“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
一个被问错了的问题
每当一波新技术浪潮到来，公众讨论中出现频率最高的问题永远是同一个：”它会取代我的工作吗？”
我想说，这个问题本身就问错了。
不是因为它不重要——当然重要，饭碗的事谁不关心。而是因为这个问题的框架暗含了一个错误假设：它假设存在一条清晰的分界线，线的一边是”会被取代的工作”，另一边是”不会被取代的工作”，你只要搞清楚自己站在哪一边就行了。
现实从来不是这样运作的。
历史上每一次重大的技术变革——蒸汽机、电力、互联网——都没有简单地”消灭”一批工作然后”保留”另一批。它们做的事情更微妙也更深远：它们改变了”价值”的定义本身。 蒸汽机出现之后，”力气大”不再等同于”有价值”；互联网出现之后，”信息多”不再等同于”有价值”。不是你的工作消失了，而是衡量你工作价值的那把尺子变了。
所以，真正值得问的问题不是”AI 会不会取代我”，而是——在 AI 时代，衡量一个人职业价值的尺子，会变成什么样子？
一旦你把问题换成这个，整个思考的方向就变了。你不再是站在原地恐惧地等待”被取代”的判决，而是开始主动地研究那把新尺子——它的刻度是什么？它量的是什么维度？它偏爱什么、忽略什么？
这恰好是熊辉在《太学》演讲中试图回答的问题。而他的回答，让我认真思考了很久。
从最不性感的地方开始
如果你去参加一场 AI 行业大会，你会听到无数人在谈模型、谈参数、谈 benchmark。但熊辉上台后做了一件反直觉的事情：他首先谈的是电力。
是的，电力。发电厂、输电网、冷却系统——这些工程师和投资人讨论 AI 时几乎不会提到的东西。
这看起来很不性感，但熊辉的逻辑链是这样的：大模型的训练和推理需要海量算力，算力需要芯片，芯片运行需要电力，而电力——这是关键——不是无限供给的。全球数据中心的用电量已经超过了很多中等国家的全年用电量，而且随着 AI 应用的爆发式增长，这个数字还在加速上升。
为什么这个判断重要？因为它颠覆了一个隐含的假设。
大多数人在思考 AI 的未来时，默认的假设是”算力会无限增长”——模型会越来越大，推理会越来越快，成本会越来越低，最终 AI 能做一切。这个假设在纯技术层面上也许是对的——摩尔定律的某种变体可能会继续生效。但在物理和经济层面上，它撞上了一堵墙：你不能从虚空中变出电力。
这让我想到了一个有趣的历史类比。
19 世纪中叶，英国正处于工业革命的巅峰。蒸汽机越来越高效，工厂越建越多，所有人都沉浸在技术进步的乐观情绪中。这时候，一个叫威廉·斯坦利·杰文斯的经济学家站出来泼了一盆冷水：他指出，蒸汽机效率的提升不会减少煤炭消耗，反而会因为降低了使用成本而导致煤炭需求暴增。英国面临的不是技术瓶颈，而是煤炭供给瓶颈。
杰文斯说对了。蒸汽机的普及最终确实让英国的煤炭消耗远远超出了所有人的预期。而真正在那个时代建立持久优势的，不是造蒸汽机最快的人，而是掌握了煤矿、铁路和基础设施的人。
今天的 AI 行业正在上演同样的故事。微软重启了核电站来给数据中心供电，亚马逊和谷歌在投资核聚变，OpenAI 的 CEO 个人往核聚变公司砸了数亿美元。这些举动的底层逻辑只有一个：在 AI 时代，电力是比模型更硬的护城河。
我之所以在这个看似与”职业规划”毫不相关的话题上花这么多篇幅，是因为它教给我们一种重要的思考方式：任何时候，当你试图判断一个趋势的走向时，不要只看它最炫的部分，要去找它最约束的部分。 系统的产出由最薄弱的环节决定，而非最强大的环节。
这个思维习惯如果迁移到个人职业规划上，意味着什么？它意味着：你不应该追着”最热门的技能”跑——因为最热门的地方恰恰是供给最充足的地方，也是竞争最激烈的地方。你应该去找那些”约束”所在的地方——那些大家忽略的、但系统没了它就转不动的环节。
