撰文:Will 阿望
过去一年,我参加过一些 AI 主题的行业大会。台上嘉宾轮番演示 AI 的花活,台下的人举着手机拍屏幕,发完朋友圈就继续刷手机。但是回到办公室,还是同样的周会、同样的审批、同样的周报。大厂已经把 Token 消耗量写进了 KPI,有人靠脚本刷量就成了劳模。朋友圈里那帮人,今天 Claude 革命,明天 Codex 牛逼,后天 Gemini 万岁——这是在拥抱革命,还是在快步赶场?
这些都是噪音,不是我想要的答案。
真正的问题不是 AI 够不够强——蒸汽机已经造好了,问题是谁第一个拆掉旧车间。
工业革命真正开始的那天,不是瓦特改良蒸汽机,是兰开夏郡的工厂主决定离开河流、围绕蒸汽机重建车间。AI 最重要的时刻也一样——不是大模型被发明的那天,而是第一个组织决定拆掉旧流程、围绕 AI 重建生产方式的那天。这一天还没来。但它已经在路上了。
两个人很早就看到了这件事。Notion CEO 赵伊万在 2025 年末写了一篇《Steam, Steel, and Infinite Minds》,判断很冷:我们仍处于「替换水车」的阶段——在现有工具上附加 AI 聊天机器人,但没有人重新设计工厂。OpenAI 前员工 Leopold Aschenbrenner 走了另一条路:写了 165 页的《Situational Awareness》,然后建了一个基金,从 2.25 亿美元做到 136.8 亿美元,全部押注 AI 基础设施。一个在向内看,一个在向外赌。
这篇文章不是关于他们的。是关于我们——我们现在站在哪里,我们又在重复哪一段历史。
( Power-loom weaving, engraving by J. Tingle after Thomas Allom, 1835 / Wikimedia Commons )
一、车间还是旧的
大部分人的一天是这样的:早上用 AI 写了一封邮件,省了十分钟;然后花两小时开一个本可以不开的周会;下午在三个工具之间复制粘贴同一组数据;晚上发了条朋友圈说「AI 真香」。省下的十分钟,被旧流程原封不动地吃回去了。
同样,蒸汽机出现的时候,工厂主最初也只是把水车换成蒸汽机,其他一切不变——工厂还是建在河边,还是多层楼房,还是中央传动轴带动整条产线。我们把 ChatGPT 装进 Slack,把 Copilot 加进 Office,把 AI 聊天窗口嵌在工作流上——做的是同一件事。工具升级了,车间没变。
但换了新机器不等于换了车间。麦克卢汉说得好:
我们通过后视镜驶向未来。用旧流程去容纳新工具,就像早期的电影不过是拍摄的舞台剧。真正的突破,要等到有人将蒸汽机彻底摆脱河流,围绕新动力重新设计整个生产方式。
把工业革命的时间线和 AI 对照着看,大概能定位我们在地图的哪里:
如今的时间线被极度压缩。工业革命从蒸汽机到铁路狂热用了 60 年,AI 从 Transformer 到数据中心建设潮只用了 7 年。
速度不是问题,问题是我们卡在了哪里——前四行全都还是旧车间装新机器的阶段,蒸汽机装上了,铁路也在铺,但生产方式原封不动。第六行才是真正的分水岭。我们大概率卡在这两步之间。
蒸汽机已经在手里,但车间还是旧的。
二、钱全压在了离工厂最远的那一层
基础设施总是被过度建设。最后破产的是投资者,不是基础设施。
1846 年,英国议会通过 263 项铁路法案,批准建设 9500 英里新铁路。铁路投资高峰时占英国 GDP 的 13%。铁路股票只需 10% 定金即可购买,中产阶级蜂拥入场。泡沫在 1847 年破裂。三分之一获批线路从未建成,无数投资者血本无归。达尔文在铁路股上亏了 60%,而他的运气比大多数人好得多。
但铁路留下来了。
今天的 AI 基建,走的是同一条路。Goldman Sachs 最新估算,2026 年全球 AI 基础设施资本支出达 7650 亿美元,到 2031 年预计每年 1.6 万亿。超大型云厂商的资本支出占运营现金流的比例,从 2023 年的约 40% 升至 2025 年的近 70%。AI 相关投资已经占到美国全部投资的约四分之一。Aschenbrenner 的 136.8 亿美元,押的就是这一层——他赌的不是哪个应用会赢,是底层算力本身。
