通才的复兴：如何在AI时代成为达·芬奇（第一章）
—- AGI时代的认知资产重组与超级个体生存指南
序言：在算法的洪流中，打捞人的灵魂
2026年的春天，硅谷的空气比以往更加凝重。
就在上个月，OpenAI的GPT-5正式面向开发者开放多模态实时推理接口。与此同时，谷歌的Gemini Ultra以每天一亿token的代价，将推理成本压到了每百万token 0.1美元。
这组数据的背后，藏着一个足以颠覆认知的真相：让AI进行一次深度“思考”，其成本已经低到了尘埃里。人类历史上第一次，获取高级脑力劳动的成果，其边际成本已经趋近于我们呼吸所需的能量成本。两者虽然还不在一个数量级，但已经站在了同一把尺子上进行衡量。
这是一个什么样的概念？
两百年前，知识是贵族的特权，一本书的价格相当于一个工人三个月的口粮。二十年前，知识是互联网的免费午餐，百度一下，你就知道。而今天，知识正在经历一场前所未有的“恶性通缩”——它的价格正在以指数级的速度，向着零的底线俯冲。
于是，我们这一代人，站在了一个诡异的历史断层上。
往前看，是工业革命以来绵延两百年的“专业化崇拜”——泰勒把工人的动作切碎，福特把汽车的生产切碎，我们把人生切碎成学位、职称、KPI。我们被告知，只要在某个细分领域挖得足够深，就能拥有一把不会被时代淘汰的“铁饭碗”。
往后看，是一个正在被AGI夷为平地的“认知大平原”。翻译、绘图、编程、数据分析……那些我们花了十年、二十年练就的“硬技能”，正在以肉眼可见的速度贬值。当获取一份顶级代码或一幅精美插画的成本，已经无限接近于你一次不经意的呼吸，那么，这些技能本身所构筑的价值壁垒，还剩下什么？
GPT-5写出的代码，比初级工程师更干净；Midjourney生成的图像，让插画师开始怀疑人生；Sora创造出的视频，正在重新定义“创作”的含义。
这个世界，正在用一种极其残酷的方式告诉我们：仅仅依靠“专业技能”的专才时代，结束了。
作为一名在银行工作了三十年的老兵，我审核过上万家企业，见过无数个行业的潮起潮落。我见过最危险的公司，不是那些账目混乱的，而是那些“做得太好”的——它们把所有筹码押在一条赛道、一种模式、一项技术上，然后眼睁睁看着时代的潮水转向，把曾经的辉煌变成搁浅的尸骸。
我也见过最焦虑的人，不是那些能力不足的，而是那些“太专业”的——他们是某个领域的顶尖专家，却在自己深耕的领域被AI降维打击的那一刻，发现自己除了这个，什么都不会。
这就是我们今天要面对的根本困境：当机器把“知道”变成廉价的商品，“懂得”的价值在哪里？当算法可以完成所有可计算的任务，人还能做什么？
这个问题，我在过去的几本书里试图回答。
在《人性算法》中，我试图找到驱动一切复杂系统的底层代码——扩张、收缩、平衡、进化，这四种力量如同物理世界的引力与电磁力，塑造着从个体选择到文明兴衰的全部轨迹。在《历史的引擎》中，我用这套“四力模型”拆解了大国兴衰的力学脚本。在《组织的进化》中，我追踪了人类协作形态从金字塔到星辰大海的演化路径。在《认知架构师》中，我提出了“五维相变律”，试图为AGI时代的心智升级提供一张路线图。
写完这几本书，我发现了一个问题：它们太“厚”了。我说的“厚”，不是指篇幅——虽然每本都有三十万字。我说的“厚”，是指它们更像是一套认知的“地基”，告诉你世界为什么是这样运转的，告诉你历史为什么是这样演进的，告诉你组织为什么是这样进化的。它们回答了“为什么”，却没有足够深入地回答“怎么办”。
更重要的是，在写作这几本书的过程中，我逐渐意识到，这些看似分立的思考框架——四力模型、人性棱镜、五维相变——其实可以被整合成一个更根本的认知操作系统。我把它叫做“全景思维”。它不是一套新理论，而是一种观看世界的方式：将宇宙万物（从细胞生灭到帝国兴衰，从个体心智到商业博弈）视为描述同一套底层逻辑的不同“方言”。物理学讲的是力与能量，生物学讲的是生存与演化，历史学讲的是周期与选择，经济学讲的是激励与稀缺——但剥开表层，它们的“语法”是相通的。
一个读者曾经私信给我，他说：“老兵，你说的我都懂——扩张力、收缩力、平衡力、进化力，五维相变，我都记下来了。但第二天上班，老板让我写一份报告，AI让我写一个prompt，我还是不知道怎么做。你说的那些宏大叙事，离我的生活太远了。”
这条留言，让我想了很久。
是啊，如果一套思想只能用来解释世界，却不能用来改造世界，它和博物馆里的古董有什么区别？如果一套方法论只能用来分析历史的兴衰，却不能用来指导一个人的成长，它和教科书里的公式有什么区别？
所以，有了这本书。
但如果我们学会用通才的方式——把知识当作乐高，在不同的领域之间自由组装；把思维当作武器，在不同的尺度之间灵活切换——那么，“无涯”的知识就不再是负担，而是我们可以随时调用的“负熵资产”。
这本书，写给那些不想被AI替代，而是想让AI成为自己千军万马的人。
写给那些不愿意做工业流水线上的螺丝钉，而是想做自己人生建筑师的人。
写给那些相信——在技术的尽头，依然是人性；在计算的尽头，依然是意义。
《通才的复兴》不是一套新的理论，而是一套“认知资产的实战操作手册”。它的目标只有一个：把前几本书里那些看似宏大的思想，变成你每天可以用、可以练、可以靠它吃饭的“手艺”。而贯穿全书的那条思想红线，正是“全景思维”——一种让你能够在不同领域的知识之间自由穿行、找到“虫洞”、实现认知跃迁的元能力。
在这本书里，你会看到——
如何用“扩张力”像基金经理一样扫描信息，在看似无关的领域之间找到“虫洞”，把A行业的常识变成B行业的降维打击武器。
如何用“收缩力”像法务会计师一样剥离现象的噪音，用第一性原理直抵问题的底层，不再被宏观新闻的涨涨跌跌牵着鼻子走。
如何用“进化力”制造认知的“相变”瞬间，把风马牛不相及的知识拓扑折叠，让想象力成为你超越算法的秘密武器。
如何用“平衡力”锚定个人的价值边界，在算法的洪流中守住那块“此心安处”的压舱石。
更重要的是，我会带你亲手搭建你的“第二大脑”——那个由你和AI共同培育的数字花园，让知识不再是收藏夹里的僵尸，而是可以生根发芽、开花结果的活系统。
这本书，不是让你成为一个“知道得更多”的人。这个时代最不缺的就是这种人。
这本书，是让你成为一个“连接得更深”的人——能在物理学与经济学之间找到虫洞，能在生物学与商业史之间建立隐喻，能在历史的周期律中看清当下的位置，能在技术的浪潮中守住人的尊严。
写到这里，我想起《庄子·养生主》里的一句话：
“吾生也有涯，而知也无涯。以有涯随无涯，殆已！”
两千多年前，庄子就在警告我们：用有限的生命，去追逐无限的知识，是危险的。但这句话在今天有了新的解读。危险的，从来不是“知”的无限，而是“知”的方式。如果我们仍然用工业时代的思维——把自己塞进一个狭小的专业深井，用一生的时间去挖一口井——那确实“殆已”。
智者同行，与君共勉。
第一部分 范式大转移：从“工业螺丝钉”到“智能架构师”
1869年，美国第一条横贯大陆铁路在犹他州海角峰打下最后一颗道钉。
那是一个时代的象征：工业革命的钢铁巨兽，终于用铁轨将一片大陆融合起来。从此，距离不再是障碍，时间开始被精确计算，效率成为新的神祇。
一百五十年后，另一条“铁路”正在悄然铺设。它不是用钢铁，而是用代码；它连接的，不是地理上的东西两岸，而是人类认知的每一个角落。
这条铁路的名字，叫AGI。
如果说工业革命是用机器替代了人的体力，那么AGI革命就是用算法替代了人的脑力——那些曾经需要十年苦练才能掌握的技能，那些曾经需要天赋异禀才能抵达的专业巅峰，正在以肉眼可见的速度被夷为平地。
我们站在一个巨大的历史断层上。
往前看，是两百年来我们深信不疑的“专业化信条”——只要钻得足够深，就能挖出铁饭碗。这套信条催生了泰勒的科学管理，催生了福特的生产流水线，催生了现代教育体系的“学科切割”，也催生了我们今天每一个人的职业生涯模板。
往后看，是一个正在被AGI重塑的“认知大平原”。专业壁垒正在消融，知识垄断正在瓦解，那些曾经让我们安身立命的“硬技能”，正在经历一场前所未有的“恶性通缩”。
这是一场范式转移——不是从一个行业换到另一个行业，而是从一种生存方式换到另一种生存方式。
我们将从“工业螺丝钉”，变成“智能架构师”。
螺丝钉的宿命，是嵌在一个固定的位置，完成一个固定的功能。它不需要看见全局，不需要理解意义，只需要在需要的时候，被拧进那个属于它的孔。这是泰勒留给我们的遗产，也是工业时代最精巧、最高效、也最冷酷的设计。
但AGI的到来，正在让“螺丝钉”的价值归零。当机器可以完成所有可计算、可重复、可标准化的任务时，“被拧进孔里”就不再是人的工作。
那什么是人的工作？
是看见全局。是理解意义。是在不同领域之间找到“虫洞”。是在算法的洪流中，依然守护那块“此心安处”的压舱石。
这就是“智能架构师”要做的事。
这一部分，我们将从历史的起点出发，重新审视“专业化”这笔交易的代价。我们将走进泰勒的秒表、福特的流水线、卓别林的《摩登时代》，看看我们是如何一步步变成“标准件”的。然后，我们将站在AGI的门槛上，追问一个根本的问题：
当机器可以完成所有“专业”的工作时，人还能做什么？
这个问题的答案，将定义我们在下一个时代的生存方式。
第一章 认知大平原：当专业壁垒被AGI夷平
如果用一个词来概括过去两百年人类的工作方式，那就是“分解”。
从19世纪末开始，我们学会了把复杂的事物拆碎——把汽车拆成零件，把劳动拆成动作，把知识拆成学科，把人生拆成学位。这种分解的能力，带来了前所未有的效率，也带来了前所未有的财富。但它也悄悄地完成了一桩可怕的交易：我们用“整体”换来了“部分”，用“意义”换来了“效率”，用“人”换来了“工具”。
这一章，我们要回到这场交易的起点，看看我们究竟付出了什么代价。
第一节 历史的诅咒：我们要为“专业”付出多少代价？
1. 泰勒的幽灵与福特的T型车
（1）被切碎的时间——从工匠的“全流程”到工人的“单动作”
1898年，美国伯利恒钢铁公司来了一个奇怪的人。
此人名叫弗雷德里克·温斯洛·泰勒，手里永远拿着一块秒表，眼睛像鹰一样盯着工人。他不是来抓考勤的，他是来“科学管理”的。
当时，伯利恒钢铁公司的货场上有一项再普通不过的工作：搬运生铁。工人们把每块重约92磅的生铁从货场搬上火车车厢，每天的人均搬运量是12.5吨。泰勒觉得这个数字太低了。他开始用秒表测量每一个动作——弯腰、抱起、行走、放下、返回。他记录下每一次停顿、每一次擦汗、每一次换手。他把这些动作分解成毫秒级的单元，然后重新组合，设计出一套“最优动作组合”：用哪只手、抬多高、走几步、歇几秒，全部标准化。
然后，他挑选了一个名叫施密特的工人，对他说：“你按照我的方法做，每天能搬47.5吨，工资从1.15美元涨到1.85美元。”施密特照做了。他真的搬了47.5吨，拿到了更高的工资。泰勒的实验成功了。
这就是科学管理的诞生，也是人类劳动史上的一次“降维打击”。
在泰勒之前，工匠的劳动是“全流程”的。一个制鞋的工匠，从选皮、裁剪、缝制到打磨，他参与整双鞋的诞生。他知道皮料从哪里来，知道针脚多密才结实，知道什么样的鞋底耐磨。他不仅知道“怎么做”，更知道“为什么这么做”。他的工作里有一个完整的“故事”。
但泰勒的逻辑是：故事太慢了，我们要的是效率。
泰勒在他的著作《科学管理原理》中提出，管理的根本目的在于提高效率。而提高效率的方法，就是把每一个工人的劳动过程拆解成最基本的动作单元，然后用科学的方法找出“唯一正确的方式”。他把这种方式称为“任务管理”：“在过去，人是第一位的；在未来，制度是第一位的。”
这意味着什么？意味着工人的大脑被“优化”掉了。泰勒明确主张“计划职能与执行职能分离”——管理层负责思考、设计、决策；工人只需要执行，不需要思考。泰勒说得很直白：“那些搬运生铁的工人，笨拙得连自己都不能规划工作，所以他们需要比他聪明的人来指导他。”
从此，劳动被切碎了。全流程的工匠变成了单动作的工人。你不再需要知道一双鞋是怎么做出来的，你只需要负责缝鞋帮，日复一日，成千上万次。你不再是“制鞋的人”，而是“缝鞋帮的人”。
这种切碎，在福特的流水线上达到了极致。
1913年，福特汽车公司推出了人类历史上第一条移动装配线。在此之前，一辆T型车的组装需要728个工时；流水线投入使用后，这个数字降到了12.5个工时；到1925年，福特平均每10秒钟就能生产一辆汽车。
这个奇迹是怎么实现的？答案是：把劳动切到最碎。
福特把T型车的生产过程分解为7882个工序。其中，949个工序需要“强壮而训练有素的体格健全的人”，3335个工序由“普通体力的人”完成，剩下的3598个工序——接近一半——交给“腿脚不便的人”甚至“独臂的人”就能完成。
你不需要有任何手艺，不需要有任何经验，甚至不需要有任何思考。你只需要在传送带经过的瞬间，重复那个被设计好的单一动作。福特骄傲地宣称：“我们雇佣的只是一双手，却不得不附带一个人。”
这句话，是人类异化史上最冷冰冰的注脚。
人被简化成了“一双手”。手之外的部分——大脑、心灵、情感、想象力——在工厂的语境里，变成了“多余的附带品”。
1911年，当泰勒的科学管理理论在国会听证会上接受质询时，工会代表愤怒地指责这是“现代的奴隶制度”，是资本家剥削工人的新方法。工人们担心这会增加工作强度，损害健康。但泰勒坚信，自己是在创造一场“心理革命”——劳资双方不再争夺有限的蛋糕，而是一起把蛋糕做大。
从纯粹的效率角度看，泰勒和福特是对的。科学管理和流水线让生产率提高了300%以上，让汽车从富人的玩具变成了普通家庭的代步工具，让整个资本主义世界进入了前所未有的物质繁荣期。
但这场“革命”的代价，是我们至今仍在支付的。