这就自然引出了熊辉的第二个论点。
从”做事的人”到”编排事情的人”
让我先讲一个思想实验。
假设你是一个程序员。现在有两种工作方式摆在你面前：
方式 A：你坐在电脑前，从早写到晚，一天写 500 行代码。质量不错，效率也算高。
方式 B：你花一个小时想清楚任务怎么拆解，然后同时启动三个 AI 代理——一个写业务逻辑，一个写单元测试，一个做代码审查。你花两个小时在三个代理之间切换，检查它们的输出，修正方向，整合结果。一天下来，你产出了 3000 行经过测试和审查的代码。
方式 B 的产出是方式 A 的六倍。但请注意，你写的代码量反而更少了。你多出来的产出不是因为你打字更快了，而是因为你做的事情变了——从”写代码的人”变成了”编排代码生产流程的人”。
这就是熊辉所说的”人机协作新劳动体”的核心含义。
这个变化的深远程度，可能比大多数人意识到的更大。让我从几个角度来解释为什么。
首先，它改变了”能力”的定义。在传统的工作模式中，你的价值主要取决于你的”执行能力”——你写代码写得多好、你翻译翻译得多准、你分析分析得多深。但在新的模式中，你的价值越来越取决于你的”编排能力”——你能不能把一个复杂的问题拆解成多个可并行执行的子任务？你能不能为每个子任务设定清晰的质量标准？你能不能在多条工作流之间高效切换、发现问题、修正方向？
这是一种完全不同的技能集。有些人在旧体系里是顶尖执行者，但在新体系里可能不善于编排。反过来，有些人在旧体系里不是最快的执行者，但他们思维清晰、善于拆解问题、对质量有敏锐的直觉——这些人在新体系里可能会脱颖而出。
其次，它改变了”产能”的上限。一个人的执行能力有生理上限——你一天最多能高效工作八到十个小时，一年最多能掌握两三门新技能。但一个人的编排能力没有明确的上限——理论上，只要你能设计出足够好的工作流、建立足够可靠的质量检验机制，你可以同时管理任意多条自动化流水线。
这让我想到了金融领域的一个概念：杠杆。
在金融里，杠杆让你用少量本金撬动大量资产。AI 代理提供的是”认知杠杆”——让你用有限的判断力和决策能力，撬动远超个人产能的输出。但就像金融杠杆一样，认知杠杆也有风险：如果你的判断是错的，杠杆会放大你的错误。这就是为什么熊辉强调”证据链”——每条工作流都必须输出可追溯的日志、测试结果和回滚方案。没有证据链的认知杠杆，就像没有风控的金融杠杆——赚的时候很爽，爆的时候很惨。
最后，它改变了”面试”的内涵。熊辉预测，未来你去面试时带去的不只是简历，而是一整支”数字团队”。这话如果往深了想，它暗示着一种全新的雇佣关系：雇主买的不再是”你这个人八小时的时间”，而是”你加上你的数字团队所能交付的成果”。这意味着个体之间的产能差异可能会急剧拉大——不是因为人与人之间的能力差异变大了，而是因为杠杆效应会把微小的差异放大到巨大。
好的编排者和差的编排者之间的差距，可能不是两倍三倍，而是十倍二十倍。这是一个令人不安的推论，但逻辑上它站得住。
这里面还有一个微妙的心理障碍值得提一下。很多资深的专业人士——优秀的程序员、经验丰富的设计师——在面对这个转变时，会感到一种”身份感的丧失”。他们多年来建立自我认同的方式是”我是一个写出漂亮代码的人”、”我是一个设计出优雅界面的人”。让他们从”亲手做”转向”编排别人（或 AI）做”，感觉像是被剥夺了手艺人的尊严。这种情绪是真实的，也是合理的。但历史不会因为我们的情绪而暂停。印刷术出现的时候，最好的抄写员也不愿意放下羽毛笔。
真正稀缺的不是答案，是问题
现在让我们进入熊辉演讲中我认为最有洞察力的部分。
他说，在大模型时代，两种能力变得格外重要：提问力和鉴赏力。
这两个词听起来很抽象，让我把它们拆开来看。
先说提问力。
表面上看，”提问”是一件很简单的事——你有什么不知道的，就去问。但如果你认真想想，你会发现”提出一个好问题”其实极其困难。
