个变化如此重要?因为它创造了一种前所未有的”认知杠杆”。
我们都熟悉金融杠杆的概念:你用 1 万块钱的本金,借 9 万块钱的贷款,去投资一个 10 万块钱的项目。如果项目涨了 10%,你的收益不是 10%,而是 100%——这就是杠杆的力量。
AI 代理提供的是认知层面的杠杆。传统的知识工作者——程序员、律师、分析师——他们的产出受限于个人的认知带宽:一次只能想一个问题,一天只有那么多小时的高效思考时间。但如果你能把自己的判断力和决策能力”杠杆化”——通过明确的任务拆解和质量标准,让多个 AI 代理并行执行——你的产出就不再受限于你个人的认知带宽,而是受限于你”编排和验证”的能力。
这就像一个优秀的电影导演。导演不亲自演戏、不亲自打光、不亲自写配乐,但他协调几百人的团队,把自己的艺术判断力杠杆化到了极致。最终电影的质量取决于导演的视野和判断力,而不是他个人能否同时做所有事。诺兰不会比他的摄影师更擅长操作摄影机,但《奥本海默》之所以是诺兰的电影而不是任何其他人的电影,是因为每一个镜头都服务于他脑子里的那个叙事。
但杠杆是一把双刃剑。金融杠杆用好了叫”以小博大”,用砸了叫”爆仓”。认知杠杆也一样:如果你的判断是错的,多个 AI 代理会以高效率帮你把错误放大到每一个角落。这也是熊辉特别强调”证据链”的原因——没有验证机制的认知杠杆,等于在没有刹车的跑车上踩油门。
2.3 面试的新常态
熊辉做了一个很有画面感的预测:未来你去面试时,带去的不只是简历,而是一整支由多台代理组成的”数字团队”。
这话乍一听像科幻,但仔细想想,类似的事情已经在发生。在自由职业平台上,一个聪明的设计师已经不是单打独斗了——他用 Midjourney 做概念图,用 Figma AI 做布局,用 ChatGPT 写文案,用自动化工具批量交付。他一个人的产出抵得上以前一个小型设计工作室。甲方在意的不是他一个人能画多快,而是他能不能在规定时间内交付高质量的完整方案。
弗雷德里克·泰勒在 1911 年出版了《科学管理原则》,核心思想是把复杂工作分解成标准化的简单步骤,让每个工人只负责一步。这是”拆解工作、分配给人”。而现在发生的是一种逆向的泰勒主义——拆解工作、分配给 AI,而你是那个做拆解和质量把控的人。
2.4 三个可以量化的指标
熊辉给出了三个衡量”人机协作能力”的指标,我觉得非常实用:
并行度:同一时间你能高效管理多少条自动化工作流?这不是说你同时开十个聊天窗口就叫并行。真正的并行意味着每条工作流都有清晰的目标、明确的验收标准、以及你知道在什么节点需要介入。就像一个空中交通管制员,同时引导多架飞机着陆,不是因为他眼睛多,而是因为他有雷达系统和标准化的通信协议。
证据链:每条流程都能输出日志、测试结果和回滚方案吗?AI 的输出是概率性的,这意味着它有时会出错——而且出错的方式可能很隐蔽。如果你不能要求每条工作流都留下可追溯的证据,你就像一个不看仪表盘的飞行员:大部分时候没事,但出事就是大事。
迭代速度:从需求拆解到第一轮可验证结果,你把时间压到多短?在 AI 时代,”快速试错”不再是一种工作理念,而是一种硬性的竞争要求。你的迭代周期越短,你在同样的时间窗口内能探索的方向就越多,找到正确解的概率就越大。
这三个指标看起来像是技术管理的话术,但它们背后的逻辑适用于任何职业。一个市场营销人员同时用三个 AI 工具测试不同的文案方案,一个投资分析师让多个模型独立评估同一个标的——底层逻辑都是并行度、证据链和迭代速度。
三、核心能力重估:提问力与鉴赏力
3.1 苏格拉底的复仇
公元前 399 年,雅典法庭以”腐蚀青年”和”不敬神明”的罪名判处苏格拉底死刑。但苏格拉底留下了一种比任何具体知识都更持久的遗产——追问的方法。
苏格拉底的核心洞察是:真正的智慧不在于知道很多东西,而在于知道什么是自己不知道的,以及如何通过系统的追问来逼近真相。他发明的”诘问法”(Socratic method)本质上就是一种提问技术:通过反复追问前提、暴露矛盾、迫使对方(或自己)不断修正判断。
2400 年后,这种能力正在经历一次戏剧性的价值重估。
在大模型”博闻强识”的年代——它们读过的书比任何人一辈子能读的都多——“知道很多东西”已经不值钱了。你问 ChatGPT 任何领域的基础知识,它都能给你一个 80 分的回答。但它无法告诉你,哪些问题才是真正值得问的。 这正是熊辉反复强调”提问力”的原因:在信息过剩的时代,瓶颈不是答案的供给,而是好问题的生成。