这个资本循环,和地产开发是同构的。盖数据中心就是盖楼:土地是电力,建材是 GPU 和存储,承包商是数据中心建设方,开发商是云厂商,租户是 AI 应用公司,租金是 API 收入。云厂商的商业模式是以租养贷——用 API 收入覆盖数据中心的资本支出,等待 AI 应用爆发带来的估值跃升。
(算力地产:一代人有一代人的基建)
核心风险也一样:API 单价的下跌速度,有没有被调用量的增长速度抵消?如果租金跌穿了还贷线——这是地产开发商最熟悉的噩梦。2008 年的教训不是盖了太多房子,而是盖的房子和真实需求的结构对不上。AI 的等价风险是:通用算力过剩,但能真正处理金融合规、医疗诊断这类高价值场景的专业化能力,仍然稀缺。
铁路、地产、AI——三个时代的基础设施投资,共享同一条规律:过度建设是常态,建材商总是失去定价权,长期回报总是属于持有「核心地段」的业主。看一下华尔街 Q1 基金的持仓就知道了——大概率 80% 压在这个基建层:NVIDIA、数据中心、云基础设施。但铁路狂热教给我们的是:这不是 AI 革命的全貌,甚至不是回报最高的那一层。
AI 的核心地段是什么?是独特的行业数据,和深度嵌入的工作流。对个人来说,真正的「核心地段」不是持有的股票,是自己不可替代的判断力和行业知识——前提是已经围绕 AI 重建了使用它们的方式。
真正的回报,在下一层。但从基建到价值创造之间,不是无缝衔接。中间有一道缝隙——历史上,这道缝隙吞掉了几十年。
三、谁在拆掉车间
拆车间的人和「用 AI 提效」的人,做的不是同一件事。
赵伊万的联合创始人西蒙,以前是「十倍速程序员」,现在很少亲自写代码——他同时操控三四个 AI 编码 Agent,效率达到 30 到 40 倍。Notion 现在有 1000 名员工和 700 多个 AI Agent。差距不是工具,是西蒙拆掉了自己的旧车间,而大多数人只是换了一台水车。
6 亿中国用户使用过生成式 AI 工具,同比增长 142%——这是全球最大的 AI 需求池。但几乎没有一家中国公司围绕 AI 重建了核心工作流。全球最大的需求侧,配上几乎不动的供给侧组织变革。这个反差本身就是一个信号:不是工具不够,是组织没有跟上。知识工作的上下文分散在几十个工具和几十个人脑袋里,产出不可验证,没有人知道怎么判断一份战略备忘录是否有效。
(Labor market impacts of AI: A new measure and early evidence)
Anthropic 已经在更大的尺度上动手了。他们发布了 Economic Index,用真实使用数据描绘了 AI 最先替代哪些任务和行业,然后按这张图施工:和 Goldman Sachs、Blackstone、Hellman & Friedman 合资成立 AI 原生企业服务公司;与 KPMG 建立全球联盟,276,000 名员工接入 Claude;Accenture 组建业务集团,30,000 人受训,聚焦金融、生命科学和医疗。
这些咨询公司扮演的角色不是 AI 的用户,而是 AI 的铁路工程师——他们不造蒸汽机,也不铺铁轨,他们帮企业拆掉旧厂房、围绕新动力重建生产线。没有这个角色,大多数工厂主不知道从哪里下手。
信号已经在闪。最尖锐的一个来自就业市场。
22-25 岁进入 AI 高暴露职业的年轻人,找到工作的概率比进入低暴露职业的同龄人低 14%。初级岗位已经在被挤压。
如果我是应届生,这个数字直接影响我的求职。如果我是管理者,我招的下一批初级岗位,可能不再是人。
组织在拆,个人呢?我的学历、我的履历、我这些年积累的行业经验——这些是我的水车。它们曾经驱动我的整条产线,但蒸汽机已经来了。985 和 211 不再是护城河,它只是证明我曾经在河边建过一座不错的工厂。
现在的问题是,我们有没有能力离开那条河。
Anthropic 的数据显示,使用 AI 工具超过 6 个月的用户,任务成功率比新用户高 10%。先走半年的人已经领先 10%,这个差距会随时间复利。
但目前还没有一家公司因为没用 AI 而倒闭,至少我的律所还在围绕 AI 高歌猛进。赢家还没有被市场选出来。学习曲线是真实的——先走的人已经在积累优势,但大多数人还在起点。
四、我的下一个职业还没有名字
我现在的职业头衔,十年后还存在吗?我五年前每天用的工具列表,今天还剩几个?答案可能都是否定的。但我不知道替代它们的东西叫什么——因为那些东西现在还不存在。