什么是好问题？一个好问题应该满足几个条件：第一，它指向一个真正重要的未知领域，而不是一个已经有标准答案的已知问题；第二，它的范围足够具体，使得回答可以被验证，而不是一个大而无当的宏大叙事；第三，它能引出新的、非显而易见的发现，而不仅仅是确认你已经知道的东西。
科学史上最伟大的进步，几乎都始于一个好问题，而非一个好答案。达尔文没有”发明”进化论——他问了一个别人没有认真问过的问题：”为什么加拉帕戈斯群岛上不同岛屿的雀类长得不一样？”爱因斯坦没有”计算出”相对论——他问了一个看似荒唐的问题：”如果我以光速骑在一束光上，我会看到什么？”
在 AI 时代，”提问力”的重要性被进一步放大了。原因很简单：AI 是一个极其强大的”答案机器”，但它是一个极其糟糕的”问题机器”。 你给它任何问题，它都能给你一个看起来不错的回答。但它不会主动问你：”你确定你问对了问题吗？”它不会告诉你：”你应该先去搞清楚另一个问题。”它不会指出：”你问的这个问题基于一个错误的前提。”
这意味着，在人 + AI 的协作中，”提出正确的问题”这件事完全落在人的肩上。如果你问了一个错误的问题，AI 会很认真地给你一个精确但无用的答案——就像你在 GPS 里输错了目的地，导航系统会非常精确地把你带到一个你根本不想去的地方。更糟糕的是，AI 的回答往往看起来很专业、很自信、格式很漂亮，这会让你更难意识到自己问错了——GPS 的导航界面并不会因为目的地输错了而变得难看。
再说鉴赏力。
如果说提问力解决的是”问什么”，鉴赏力解决的是”怎么评判答案的质量”。
在 AI 能秒出答案的时代，”生产”不再是瓶颈。你可以让 AI 在几分钟内生成十份营销方案、二十段代码实现、五十个产品命名方案。瓶颈在于：从这些海量输出中，你能不能准确地挑出那个最好的？ 更进一步，你能不能说清楚”好”的标准是什么？
这很像品酒。世界上有数不清的葡萄酒，大多数人喝起来觉得”差不多”。但一个训练有素的侍酒师能在盲品中区分年份、产区、甚至酿酒师的风格。他的价值不在于能生产更好的酒，而在于他的味蕾经过了足够多的训练，能感知到普通人感知不到的差异。
AI 时代的”鉴赏力”就是这种”训练过的味蕾”。它不是天生的，而是可以通过刻意练习来培养的。
熊辉分享了一个我觉得特别聪明的练习方法：多模型交叉验证。
操作很简单：把同一个问题同时抛给 GPT、Claude 和 Gemini，然后仔细对比它们的回答。如果三个模型的答案高度一致，说明这个问题的答案在训练数据中有充分的覆盖，大概率可信。但如果三个模型给出了截然不同甚至互相矛盾的回答——这才是最有意思的情况。
为什么有意思？因为模型的”集体困惑”往往指向了人类知识体系中的真正盲区。这些盲区可能是因为训练数据不足，可能是因为这个领域本身存在争议，也可能是因为这是一个还没有被系统化研究的新领域。
无论是哪种情况，这个”盲区”本身就是一个极有价值的信号。它告诉你两件事：第一，AI 在这里不可靠，你需要依赖自己的判断或去做一手调研；第二，这里有尚未被开发的认知领土——如果你能在这里建立起可靠的知识，你就拥有了 AI 无法提供的独特价值。
这就引出了熊辉的下一个论点——也许是他整个演讲中对职业规划最有操作性的一个。
为什么你应该去”没有数据”的地方
大多数关于 AI 时代的职业建议，说来说去就是两条：”学会使用 AI 工具”和”提升不可替代的软技能”。这两条都没错，但也都太笼统了——它们没有告诉你具体该往哪里走。
熊辉给出了一个出人意料的具体方向：去数据稀疏的地方。
让我解释一下这句话的含义，因为它比表面看起来深刻得多。
AI——特别是当前的大语言模型——的能力边界，本质上由它的训练数据决定。训练数据丰富的领域，AI 就强；训练数据稀疏的领域，AI 就弱。这不是工程能力的问题，而是底层逻辑决定的——你不可能从没见过的数据中学到模式。