3.2 “侍酒师”类比
让我用一个类比来说明”鉴赏力”为什么重要。
想象一个世界,所有人都能用 AI 酿造出品质不错的葡萄酒——成本低廉、产量巨大。在这个世界里,什么人最有价值?不是酿酒师(因为 AI 已经能做),而是侍酒师(sommelier)——那个能在 1000 瓶看似差不多的酒里,准确判断哪瓶最适合某道菜、某个场合、某种心情的人。
鉴赏力就是这种”侍酒师”能力。当 AI 能在几分钟内生成十篇文章、二十张设计稿、五十段代码时,生产不再稀缺,判断才稀缺。 谁能在一堆 AI 产出中快速识别出最好的那个?谁能说清楚”好”的标准是什么?谁能发现 AI 输出中那些隐蔽的错误?这个人就是价值最高的人。
查理·芒格说过一句话:”反过来想,总是反过来想。”如果我们反过来理解理查德·费曼的名言”What I cannot create, I do not understand”(我不能创造的东西,我就不理解),在 AI 时代它应该被改写为:**”What I cannot evaluate, I do not understand”——我不能评判的东西,我就不理解。**
3.3 交叉验证:一种实用的鉴赏力训练法
熊辉在演讲中分享了一个他自己的方法,我觉得非常聪明:让多个模型对同一主题”交叉答题”。
具体操作是这样的:你把同一个问题分别抛给 GPT、Claude、Gemini,然后对比三个模型的回答。如果三个模型的答案高度一致,说明这个领域的数据覆盖充分、模式清晰,AI 的回答大概率可靠。但如果三个模型给出了截然不同的答案,甚至互相矛盾——这就有意思了。
模型的”集体困惑”往往指向了人类知识的真正盲区。 这些盲区可能是因为该领域的训练数据不足,可能是因为问题本身具有内在的争议性,也可能是因为这是一个新兴的、尚未被系统化研究的领域。无论是哪种情况,这个”盲区”本身就是一个极有价值的信号——它告诉你,这里有值得深挖的矿脉。
这个方法巧妙地把鉴赏力的训练变成了一个可操作的日常习惯。你不需要成为某个领域的专家才能开始判断 AI 输出的优劣——你只需要学会让多个”专家”互相检验,然后从差异中读出信号。
丹尼尔·卡尼曼在《噪声》一书中讨论过一个相关的概念:独立判断的聚合。如果多个独立的判断者对同一个问题给出了相似的答案,这个答案的可信度就远高于任何单个判断者的结论。这正是多模型交叉验证的理论基础——每个大模型就像一个独立的”判断者”,它们的训练数据不同、架构不同、偏好不同,但如果它们趋向一致,就值得信赖。
3.4 三步练习法
基于熊辉的框架,我总结了一个每天可以做的练习:
第一步,**每天写下三个”机器答不好的问题”**。这比听起来要难。大多数人一开始写出来的都是”太笼统”的问题——比如”人生的意义是什么?”这不是好问题,因为它没有可评估的标准。好的”机器答不好的问题”应该是具体的、可验证的,但又处于 AI 知识的边界地带。比如:”我所在城市的某个老旧小区,未来五年的房价会怎么走?”——这个问题足够具体,但 AI 的训练数据几乎不会覆盖到如此细粒度的本地信息。
第二步,让两款模型同时作答,对比差异。不是为了找出”谁对谁错”,而是为了理解”它们在哪里产生了分歧、为什么会有分歧”。分歧本身就是信息。
第三步,记录你对答案优劣的判断依据,并迭代你的提示词。这一步最容易被跳过,但它恰恰是最重要的——因为只有当你把判断依据显性化、写下来,你才能逐渐建立起自己的”鉴赏力标准”。下一次遇到类似的问题,你就不再是凭感觉判断,而是有据可依。
四、去数据稀疏的无人区
4.1 AI 是水,数据是地形
如果要用一个自然现象来类比 AI 的渗透路径,我会选择”水”。
水总是从高处流向低处,沿着阻力最小的路径前进。AI 也一样——它最先、最深入、最彻底地渗透到那些数据最丰富、模式最清晰、评价标准最明确的领域。机器翻译、图像识别、棋类游戏、标准化代码生成——这些领域的共同特点是:训练数据海量,正确答案清楚,AI 可以通过大量练习达到甚至超过人类水平。
但水流不到高地。那些数据尚未被系统化收集、价值评价仍然混沌、正确答案因人因时而异的领域,就是 AI 流不到的”高地”——也是熊辉所说的”数据稀疏的无人区”。
