AI 工業革命，我們如今置身何處

撰文：Will 阿望

過去一年，我參加過一些 AI 主題的行業大會。臺上嘉賓輪番演示 AI 的花活，臺下的人舉著手機拍屏幕，發完朋友圈就繼續刷手機。但是回到辦公室，還是同樣的週會、同樣的審批、同樣的週報。大廠已經把 Token 消耗量寫進了 KPI，有人靠腳本刷量就成了勞模。朋友圈裡那幫人，今天 Claude 革命，明天 Codex 牛逼，後天 Gemini 萬歲——這是在擁抱革命，還是在快步趕場？

這些都是噪音，不是我想要的答案。

真正的問題不是 AI 夠不夠強——蒸汽機已經造好了，問題是誰第一個拆掉舊車間。

工業革命真正開始的那天，不是瓦特改良蒸汽機，是蘭開夏郡的工廠主決定離開河流、圍繞蒸汽機重建車間。AI 最重要的時刻也一樣——不是大模型被髮明的那天，而是第一個組織決定拆掉舊流程、圍繞 AI 重建生產方式的那天。這一天還沒來。但它已經在路上了。

兩個人很早就看到了這件事。Notion CEO 趙伊萬在 2025 年末寫了一篇《Steam， Steel， and Infinite Minds》，判斷很冷：我們仍處於「替換水車」的階段——在現有工具上附加 AI 聊天機器人，但沒有人重新設計工廠。OpenAI 前員工 Leopold Aschenbrenner 走了另一條路：寫了 165 頁的《Situational Awareness》，然後建了一個基金，從 2.25 億美元做到 136.8 億美元，全部押注 AI 基礎設施。一個在向內看，一個在向外賭。

這篇文章不是關於他們的。是關於我們——我們現在站在哪裡，我們又在重複哪一段歷史。

( Power-loom weaving, engraving by J. Tingle after Thomas Allom, 1835 / Wikimedia Commons )

一、車間還是舊的

大部分人的一天是這樣的：早上用 AI 寫了一封郵件，省了十分鐘；然後花兩小時開一個本可以不開的週會；下午在三個工具之間複製粘貼同一組數據；晚上發了條朋友圈說「AI 真香」。省下的十分鐘，被舊流程原封不動地吃回去了。

同樣，蒸汽機出現的時候，工廠主最初也只是把水車換成蒸汽機，其他一切不變——工廠還是建在河邊，還是多層樓房，還是中央傳動軸帶動整條產線。我們把 ChatGPT 裝進 Slack，把 Copilot 加進 Office，把 AI 聊天窗口嵌在工作流上——做的是同一件事。工具升級了，車間沒變。

但換了新機器不等於換了車間。麥克盧漢說得好：

我們通過後視鏡駛向未來。用舊流程去容納新工具，就像早期的電影不過是拍攝的舞臺劇。真正的突破，要等到有人將蒸汽機徹底擺脫河流，圍繞新動力重新設計整個生產方式。

把工業革命的時間線和 AI 對照著看，大概能定位我們在地圖的哪裡：

如今的時間線被極度壓縮。工業革命從蒸汽機到鐵路狂熱用了 60 年，AI 從 Transformer 到數據中心建設潮只用了 7 年。

速度不是問題，問題是我們卡在了哪裡——前四行全都還是舊車間裝新機器的階段，蒸汽機裝上了，鐵路也在鋪，但生產方式原封不動。第六行才是真正的分水嶺。我們大概率卡在這兩步之間。

蒸汽機已經在手裡，但車間還是舊的。

二、錢全壓在了離工廠最遠的那一層

基礎設施總是被過度建設。最後破產的是投資者，不是基礎設施。

1846 年，英國議會通過 263 項鐵路法案，批准建設 9500 英里新鐵路。鐵路投資高峰時佔英國 GDP 的 13%。鐵路股票只需 10% 定金即可購買，中產階級蜂擁入場。泡沫在 1847 年破裂。三分之一獲批線路從未建成，無數投資者血本無歸。達爾文在鐵路股上虧了 60%，而他的運氣比大多數人好得多。

但鐵路留下來了。

今天的 AI 基建，走的是同一條路。Goldman Sachs 最新估算，2026 年全球 AI 基礎設施資本支出達 7650 億美元，到 2031 年預計每年 1.6 萬億。超大型雲廠商的資本支出佔運營現金流的比例，從 2023 年的約 40% 升至 2025 年的近 70%。AI 相關投資已經佔到美國全部投資的約四分之一。Aschenbrenner 的 136.8 億美元，押的就是這一層——他賭的不是哪個應用會贏，是底層算力本身。