所以，如果你想要在一个 AI 很强的领域跟它竞争——比如标准化翻译、模板化编程、通用数据分析——你面临的是一场你几乎不可能赢的消耗战。AI 更快、更便宜、不知疲倦、不会抱怨。
但如果你去一个 AI 的训练数据还不充分的领域呢？
这些领域通常有几个特征：高度本地化（信息只存在于特定地理区域或特定社群中）、高度隐性化（知识存在于人们的经验和直觉中，从未被写成文字）、高度情境依赖（正确的做法因时因地因人而异，没有标准答案）。
让我举几个具体的例子。
一个深耕中国某个三线城市商业地产十年的顾问，他脑子里关于”这条街的人流量什么时候最大”、”这个小区的居民消费习惯是什么”、”当地政府的规划思路是什么”的知识，在任何 AI 的训练数据里都找不到。这些知识是他用脚一步步走出来的，用眼睛一天天观察出来的。在可预见的未来，没有任何 AI 能替代他——不是因为 AI 不够聪明，而是因为这些数据根本不在线上。
一个在跨国公司做了二十年合规工作的法务专家，她对”这个特定行业在这个特定国家的灰色地带”的理解，对”这个监管机构的实际执法尺度”的感知，不在任何教科书或公开数据中。这些是她在无数次与监管者周旋、在无数次法律风险的刀刃上行走后积累下来的”身体知识”。
一个经验丰富的心理咨询师，她能在来访者说出第三句话的时候就感觉到”这个人真正的问题不是他说的那个”。这种直觉来自于几千个小时的面对面咨询经验，来自于对微表情、语调变化、身体语言的长期训练。这些东西不在文字记录里——即使有逐字稿，AI 也读不出那些”文字之间的东西”。
迈克尔·波兰尼在 1958 年提出了”隐性知识”的概念，一句话概括就是：”我们知道的，远比我们能说出来的多。”AI 只能学习被”说出来”（即被数字化、被写成文字、被录制成数据）的知识。所有那些”没有被说出来”的知识——经验直觉、情境判断、文化默契——都是 AI 的盲区。
所以，熊辉说的”去数据稀疏的地方”，翻译成操作语言就是：去那些需要用脚走、用眼看、用手摸、用心感受才能获取信息的地方。 在那里积累起你的独有知识库，然后——这是关键——用 AI 工具把这些独有知识的价值放大。
举个例子：那个三线城市的商业地产顾问，如果他只会用脚走、用眼看，他的服务范围就受限于他个人的时间和精力。但如果他把十年的经验沉淀成一套方法论，再用 AI 工具来辅助分析数据、生成报告、自动化日常调研——他的产能就可以突破个人极限，而他的核心竞争力（本地化的隐性知识）是任何人和任何 AI 都无法复制的。
这就是”数据稀疏”与”人机协作”两个论点的交汇处：去没有数据的地方获取独有资产，然后用 AI 的力量杠杆化这些资产。
这个策略为什么可行？因为它利用了 AI 的一个结构性弱点：AI 需要大量数据来训练，而数据的分布天然是不均匀的。热门领域数据充裕，冷门领域数据稀缺。这种不均匀性不是暂时的——它是由现实世界的物理结构决定的。你不可能把所有街道的人流量、所有会议室里的对话、所有人脑子里的直觉都变成训练数据。至少在可预见的未来不能。
所以，”去数据稀疏的地方”不是一个临时的投机策略，而是一个有结构性支撑的长期定位。
这其实也解释了为什么很多创业者天然就在做”数据稀疏区”的事——他们深入到一个具体的行业、一个具体的场景中，积累了大量一手经验，然后用技术工具来杠杆化这些经验。好的创业者从来不是在”热门赛道”上跟巨头正面竞争，而是在”别人看不上、看不见、看不懂”的地方扎根，等根扎深了再向外扩张。
人员、人才、人物
到目前为止，我们讨论了：该去哪里（数据稀疏的地方）、该怎么干活（一个人 + N 台机器）、该修炼什么能力（提问力和鉴赏力）。但还有一个更根本的问题没有回答：你要成为什么样的人？
熊辉借用他在人力资源研究中的分层框架，给出了一个简洁但深刻的三级模型：人员 → 人才 → 人物。