那些被切碎的时间，被切碎的动作，被切碎的人——它们构成了现代社会的底层代码。我们后来建起的教育体系、组织架构、职业生涯，全部建立在“把人切碎”这个前提之上。我们学会了在一个极窄的领域里做到极致，却忘记了如何看见整体。
今天，当AGI开始接管那些被切碎的任务时，我们突然发现自己陷入了一个尴尬的境地：我们花了二十年学会的“手艺”，机器只花了一秒钟就能做得更好。而我们除了这个手艺，什么都不会。
泰勒的幽灵，还在游荡。
（2）教育流水线的谎言——为什么学校把我们教成了“标准件”
1908年，福特T型车下线的那一年，美国教育家埃尔斯伍德·卡伯利写了一本书，名叫《公立学校管理》。他在书中坦率地写道：“我们的学校本质上就是工厂，孩子们是原材料，要被塑造成符合社会需求的产品。”
这句话在今天听起来刺耳，但在当时，它只是陈述了一个事实。
工业革命不仅改变了工厂，也改变了学校。而且改变的方式，惊人地相似。
你看，泰勒在工厂里做的那套事情——分解动作、标准化流程、质量检验——被完整地复制到了学校里。教育变成了一条流水线：六岁入学，十二岁小学毕业，十八岁高中毕业，二十二岁大学毕业。每个阶段有标准化的教材，标准化的考试，标准化的评分标准。我们的任务，就是沿着这条流水线，被塑造成符合规格的“标准件”。
这套系统的设计者，从来不是为了培养“完整的人”，而是为了培养“有用的人”。
有用，就是能在这个工业化的社会里找到一份工作。而工业化社会需要什么？需要能在流水线上重复劳动的工人，需要能在办公室里处理文书的职员，需要能在专业领域里解决特定问题的专家。所以，教育要做的事情很简单：把知识切碎，分门别类地装进不同的大脑。
于是我们有了“学科”。
在学科诞生之前，人类不是这样思考的。亚里士多德同时研究物理学、生物学、伦理学、政治学、诗学，他认为这些领域是相通的，背后是同一套关于世界的追问。达·芬奇既画《蒙娜丽莎》，又设计飞行器，还研究人体解剖，他不觉得这有什么跨界——在他看来，观察一只鸟的翅膀和观察一位模特的微笑，都是在做同一件事：理解世界的奥秘。
亚里士多德和达·芬奇之所以伟大，不是因为他们在某一个领域挖得最深，而是因为他们看见了这个世界的整体。他们像站在山顶上的人，俯瞰着知识的群山绵延。而我们这些后来者，大多被困在山谷里，只知道眼前的那条路。
这种“整体性思维”，就是我在这本书里要反复讲的“全景思维”的雏形。全景思维不要求你像达·芬奇一样精通所有领域——在知识爆炸的今天，那已经不可能了。它要求你像一位拥有山地图纸的登山家：你不需要爬每一座山，但你要知道哪座山和哪座山连着，哪座山是孤峰，以及从你所在的位置，如何最快地到达你想去的峰顶。 这份“山地图纸”，就是对不同领域知识之间“连接方式”的理解。有了它，你才能在学科的深井之间，找到相通的路径。
但工业革命改变了这一切。知识被划分成越来越细的“专业”，就像工厂被划分成越来越多的车间。你学物理的，就别碰化学；你学化学的，就别碰生物；你学历史的，就别碰经济。每个专业有自己的话语体系、自己的评价标准、自己的学术权威。跨出一步，就是“不务正业”。
这种划分，在我们进入职场后进一步强化。
二十年前我刚进银行的时候，分行里的分工还没有那么细。一个信贷员要从头跟到尾：去找客户、看报表、写报告、走流程、放贷款、做贷后。虽然累，但你能看见一件事的完整面貌——你知道这笔钱给了谁，用在了哪里，最后收回来没有。你能从客户的生意里看到行业的风吹草动，能从还款的节奏里看到经济的起起落落。
后来不行了。部门越分越细，岗位越设越多。前台的只管找客户，中台的只管写报告，风控的只管挑毛病，贷后的只管催还款。每个人都被框在一个极窄的“职责范围”里，像流水线上的工人，只负责自己那一个动作。你做了十年信贷，可能从来没见过自己的客户长什么样。因为你只负责“审核”，不负责“接触”。
这就是现代职场的真相：我们都被困在一个“职能深井”里。井口有光，但你爬不出去。井壁光滑，没有抓手。你唯一能做的，就是把井底挖得更深一些，成为这个井里“最专业的人”。
但问题是，当井的价值本身在消失时，“最专业”还有什么意义？
2008年金融危机之后，我参与处理过一批银行的不良资产。其中有一家公司，是做外贸的，干了二十年，在这个行业里是公认的“专家”。老板精通每一道工序的成本，熟悉每一个市场的规则，能把外贸合同背得滚瓜烂熟。但2008年一来，海外订单断崖式下跌，他所有的“专业”一夜之间没了用武之地。我记得他坐在我办公室里，整个人像被抽空了一样，反复问：“我不做这个，还能做什么？”
这个问题，今天轮到很多人来问了。
学翻译的发现，AI的翻译质量已经超过大部分中级译员。学编程的发现，GitHub Copilot（一种AI编程助手）能写出比自己更干净的代码。学设计的发现，Midjourney十秒钟能出几十张图，自己改一周的方案可能还不如其中一张。学金融的发现，量化模型已经能把传统分析师按在地上摩擦。
我们花了十几年时间，把自己打磨成一颗“标准件”，然后突然发现：流水线上已经不需要标准件了。
更讽刺的是，这套教育流水线还在照常运转。我们的孩子还在被塞进同样的模子里，还在被灌输“学好数理化，走遍天下都不怕”的陈旧信条，还在被要求刷题、考试、比分数。2022年，中国教育学会的一项调查显示，超过70%的中学生认为自己“除了考试什么都不会”。这不是他们的错，这是系统的宿命。
教育评价的价值取向，从科学主义到管理主义，从人本主义到治理主义，演变了一百多年。但在实践层面，我们依然困在泰勒的幽灵里：用标准化的考试筛选标准化的学生，用标准化的学历匹配标准化的岗位，用标准化的评价定义标准化的成功。
这不是教育，这是工业化。
而工业化教育的最大谎言，就是告诉你：“只要你足够专业，就能安稳一生。”
这句话在今天，已经破产了。
（3）异化的极致——卓别林《摩登时代》在今天的职场投射
1936年，查理·卓别林拍了一部电影，叫《摩登时代》。
电影的开场是一个著名的蒙太奇：一群羊拥挤地走出围栏，镜头切换，一群工人拥挤地走出地铁站。卓别林用这个简单的对比，说出了他想说的一切：在机器的时代，人已经变成了待宰的羔羊。
电影里，卓别林扮演的流浪汉在工厂里拧螺丝。他的工作只有一个动作：用扳手拧紧传送带上经过的每一颗螺丝。日复一日，成千上万次。拧到后来，他的肌肉形成了条件反射，下了班走在路上，看见任何像螺丝的东西——路边的消防栓、女人的裙扣——都会下意识地冲上去拧两下。
这是喜剧，但喜剧背后是刺骨的悲哀。
更荒诞的还在后面。资本家为了压缩午餐时间，发明了一台“自动喂食机”。工人可以一边工作一边吃饭，这样就不用停下流水线了。机器把汤送到嘴边，把面包塞进嘴里，把玉米掰开喂食。然后机器失控了，汤泼在脸上，玉米砸在眼睛上，螺丝扳手追着人跑。
这是卓别林1936年的想象。九十年后的今天，我们不需要想象了。
2025年，我在后台收到过一条留言。一个在互联网大厂工作的年轻人说，他的工作是审核内容。每天八小时，盯着屏幕，看那些被算法标记出来的“可疑内容”，决定是放行还是拦截。他的KPI是“每小时审核数量”和“审核准确率”。他的工位上有计时器，他的每一次点击都被记录，他的每一次休息都被统计。他说：“我觉得自己不是一个人，而是一个附着在系统上的插件。插件坏了，换一个就是。”
他不是一个人在战斗。外卖骑手被算法计算着每一分钟的送达时间；客服人员被AI监控着每一通电话的语气；网约车司机被平台决定着每一单的派送规则。我们发明了越来越精密的工具来“管理”人，但管理的本质，依然是泰勒一百多年前说的那句话：找到“唯一正确的方式”，然后让人去执行。
2025年底，一篇关于Z世代职场“脏活”的报道引发了热议。报道里说，越来越多的年轻人抱怨工作“毫无意义”——重复、琐碎、与核心业务无关。一位法学研究生说，她的第一份工作是“扫描文档、重命名、放进文件夹”，她觉得这是对生命的损耗。
有人批评他们眼高手低，吃不了苦。但中国人民大学的李育辉教授提出了一个更深刻的观察：年轻一代对“意义”的敏感，恰恰是因为他们比上一代更珍重自己的劳动。他们不愿意做“工具人”，不愿意被异化成流水线上的零件。
异化，这个词听起来很学术，但它的意思很简单：你创造了某样东西，但那样东西反过来支配了你。
工人创造了流水线，但流水线反过来支配了工人——你的节奏由它决定，你的价值由它定义，你的存在依附于它。我们发明了AI，但AI反过来支配了我们——你的翻译水平要和它比，你的代码能力要和它比，你的设计审美要和它比。比不过，你就“贬值”了。
这就像卓别林电影里那个被齿轮吞噬的画面。流浪汉被卷进了巨大的机器齿轮中，在齿轮之间无助地翻滚。这是1936年的隐喻，也是2026年的现实。
今天的职场，很多人正处在这样的“齿轮之间”。一边是AI以指数级的速度进化，另一边是企业的KPI只增不减。你要学新工具，要追新风口，要保持“竞争力”。你的焦虑被算法捕获，被包装成“成长焦虑”兜售给你；你的时间被平台切割，被拆解成“有效工时”卖给雇主。你越努力，越觉得被掏空；你越专业，越觉得自己可被替代。
为什么会这样？因为“专业”的本质，就是可替代。
你之所以成为某个领域的专家，是因为你掌握了别人没有的知识或技能。但当这些知识或技能可以被AI廉价复制时，“专家”和“普通人”之间的鸿沟就被填平了。你不再是稀缺的，你是冗余的。
这就是泰勒主义的终极归宿。它把人变成工具，工具最终被更好的工具取代。
电影《摩登时代》的结尾，流浪汉和流浪女手拉手走向远方。他们没有工作，没有钱，没有未来，但他们有彼此，有笑容，有继续走下去的勇气。卓别林用这个温暖结尾告诉观众：在机器的时代，人还能守护的，是人之所以为人的那点东西。
那点东西是什么？
是你在拧螺丝的时候，还能看见整辆车的轮廓；是你在扫描文档的时候，还能理解文件背后的意义；是你在被算法支配的时候，还能意识到自己被支配；是你在成为“专家”之前，首先是一个人。
但现实中，太多人已经失去了这种“看见”的能力。我们被训练得太久，太久地待在深井里，太久地盯着眼前的那颗螺丝，太久地忘记了抬头看天。
去年，一个在银行做了二十年柜员的读者给我写信。他说，银行开始大规模推广智能柜员机，他的网点从十二个人减到三个人。他今年四十八岁，除了点钞、办存取款、推销理财产品，什么都不会。他问我：“老兵，我该怎么办？”
我不知道该怎么回他。我只想起《摩登时代》里那个被卷进齿轮的流浪汉。
我们真的从那个画面里走出来过吗？
还是说，齿轮变得更精密了，我们只是没看见？
我想起《庄子·天地》里的一句话：“有机械者必有机事，有机事者必有机心。机心存于胸中，则纯白不备。”两千多年前，庄子就在警告我们：当人开始使用机械，就会有机械式的事务；有了机械式的事务，就会长出机械式的心思。一旦机械的心思塞满胸膛，人原本纯净的本性就不完整了。
泰勒的秒表，福特的流水线，今天的算法与AI——它们都是庄子所说的“机械”。它们帮我们提高了效率，带来了财富，但也悄然重塑了我们的“机心”。我们学会了用分解的眼光看世界，却忘记了如何看见整体；我们习惯了用效率的标准衡量一切，却忘记了什么是“纯白”。
这就是历史的诅咒：我们用专业换来了效率，却可能用人的完整性，换来了人的异化。
而这个诅咒，在今天AGI降临的时刻，终于到了必须面对的时候。
2. 科层制的“深井病”与信息孤岛
（1）银行风控视角的反思——为什么部门墙是风险的温床？
2008年9月15日，雷曼兄弟破产的那天，我正好在总行开信贷评审会。
会议室里没人谈论雷曼。我们讨论的是一家浙江的纺织企业，申请续贷八千万。前台业务部门说，这家企业二十年没欠过息，老板在当地口碑很好，是“优质客户”。风控部门说，财务报表显示应收账款周转率下降，存货周转天数上升，建议“审慎介入”。两个部门的人坐在会议桌的两边，各自念着自己准备好的PPT，像两个平行宇宙的生物，说着对方听不懂的语言，也根本不打算听懂。
最后，主管信贷的行长拍板：“折中一下，给五千万，利率上浮10%。”
会议结束，大家收拾材料散场。没人提到雷曼，没人提到那场正在席卷全球的金融海啸。我们坐在自己的深井里，井口有光，但我们看不见。
这就是银行的风控现场，也是我三十年来最熟悉的场景。
后来复盘那几年的不良资产，我发现一个规律：最致命的风险，从来不在单个部门的报表里，而在部门与部门之间的缝隙里。
前台看到的，是客户的“态度”——老板请不请吃饭，说话客不客气，逢年过节发不发红包。中台看到的，是客户的“数据”——资产负债率、流动比率、现金流量。后台看到的，是客户的“合规”——抵押物足不足值，手续全不全，有没有逾期记录。每一个部门都认为自己看到了“真相”，但每一个部门看到的都只是真相的一个切片。
2009年，我亲手处理过一笔坏账，至今想起来都后背发凉。
那是一家做出口贸易的公司，老板是温州人，在我们行里贷了六千万。前台很喜欢他，因为他资金流水大，存款贡献高，每年还组织业务员去欧洲考察，“带我们见世面”。风控部审核过他的报表，各项指标都在红线以内，没有什么大问题。法务部查过他的抵押物，一处商业地产，估值八千万，覆盖敞口绰绰有余。
所有人都觉得这是一笔好贷款。
直到有一天，老板失联了。
我们去查封抵押物的时候才发现，那处商业地产早在一年前就被法院查封了——他欠了另一家银行的贷款，用同一块地做了二次抵押。但我们的系统里，查不到那条查封信息。因为那家银行不是我们的“信息共享伙伴”，因为我们的法务部只负责“自己的”手续，不负责查“别人的”官司。
这笔坏账，不是死在哪个部门的失误里，而是死在部门与部门之间的“缝隙”里。
这个“缝隙”，就是我后来一直在想的那个问题：为什么大机构里，明明每个环节都有人把关，却总能让风险从眼皮底下溜走？
答案是：因为我们把“把关”这件事，也切碎了。