历史上每一次都是这样。新事物不是被规划出来的,是旧约束消失后自己长出来的。
铁路建成之前,英国是一个个孤立的地方经济体。曼彻斯特的棉布价格和伦敦可以差 30%。每个城市有自己的时间标准,没人觉得有什么问题。铁路建成之后的二十年里,一切都变了。全国统一市场第一次出现,价格差被抹平;标准时间是被铁路逼出来的,不是被发明的;站长、电报员、旅行代理——这些工作在铁路之前完全不存在。
没有人在铺铁路的时候预见到百货公司。没有人在建蒸汽机的时候预见到标准时间。
(蒸汽、钢铁与 AI 无限智能)
城市的历史讲过同一个故事。几百年前的城市是人类尺度的——四十分钟步行穿过佛罗伦萨。钢铁框架使摩天大楼成为可能,铁路连接了城市和腹地,电梯、地铁、高速公路随之而来。东京、重庆、达拉斯——这些不是更大的佛罗伦萨,它们是全新的生活方式。
现在的知识工作也是人类尺度的。几十人的团队,会议和邮件定节奏,超过几百人就不堪重负。我们在用石头和木头建造佛罗伦萨。AI 让「东京」成为可能——成千上万 AI Agent 和人员组成的组织,工作流跨时区持续运行。旧的周会、季度规划、年度审查,可能不再有意义。
西蒙已经不写代码了——他的工作变成了「管理 AI Agent」。两年前这个职位不存在。我的下一个职业头衔,可能现在还没有名字。但有人已经在建造那个我们还叫不出名字的未来了。
五、新车间长什么样
拆完旧车间之后,建什么?YC 的答案是:让公司自己改进自己。
他们的内部系统现在会在夜里自己改自己的代码。有员工白天发了一条查询,跑失败了。一个监督 Agent 读到这次失败,反推原因,自己写代码修复,提交审核,部署上线。第二天同一条查询跑通了。整件事在所有人睡觉时完成。
这不是 AI 帮人多产出 30%。这是系统自己跑完了一整个闭环,自己琢磨出怎么变得更好。
YC 合伙人 Tom Blomfield 在一场内部演讲里把这种公司形态叫做「递归自我改进的 AI 循环」。他的判断很直接:大多数公司还是罗马军团——层层下传、层层上汇,人在里面充当信息的导管。AI 打破的不是某个环节的效率,是这整套科层结构存在的前提。
他给的新逻辑是:烧 Token,不要烧人头。瓶颈正在从人力变成算力。YC 看到的数据是,跑到 Demo Day 的批次公司,人均收入比 18 个月前高了大约 5 倍。中层管理的角色被 AI 接管——「协同」这件事不需要人做了。每个人都应该是 IC、builder、operator,每件事都有一个具名的负责人,不是委员会。
还有一个前提:公司必须对 AI 「可读」。没被记录下来的事情,对 AI 等于没发生过。YC 现在把所有合伙人邮件入库,录所有 Slack 消息和 office hour 录音。一位合伙人用三个月积累的 2000 小时录音,让 AI 重新生成了一本 150 页的内部手册——比原来那版好得多。这本手册每月自动更新,变成了一个一直保鲜的「活脑」。
Tom 留了一个问题:
如果今天从零开始建你的公司,你会按这种形态搭吗?如果你的公司已经搭起了科层结构,就要回答另一个更难的问题——重建一遍的痛苦,会不会小于继续按罗马军团跑下去的代价。
人不在车间中央,人在外圈——负责那些 AI 暂时伸不进去的地方:线下判断、全新情境、高赌注高情绪的瞬间。公司的中央是由数据、记录和行业知识拼出来的「公司大脑」。跑在上面的软件是消耗品,能生成就能再生成。值钱的东西在人脑子里——业务是怎么跑的,哪些步骤涉及判断,这些理解才是真正的资产。
赵伊万在《Steam, Steel, and Infinite Minds》里描述的,正是这个方向的另一面——1000 名员工和 700 多个 AI Agent 协作的组织,人负责判断,Agent 负责执行。Aschenbrenner 押注算力基础设施,赵伊万押注组织重构。两条路最终指向同一个终点:围绕 AI 重建的新型生产方式。
六、结语
1840 年代和 1850 年代之间——铁路已经铺完,工厂还没有重建。
我们在哪里?西蒙已经不写代码了。他的水车是他自己拆的。
问题从来不是蒸汽机够不够好,问题是谁第一个拆掉旧车间。
我不打算预测未来的百货公司,我只打算做好自己——只需要确保自己站在铁路沿线,而不是守着一条正在干涸的河。
那你呢?