让我把这三个层级拆开来看，然后讨论它们在 AI 时代各自面临的命运。
人员，做的是重复性、可流程化的工作。输入明确，输出明确，中间过程可以标准化。在旧时代，这一层是劳动力市场的主体——大量的工人、职员、操作员。在 AI 时代，这一层首当其冲。不是因为 AI”抢了”他们的工作，而是因为他们做的工作本质上就是”执行明确的规则”，而执行明确的规则恰恰是计算机最擅长的事情。
人才，拥有专业技能，能解决非标准化的复杂问题。高级工程师、资深设计师、经验丰富的律师。这一层在短期内不会被 AI 取代，但面临持续的压力——因为 AI 的能力边界在不断扩张。今天 AI 做不好的事情，明年可能就能做了。如果你的价值仅仅在于”高质量执行”，那你的优势是一个不断缩小的窗口。
人物，做的是定方向、定标准、担后果的事情。他们的价值不在于亲手做了什么，而在于他们的判断和决策改变了事情的走向。一个技术总监决定采用微服务还是单体架构，一个出版人决定出版哪本书，一个基金经理决定重仓哪个行业——这些决策的质量决定了整个团队或组织的命运。
AI 可以给决策者提供大量的信息和建议。但有两件事它做不到：
第一，它不能替你做最终决定。在信息不完备、后果不可逆的真实情境中，必须有一个人说”就这么干了”。这个人需要承受不确定性的压力，需要在信息不足的情况下做出判断，需要为结果负责。这不是技术能力，这是一种心理品质和社会功能。
第二，它不能替你承担后果。当事情搞砸了，必须有一个可追责的主体出来面对。社会的运转依赖于这种可追责性——合同要有人签字，决策要有人背书，失误要有人担责。AI 可以辅助，但不能担责。
所以”人物”这一层，在可预见的未来，是 AI 最难触及的。
这并不意味着成为”人物”就可以高枕无忧。恰恰相反——AI 时代对”人物”的要求会比以前更高。因为 AI 降低了执行层的成本，决策层的杠杆效应就更大了：一个好的决策通过 AI 可以被更快、更广泛地执行，价值被放大；一个坏的决策同样会被更快、更广泛地执行，灾难也被放大。
那么，如何从”人员”或”人才”向”人物”升级？
我从熊辉的框架中提炼出三条路径：
路径一：让你的产出变成”作品”而非”作业”。 “作业”是交给别人就完事的，没人记得你做过哪些作业。”作品”是可以署名的、可以被他人引用和复用的、代表你水准的东西。同样是写代码，写一个内部 CRUD 接口是作业，写一个被广泛使用的开源工具是作品。同样是做分析，完成一份上级交代的数据报告是作业，写一篇被行业引用的深度研究是作品。作品是你能力的”可验证证明”，是你职业声誉的基石。
路径二：让你的决策有”证据链”。 不是凭感觉做决策，而是每一个关键决策都配对清晰的逻辑链——目标是什么、假设是什么、证据是什么、如何验证、如果错了怎么办。这种习惯做的不只是提高决策质量，更重要的是它让你的决策过程变得”可审计”——别人可以看到你的思维过程，理解你的逻辑，信任你的判断。在一个充斥着 AI 生成内容的世界里，”可追溯的人类判断”本身就是稀缺品。
路径三：学会”讲故事”。 这听起来很软，但在实践中极其重要。技术能力决定了你能看到什么，叙事能力决定了别人能不能看到你看到的东西。一个技术总监如果不能用清晰的叙事把架构决策的逻辑传达给CEO，他的判断力再强也无法影响组织的方向。一个创业者如果不能用引人入胜的故事让投资人理解他的愿景，他的洞察力再深也无法转化为资源。从”人才”到”人物”的跃迁，往往不是因为你变得更聪明了，而是因为你学会了让自己的判断力被更多人看见和信任。
那么，明天做什么？
讨论了这么多，让我试着把熊辉的框架收束为几条可以立刻执行的操作。
第一，把”约束条件分析”变成一种思考习惯。 每当你听到一个新的技术趋势或商业机会，问自己三个问题：它依赖什么稀缺资源？谁在控制这些资源？这些约束在可见的未来能被解除吗？这个习惯不只适用于 AI——它适用于你职业生涯中遇到的几乎所有重大判断。