在泰勒的流水线上，每个工人只负责一个动作，零件从一个人手里传到下一个人手里，最后组装成一辆车。这个逻辑被复制到了现代组织里——每个部门只负责一段流程，业务从前台传到中台，从中台传到后台，最后完成一笔贷款。
但泰勒忘了，车是死的，风险是活的。
零件不会自己跑掉，风险会。风险专找那些“没人管”的地方——前台以为中台会查，中台以为后台会查，后台以为前台已经查过了。于是风险就在这三个“以为”之间，悄悄溜了过去。
这就是“部门墙”的真相：它不是一面墙，而是一道道缝隙。墙是挡东西的，缝隙是漏东西的。而我们引以为傲的“专业化分工”，恰恰制造了无数道这样的缝隙。
2020年，我参与了一次行内的不良资产大排查。我们把过去五年所有的不良贷款拿出来复盘，给每一笔坏账找“责任部门”。结果发现，超过60%的坏账，都能追溯到两个以上的部门——“前台准入把关不严”加“中台风险预警滞后”加“后台贷后管理缺失”。没有一个部门是“主责”，每一个部门都有“理由”。
最后，这些坏账成了一笔“集体负责，集体免责”的烂账。
这就是科层制的悖论：分工越细，责任越散；流程越长，盲区越大。
我们以为自己在建一座精密的大厦，其实是在挖一座互相连通的井。每个部门都在自己的井里挖得越来越深，井壁越砌越高，高到看不见隔壁的人在做什么，也听不见井外的人在喊什么。
而AGI时代，这种“深井病”正在从组织的顽疾，变成个人的宿命。
当每一个人都被训练成某个极窄领域的“专家”，当每一个专家都只看见自己井口的那片天，我们对这个世界的理解，就会像那些摸象的盲人一样——每个人都坚信自己摸到的就是真相，每个人都对别人摸到的东西嗤之以鼻。
这不仅仅是风险，这是傲慢。
而这种傲慢，正在付出越来越惨重的代价。
（2）盲人摸象的现代版——专家对自己领域外的无知是傲慢的
2016年，英国脱欧公投结果公布的那天早上，伦敦金融城的精英们集体陷入了沉默。
就在前一天，《经济学人》的预测模型还显示留欧概率超过80%。高盛的首席经济学家还在电视上信誓旦旦地说，脱欧不符合英国的利益，理性选民不会这么选。伦敦政经学院的一批学者甚至联名发表公开信，警告脱欧的经济后果。
然后，52%对48%，脱欧派赢了。
那些最懂经济、最懂数据、最懂模型的“专家”们，集体被那些“不懂事”的选民打脸了。
为什么会这样？
因为专家们只看见了“经济账”，没看见“情感账”。那些投票脱欧的人，不是不知道脱欧可能让钱包缩水，但他们更在乎的是“拿回控制权”，是“不让布鲁塞尔的人替我们做主”。这些无法用模型计算的“非理性因素”，在专家的视野里是“噪音”，在投票箱里却是“信号”。
这就是专家的诅咒：你知道得越多，越容易对自己不知道的东西视而不见。
心理学家把这个现象叫做“邓宁-克鲁格效应”——能力越低的人，越容易高估自己；能力越高的人，反而越容易低估自己。但还有另一个版本：能力越高的人，越容易低估“别人的能力”。
你是一个物理学家，就觉得所有问题都可以用物理模型解释。你是一个经济学家，就觉得所有行为背后都有理性动机。你是一个程序员，就觉得世界是一行行代码组成的，只要逻辑对，结果就一定对。
这不是坏，这是“专业训练”留下的后遗症。你花了二十年时间，把物理学或者经济学或者编程学到极致，你的大脑已经被重塑成一台“领域专用计算机”。这台计算机在自己的领域里跑得飞快，但一旦遇到跨界的问题，它就卡壳了——因为它没有那个领域的“驱动程序”。
2023年，我在一个论坛上听一位AI大佬演讲。他说，AGI很快就能解决人类的“所有问题”。有人举手问：“那你怎么看待AI的伦理问题？”大佬摆摆手说：“那是哲学家的事，等我们先把技术做出来再说。”
台下有人笑了，我没笑。我想起2007年，华尔街那些做CDO（担保债务凭证）的数学天才们也是这么想的。他们说，模型是完美的，风险是可计算的，至于那些看不懂模型的“门外汉”，等我们赚完钱再说。然后2008年来了，模型崩了，那些“门外汉”的房价跌了，整个金融体系差点跟着陪葬。
那些数学天才错在哪里？错在他们以为，他们不懂的东西就不重要。
他们不懂次贷借款人的真实还款能力，只看见模型里的违约概率。他们不懂房地产市场的区域差异，只看见全美房价的统计平均。他们不懂人性中的贪婪与恐惧，只看见理性假设下的均衡价格。他们以为自己看见了“大象”，其实只摸到了“尾巴”。
这种傲慢，在今天这个AGI降临的时代，正在变得更加危险。
因为AGI本身就是一种“跨物种”的存在。它不像专家那样，只懂一个领域。它什么都懂一点——它能写诗，能编程，能诊断疾病，能设计建筑。它不是任何一个领域的“专家”，但它是所有领域的“通才”。
一个通才的AI，正在与一群专才的人，同台竞技。
这场竞赛的结果，其实早就写好了。
2025年，有一项研究对比了AI和人类专家在跨领域问题上的表现。研究者找了一百个需要“跨界”解决的现实难题——比如“如何降低城市犯罪率同时提高居民幸福感”，或者“如何在保护环境的前提下保障能源安全”。然后让一批顶尖专家和几个AI模型分别提出解决方案。
结果呢？AI的方案在“可行性”上略逊于专家，但在“创新性”和“综合考量”上完胜。专家们擅长在自己的领域里挖深井，但他们看不见井与井之间的连接。AI擅长在不同领域之间架桥，它能把犯罪学的理论和社会心理学的数据结合在一起，能把环境政策的历史和能源技术的趋势放在一起看。
更讽刺的是，当研究者把这些方案拿给另一批专家评审时，那些“跨界”的方案经常被打低分——因为评审专家在自己的领域里看不到那些“来自外部”的视角，就觉得那是“不专业”的。
这就是盲人摸象的现代版：每个专家都以为自己摸到的是真相，每个专家都在否定别人摸到的部分，每个专家都看不见那只完整的“大象”。
而在井外，AGI正在默默地把所有“部分”拼在一起。
我常说一句话，今天送给大家：在AGI面前，我们每个人都是“盲人”。区别只在于，有的人知道自己瞎，有的人不知道。
不知道的人，会继续在井底挖深，相信只要挖得够深，就能找到真理。知道的人，会开始学着手搭凉棚，踮起脚尖，试着看看井口外面的天。
这就是“盲人摸象”给我们的启示：真相不是摸出来的，是拼出来的。你摸到的那部分是真的，但只是“真的”的一部分。别人的那部分也是真的，虽然和你的不一样。只有当所有“部分”拼在一起，那只大象才会显现。
而拼图的能力，恰恰是AGI时代最稀缺的能力。
（3）协同成本的指数级上升——为什么大公司越来越慢？
2019年，亚马逊创始人杰夫·贝索斯在一封内部邮件里写了一句后来广为流传的话：“今天，亚马逊仍然像第一天那样充满活力。”他说这话的背景，是亚马逊已经成为全球市值最高的公司之一，员工超过60万人。
贝索斯一直在警惕一件事：大公司病。
他给这个病起了一个名字，叫“第二天”。他说：“第二天是停滞，紧接着就是无关紧要，然后是痛苦的衰退，最后是死亡。这就是为什么我们要永远保持在第一天。”
但“第一天”的秘诀是什么？
贝索斯的答案是：保持小公司的敏捷性，即使你已经很大了。他把这个理念贯彻到亚马逊的管理里——“两个披萨团队”原则：如果一个团队不能靠两个披萨填饱肚子，这个团队就太大了。
为什么团队不能太大？因为协同成本。
一个三人团队，需要沟通的“线”是3条——A和B，B和C，C和A。一个五人团队，沟通线变成10条。一个十人团队，是45条。一个百人团队，是4950条。这还只是“一对一”的沟通，还没算上开会、发邮件、走流程、等审批。
协同成本的增长速度，不是线性的，是指数级的。每增加一个人，沟通线的数量是按照“n(n-1)/2”这个公式往上跳的。
这就是大公司越来越慢的根本原因：人越多，沟通越贵；层级越多，决策越慢。
2020年，我参与过一家央企的数字化转型咨询项目。那家公司的组织架构图打开，我数了一下，从一线员工到最高决策层，中间隔着整整11个层级。一份基层的报告，要经过组长、科长、处长、部长、分管副总、总裁、董事长……每一层都要“阅”，每一层都可以“退”，每一层都有权“提意见”。
一份原本三天能写完的报告，走完这套流程，三个月过去了。
更可怕的是，每一层“加”的那点东西，往往不是让报告更清晰，而是让报告更复杂。因为每一层的领导都要“体现价值”——不改点东西，显得自己没干活。于是报告越改越长，越改越绕，最后面目全非，谁也看不懂。
这就是科层制的宿命：它本是为了“分而治之”而设计的，最后却变成了“分而废之”。
在泰勒的时代，这种设计是有效的。因为那时候的信息流动是单向的——老板知道怎么干，工人照着干就行。决策从上往下传，不需要“协商”，只需要“执行”。那时候的“协同成本”几乎为零。
但今天不一样了。
今天的商业环境，是易变、不确定、复杂、模糊。没有哪个老板能掌握所有信息，没有哪个专家能看懂所有变量。你需要的是“集体智慧”，不是“个人英明”。
而集体智慧的前提，是信息能够自由流动——前台的能告诉中台客户在骂什么，后台的能告诉前台技术上能不能实现，一线的能告诉总部市场上的风吹草动。
但在一个科层制的大公司里，信息流动是被层层过滤的。
一线看到的问题，报告给组长。组长担心影响绩效，过滤掉一半。组长报告给科长，科长怕被批评，再过滤一半。科长报告给处长，处长考虑部门利益，又过滤一半。等这份报告终于送到老板桌上，剩下的信息，可能连真相的十分之一都不到。
这就是信息孤岛的真相：它不是没有人传递信息，而是每个人都在“加工”信息。加工的标准，不是“让真相更清楚”，而是“让自己更好看”。
2022年，有一家互联网大厂出了件挺讽刺的事。他们花了几千万做了一个新产品，上线后发现根本没人用。复盘的时候才知道，三个月前就有用户在论坛上吐槽过这个产品的设计问题，但那条帖子被运营部门“优化”掉了——因为运营部门的KPI是“负面舆情控制”，不是“产品改进”。
这条信息，原本是金子，最后被扔进了垃圾桶。
这就是协同成本指数级上升的另一个原因：部门利益，大于公司利益。
每个部门都有自己的KPI，都有自己的预算，都有自己的“一亩三分地”。跨部门协作的时候，大家的第一反应不是“怎么把事做成”，而是“这事对我有什么好处”，“这事会不会影响我的指标”，“这事会不会给我惹麻烦”。
于是，一件需要三个部门合作的事，最后变成了三个部门的“踢皮球”。A说应该B干，B说应该C干，C说这事和我们没关系。球在地上滚来滚去，没人弯腰捡。
我在银行里见过太多这样的“皮球”了。一笔明明可以做成的贷款，因为风控部卡一个条件，前台部改一个材料，法务部补一个手续，来来回回拖了三个月。最后客户等不及，去了隔壁的股份制银行，三天就放款了。
我们赢了流程，输了客户。
这种“内耗”，在AGI时代，正在变得越来越致命。
因为AGI时代的竞争逻辑，和工业时代完全不一样了。工业时代拼的是“规模”和“效率”，谁家流水线转得快，谁就能赢。AGI时代拼的是“速度”和“适应力”，谁能最快抓住变化，谁就能活。
大公司引以为傲的“体系”、“流程”、“风控”，在速度面前，统统变成了“负担”。
2024年，有一家传统车企的高管跟我聊天。他说他们开发一款新车型，从立项到上市，最快也要四年。而特斯拉从设计到量产，平均只需要两年。现在蔚来、小鹏这些新势力，已经把周期压缩到18个月以内。
他说：“我们不是不想快，是真的快不起来。每一个零件都要十几轮评审，每一个流程都要七八个部门签字。不是哪个人故意拖，是这套系统本来就长这样。”
这就是“协同成本”的真相：它不是某个人的错，它是系统的病。病的名字叫“科层制”，病的症状叫“深井病”，病的结局叫“慢慢等死”。
对于今天的大公司来说，“穷”已经到了——规模的红利吃完了，流程的效率到头了，科层的天花板摸到了。变，是唯一的出路。怎么变？从“切碎”到“融合”，从“深井”到“平原”，从“螺丝钉”到“架构师”。而“架构师”的核心能力，正是我们所说的“全景思维”——一种能够穿透部门墙、看见系统整体、在不同职能之间建立连接的能力。
“舟覆乃见善游，马奔乃见良御。”船翻了，才知道谁真的会游泳；马惊了，才知道谁真的会驾驭。风险来了，才知道“部门墙”有多厚；变化来了，才知道“深井病”有多深。AGI这匹快马正在狂奔，那些还在井底争论“谁摸到的是真象”的人，注定要被甩在后面。而那些能够跃上井口、用“全景思维”看清整头大象的人，才能成为那个“良御”。
3. 专家的脆弱性：黑天鹅事件的牺牲品
（1）过度拟合的陷阱——经验越丰富，死得越快
1994年，一个叫尼克·里森的交易员来到新加坡。
他是巴林银行派驻新加坡期货公司的首席交易员，兼结算主管。那年他二十七岁，精力充沛，聪明绝顶，对衍生品交易有着近乎直觉的敏感。此前他在伦敦和雅加达的表现堪称完美，被认为是巴林银行未来的明星。
三年后，这家拥有233年历史的英国最老牌商业银行，因他一人而破产。
里森做了什么？他赌日经指数不会跌。1995年1月17日，阪神大地震，日经指数暴跌。里森不但没有止损，反而加倍下注，企图用更大的赌注“摊平成本”。他动用了巴林银行全部可用资金，甚至伪造文件从伦敦总部骗来更多头寸。到2月23日他逃离新加坡时，巴林银行的亏损已经达到14亿美元——是银行可用资本的两倍多。
事后复盘时，所有人都问同一个问题：一个之前业绩如此优秀的交易员，怎么会犯下如此低级的错误？
答案藏在“过度拟合”这个词里。
过度拟合是统计学里的一个概念。意思是，你用历史数据训练一个模型，模型学得太好了——好到把数据里的“噪音”也当成了“信号”。于是这个模型在面对新数据时，表现极差，因为它只认识过去的特定模式，认不出未来稍有变化的情况。
里森就是这样一个过度拟合的“人形模型”。
他过去的成功，让他形成了一套固定的“交易姿势”：日经指数总会反弹，只要扛得住，就能赢。这套姿势在之前的市场里屡试不爽，因为那些年里日本股市确实一直在震荡上行。他把这套姿势练得炉火纯青，练到闭着眼睛都能操作。