這個資本循環，和地產開發是同構的。蓋數據中心就是蓋樓：土地是電力，建材是 GPU 和存儲，承包商是數據中心建設方，開發商是雲廠商，租戶是 AI 應用公司，租金是 API 收入。雲廠商的商業模式是以租養貸——用 API 收入覆蓋數據中心的資本支出，等待 AI 應用爆發帶來的估值躍升。

（算力地產：一代人有一代人的基建）

核心風險也一樣：API 單價的下跌速度，有沒有被調用量的增長速度抵消？如果租金跌穿了還貸線——這是地產開發商最熟悉的噩夢。2008 年的教訓不是蓋了太多房子，而是蓋的房子和真實需求的結構對不上。AI 的等價風險是：通用算力過剩，但能真正處理金融合規、醫療診斷這類高價值場景的專業化能力，仍然稀缺。

鐵路、地產、AI——三個時代的基礎設施投資，共享同一條規律：過度建設是常態，建材商總是失去定價權，長期回報總是屬於持有「核心地段」的業主。看一下華爾街 Q1 基金的持倉就知道了——大概率 80% 壓在這個基建層：NVIDIA、數據中心、雲基礎設施。但鐵路狂熱教給我們的是：這不是 AI 革命的全貌，甚至不是回報最高的那一層。

AI 的核心地段是什麼？是獨特的行業數據，和深度嵌入的工作流。對個人來說，真正的「核心地段」不是持有的股票，是自己不可替代的判斷力和行業知識——前提是已經圍繞 AI 重建了使用它們的方式。

真正的回報，在下一層。但從基建到價值創造之間，不是無縫銜接。中間有一道縫隙——歷史上，這道縫隙吞掉了幾十年。

三、誰在拆掉車間

拆車間的人和「用 AI 提效」的人，做的不是同一件事。

趙伊萬的聯合創始人西蒙，以前是「十倍速程序員」，現在很少親自寫代碼——他同時操控三四個 AI 編碼 Agent，效率達到 30 到 40 倍。Notion 現在有 1000 名員工和 700 多個 AI Agent。差距不是工具，是西蒙拆掉了自己的舊車間，而大多數人只是換了一臺水車。

6 億中國用戶使用過生成式 AI 工具，同比增長 142%——這是全球最大的 AI 需求池。但幾乎沒有一家中國公司圍繞 AI 重建了核心工作流。全球最大的需求側，配上幾乎不動的供給側組織變革。這個反差本身就是一個信號：不是工具不夠，是組織沒有跟上。知識工作的上下文分散在幾十個工具和幾十個人腦袋裡，產出不可驗證，沒有人知道怎麼判斷一份戰略備忘錄是否有效。

(Labor market impacts of AI: A new measure and early evidence)

Anthropic 已經在更大的尺度上動手了。他們發佈了 Economic Index，用真實使用數據描繪了 AI 最先替代哪些任務和行業，然後按這張圖施工：和 Goldman Sachs、Blackstone、Hellman & Friedman 合資成立 AI 原生企業服務公司；與 KPMG 建立全球聯盟，276,000 名員工接入 Claude；Accenture 組建業務集團，30,000 人受訓，聚焦金融、生命科學和醫療。

這些諮詢公司扮演的角色不是 AI 的用戶，而是 AI 的鐵路工程師——他們不造蒸汽機，也不鋪鐵軌，他們幫企業拆掉舊廠房、圍繞新動力重建生產線。沒有這個角色，大多數工廠主不知道從哪裡下手。

信號已經在閃。最尖銳的一個來自就業市場。

22-25 歲進入 AI 高暴露職業的年輕人，找到工作的概率比進入低暴露職業的同齡人低 14%。初級崗位已經在被擠壓。

如果我是應屆生，這個數字直接影響我的求職。如果我是管理者，我招的下一批初級崗位，可能不再是人。

組織在拆，個人呢？我的學歷、我的履歷、我這些年積累的行業經驗——這些是我的水車。它們曾經驅動我的整條產線，但蒸汽機已經來了。985 和 211 不再是護城河，它只是證明我曾經在河邊建過一座不錯的工廠。

現在的問題是，我們有沒有能力離開那條河。

Anthropic 的數據顯示，使用 AI 工具超過 6 個月的用戶，任務成功率比新用戶高 10%。先走半年的人已經領先 10%，這個差距會隨時間複利。

但目前還沒有一家公司因為沒用 AI 而倒閉，至少我的律所還在圍繞 AI 高歌猛進。贏家還沒有被市場選出來。學習曲線是真實的——先走的人已經在積累優勢，但大多數人還在起點。