4.2 蓝海与红海的另一种理解
W·钱·金和勒妮·莫博涅在 2005 年出版了《蓝海战略》,提出企业不应该在现有市场(红海)里跟对手血拼,而应该创造全新的市场空间(蓝海)。这个框架在 AI 时代获得了一层新的含义:
AI 能力最强的地方,就是最拥挤的红海。 当翻译、客服、基础编程、模板化写作都能被 AI 高质量完成时,还在这些领域跟 AI 竞争的人,就像在红海里跟鲨鱼抢鱼吃——理论上你也能抓到鱼,但效率和成本都没法比。
AI 能力最弱的地方,就是蓝海。 这些地方不是因为不重要而数据稀疏,而是因为太复杂、太本地化、太依赖人际信任和隐性知识,以至于还没有人(或者 AI)把它们系统化。
举几个例子来说明数据密集区和数据稀疏区的差异:
在翻译领域,商品短描述的翻译早已是 AI 的强项——海量的平行语料、模板化的句式、明确的质量标准。但文化类长文的翻译、带有地方文化隐喻的营销文案、需要理解品牌调性和受众心理的本地化——这些 AI 做得磕磕绊绊,因为训练数据里这类高质量样本极为稀少。
在编程领域,标准的增删改查(CRUD)和脚手架代码,AI 几乎可以一键生成。但跨系统架构迁移——比如把一个运行了十年的银行核心系统从单体架构迁移到微服务——这涉及到对业务规则的深度理解、对遗留代码的考古式发掘、以及对风险的精准评估。这些知识绝大部分存在于少数资深工程师的脑子里,从未被写成文档,更不可能出现在 AI 的训练数据中。
在咨询领域,通用的行业分析报告已经可以让 AI 在几分钟内生成一份 80 分的初稿。但深入某个细分市场的田野调查——走进工厂车间、坐在会议室里观察客户的决策过程、通过一手访谈挖掘出行业的真实痛点——这是 AI 无论如何做不到的,因为这些信息根本不在互联网上。
4.3 一个简单的判别法
怎么判断你所在的领域是”数据密集的红海”还是”数据稀疏的无人区”?熊辉给了一个非常简洁的判别法,我把它稍作改良,变成三个自问自答:
第一问:这个领域的训练数据是否已经足量且高质量? 如果你做的事情,在 Stack Overflow、GitHub、Wikipedia 或任何大型公开数据集上有海量的高质量样本,那你就是在红海里。
第二问:这个领域的”正确答案”是否明确? 如果你做的事情有清晰的对错标准(代码能不能跑通、翻译是否准确、图像是否匹配描述),AI 就能通过不断训练来逼近正确答案。但如果”好”的标准模糊、因人而异、依赖上下文——比如”这个产品设计是否优雅?”、”这个商业决策是否明智?”——那 AI 就缺乏明确的优化目标。
第三问:这个领域是否依赖大量的隐性知识和本地信息? 隐性知识(tacit knowledge)是迈克尔·波兰尼在 1958 年提出的概念——“我们知道的比我们能说出来的多”。一个经验丰富的医生”看一眼就知道这个病人不对劲”,一个资深销售”感觉这个客户快要签约了”——这些判断依赖的是大量无法文字化的经验和直觉,AI 的训练数据里几乎不可能有这些。
如果三个问题的答案分别是”否、否、是”,那恭喜你——你大概率处在一个数据稀疏的无人区,这里正是个人和小团队能跑赢 AI 巨头的窗口期。
4.4 Netflix 的启示
Netflix 的创业故事是”去无人区”策略的经典案例。
1997 年,里德·哈斯廷斯创办 Netflix 时,视频租赁市场已经有一个巨无霸——百视达(Blockbuster),在全球拥有 9000 多家门店。如果 Netflix 选择在同一个赛道上竞争——开更多的门店、拿更好的位置——它一定会输。
哈斯廷斯选择了一个当时看来非常边缘的市场:通过邮寄 DVD 来租赁电影。这个市场太小、太慢、太不方便,百视达根本看不上。但正是因为看不上,百视达从来没有认真收集过”邮寄租赁”的数据、从来没有优化过这个流程、从来没有理解过这群用户的需求。
Netflix 就在这个”数据稀疏的无人区”里积累了独一无二的用户数据和运营经验,然后当宽带技术成熟的时候,顺势转型为流媒体——而此时百视达已经来不及追赶了。
这个故事的教训不是”要颠覆巨头”,而是:在巨头不在意的地方建立你的数据壁垒和能力壁垒,等待时机把这些壁垒转化为更大的优势。