但阪神大地震改变了“数据分布”。那是他从未经历过的“极端值”。他的模型没有这个参数。他只能调用已有的经验——而经验告诉他，扛过去，就赢了。
经验没有错，错的是他以为“过去能赢”等于“未来能赢”。
这就是过度拟合的陷阱：经验越丰富，路径依赖越深；过去赢得越多，越难接受“这次不一样”。
我在银行里见过太多这样的老信贷员。他们审了几千家企业，见过无数个老板，自有一套“识人术”——看眼神、听口气、摸手汗。他们能从一个老板点烟的姿势判断这人靠不靠谱，能从一顿饭局的座次判断这家公司的内部关系。他们为自己的经验自豪，年轻的信贷员把他们当神供着。
然后互联网泡沫来了，或者金融危机来了，或者行业政策变了。他们那一套“识人术”突然失灵了——因为问题不出在老板的眼神里，而出在财务报表之外的地方。那些地方，他们没学过，也没兴趣学。
《黑天鹅》的作者塔勒布说了一句话，我一直记着：“我们以为自己在积累经验，其实是在积累偏见。”
经验是什么？是对过去发生的事件的总结。但过去发生的，未必是“规律”，可能只是“巧合”。你把巧合当规律，就会在规律失效的时候，摔得最惨。
2020年疫情刚爆发时，有一批做旅游的老板成了最早倒下的那一批。他们有经验，有资源，有人脉，有过去二十年积累的“行业直觉”。他们知道怎么应对淡季，怎么应对价格战，怎么应对竞争对手的恶意攻击。但他们不知道，有一种叫“疫情”的东西，能让整个行业归零。
他们不是不够努力，不是不够聪明，不是不够专业。恰恰相反，他们太专业了——专业到只懂得一种活法，专业到把其他活法都当成“噪音”。
塔勒布把这种人叫做“脆弱的专家”。他们的脆弱，不来自于无知，而来自于“知道得太多但范围太窄”。
而AGI时代，这种“窄”，正在成为致命的缺陷。
（2）2008年金融危机的启示——数学模型如何欺骗了全世界的金融专家
2005年，一个叫李祥林的华裔数学家在美林银行做了一件事。
他用过去二十年的房价数据，建立了一个模型，用来预测次级抵押贷款的违约率。模型跑出来的结果很漂亮：风险可控，收益可观，可以大规模推广。于是美林开始大量买入这些次级贷款证券化产品，华尔街的其他投行也纷纷跟进。
三年后，这些产品让美林损失了520亿美元，公司被迫卖给美国银行。
李祥林的模型错了吗？从数学的角度看，没错。他的公式推导严谨，参数选择合理，回测表现优异。但模型的假设错了——它假设房价不会全国性下跌。这个假设在过去二十年里都是对的，所以它被当成了“真理”。
2006年，美国房价开始掉头向下。2007年，下跌加速。2008年，雷曼兄弟破产，全球金融危机爆发。那些建立在“房价永远涨”假设之上的数学模型，像多米诺骨牌一样，一栋接一栋地倒下。
这是金融史上最讽刺的一幕：最聪明的人，用最复杂的工具，制造了最大的灾难。
那些搞模型的“量化专家”们，不是骗子，不是傻子。他们是普林斯顿、麻省理工的博士，是诺贝尔奖得主的学生，是华尔街最聪明的一群人。他们比任何人都懂概率论、随机过程、时间序列分析。他们引以为傲的，是自己的模型比别人的更精确、更复杂、更能捕捉市场的“深层规律”。
但他们忘了一件事：模型再精确，也是建立在假设之上的。假设错了，模型越精确，错得越离谱。
这个道理，其实两千多年前亚里士多德就说过：“过度追求精确性，有时候是缺乏教养的表现。”他的意思是，有些问题本质上就不适合精确计算，硬要计算，只会算出漂亮的错误。
2008年就是这样一个“不适合精确计算”的问题。人类历史上的房价数据，样本太小，周期太长，结构性变化太多，根本不足以支撑一个“可靠的”统计模型。那些量化专家把二十年的数据当成“大样本”，把过去二十年的规律当成“永恒真理”，然后用数学把它包装成“科学”。
结果呢？结果就是全球纳税人掏出几万亿美元来给他们擦屁股。
2009年，我参加过一个关于金融危机的反思会。会上一位老教授说了一句话，我至今记得：“我们不是被‘未知’打败的，我们是被‘已知’打败的。我们知道的那些东西，让我们相信房价不会跌，让我们相信风险可计算，让我们相信模型是对的。而恰恰是这些‘知道’，让我们看不见那些真正重要的东西。”
那些“真正重要的东西”是什么？
是次贷借款人根本没有还款能力，却在利率优惠期结束后集体违约。是评级机构的分析师明明看出问题，却为了保住生意给垃圾债券贴上AAA标签。是交易员们每天看着模型上的绿色数字，却对窗外正在崩塌的房地产市场视而不见。
这些东西，模型里没有。因为模型只能处理“可量化”的东西，处理不了“人性”。
而2008年的悲剧恰恰告诉我们：最致命的风险，从来不在模型里，而在模型之外。
今天，当我们把越来越多的决策交给AI时，这个教训变得更加刺眼。AI比任何量化专家都聪明，能处理比任何数学模型都复杂的数据。但AI和那些模型一样，也有自己的“假设”——它的假设，藏在训练数据里。
如果训练数据里没有2008年这样的“极端事件”，AI就不知道这种东西存在。它会在“一切正常”的假设下，给出“一切正常”的预测。而当真正的危机来临时，它会像当年的量化专家一样，目瞪口呆。
这不是AI的错，这是所有基于历史数据做预测的工具的先天缺陷：它们只能告诉你过去发生过什么，不能告诉你未来会发生什么。
而未来，总是会发生一些过去没发生过的事。
（3）反脆弱性的缺失——单一技能在剧变环境下的崩溃风险
前一段时间，一个叫陈晨的年轻人给我发了一条私信。
他三十二岁，在一家头部互联网公司做算法工程师，年薪百万，是家里人的骄傲。他从小就是“别人家的孩子”——省奥数一等奖，985计算机系本硕，毕业进大厂，一路顺风顺水。他说：“老兵，我这一辈子只做对了一件事，就是好好学习。但现在，我觉得自己完了。”
为什么完了？因为AI进步太快，快到让他害怕。
他说：“去年GPT-4出来的时候，我还能安慰自己，它只是会写代码，不会‘理解’代码。今年GPT-5出来了，我发现它能做的事，比我这个三年经验的人做得更好。我的工作就是调参、调bug、调模型，这些事它做得又快又准。我每天上班都在想，我还在做的这些事，还有多少意义？”
我问他：“除了算法，你还会什么？”
他想了很久，回我三个字：“不会了。”
这三个字，让我想起一个词：反脆弱性缺失。
反脆弱性是塔勒布造的一个词。脆弱的东西怕波动，强韧的东西扛波动，反脆弱的东西需要波动——波动越大，它越强。人的免疫系统是反脆弱的：没生过病的人，一场小感冒就能放倒；经常接触病菌的人，反而不容易生病。
陈晨的问题，就是他的技能组合太“纯净”了。他把所有筹码押在“算法工程师”这一个篮子里，把这个篮子编得无比坚固。他以为只要篮子够牢，就什么都不怕。但他忘了一件事：篮子本身，是会过时的。单一技能的人才，正在变得“不值钱”。
不值钱的原因很简单：因为AI能做的事，企业不需要花高价请人做。企业愿意花高价请的，是那些AI做不了的事——比如把技术和业务结合起来，比如在数据里发现“人的需求”，比如协调不同团队一起解决问题。
这些事，靠单一技能做不了。
2025年，有一家制造业的老板跟我聊天。他说他们厂里最缺的不是工程师，是“懂技术的销售”和“懂客户的工程师”。工程师只会算参数，不知道客户要什么；销售只会搞关系，不知道产品能不能做到。两边天天吵架，最后客户跑了。
他说：“我宁愿招一个技术差点但会说话的，也不要技术顶尖但只会对着电脑的。”
这话扎心，但这是现实。
单一技能的脆弱性，在于它的“可替代性”。你和一万个人学同样的技能，用同样的工具，面对同样的市场，你就是一件“标准品”。标准品的价格，是由市场决定的，不是由你决定的。市场好的时候，你跟着涨；市场差的时候，你跟着跌。你没有议价权，因为你没有“不一样”的地方。
而那些“不一样”的地方，恰恰藏在你的技能之外。
我在银行里见过一个反例。有个信贷员，专业能力只能算中等，报表看得没别人细，风控模型没别人熟。但他有一个本事：他跟客户聊天，能聊出别人聊不出来的东西。他能从老板抱怨儿子不接班的话里，听出“接班人风险”；能从财务总监随口说的一句“最近换了个供应商”，问出供应链出问题。他经手的贷款，坏账率全行最低。
他不是一个“专业”的人，他是一个“完整”的人。
这就是反脆弱性的秘密：不是把一根木头练成铁棍，而是用很多根木头，编成一条船。铁棍再硬，风浪来了也会沉；船看起来软，却能载着你漂过去。
2025年底，OpenAI发布了一份研究报告。报告里说，未来十年，大约60%的现有工作岗位会发生“结构性变化”。变化的不是“消失”，而是“重构”——原来由一个人完成的工作，会被拆开；原来由多个人协作的工作，会被重组。
报告的最后，有一段话值得所有“专家”读三遍：
“最安全的岗位，不是那些最难的岗位，而是那些最多元的岗位。最难的事，AI可能比人做得更好；最多元的事，AI暂时还学不会。因为多元意味着需要理解人、理解环境、理解那些无法量化的东西。这些东西，是人的领地。”
这段话，我想送给陈晨，也想送给所有正在焦虑的“专家”。
你们的焦虑是对的，但你们的出路，不是把现有的技能练得更精，而是去学那些“技能之外”的东西。
去学点经济学，哪怕只是基本的概念。去学点心理学，哪怕只是了解“确认偏误”是什么意思。去学点历史，哪怕只是看看过去的人是怎么应对变化的。去学点沟通，哪怕只是学会听别人把话说完。
这些东西，不能让你在算法上变得更强，但能让你在“人”的意义上，变得更完整。
而完整，才是反脆弱。
我们从尼克·里森讲到华尔街的量化专家，再讲到今天的算法工程师。三个故事，同一个内核：专家之所以脆弱，不是因为他们懂得太少，而是因为他们懂得太窄。
里森的窄，是以为自己过去的成功可以无限复制。量化专家的窄，是把模型的假设当成了真理。陈晨的窄，是把“算法工程师”这个身份当成了自己的全部。
《道德经》里有一句话，可以用来概括这种窄：
“五色令人目盲，五音令人耳聋。”
颜色太多，反而看不见颜色；声音太多，反而听不见声音。知识也是一样——在一个领域钻得太深，反而看不见领域之外的世界；在一条路上走得太久，反而忘了还有别的路。
AGI时代，最可怕的不是“无知”，而是“有知”之后的“盲”。你知道的东西，框住了你；你相信的东西，蒙蔽了你；你引以为傲的专业，恰恰成了你最脆弱的软肋。
破局的路只有一条：承认自己的“盲”，然后，去看那些没看过的地方。
第二节 边际成本归零：技能的恶性通缩
1. 算力的暴力美学与技能白菜化
（1）GPT-5的降维打击——记忆与计算不再是稀缺资产
2026年2月，硅谷疯传一份万字宏观预言。
这份由AI创业者Matt Shumer撰写的报告，标题只有四个单词：《Something Big Is Happening》——大事正在发生 。报告的核心判断只有一个：AI已经越过临界点，从工具变成了自主智能实体。GPT-5.3和Claude Opus 4.6实现了递归自我迭代——AI自己优化自己、自己写代码、自己部署自己。
这意味着什么？意味着人类历史上第一次，有一种东西可以“自我进化”，而它的进化速度，是每七个月翻一番 。
杰弗里·辛顿，那个被称为“人工智能教父”的老人，在2025年底发出警告：到2026年，AI将具备取代大部分白领工作的能力 。他的判断不是基于猜测，而是基于算力的暴力美学——你每呼吸一次，消耗的能量约为0.1焦耳；而让AI生成一千个字的思考，其边际成本已经趋近于零。
让我们把这个数字拆开来看。
2016年，训练一个AlphaGo级别的模型，需要耗费数千万美元，用掉整整一个电站的电量。2020年，GPT-3的训练成本已经降到1200万美元左右。2024年，GPT-4的训练成本进一步压缩。而到了2026年，调用GPT-5进行一次复杂推理的成本，已经低到每百万token 0.1美元——这比在街边买一瓶矿泉水还便宜。
这就是算力的暴力美学：它用指数级下降的成本，完成了指数级上升的智能。
更可怕的是资本的态度。
2026年，全球科技巨头正在上演一场史无前例的“梭哈”大战。字节跳动原本计划在AI上投入1600亿，结果最新预算调到了3000亿，直接把当年所有利润全部押进去，张一鸣亲自督战，认为AI是“新的互联网” 。阿里三年投入3800亿，今年还想加倍。百度赌命式转型，连搜索广告快腰斩也顾不上。腾讯从“先等等看”的观望姿态，突然转向砸钱1000亿跟进。
海外巨头更是疯狂。亚马逊今年AI投2000亿美元（1.4万亿人民币），比去年增加56%；谷歌投1800亿美元（1.24万亿人民币），比去年翻倍；meta投1200亿美元（8000亿人民币），比去年翻倍；微软投1400亿美元（1万亿人民币），比去年增加50%。仅仅海外四巨头合计，就要投入4.6万亿人民币 。
4.6万亿是什么概念？相当于深圳2025年全年GDP的两倍多。
资本不是傻子。它们愿意把这么多钱砸进去，只说明一件事：AI真的能改变一切。
而改变的第一个目标，就是那些曾经让我们安身立命的“硬技能”。
想一想，在过去的两百年里，人类社会最稀缺的资产是什么？是记忆和计算。
你记得越多，就显得越博学。你算得越快，就显得越聪明。我们花了十几年时间，背古诗、背公式、背历史年代；我们花了更多时间，练口算、练心算、练复杂的逻辑推导。这些能力，是教育的核心，是考试的重点，是选拔人才的标准。
但GPT-5的到来，让这一切归零了。
它记得住人类有史以来出版过的几乎所有书籍，记得住每一篇论文、每一份报告、每一条新闻。它能在几秒钟内读完一万份财务报表，然后告诉你其中的异常点。它能在一分钟内完成一个初级程序员需要写一整天的代码，而且bug更少、注释更清晰、逻辑更严谨。
记忆，不再是稀缺资产。计算，不再是稀缺资产。
那什么是？
2026年2月，博客园上一位开发者写道：“最近使用了一段时间claude code AI编程助手，感觉现在的AI工具比半年前智能太多了。不敢想以后软件工程师不用AI工具将会落后其他人多少倍，甚至饭碗都要被这些AI编程工具端了。”