四、我的下一個職業還沒有名字

我現在的職業頭銜，十年後還存在嗎？我五年前每天用的工具列表，今天還剩幾個？答案可能都是否定的。但我不知道替代它們的東西叫什麼——因為那些東西現在還不存在。

歷史上每一次都是這樣。新事物不是被規劃出來的，是舊約束消失後自己長出來的。

鐵路建成之前，英國是一個個孤立的地方經濟體。曼徹斯特的棉布價格和倫敦可以差 30%。每個城市有自己的時間標準，沒人覺得有什麼問題。鐵路建成之後的二十年裡，一切都變了。全國統一市場第一次出現，價格差被抹平；標準時間是被鐵路逼出來的，不是被髮明的；站長、電報員、旅行代理——這些工作在鐵路之前完全不存在。

沒有人在鋪鐵路的時候預見到百貨公司。沒有人在建蒸汽機的時候預見到標準時間。

（蒸汽、鋼鐵與 AI 無限智能）

城市的歷史講過同一個故事。幾百年前的城市是人類尺度的——四十分鐘步行穿過佛羅倫薩。鋼鐵框架使摩天大樓成為可能，鐵路連接了城市和腹地，電梯、地鐵、高速公路隨之而來。東京、重慶、達拉斯——這些不是更大的佛羅倫薩，它們是全新的生活方式。

現在的知識工作也是人類尺度的。幾十人的團隊，會議和郵件定節奏，超過幾百人就不堪重負。我們在用石頭和木頭建造佛羅倫薩。AI 讓「東京」成為可能——成千上萬 AI Agent 和人員組成的組織，工作流跨時區持續運行。舊的週會、季度規劃、年度審查，可能不再有意義。

西蒙已經不寫代碼了——他的工作變成了「管理 AI Agent」。兩年前這個職位不存在。我的下一個職業頭銜，可能現在還沒有名字。但有人已經在建造那個我們還叫不出名字的未來了。

五、新車間長什麼樣

拆完舊車間之後，建什麼？YC 的答案是：讓公司自己改進自己。

他們的內部系統現在會在夜裡自己改自己的代碼。有員工白天發了一條查詢，跑失敗了。一個監督 Agent 讀到這次失敗，反推原因，自己寫代碼修復，提交審核，部署上線。第二天同一條查詢跑通了。整件事在所有人睡覺時完成。

這不是 AI 幫人多產出 30%。這是系統自己跑完了一整個閉環，自己琢磨出怎麼變得更好。

YC 合夥人 Tom Blomfield 在一場內部演講裡把這種公司形態叫做「遞歸自我改進的 AI 循環」。他的判斷很直接：大多數公司還是羅馬軍團——層層下傳、層層上匯，人在裡面充當信息的導管。AI 打破的不是某個環節的效率，是這整套科層結構存在的前提。

他給的新邏輯是：燒 Token，不要燒人頭。瓶頸正在從人力變成算力。YC 看到的數據是，跑到 Demo Day 的批次公司，人均收入比 18 個月前高了大約 5 倍。中層管理的角色被 AI 接管——「協同」這件事不需要人做了。每個人都應該是 IC、builder、operator，每件事都有一個具名的負責人，不是委員會。

還有一個前提：公司必須對 AI 「可讀」。沒被記錄下來的事情，對 AI 等於沒發生過。YC 現在把所有合夥人郵件入庫，錄所有 Slack 消息和 office hour 錄音。一位合夥人用三個月積累的 2000 小時錄音，讓 AI 重新生成了一本 150 頁的內部手冊——比原來那版好得多。這本手冊每月自動更新，變成了一個一直保鮮的「活腦」。

Tom 留了一個問題：

如果今天從零開始建你的公司，你會按這種形態搭嗎？如果你的公司已經搭起了科層結構，就要回答另一個更難的問題——重建一遍的痛苦，會不會小於繼續按羅馬軍團跑下去的代價。

人不在車間中央，人在外圈——負責那些 AI 暫時伸不進去的地方：線下判斷、全新情境、高賭注高情緒的瞬間。公司的中央是由數據、記錄和行業知識拼出來的「公司大腦」。跑在上面的軟件是消耗品，能生成就能再生成。值錢的東西在人腦子裡——業務是怎麼跑的，哪些步驟涉及判斷，這些理解才是真正的資產。

趙伊萬在《Steam， Steel， and Infinite Minds》裡描述的，正是這個方向的另一面——1000 名員工和 700 多個 AI Agent 協作的組織，人負責判斷，Agent 負責執行。Aschenbrenner 押注算力基礎設施，趙伊萬押注組織重構。兩條路最終指向同一個終點：圍繞 AI 重建的新型生產方式。

六、結語

1840 年代和 1850 年代之間——鐵路已經鋪完，工廠還沒有重建。

我們在哪裡？西蒙已經不寫代碼了。他的水車是他自己拆的。

問題從來不是蒸汽機夠不夠好，問題是誰第一個拆掉舊車間。

我不打算預測未來的百貨公司，我只打算做好自己——只需要確保自己站在鐵路沿線，而不是守著一條正在乾涸的河。

那你呢？