在 AI 时代,这个策略同样适用。去那些 AI 还做不好的地方,去那些训练数据还不够的地方,去那些需要”脚踏实地”才能收集信息的地方——在那里积累你的独特资产,然后用 AI 工具把这些资产的价值放大。
知道该去哪里是一回事,知道自己该成为什么样的人是另一回事。找到了无人区,你还需要一个方向盘——一个关于”个人价值层级”的清晰认知,才能决定你在无人区里做什么、做到什么程度。这就是熊辉框架的最后一块拼图。
五、从”人员”到”人物”:个人价值的重新分层
5.1 德鲁克早就说过
彼得·德鲁克在 1959 年就提出了”知识工作者”(knowledge worker)的概念,预言未来的经济将由脑力劳动而非体力劳动驱动。六十多年后,德鲁克的预言不仅实现了,而且正在进入第二阶段的演变。
第一阶段(1960-2020):知识工作者取代了体力工作者成为经济的主力。程序员、分析师、设计师、咨询顾问——这些人靠”知道什么”和”能做什么”获取报酬。
第二阶段(2020-):AI 开始取代知识工作者中的”执行层”。AI 也”知道”很多东西,也”能做”很多事情——而且更快、更便宜、不知疲倦。这就迫使知识工作者不得不向上攀爬,找到 AI 无法替代的价值层级。
熊辉借用他在人力资源研究中的分层模型,给出了一个非常清晰的三级框架:
5.2 三个层级
人员:执行重复、可流程化的任务。在编程领域,这是写 CRUD 的初级程序员;在翻译领域,这是做商品短描述翻译的译员;在咨询领域,这是整理数据、制作 PPT 的分析师。这一层是 AI 冲击最直接、最猛烈的。
人才:拥有专业技能,能高质量地解决复杂问题。高级程序员、资深翻译、首席分析师。这一层不会被 AI 一夜之间取代,但会面临持续的侵蚀——因为 AI 的能力边界在不断扩张。如果你仅仅停留在”高质量执行”的层面,你的优势会随着 AI 的进步而逐渐缩小。
人物:能整合资源、制定标准、承担风险与结果的人。他们的价值不在于”做”什么,而在于”决定做什么”以及”为结果负责”。技术总监决定架构方向,出版人决定出版什么书,基金经理决定投什么标的。AI 可以提供信息和建议,但做最终决定并承担后果——这是 AI 无法替代的,因为社会的运转需要可追责的主体。
纳瓦尔·拉维坎特在《纳瓦尔宝典》中有一个相似的表述:”不要在意一小时能赚多少钱,而要追求那些无法用时间来衡量的产出。”人员的价值按小时计费,人才的价值按项目计费,而人物的价值无法计费——因为他们创造的是标准、方向和不可替代的信任。
5.3 厨师与厨子
纳瓦尔还做过一个精妙的类比:厨师(chef)和厨子(cook)的区别。
厨子按照菜谱做菜。菜谱写什么,他就做什么。他的技能是精确执行——刀工好、火候准、摆盘美。但如果给他一堆没见过的食材,他不知道怎么办。
厨师不需要菜谱。他理解食材的底层逻辑——什么跟什么搭配、什么温度激发什么风味、什么口感满足什么心理需求。他可以面对全新的食材,从第一性原理出发,创造一道从未存在过的菜。
AI 是终极厨子——它能完美执行任何已知的”菜谱”(数据模式)。但它不是厨师——它不能面对一个全新的情境,从底层逻辑出发创造前所未有的解决方案。从人员到人物的升级,本质上就是从”厨子”变成”厨师”的过程。
5.4 三条升级路径
怎么从人员走向人物?熊辉给出了方向,我把它具体化为三条路径:
第一,把产出”作品化”。 不只是完成任务,而是把你的产出变成可以被他人直接复用的”作品”——一个开源工具、一套方法论文档、一个被广泛引用的分析报告。”作品”和”作业”的区别在于:作业交了就完了,作品会持续产生价值。每一件作品都是你能力的可验证证明,也是你在行业里的声誉资本。
第二,把决策”证据化”。 在 AI 能帮你快速生成方案的年代,”我觉得应该这样做”这种话越来越没有说服力。每一个关键决策都应该配对可验证的指标:我为什么选择方案 A 而非方案 B?评估标准是什么?预期结果是什么?如何验证?如何回滚?这种”证据化”的决策习惯不仅让你的判断更可靠,也让你在团队中建立起”这个人的判断是有据可依的”信任。
第三,把问题”故事化”。 技术问题有技术答案,但要推动一个组织采纳你的方案,你需要的不只是技术正确性——你需要让团队、客户、投资人都能理解你的思路,认同你的判断。最有效的方式就是把复杂的技术分析变成一个清晰的叙事:我们面对什么问题?我们尝试了什么?我们从失败中学到了什么?我们现在的方案为什么能行?