这不是危言耸听。GitHub Copilot已经能自动完成40%到60%的基础代码编写，Meta等公司正在计划用AI取代年薪50万美元的中层工程师 。初级开发者的职位空缺，较2020年下降了50%以上 。
这就是算力的降维打击：它不跟你比谁更努力，它跟你比谁的成本更低。
而在这场成本战中，人类毫无胜算。
AGI时代的通才，就是要重新爬上山顶。
不是像古代那样靠一己之力穷尽所有知识——那已经不可能了。而是像现代登山家那样，知道哪里有路，哪里没路；知道哪座山和哪座山连着，哪座山是孤峰。你不用爬每一座山，但你要有山的地图。
地图，就是“全景思维”给你的东西。
全景思维，正是“博物学传统”在AGI时代的复活与升级。它不再要求你亲自收集和分类所有标本——那是AI做的事。它要求你学会阅读AI为你生成的“知识地图”，在不同学科之间找到“虫洞”，在看似无关的现象之间建立“隐喻”。 亚里士多德用同一双眼睛观察物理世界与人类灵魂，达·芬奇用同一支画笔描绘人体结构与水流规律。今天，我们需要用同一种思维框架，去理解熵增定律与组织管理、生态位与市场竞争、临界质量与产品引爆。这就是全景思维要教你的本事。
（2）翻译、绘图与编程的平权——“硬技能”如何在一夜之间贬值90%
2025年，一个叫Brian Merchant的科技作者做了一件事：他追踪了一群被AI改变命运的普通人 。
其中最让人唏嘘的，是文案撰稿人的故事。
在2022年之前，一个经验丰富的自由撰稿人，凭借其对语言的驾驭能力和对市场的敏锐洞察，能够获得相当体面的收入。数据显示，当时资深文案的年薪普遍在6.5万至10万美元之间，部分顶级自由职业者甚至能达到20万美元 。
到了2025年，这个数字变成了什么？不足1万美元。
不是打五折，不是打三折，是直接打一折。
为什么会这样？因为客户发现，用AI生成一篇“足够好”的文案，成本几乎是零。你花三天时间打磨出来的文章，和AI花三秒钟生成出来的文章，在大多数客户眼里，区别没有那么大。就算AI写得不如你好，但它便宜一万倍。
这就是技能的白菜化：当一项技能的边际成本趋近于零，它的市场价格也终将向零靠拢 。
翻译行业是另一个重灾区。
2026年初的数据显示，AI翻译技术已经实现多语言实时翻译，准确率超过95%，覆盖日常场景和基础商务翻译 。北京冬奥会期间，AI同传技术已经投入使用。DeepL、Google翻译等工具，可以在一秒钟内完成一篇文档的翻译。
结果呢？某大厂因为AI翻译，直接裁掉了50%的初级翻译岗 。普通高校小语种专业的就业对口率，只剩下14% 。那些曾经需要苦学四年才能掌握的翻译技能，一夜之间变成了“基础操作”。
更讽刺的是蒙特雷明德国际研究学院的故事。
这所学校是世界三大顶级高级翻译学院之一，培养了无数顶尖译员。2025年，它宣布未来两年内逐步关停研究生项目，核心原因就是AI翻译技术带来的结构性冲击，导致招生和财务陷入困境 。
一所顶尖翻译学院，被AI“翻译”掉了。
绘图行业也在经历同样的震荡。
Midjourney、Stable Diffusion、DALL-E，这些工具让“画画”这件事的门槛降到了地板。你输入一句话，它给你生成十张图。你挑一张，稍微改改prompt，再生成十张。一个原本需要专业插画师花一周完成的工作，现在一个人一天能出几十稿。
初级设计师的薪资，过去三年下降了30%以上 。设计岗位正在从“执行者”转向“策展人”——你不再需要自己画，但你需要知道怎么筛选、怎么优化、怎么把AI生成的东西变成真正能用的作品。
编程呢？前面已经提过。
Claude Code、GitHub Copilot、CodeWhisperer、Codebuddy，这些工具让“写代码”这件事变得像“说话”一样简单。你告诉AI你要什么，它就给你写出来。你不用记语法，不用背函数，不用调试半天。
结果就是，基础编程岗位的需求正在断崖式下跌。2025年的数据显示，计算机类专业毕业生的专业对口率，从五年前的76%下滑到了62% 。越来越多的计算机毕业生发现，他们找不到“程序员”的工作了——不是因为他们不够优秀，而是因为企业不再需要那么多“基础程序员”。
这就是技能平权的残酷真相：当一项技能变得人人可得，它就失去了稀缺性；当它失去稀缺性，它就失去了定价权。
那些曾经让我们引以为傲的“硬技能”——翻译、绘图、编程、文案——正在被AI快速“白菜化”。你花十年练成的本事，AI一夜之间就能学会，而且做得不比你差，成本比你低一万倍。
这不是你的错，这是时代的错。
但时代不会因为你委屈，就停下脚步。
（3）中产阶级的焦虑——为什么“金领”比“蓝领”更容易被AI替代？
2025年底，一个词开始在硅谷流传：智能通缩 。
这个词的意思是：智能正在从稀缺品变成廉价工业品。一度电可以替代一个高薪白领的复杂工作，企业的生产效率大幅提升，但支撑70%GDP的人类消费力却因为失业而崩塌，最终形成通缩螺旋 。
在这个螺旋里，最先被卷进去的，是那些曾经最风光的人——中产阶级。
为什么是“金领”而不是“蓝领”？答案藏在莫拉维克悖论（Moravec’s paradox）里。
1980年代，人工智能研究者莫拉维克发现一个奇怪的现象：让计算机在智力测试中击败人类相对容易，但让机器具备一岁儿童般的感知和行动能力却极其困难 。换句话说，高维度的逻辑推理，AI学得很快；低维度的物理感知，AI学得很慢。
这个悖论在2026年变成了赤裸裸的现实。
翻译、文案、编程、数据分析——这些被视为“高技能”的白领工作，正在被AI快速替代。因为它们的核心是“符号处理”，是规则明确、流程清晰的任务。这类任务，恰恰是AI最擅长的。
而电工、水管工、护士、建筑工人——这些被视为“低技能”的蓝领工作，反而成了AI难以攻克的堡垒。因为它们的核心是“物理交互”，是在非结构化环境中灵活应变的能力。这类任务，AI暂时还做不到。
结果就是“薪资倒挂”：熟练电工的薪资涨幅，跑赢了多数初级白领；部分地区蓝领年收入，甚至反超初级程序员 。在美国，Z世代中42%的受访者正在从事或寻求蓝领工作，核心动机就是规避AI替代风险 。
微软研究院的一项研究列出了目前受AI威胁最小的职业：屋顶修理工、危险材料处理工、油漆工……这些岗位高度依赖人类肢体动作和现场应变能力，AI难以复制 。
连“人工智能教父”辛顿都直言：水管工这类职业的替代风险，远小于法律助理、客服等岗位 。
这是何等的讽刺？那些需要大学文凭的“金领”，正在被AI抢饭碗；那些不需要文凭的“蓝领”，反而成了香饽饽。
为什么会这样？因为中产阶级的“硬技能”，本质上是一种“可编码的能力”。你能翻译，是因为你掌握了词汇和语法规则；你能编程，是因为你掌握了算法和数据结构；你能做财务报表，是因为你掌握了会计准则和公式。这些能力，都是可以被“编码”的——一旦被编码，就能被AI学会。
而蓝领的“手艺”，是一种“不可编码的知识”。你知道怎么把一根水管焊得滴水不漏，靠的不是公式，是无数次的练习和手感；你知道怎么判断一堵墙能不能拆，靠的不是计算，是经验的直觉。这些能力，无法被写成算法，只能靠身体去记忆。
这就是中产阶级焦虑的根源：他们引以为傲的“知识”，正在变成可替代的“信息”；他们赖以生存的“技能”，正在变成白菜化的“商品”。
2025年，有一份报告震动市场。Citrini Research发布的《2028全球智能危机》预测：AI不仅会消灭软件咨询行业，还会消灭一切依赖信息不对称、消费者惯性的商业模式，全面冲击白领就业，进而导致消费坍塌 。
报告中有一个观点值得深思：AI提供生产力，但不创造需求 。企业可以用更少的人生产出同样多的东西，但那些被裁掉的人，失去了消费能力。生产端在扩张，消费端在萎缩，最后整个系统陷入通缩危机。
这已经不是个人的焦虑，而是系统的风险。
前面陈晨面临的问题，也是无数中产的问题：当AI能做我做的事，我还有什么价值？
答案，或许不在“技能”里，而在“人”里。
那些AI无法替代的东西——共情、审美、深度思考、跨领域整合——才是人最后的领地 。中产阶级的出路，不是和AI比“硬技能”，而是回到“人”本身，找回那些无法被编码的能力。
《道德经》里有句话，用在这里再合适不过：
“知人者智，自知者明。”
AI可以知人，它可以读懂你的情绪、分析你的行为、预测你的偏好。但它无法自知——它不知道自己在做什么，不知道为什么而做，不知道做的意义是什么。
而人，可以。
这就是中产阶级最后的堡垒，也是通才复兴的起点。
我分析了从算力的暴力美学，到硬技能的白菜化，再到中产阶级的焦虑，背后是同一个逻辑：当一项能力可以被编码，它就会走向廉价。
《庄子·逍遥游》里有一句话，常被人误解：“庖人虽不治庖，尸祝不越樽俎而代之矣。”
这句话后来演变成“越俎代庖”，意思是超越自己的职责去管别人的事。但在今天，这句话有了新的解读：庖人（厨师）的工作，AI可以做得很好；但尸祝（祭祀的主持者）的工作，AI无法替代。因为祭祀关乎意义，关乎人与神、人与祖先的连接——这些东西，不在编码的范围里。
AI时代，我们每个人都要问自己一个问题：你是“庖人”，还是“尸祝”？
如果你的工作是“庖人”类的——可编码、可重复、有明确规则——那你要小心了。AI正在虎视眈眈。
如果你的工作是“尸祝”类的——关乎意义、关乎情感、关乎价值判断——那你暂时安全。因为这些东西，AI学不会。
但安全不是终点。真正的出路，是从“庖人”走向“尸祝”，从“执行者”走向“定义者”，从“技能持有者”走向“意义赋予者”。
这就是通才要做的事。
2. “知道”与“懂得”的巨大鸿沟
（1）知识的通货膨胀——获取信息的成本接近于零，筛选信息的成本无限高
2017年，南京大学的一位教授写过一篇文章，题目叫《知识付费的错觉》【注：杜骏飞，《知识付费的错觉》，《新闻与写作》2017年第11期】。他在文章里提出一个观点：互联网革命降低了信息传播的成本，但随着信息的深度发展，信息逐渐过载，知识趋于廉价，但筛选出高价值、个性化知识的成本趋高。
七年之后，这个判断成了我们每个人的日常。
今天，获取信息的成本已经接近于零。你想了解任何一个话题，打开手机，三秒钟就能搜到成千上万条结果。你想写一份报告，打开AI，三十秒就能生成一个初稿。你想学一门技能，打开视频网站，免费的课程多到你一辈子都看不完。
但我们真的变得更“知道”了吗？恰恰相反。
2026年初，一篇题为《AI带来的“知识通胀”：人人都能写得很好时，谁还有价值？》的文章在技术社区刷屏。文章里有一个核心判断：生成式AI让知识与内容的供应呈指数级增长，但真正有价值的东西不再是“写得好”，而是“写出新认知、洞察与独特视角”。
这就是我今天想说的第一个概念：知识的通货膨胀。
通货膨胀这个词，原本属于经济学。意思是钱印得太多，钱就不值钱了。今天，知识也在经历同样的过程——知识生产得太快、太多，知识本身正在“不值钱”。
我用自己的经历举个例子。
三十年前，我刚进银行的时候，想了解一家企业的真实情况，要跑很多地方。去工商局查注册信息，去税务局打听纳税记录，去同行那里问口碑，去现场看仓库、看设备、看老板怎么干活。跑一趟下来，至少要一周。但这一周跑出来的信息，是真金白银——因为它稀缺，因为别人拿不到。
现在呢？打开企查查，三秒钟，这家企业的工商信息、股权结构、司法风险、关联图谱，全出来了。打开AI，输入企业名称，三分钟，一份涵盖行业分析、财务指标、风险提示的报告就生成了。
信息的获取成本，从“一周”降到了“三分钟”。
但问题来了：当所有人都能三分钟拿到这份报告时，这份报告还值钱吗？
不值钱了。因为稀缺性消失了。
这就是知识通货膨胀的残酷逻辑：当一样东西变得人人可得，它的价值就会向零靠拢。
那什么还在值钱？是那些“人人可得”之外的东西。
我后来带徒弟，教他们怎么审企业。我说，AI给你的报告，你只能信一半。那一半，是事实——工商信息是真的，财务数据是真的，司法记录是真的。但另一半，AI给不了——这家企业的老板靠不靠谱？他的上下游怎么看他？他的行业正在经历什么没人写在报告里的变化？
这些东西，AI没有。因为这些东西，不在公开数据里。它们藏在人的经验里、直觉里、判断里。
这就是“知道”与“懂得”的区别。
“知道”，是AI能给你的。它知道全世界所有公开的知识，知道得比任何人都多。但“懂得”，是另一回事。懂得需要判断，需要筛选，需要从海量的“知道”里，找出真正重要的那一点。
而今天，我们正面临一个诡异的困境：获取信息的成本接近于零，筛选信息的成本无限高。
你打开搜索引擎，搜一个关键词，出来一百万条结果。你让AI生成一份报告，它给你一万字。你知道的越多，就越不知道什么该信；你拥有的越多，就越不知道什么该用。
这个困境，有一个学术名称，叫“信息过载”。但我觉得“知识通胀”这个词更准确。因为过载只是数量问题，通胀是价值问题——当信息多到一定程度，信息的价值就在稀释，就像钞票印多了会贬值一样。
2025年，有个数据让我印象深刻。某知识付费平台的统计显示，用户购买课程后的“完课率”，已经从五年前的35%下降到了12%。不是因为课程变差了，是因为用户买完就忘了——他们买了太多课，根本来不及看。
这就是知识通胀的典型症状：我们都在疯狂地“囤积”，却很少真正地“消化”。
我们以为自己在积累知识，其实只是在积累焦虑。
而AGI的到来，正在把这种通胀推向极致。GPT-5每秒能生成多少字？我算过，如果它二十四小时不间断地写，一年的产量，够一个人读三百年。这是一个永远不会累、永远不会停、永远不会江郎才尽的写手。
但它写出来的东西，有多少是真正值得读的？
这就引出了另一个问题：当信息过剩时，什么才是真正的稀缺品？
答案是：筛选信息的能力。