第二，从今天开始练习”编排”而非”执行”。 找一个你手头的实际任务，尝试把它拆解成多个子任务，分配给 AI 工具并行执行。不需要很复杂——哪怕只是让一个 AI 写代码、另一个 AI 写测试，然后你来整合。重要的是亲身体验一下”一个人 + N 台机器”的工作方式是什么感觉。你会发现瓶颈不在 AI 的能力上，而在你拆解和验证的能力上。
第三，开始做”多模型交叉验证”。 你正在处理的某个问题，同时问两到三个不同的 AI 模型。认真对比它们的回答，记录差异和你的判断。把这个练习变成每天的习惯——就像品酒师每天做味觉训练一样。一两个月后，你对 AI 输出质量的判断力会有质的提升。
第四，找到你的”无人区”。 审视你的工作领域，问自己：哪些知识是高度本地化的、高度隐性化的、高度情境依赖的？哪些信息是你用脚走出来、用经验积累出来、但从来没有被系统化的？那就是你的无人区。每周花一两个小时，把这些知识开始沉淀——写下来、建模型、做框架。这些就是你在 AI 时代最宝贵的资产。
第五，把你的下一份产出变成一件”作品”。 不管你的本职工作是什么，找一件正在做的事情，把它从”完成任务”的标准提升到”值得署名”的标准。写一份能被同行引用的报告，做一个能被团队复用的工具，设计一套能被后人参照的流程。一件作品胜过一百份作业。
这五条操作看起来很朴素，没有一条需要”等 AI 再发展两年”才能开始。事实上，大多数真正有价值的职业动作都不需要等——需要等的，往往是你下定决心的那一刻。
尾声
我在最开始说，”AI 会不会取代我的工作”是一个被问错了的问题。那个正确的问题是：”在 AI 时代，衡量职业价值的尺子会变成什么样？”
熊辉的《太学》演讲，实质上就是在描述这把新尺子的刻度：
第一个刻度：你是否理解技术背后的约束？ 看穿表象、直抵瓶颈的能力，在任何时代都稀缺。
第二个刻度：你能不能”杠杆化”你的认知？ 从一个人做一件事，到一个人编排 N 件事——这是产能的量级跃升。
第三个刻度：你能不能提出好问题、做出好判断？ 在答案泛滥的时代，好问题和好判断才是真正的稀缺资源。
第四个刻度：你是否占据了数据稀疏的高地？ 在 AI 能力最弱的地方建立壁垒，然后用 AI 放大壁垒的价值。
第五个刻度：你是”人员”、”人才”还是”人物”？ 执行可以被自动化，专业技能可以被侵蚀，但做决定并承担后果——这是人类社会运转的基石，AI 无法替代。
这五个刻度构成了一把新的尺子。用这把尺子量一量自己，你就知道你现在站在哪里、应该往哪里走。
最后说一句。
每一次技术变革都会引发恐慌。蒸汽机来的时候，人们害怕机器会让所有人失业。电力普及的时候，人们害怕工厂会吞噬城市。互联网兴起的时候，人们害怕信息洪流会淹没一切。但回头看，这些变革最终不是毁灭了人的价值，而是重新定义了什么是有价值的。
AI 时代也会如此。
旧的价值会贬值，新的价值会浮现。关键在于——你是在旧地图上寻找旧的宝藏，还是拿起新的尺子，去绘制一张属于自己的新地图。
1839 年，达盖尔发明了摄影术。当时的画家们恐慌了——“绘画已死”。但回头看，摄影术杀死的不是绘画本身，而是绘画中”忠实记录现实”的那个功能。绘画失去了一个旧的理由，但找到了更多新的理由——印象派、抽象派、表现主义，都是在摄影术之后才涌现的。画家不再需要比相机画得更”像”，反而可以去探索只有人类的感知和想象力才能触及的领域。
AI 之于知识工作，很可能就是摄影术之于绘画。它会杀死一些旧的价值，但也会释放出大量我们现在还看不清楚的新价值。
熊辉的那句话值得最后再说一遍：”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。”
洗牌之后，新的牌局已经开始。而你手里的牌是什么，取决于你此刻的选择。