举个例子:同样是向管理层提议引入微服务架构,一种说法是”微服务能提高系统的可扩展性和容错性”——正确但无感。另一种说法是”上个月大促期间,订单系统的崩溃导致公司损失了 300 万;如果我们在六月份之前把订单模块拆成独立服务,下次大促时即使某个模块出了问题,其他模块照常运转,我们不会再丢这 300 万”——同样的技术判断,但包裹在了一个有痛感、有数字、有时间线的故事里。好的叙事能力让你的判断力被看见、被理解、被信任——这是从”人才”跃升到”人物”的关键一步。
六、行动清单:把框架落到明天的工作
理论再好,不能落地就是空谈。以下是四个”明天就能做”的具体操作:
操作一:使用多模型交叉答题。 对你正在处理的某个工作问题,同时让 GPT 和 Claude(或其他模型)各给出一份回答。花 15 分钟对比它们的差异,记录你的判断。坚持一周,你对 AI 输出质量的感知力就会有明显提升。
操作二:建立”证据链模板”。 从今天开始,你提交的每一个方案、每一个 PR、每一份报告,都附上四个要素:目标是什么→怎么测试→观测到了什么→如果失败怎么回滚。这不只是给别人看的——它会倒逼你自己把思考做得更严密。
操作三:每周一题”无人区探索”。 选一个你工作领域中数据稀疏的议题——可能是某个本地法规的特有流程,可能是某类客户的独特需求模式——做一次深度调研。不需要多长,一两个小时就够。关键是把调研结果沉淀下来,逐渐建立你的”独有资产库”。
操作四:跑一条全自动并行流水线。 用你手头的 AI 工具(Cursor、Codex、ChatGPT 都行),尝试让两条任务同时推进。比如一条在写代码,另一条在写测试;或者一条在做数据分析,另一条在生成可视化。不需要完美,重要的是亲身体验”一个人 + N 台机器”的产能扩张是什么感觉。
结语:四根坐标轴
回到文章开头的问题:当 AI 改写了生产方式之后,普通人的职业价值锚点在哪里?
熊辉的《太学》演讲给出了四根坐标轴:
第一根轴:看见资源约束。 穿透技术的光环,看到底层的物理和经济约束,你就能找到”硬价值”——那些不因模型更新而贬值的东西。
第二根轴:组织人机协作。 从”一个人做一件事”升级到”一个人编排 N 个代理做 N 件事”,你的产能才能突破人力极限。
第三根轴:锻造提问与鉴赏力。 在信息过剩的时代,生产能力不再稀缺,判断能力才稀缺。能提出好问题、能评判答案质量的人,将立于 AI 最难攻破的高地。
第四根轴:走进数据稀疏的无人区。 去 AI 还做不好的地方,积累你的独特资产,然后用 AI 工具把这些资产的价值放大。
带着这四根坐标轴,你就不必在每一次模型更新的浪潮里被动追随,也不必在”AI 要取代我了”的焦虑中消耗精力。你有了自己的参照系,可以主动绘制自己的职业图谱。
熊辉在演讲最后说的一句话,我觉得是最好的总结:”AI 并不仅仅是技术洪流,更是一场’资源—劳动—能力’价值链的重新洗牌。”
洗牌意味着旧的座次被打乱,但也意味着——新的座次还没有被确定。
1850 年代的人不知道”电气工程师”会成为一个职业。1990 年代的人不知道”产品经理”和”全栈工程师”会成为最热门的岗位。同样,2026 年的我们也无法准确预测十年后的职业形态。但我们可以看清一件事:那些能穿透技术表象看见底层约束的人、能编排人机协作而非单打独斗的人、能提出好问题并做出好判断的人、敢走进数据稀疏无人区的人——无论未来的职业叫什么名字,他们都会在那里。