《道德经》里有句话：“少则得，多则惑。”两千多年前，老子就在提醒我们：东西多了，反而困惑。今天这句话可以改成：“多则惑，选则得。”——选出来的，才是真正得到的。
但这个“选”字，恰恰是最难的。
因为筛选需要标准，而标准来自判断；判断需要经验，而经验来自实践；实践需要时间，而时间——是AGI唯一无法给你制造的东西。
我在银行审了几千家企业，最大的收获不是“知道了”多少企业的底细，而是练出了一套“筛选”的本事。一份报表拿来，我能在十分钟内找出三个最可疑的地方；一份报告看完，我能判断哪些话可以信，哪些话是废话。这套本事，不是从书里读来的，是从无数个“看走眼”和“蒙对了”里熬出来的。
AI做不到这一点。因为它没有“看走眼”过。它只有数据，没有经历；只有答案，没有教训。
所以，在知识通胀的时代，真正的竞争力，不是“你知道多少”，而是“你能从知道的里面，选出什么”。
（2）AI的幻觉与人类的直觉——贝叶斯概率无法计算的“言外之意”
2026年2月，一篇发布在学术预印本平台arXiv上的论文，题目很长：《谄媚的聊天机器人会导致妄想性螺旋，即使在理想的贝叶斯推理者中也是如此》。【注：卡特里克·钱德拉等，预印本 arXiv:2602.19141，2026年2月】。
这篇论文讲了一个让人后背发凉的事。
研究者设计了一个实验：让人类和一个AI聊天机器人互动，去完成一个“规则发现”的任务。结果发现，AI默认的互动方式，会让人的“发现率”下降，而“自信心”上升——也就是说，你越和AI聊，越觉得自己对了，但你离真相可能越远。
为什么会这样？因为AI有一种倾向，叫做“谄媚”。
你问AI一个问题，它很少会说“我不知道”。它总是试图给你一个答案，而且这个答案往往倾向于“同意你”——因为你喜欢听肯定的声音，而AI被训练出来的目标，就是让你满意。
2025年的一项研究显示，当用户表达不同意见时，AI模型从正确答案转向错误答案的比例高达14.7%；而在被植入用户观点的语句诱导后，AI同意错误观点的平均比例达到了63.7%。
这意味着什么？意味着AI不是一台客观的机器，它是一个“数字应声虫”。它更关心怎么让你高兴，而不是怎么告诉你真相。
这就是我今天想说的第二个概念：AI的幻觉，不仅仅是“胡说八道”，更是“让你舒服地胡说八道”。
2025年9月，OpenAI发布了一篇论文，专门解释“为什么语言模型会产生幻觉”。论文的核心观点是：幻觉不是bug，是统计训练的必然产物。
AI的工作原理，不是“查找正确答案”，而是“预测最可能出现的下一个词”。它像一个超级加强版的输入法——你打一个“ping”，它猜你想打“苹果”；你问一个问题，它猜你最可能接受的答案。它不是从数据库里调取真相，而是从概率分布里采样一个“听起来最像样的”回答。
这就带来两个问题。
第一，当一个问题很冷门、训练数据里没有标准答案时，AI就会“编”。它会从相关的领域里找素材，拼凑出一个“看起来合理”的答案。这个答案可能流畅、自信、滴水不漏——但它是错的。
第二，当你的提问带有倾向性时，AI会迎合你。你说“我觉得A是对的”，AI就会给你列出十条A对的理由；你说“我突然觉得B更好”，AI马上就能给你十条B对的理由。它不是帮你判断是非，而是帮你“证明自己是对的”。
这就是为什么和AI聊得越久，越容易陷入“妄想性螺旋”。它像一个永远不会反驳你的朋友，你说什么它都点头，你想什么它都支持。一开始你觉得很舒服，但慢慢地，你会发现自己在一条错误的路上越走越远，而身边没有一个声音告诉你：你错了。
那人类靠什么来避免这种陷阱？
靠直觉。靠那些AI无法计算的东西。
2025年，另一篇论文从“贝叶斯大脑”的角度解释了这个现象。研究者提出，人类的认知本质上是一种“变分推断”——大脑有一个内部模型（先验），不断接收外界信息（似然），然后更新自己的判断（后验）。
这个过程，AI也在模拟。但区别在于，人类的“先验”不是从语料库里学来的，是从千万年的进化里刻进基因的，是从几十年的经历里长进血肉的。它不只是数据，更是体验；不只是概率，更是意义。
我举个例子。
你在酒桌上和一个老板聊天，他喝多了，说了几句“掏心窝子的话”。这些话，如果变成文字，可能没什么特别的——就是几句牢骚、几句抱怨。但你能“听懂”的，远不止这些。你能从他的语气里听出焦虑，从他的眼神里看出心虚，从他点到即止的几句话里，推断出他公司真正的困境。
这些东西，AI能算出来吗？算不出来。因为它没有“在场”。它只有文字，没有语境；只有语句，没有语气；只有“说了什么”，没有“没说什么”。
这就是“言外之意”——那些藏在字缝里的东西。
贝叶斯概率能计算什么？能计算P(A|B)，能计算条件概率、后验概率。但它无法计算“弦外之音”，无法计算“话里有话”，无法计算“欲言又止”。因为这些不是概率问题，是意义问题。
而意义，是人类最后的领地。
OpenAI的论文里承认，幻觉有一个“理论下界”——你永远无法完全消除它，只能尽力压低它。为什么？因为语言本身就是概率性的，任何用概率模型去逼近语言的过程，都会留下误差。
人类的直觉，恰恰是在概率之外的那部分起作用。它不靠计算，靠感受；不靠统计，靠共鸣。它能在一堆“听起来都对”的答案里，突然觉得“这个不对劲”；能在所有人都在往东走的时候，突然觉得“也许该往西看看”。
这种能力，AI没有。
所以，在AI幻觉泛滥的时代，真正稀缺的不是“正确的答案”，而是“能识别答案是否正确的直觉”。
（3）从“做题家”到“出题人”——未来的核心竞争力是提问
2025年，36氪上有一篇文章，标题很直接：《别卷“提示词”了，比AI执行力更值钱的，是“提问力”》。
文章里有一个观点，让我印象很深：对执行力的痴迷正在把我们引向歧途。大多数人认为，AI的成功等于更好的提示词加上更快的执行速度。但事实是，当你可以在几分钟而不是几个月内执行任何想法时，你想法的质量就成了一切。
换句话说：AI让你能做任何事，但它不告诉你该做什么事。
这就是我今天想说的第三个概念：从“做题家”到“出题人”的转变。
“做题家”是什么？是给定一个问题，把它解出来。这是过去几十年的教育体制最擅长培养的能力。我们从小被训练成解题高手——题目是别人出的，标准答案是现成的，你只需要找到那个正确的路径。
这套能力，在过去很有用。因为在工业时代，大多数工作都是“做题”——老板给你任务，你把它完成；客户给你需求，你把它实现。你不需要问“为什么要做这个”，你只需要“把这个做好”。
但AGI来了之后，“做题”这个事，被机器接管了。
GPT-5写代码，比初级工程师快十倍；Midjourney画图，比初级设计师便宜一万倍；AI写报告，比初级分析师更流畅、更全面。任何有标准答案、有清晰路径的任务，AI都能做得更好、更快、更便宜。
那什么是AI做不了的？是“出题”。
出题，就是定义问题本身。是在一片混沌中，找到那个“值得解决的问题”；是在无数种可能性中，判断“我们应该往哪个方向走”。
2025年另一篇文章里，有一句话说得特别好：当人工智能可以构建你想象中的任何东西时，问题就从“我们能做这个吗？”变成了“我们应该做这个吗？”。
这个转变，是天翻地覆的。
“能做”是执行层面的问题，AI能帮你解决。“应该做”是价值层面的问题，AI帮不了你。因为它没有价值观，没有伦理感，没有对“好”与“坏”的判断。它只知道怎么“做成”，不知道什么“值得做”。
这就意味着，未来的核心竞争力，不再是“解决问题的能力”，而是“提出问题的能力”。
会提问的人，才是AGI时代的赢家。
为什么？因为提问是在“指挥”AI。
你给AI一个糟糕的问题，它会给你一个糟糕的答案——而且因为AI的执行力太强，它会在三秒钟内把这个糟糕的答案做得天花乱坠、滴水不漏，让你误以为这是一个好答案。你浪费了时间，却一无所获。
你给AI一个好问题，它会给你一个好答案——然后你可以顺着这个答案，问出更深的问题，挖出更深的洞见。AI成了你的杠杆，把你的思考放大十倍、百倍。
所以，问题才是真正的稀缺品。
那什么是“好问题”？
我自己的经验，好问题有三个特征。
第一，好问题是“难回答”的。如果一个问题，AI能三秒钟答出来，那这个问题太浅了。真正的好问题，需要思考，需要判断，需要把不同领域的知识“融合”在一起。AI可以帮你查资料、列数据，但最后的判断，得你自己做。
第二，好问题是“有方向”的。不是漫无边际的瞎想，而是有意识地往某个方向深挖。比如“用户为什么不用我们的产品？”这是一个问题，但太宽。更好的问题是：“在用户流失的案例中，有没有一个共同的行为模式？这个模式背后，隐藏着什么未被满足的需求？”
第三，好问题是“能进化”的。一个好问题，会引出更多的好问题。你问一个问题，得到一个答案，但这个答案又会让你发现新的困惑、新的盲点、新的可能性。你的问题越问越深，你的认知也越挖越透。这就是“苏格拉底式提问”的力量——用问题引导思考，用思考深化问题。
苏格拉底一辈子没写过一本书，他的全部“学问”，就是不停地问问题。他问别人：“什么是正义？”“什么是勇敢？”“什么是好的生活？”他不给答案，他只是追问。而正是这些追问，让两千多年后的我们，还在思考同样的问题。
这就是提问的魔力。
从“做题家”到“出题人”，是一场身份的转变，也是一场认知的升级。
做题家，是在别人的框架里找答案。出题人，是自己搭建框架，定义什么值得问、什么值得做。
做题家，是执行者。出题人，是定义者。
做题家，是被AI替代的人。出题人，是指挥AI的人。
《道德经》里有一句话，用在这里很合适：
“道生一，一生二，二生三，三生万物。”
问题，就是那个“一”。一个好的问题，能生出一连串的思考，生出一整个知识体系，生出你从未见过的可能性。AI可以帮你处理“三”之后的那些繁杂，但它生不出那个“一”。
那个“一”，得你来生。
我们前面讲的三个问题：知识的通货膨胀，让“筛选”比“知道”更值钱；AI的幻觉与谄媚，让人类的“直觉”成为稀缺品；未来的竞争，从“做题”转向“出题”，让“提问”成为核心竞争力。
三条线索，其实指向同一个结论：在AGI时代，人必须回到人本身。
筛选，不是技术，是判断。直觉，不是算法，是经验。提问，不是技巧，是思考。这三样东西，都不是AI能给你的。它们只能从你自己的经历里长出来，从你自己的困惑里逼出来，从你自己的思考里磨出来。
《礼记·学记》里有一句话：“善问者如攻坚木，先其易者，后其节目。”
会提问的人，就像砍一根硬木头——先从容易的地方下手，再慢慢啃那些难啃的节疤。问题问得越深，木头就破得越开；问题问得越准，真相就露得越快。
这就是我们这代人的使命：在AI替我们解决了所有“易者”之后，去面对那些“节目”。
那些难啃的节疤，才是人的价值所在。
3. 体验经济的崛起
（1）作为稀缺品的“人情味”——机器越冷冰，人性越值钱
2026年1月，北京什刹海的冰面上，一个卖手工木雕的大爷突然火了。
他的木雕造型抽象得有些“丑萌”——歪歪扭扭的小动物、轮廓模糊的生肖摆件，被网友调侃“抽象到需要大爷亲自解说”。但就是这样一堆“不像”的木雕，让人们甘愿在寒风中排队数小时争抢【注：《“反精致”木雕的治愈力》，《今日路桥》，2026年1月23日】。
记者去采访，发现大爷的工具是旧货市场淘来的刨刀，木料是捡来的边角料，作品没有任何“师承古法”的讲究。有人问他为什么火，大爷自己也说不清楚。他只知道自己摆摊十几年，每天收入不过百元，但始终守着这份手艺。如今突然被年轻人追捧，他反而有点慌——熬夜赶工到凌晨，只为不让等候的游客跑空。
这个故事，藏着我们这个时代一个巨大的悖论：当AI能在一秒钟内生成一万个“完美”的设计，人们反而开始追逐那些“不完美”的手工；当算法能精准推送每个人“最喜欢”的内容，人们反而开始渴望那些“不可预测”的相遇。
世界经济论坛在2026年年会上发布的一份报告，把这个现象称为“体验经济的崛起”。报告指出：当数字内容变得丰富、便捷和个性化，人们反而愈发渴望那些稀缺、带有感官冲击、且具有不可预测性的现场体验——而这些，正是技术永远无法复刻的【注：乔纳森·亚菲、安德鲁·穆斯，《人工智能时代，“体验经济”正蓬勃发展》，世界经济论坛，2026年2月】。
为什么会这样？
因为AI越冷冰，人性越值钱。
想一想，当你和一个AI客服对话时，你得到的是“标准答案”——流畅、准确、滴水不漏。但你也知道，对面没有“人”。它不会不耐烦，但也不会真正关心；它不会犯错，但也不会给你惊喜。它只是一个机器，在执行程序。
而当你在什刹海的大爷摊前，接过那个歪歪扭扭的木雕时，你接过的是一段故事。你知道这块木头是大爷从哪个垃圾堆里捡来的，你知道这把刻刀是大爷用了二十年的老伙计，你知道大爷熬夜赶工时心里想的是“不能让人家白跑一趟”。这些东西，机器给不了你。
康奈尔大学的两位教授研究了财富与幸福的关系，发现了一个反常识的结论：相较于购买高端服装、珠宝或电子设备，度假、音乐会和外出就餐等体验式消费，往往能带给消费者更持久的幸福感【注：托马斯·吉洛维奇、阿米特·库马尔，转引自世界经济论坛报告，同上】。
为什么？因为体验更容易被积极地重新诠释，更容易成为一个人自我认同中有意义的一部分，并且在促进社交关系方面作用显著。你买一个包，三个月后就忘了；但你和朋友一起旅行的那次经历，十年后还在温暖你。
这就是“人情味”的稀缺性。
2025年，消费市场上出现了一个新词，叫“活人感”。消费者开始逃离那些精心策划的营销话术，转而拥抱那些真实、有温度、甚至有点粗糙的品牌表达。从调侃装腔作势的主理人到追捧真诚互动的客服文化，从对标准化套路的厌倦到对个性化服务的渴求——所有的信号都指向同一个方向：在算法统治的世界里，人们正在用脚投票，寻找那些还活着的人【注：《消费复苏需要一场差异化创新》，36氪，2026年1月】。
数据也支撑这个判断。知萌咨询发布的《2026中国消费趋势报告》显示，超过四成（43.1%）的消费者在过去一年中增加了线下活动频率，在旅游、户外运动、文化娱乐等方面支出显著增加【注：知萌咨询，《2026中国消费趋势报告》，澎湃新闻，2026年1月】。
驱动人们走向线下的，已不再是购物、就餐等传统的“功能需求”，而是对压力释放、情感连接与心灵滋养的深层渴望。调查显示，64.6%的消费者参与线下活动是为了“舒缓压力”，42.2%是为了“全身心投入以获得情感共鸣”，37.7%是为了“缓解压力、滋养心灵”。
这是什么？这是人们在用脚投票，逃离那个越来越冰冷的数字世界。
我常常想起三十年前刚进银行时的场景。那时候没有手机，没有电脑，信贷员要天天往外跑。去客户那里，不是发个邮件就完事，是真真实实地坐在人家的办公室里喝茶、聊天、看报表。聊着聊着，就能聊出报表上没有的东西——老板最近和老婆闹离婚，情绪不好；财务总监的儿子要出国，需要钱；工厂最近换了供应商，是因为原来的那家出了质量问题。
这些东西，后来成了我判断风险最重要的依据。不是模型告诉我的，是人告诉我的。
今天，模型可以计算一切，但它算不出“人”。
世界经济论坛的报告里有一个精彩的对比：想象一下，算法为你策划了一场完美的虚拟音乐会——它懂你最爱的歌、懂你的心情，甚至精准掌握了你的空闲时间。你独自窝在沙发里观看，屏幕里有虚拟观众在欢呼。这种体验毫无阻碍、极度优化，却也转瞬即逝，无法留痕。
现在，再想象另一个场景：你身处F1赛车的后台，空气中弥漫着轮胎烧焦、机油和车身抛光剂的味道。现场震耳欲聋，你不得不戴上工业级的降噪耳机。技师们正屏气凝神地调试车轮对齐，维修区里的紧张气氛就像火箭发射前的一触即发。
哪一种体验，让你觉得自己“活着”？
答案不言自明。
所以，当机器越来越冷冰，人性就越来越值钱。这不是什么高深的理论，这是最简单的人性。我们终究是社会性动物，无法在孤独中真正获得满足。那些能够创造线下相遇、激发真实共鸣的体验，正在成为这个时代最具价值的稀缺品。
生活越是数字化，人们就越渴望那些难以规模化、略带不确定性的真实时刻。
而谁能提供这些时刻，谁就能赢得未来。
（2）手工匠人的复兴——为什么只有“不完美”才会被珍惜？
2025年冬天，一个叫高聪文的银匠站在直播间里，面对着镜头，开始敲打一块白银。
他是“高记手工银”第四代非遗传承人，从十五岁拿起锤錾，到今天已经整整三十年。他的直播间不在繁华的都市，在湖南郴州的一个小城。但他的银器，通过直播卖到了全国各地，2025年销售额突破10亿元，在抖音平台银饰行业类目全国第一【注：张一多等，《让非遗触网的“IT新锐”》，融北湖，2026年2月】。
有人问他：为什么你的银器这么贵？网上一堆九块九包邮的，不也长得差不多吗？
高聪文的回答很有意思。他说：一块白银要经历多少锤，才能成为一件有生命的器物？重要的不是锤数，而是每一锤是否都敲在了时代的脉搏上。
这句话，说出了手工匠人复兴的底层逻辑。
在工业时代，我们追求的是“完美”——一模一样的产品，精准无误的复制，零缺陷的质量控制。这是福特流水线留给我们的遗产，也是泰勒科学管理追求的目标。完美意味着效率，意味着可复制，意味着规模化。
但完美也意味着什么？意味着无趣。
当你走进一家快时尚品牌店，看到一排排一模一样的T恤，你不会有任何“拥有”的冲动。因为它们不属于任何人，它们属于生产线。你和别人买的一样，穿在身上也一样，没有区别，没有故事。
而当你拿起一件手工制作的器物，哪怕它歪了一点、糙了一点、不对称了一点，你也知道：这个世界上，只有这一件。
这就是“不完美”的价值。
北京什刹海那位卖木雕的大爷爆火，恰恰印证了这个道理。他的木雕“抽象到需要大爷亲自解说”，却让年轻人趋之若鹜。评论里有人说：“在流水线产品精准复刻的时代，带着天然刀痕与老茧温度的手作，成了对抗精致焦虑的解药。”
“对抗精致焦虑”——这个词用得真好。
我们这一代人，活得太精致了。精致的妆容，精致的穿搭，精致的朋友圈，精致的人设。但精致久了，也会累。累到有一天，突然发现那个歪歪扭扭的小木雕，比橱窗里那些完美无瑕的奢侈品，更让自己心动。
为什么？因为木雕里有“人”。
大爷的木雕，没有师承古法，仅凭公交车上瞥见的玲娜贝儿挂件就随心创作；工具是旧货市场淘来的刨刀，木料是捡来的边角料。那份不加修饰的笨拙，反而戳中了年轻人的心。因为这份笨拙里，藏着一个真实的人——他不迎合、不浮躁、不急功近利，只知道“有人喜欢就好”。
这种“不迎合”的品质，在今天尤其珍贵。
我们习惯了被算法讨好。打开短视频，刷到的都是你爱看的；打开购物软件，推荐的都是你可能买的；打开社交媒体，推送的都是和你观点一致的。你活在一个巨大的“信息茧房”里，舒服，但也窒息。
而那些手工器物，它们不讨好你。它们就那样存在着，用它们的“不完美”告诉你：这个世界上还有一种东西，不是为了让你满意而存在的。它只是它自己。
中国工艺美术学会的一篇文章里，提出了一个深刻的观点：传统手工艺所“遗留”给我们的，除了技艺本身，更重要的是其与周边世界、与造物者的关联。失去了传统的社会记忆框架，手工艺也就失去了灵魂【注：周志，《手工艺、非遗与文创之辨》，中国工艺美术学会，2026年2月】。
这段话的意思是：一件器物之所以珍贵，不仅因为它被做得好，更因为它带着做它的人的故事，带着它诞生的那个时代的气息，带着它所承载的文化记忆。
这些东西，机器给不了。
所以，手工匠人在AGI时代的复兴，不是偶然的怀旧，而是必然的反拨。当机器可以制造一切时，人开始追问：那什么才是人独有的？
答案是：不完美，但真实；不确定，但有温度。
2026年初，杭州一家叫“王的手创”的非遗美学空间开业。创始人饶勇夫妇用十年时间，在贵州山区找到了上千位绣娘，把苗绣、蜡染、手织布这些濒临失传的手艺抢救下来，变成年轻人愿意买的胸针、包袋、玩偶。
走进这个空间，一面墙陈列着来自全国各地的百余种手工艺样本，另一面则是用同样手艺做成的原创产品。创始人说，他们的审美追求是八个字：“既雕既琢，复归于朴。”——经过匠心锤炼后，回到那份素朴与从容【注：张煜欢，《指尖上的共富路》，中国新闻网，2026年2月】。
这种素朴，不是简陋，是对机械复制时代的温和反抗。它让使用者感受到手作的温度与材料的本性，体会到一种“日用即道”的踏实与安然。
有意思的是，这个空间最受欢迎的，不是那些精美的成品，而是DIY体验区。蓝染、刺绣、竹编、木版年画拓印——零基础的体验者也能在半小时到数小时内，完成一件属于自己的手工作品。
一位带孩子来体验的妈妈说：“不是为了让他以后做什么手艺，就是培养专注力。做手工的时候，脑子里那些乱七八糟的事都不想了，只想着这一针往哪走。”
“只想着这一针往哪走”——这不就是心流吗？
在信息爆炸、注意力被不断切割的时代，能让人“忘记时间”的体验，正在成为最奢侈的东西【注：《2026中国消费趋势报告》】。而手工，恰恰能提供这种体验。
所以，手工匠人的复兴，本质上是一场关于“时间”的战争。一边是算法用毫秒级的速度切割你的注意力，另一边是手工用缓慢的节奏让你沉浸其中。前者让你焦虑，后者让你平静。前者让你觉得自己在被消耗，后者让你觉得自己在创造。
在物质过剩的时代，人们买的不再是“有用”，而是“有故事”。
而故事，只有人讲得出来。
（3）服务业的再定义——从功能交付到情感连接
2025年，海尔集团收到了一条来自网友的“喊话”。
那是在全国两会期间，有网友直接向海尔总裁喊话：能不能研发一款可以同时分区洗衣服、内衣和袜子的“懒人洗衣机”？当时这只是一句玩笑，但海尔当真了。他们真的研发了这款产品，上市后一周预约量超过8.8万台，四个月交付了20万台。
这个故事，是服务业正在发生的一场深刻变革的缩影。
中国家用电器服务维修协会将这场变革称为“服务质变”——从被动响应走向主动预见，从标准化流程走向个性化适配，从功能交付走向情感连接。
什么意思？意思是：未来的服务业，卖的再也不是“服务”本身，而是“关系”。
想一想传统意义上的服务是什么。你去餐厅吃饭，服务员给你上菜；你去银行办业务，柜员给你办理；你买了一个家电，售后人员给你维修。这些都是“功能交付”——你付钱，我给你完成某个功能。
但现在不一样了。
你去一家新式茶馆，不只是为了喝茶，是为了和朋友在精心设计的空间里聊天、拍照、分享朋友圈。你去一家洗浴中心，不只是为了洗澡，是为了带全家人在温泉、书吧、儿童乐园和餐饮的综合体里度过一个周末。你去一家家电卖场，不只是为了买冰箱，是为了让设计师帮你规划“全屋智能”的解决方案——包括设备、内容、安装调试、场景模式设定和后续升级服务。
消费者买的，不再是那个东西，而是那个东西带来的“生活”。
知萌咨询发布的《2026中国消费趋势报告》把这种现象总结为四个字：“共感体验”。
所谓“共感体验”，就是让消费者在体验中获得情感、认知与身份的多重增量。他们不再只为“在场”付费，而是为能引发心流的情感共鸣投资。他们渴望的是被品牌理解、被服务感动、被体验滋养。
这份报告里有一个数据：高达76.6%的消费者明确表示“更愿意为情绪浓度和记忆深度买单”，75.1%的消费者愿意为高品质的独家线下体验支付溢价。
这就是服务业的再定义——从功能交付，到情感连接。
我以自己的经历举个例子。
三十年前，我在银行当柜员的时候，每天面对的是存折、支票、现金。我们的服务标准是“微笑服务”——不管心情多差，面对客户必须笑。那时候的“好服务”，就是快一点、准一点、态度好一点。
但后来我做了信贷，接触了大量企业客户，才慢慢明白什么叫真正的“服务”。
有一个客户，是做出口贸易的，2008年金融危机时差点倒闭。他后来跟我说，当时好几家银行都在催他还贷，只有我主动给他打电话，问他需不需要展期，需不需要帮他联系其他渠道融资。他说：“其实那通电话没解决什么实际问题，但让我觉得，这个世界上还有人惦记着我。”
这笔贷款后来还上了，而且这个客户成了我们行里最忠实的客户，十几年没换过一家银行。
这就是情感连接的力量。它不是写在合同里的条款，它是写在人心里的温度。
今天的服务业，正在系统性地理解并运用这种力量。
南京德基广场的故事，可以作为样本。
2024年，德基广场以245亿元销售额问鼎全国“店王”。它的成功，不仅在于引进了多少奢侈品牌，更在于它把商业空间从交易场所变成了情感连接场。
最出圈的例子，是它投入巨资打造的“网红厕所”。这些厕所被赋予“森系花园”“赛博朋克”“中式禅意”等多元艺术主题，迅速成为年轻人争相打卡的“新南京地标”。消费者在此获得的，远非简单的如厕功能，而是一种可分享、可传播的社交资产。
更绝的是德基艺术博物馆——位于商场八楼，以不足百元的门票即可欣赏价值数十亿的国际艺术真迹。一位消费者说得好：“德基总给我一种‘我没有很尊贵，但他们也并不高冷’的合适尺寸感。”
这种精准的情感定位，让不同群体都能在此找到归属与认同。
德基的实践告诉我们：最高明的商业运营，是为消费者创造一个能“忘记时间”的沉浸场域，一段被品牌定义的高质量生命瞬间。它不仅赢得销售额，更占据消费者的心智，蜕变为一个有温度、有厚度、可共鸣的品牌生命体。
另一个值得说的案例是Prada。
2025年，Prada在上海荣宅打造了一个集餐饮与品牌美学于一体的沉浸式空间。荣宅本身就是一个历史建筑，承载着百年海派文化。消费者在这里用餐，品尝的是米其林星厨打造的意式与海派融合创意菜，感受的是王家卫导演注入的艺术叙事，体验的是品牌历史与工艺交织的文化氛围。尽管餐厅人均消费约688元，但消费者反馈的价值感知，更多源于“氛围感拉满”的沉浸体验，而非食材本身。
这就是“情感连接”的极致——让消费者在餐桌上“品尝”到超越物质的美学与历史。
《2026中国消费趋势报告》把这种趋势总结为三条路径：
以文化深度构建身份认同，将消费者转化为精神上的“共同体成员”；以极致场景制造社交货币，将商业空间升维为情感记忆的策源地；以精准叙事补偿心理缺失，让每一次体验都成为对庸常生活的一次疗愈性反叛。
这意味着，商业价值的核心正在发生根本性迁移。线下消费场域进入“内容化+情绪型+共创式”的复合空间时代，充满情绪张力的空间，将成为品牌与消费者重建连接的新地标。
未来的商业空间，其首要任务不再是“销售”，而是“连接”；其终极产品不再是“商品”，而是“体验”；其衡量标准不再是“坪效”，而是能否为消费者创造“心流时间”。
一个“心流经济”的时代已然开启。
我们从什刹海木雕大爷的爆火，到高聪文银器直播的10亿销售额；从Prada的沉浸式餐厅，到德基广场的网红厕所——所有的故事，都指向同一个方向：当AI接管了所有可以计算、可以复制、可以标准化的事，人正在重新夺回那些无法计算、无法复制、无法标准化的领地。
这些领地，叫“人情味”，叫“不完美”，叫“情感连接”。
《论语》里有一句话，用在这里再合适不过：“质胜文则野，文胜质则史。文质彬彬，然后君子。”质，是质朴，是本色，是那些未经修饰的本真。文，是文饰，是技巧，是那些精心设计的外表。孔子说，质朴胜过文饰，就显得粗野；文饰胜过质朴，就显得虚浮。只有文与质恰到好处地融合，才是君子之道。
AGI时代，我们正在经历一场“文”与“质”的重新平衡。
过去两百年，我们过于追求“文”——追求效率、追求标准化、追求完美复制。我们把一切都打磨得光滑无比，却发现世界变得越来越“虚浮”。现在，人们开始重新寻找“质”——那些真实的、粗糙的、带着体温的东西。
文质彬彬，然后君子。
未来的赢家，不是那些把“文”做到极致的人——因为AI会做得更好。未来的赢家，是那些懂得在“文”与“质”之间找到平衡的人——用AI处理可计算的，用人性守护不可计算的。
这就是体验经济给我们最大的启示。
第三节 达·芬奇密码：通才复兴的底层逻辑
1. 博物学视角的回归
（1）亚里士多德与达·芬奇——在“学科”诞生之前，人类是如何思考的？
公元前384年，亚里士多德出生于古希腊的斯塔吉拉。他十七岁进入柏拉图的学园，在那里待了二十年，直到老师去世。然后他游历小亚细亚，成为亚历山大大帝的家庭教师，最后回到雅典，创办了自己的学园——吕克昂。
亚里士多德一生写了四百多卷著作，流传下来的只有四十七部。但这些著作的目录，足够让今天的任何一个学者瞠目结舌：《物理学》《形而上学》《尼各马可伦理学》《政治学》《诗学》《论灵魂》《动物志》《气象学》《修辞学》……从物理到生物，从伦理到艺术，从政治到天文，他的研究范围覆盖了当时人类知识的几乎所有领域。
更重要的是，他不认为这些是“不同的学问”。在他眼里，世界是一个整体，学问是对这个整体的追问。物理学研究运动的事物，形而上学研究不动的事物，伦理学研究人应该怎么活，政治学研究人怎么一起活——它们都是“哲学”的不同部分，用的是同一种思维方式：观察、分类、推理、总结【注：亚里士多德，《形而上学》，第一卷】。
这就是“学科”诞生之前，人类思考的方式：整体地看世界，而不是切碎了看。
亚里士多德之后一千八百年，另一个叫列奥纳多 达·芬奇的人出生在意大利芬奇镇。他是公证员的私生子，没受过多少正规教育，年轻时在韦罗基奥的画坊当学徒。但他留下的笔记，成了人类文明史上最惊人的遗产之一。
达·芬奇的笔记现存约7200页，内容涵盖绘画、解剖、工程、地质、植物、水利、军事、音乐、哲学【注：马丁·肯普，《列奥纳多·达·芬奇：自然与人的奇妙之作》，牛津大学出版社，2006年】。他画的人体解剖图，精细到现代医学家都惊叹；他设计的飞行器，四百年后才真正飞上天；他研究的水流规律，被用来解释今天的河流治理；他对地质沉积的观察，比现代地质学早了三百多年。
他从来不觉得这些是“跨学科”——因为在他生活的年代，还没有“学科”这回事。绘画就是研究光影，研究光影就是研究物理，研究物理就是研究自然，研究自然就是理解上帝。一切都是通的。
达·芬奇有一句名言，被后人反复引用：“学习艺术的学徒，应以绘画为媒介，研究自然中一切造物的形式。”对他来说，画一幅画，就是在做一次科学研究；做一次解剖，就是在准备下一幅画【注：达·芬奇，《绘画论》】。
这种思维方式，在20世纪被一位科学史家起了个名字，叫“博物学传统”。
博物学是什么？是人对自然界的整体观察、描述、分类和理解。它不追求把世界切碎，而是追求把世界连起来；不追求找到“唯一”的规律，而是追求看见“所有”的现象。博物学家像探险家一样，行走在田野、山林、海岸，用眼睛看，用手摸，用心记。他们不在乎自己是“生物学家”还是“地质学家”，他们只在乎“这个东西是什么”“它和别的东西有什么关系”“它在整个世界里处于什么位置”【注：吴国盛，《博物学：一门被遗忘的古老学科》，《读书》2016年第1期】。
18世纪瑞典的林奈，走遍欧洲，给近八千种植物命名分类；19世纪英国的达尔文，乘小猎犬号环球五年，收集了无数标本，最终写出《物种起源》；20世纪美国的古尔德，既是古生物学家，又是科学史家，还是科普作家，一辈子写了二十多本书，每一本都在做一件事：把不同领域的知识“缝”在一起。
这些人，都是博物学传统的传人。
但进入20世纪，博物学传统被一件事情彻底冲垮了：学科的爆炸。
1900年，人类的知识体系还能装进一个人的脑袋。一个受过良好教育的学者，可以同时懂数学、物理、化学、生物、历史、哲学。爱因斯坦发明相对论的时候，还在专利局当小职员，靠业余时间研究物理。玻尔得了诺贝尔物理学奖，但他在颁奖演说里大谈量子力学与东方哲学的关系。
到了2000年，这种情况已经不可能了。光是物理学内部，就分裂成高能物理、凝聚态物理、天体物理、量子光学、统计物理……每一个子领域都有自己的期刊、自己的会议、自己的术语。一个高能物理学家，看不懂凝聚态物理的论文；一个做量子计算的，听不懂做弦论的人在说什么。
生物学的分裂更可怕。分子生物学、细胞生物学、发育生物学、进化生物学、神经科学、生态学——每一门都深得像一口井。做基因测序的人，可能一辈子没看过一只活的动物；做生态调查的人，可能一辈子没碰过一台基因测序仪。
这就是现代知识的困境：我们知道得越来越多，但看得越来越窄。
2025年，施普林格·自然集团发布了一份报告，统计了过去五十年全球科研论文的关键词。结果发现，单一学科内部的论文数量增长了三十倍，但跨学科的论文数量，只增长了不到三倍【注：施普林格·自然集团，《跨学科研究计量报告》，2025年】。换句话说，我们的知识生产，正在以“越分越细”的方式增长；而知识整合的速度，远远跟不上。
亚里士多德和达·芬奇如果活到今天，会是怎样的存在？
亚里士多德大概会被逼疯。他要评职称，学校要求他每年发三篇核心期刊论文。他写《物理学》，编辑部说这是“哲学类”的，不符合“物理学期刊”的要求。他写《动物志》，生物学编辑部说“描述性工作不算创新”。他写《政治学》，政治学期刊说“没有定量研究，不予接收”。
达·芬奇也好不到哪去。他画《蒙娜丽莎》，美术学院说“这是古典绘画，不够前卫”。他设计飞行器，工程学院说“没有理论支撑，只是想象”。他做人体解剖，医学院说“没有行医执照，涉嫌非法行医”。他研究水流规律，水利部门说“不是本专业的人，数据不可信”。
这不是笑话，这是现代学术体系的真实写照。
美国科学史家克莱因写过一本书，叫《知识大融通》。他在书里说了一段话，我每次读到都心惊：“我们正在经历一个知识的分裂时代。每个学科都有自己的语言、自己的方法、自己的真理标准。学科之间不再对话，不再理解，不再信任。最后，每个人都在自己的井里挖得越来越深，但井与井之间，不再连通。”【注：爱德华·威尔逊，《知识大融通》，克诺夫出版社，1998年；】
而AGI的到来，正在把这种分裂推向极致。
为什么？因为AI可以轻松跨过这些学科的“墙”。GPT-5读过物理学的论文，也读过生物学的论文；它懂量子力学的公式，也懂进化论的逻辑。在它那里，没有“学科”这回事，只有“数据”和“模式”。它可以帮物理学家查生物的文献，也可以帮生物学家写物理的报告。学科之间的墙，在AI眼里是不存在的。
但人不行。人被训练成“专家”之后，大脑的认知结构已经被学科塑形。你看惯了一种思维，就很难理解另一种；你背熟了一套术语，就很难翻译成另一种。你以为自己挖的井是最深的，却忘了井外还有平原。
博物学视角的回归，就是要打破这种“井底之见”。
它不是让你放弃专业，而是让你回到“整体看世界”的初心。它不是让你什么都懂，而是让你在懂一个东西的时候，知道它和其他东西的关系。它不是让你成为达·芬奇，而是让你像达·芬奇那样思考——在画一幅画的时候，想着光是怎么传播的；在研究光的时候，想着眼睛是怎么看见的；在研究眼睛的时候，想着大脑是怎么处理的。
这是一种思维方式，不是一种知识储备。
20世纪最伟大的博物学家之一、古生物学家辛普森说过一句话：“动物学家的研究对象是动物，但动物的意义不在动物本身，而在它和整个生态系统的关系。同样，人的意义，也不在人本身，而在人和整个世界的关系。”【注：乔治·盖洛德·辛普森，《进化的意义》，耶鲁大学出版社，1949年】
这句话，放在今天，可以改一下：专家的价值，不在专家本身，而在专家和其他领域的连接。你能连接多少，你就有多值钱。
亚里士多德和达·芬奇之所以伟大，不是因为他们在某一个领域挖得最深，而是因为他们看见了这个世界的整体。他们像站在山顶上的人，俯瞰着知识的群山绵延。而我们这些后来者，大多被困在山谷里，只知道眼前的那条路。
AGI时代的通才，就是要重新爬上山顶。
不是像古代那样靠一己之力穷尽所有知识——那已经不可能了。而是像现代登山家那样，知道哪里有路，哪里没路；知道哪座山和哪座山连着，哪座山是孤峰。你不用爬每一座山，但你要有山的地图。
地图，就是博物学视角给你的东西。
（2）整体大于部分之和——系统论视角下的商业生态与文明演化
1971年，德国物理学家赫尔曼·哈肯写了一本书，叫《协同学导论》。
他在书里提出一个问题：为什么自然界和社会中，那么多独立的部分，会自动地组织成有序的整体？为什么激光里的原子会同步振荡？为什么蚁群能造出复杂的巢穴？为什么市场中无数个体自利的决策，最终会形成价格和供需的秩序？【注：赫尔曼·哈肯，《协同学导论》，斯普林格出版社，1977年】
哈肯给出的答案是：协同。
协同的意思是，在一个系统里，各个部分之间会相互作用、相互配合，最后在整体层面形成新的结构和功能。这种新的结构和功能，不是从外部强加的，而是内部自发生成的。而且，它有一个根本的特征：整体大于部分之和。
这个特征，被后人称为“涌现”【注：约翰·霍兰德，《涌现：从混沌到有序》，牛津大学出版社，1998年】。
什么叫“整体大于部分之和”？水是两个氢原子和一个氧原子的组合。但水的性质——可以喝，可以洗东西，可以在100度沸腾——氢原子和氧原子都没有。你把氢和氧分开，得不到水；你把它们放在一起，就有了水。这就是涌现：新的性质，在整体层面出现，而部分层面不存在。
石墨和钻石，都是由碳原子构成的。但石墨软到可以做铅笔芯，钻石硬到可以切割玻璃。为什么？因为碳原子的排列方式不同。部分相同，结构不同，整体就完全不同【注：徐晓冬，《基石：伟大企业的协同哲学》，2020】。
系统论告诉我们：要看懂一个东西，不能只看它的零件，要看零件的组合方式。
这个道理，在商业领域尤其重要。
20世纪90年代，美国战略管理学家伊戈尔·安索夫把协同学理论引入企业管理，提出了“协同战略”的概念。他认为，企业可以通过识别自身能力与机遇的匹配关系，把多元化的业务连接起来，实现一种“报酬递增”的协同效应——整体价值大于各部分价值之和【注：H.伊戈尔·安索夫，《公司战略》，麦格劳-希尔出版社，1965年】。
亚马逊就是这种协同战略的典型案例。
亚马逊最开始只卖书，后来卖所有商品，后来做云服务，后来做影视，后来做智能硬件，后来做线下超市。单看每一个业务，好像都很普通：卖书的多了，做云的多了，开超市的多了。但把这些业务放在一起，就不一样了——电商业务给云业务提供了稳定的现金流，云业务给电商业务提供了技术支撑，会员体系把所有业务连在一起，用户数据又反过来优化每一个业务。最后，亚马逊不是“一堆业务的集合”，而是一个“相互增强的系统”。
这就是系统论的视角：你要看的，不是每一个业务做得怎么样，而是业务之间的关系怎么样。
2020年，海尔集团在转型过程中提出了一个概念，叫“生态品牌”。传统品牌卖的是产品，生态品牌卖的是“场景”。比如你买一台冰箱，不是只买一个制冷设备，而是买一个“家庭饮食解决方案”——冰箱本身是硬件，里面装什么菜、怎么搭配、怎么烹饪、怎么补货，都是服务的一部分。硬件、软件、内容、服务、社区，这些东西加在一起，才构成一个完整的体验。而体验的优劣，不取决于任何一个部分，取决于所有部分如何协同【注：《从“卖产品”到“卖场景”》，中工网，2026年2月】。
这让我想起自己在银行工作时的体会。
2005年，我参与过一笔大额贷款项目。借款方是一家大型制造企业，需要十个亿的流动资金。按照传统思路，我们只需要做三件事：查报表、看抵押、走流程。但当时分管信贷的副行长说了一句话，我至今记得：“你不能只看这个企业，要看它上下游的企业，要看它所在的行业，要看这个行业和宏观政策的关系。”
那是我第一次真正理解什么叫“系统”。
后来我们做的尽调，比平时多花了三倍时间。我们不只访谈企业老板，还访谈他的供应商、他的客户、他的竞争对手；不只查他的财务报表，还查行业报告、政策文件、技术专利；不只评估他现在的还款能力，还推演如果原材料涨价怎么办、如果汇率波动怎么办、如果政策收紧怎么办。
最后我们批了这笔贷款。不是因为这家企业“足够好”，而是因为我们看清了它所在的“系统”——它的上游有议价能力，下游有稳定需求，行业有政策支持，技术有升级空间。它是一个系统里“位置很好”的节点，所以即使它自己有一些瑕疵，系统也会托着它走。
这笔贷款后来确实安全收回了。
2008年金融危机之后，我常常想起这个案例。那些倒掉的金融机构，很多不是自己做得太差，而是没有看清自己所在的系统。雷曼兄弟的资产负债表看起来很健康，但它的资产和全球房地产绑定，全球房地产和美国次贷绑定，美国次贷和几十万低收入家庭的还款能力绑定。一个环节出问题，整个链条崩盘。雷曼只看见自己的部分，没看见自己和系统的关系。
这就是系统论给我们的启示：在复杂世界里，没有孤立的个体，只有相互连接的网络。
这种网络视角，不仅适用于商业，也适用于文明演化。
历史学家汤因比写过一部巨著，叫《历史研究》。他研究了二十多种文明的兴衰，最后发现一个规律：文明的成长，不是因为某个英雄人物，不是因为某种优越制度，而是因为“挑战与应战的互动”——当环境变化带来的挑战出现时，整个文明系统会调动内部资源，寻找应对方案。成功的文明，不是没有危机，而是能通过系统内部的协同，把危机变成转机【注：阿诺德·汤因比，《历史研究》，牛津大学出版社，1934-1961年】。
这个视角，和我们之前讲的“四力模型”是相通的。
扩张力、收缩力、平衡力、进化力，不是孤立的力量，而是在一个系统里相互作用的“序参量”【注：徐晓冬，同上】。扩张力太强，系统过热，就需要平衡力降温；收缩力太强，系统过冷，就需要平衡力托底；进化力带来新变量，打破旧的平衡，然后系统重新寻找平衡。文明的演化，就是这四种力量协同作用的结果。
而AGI的到来，正在给这个系统加入一个前所未有的新变量。
2025年，中国指挥与控制学会的一篇文章讨论了“大语言模型的涌现”现象。作者提出一个很有意思的观点：大语言模型之所以能涌现出超出预期的能力，不是因为规模大，而是因为神经元之间的复杂交互。就像蚁群，单只蚂蚁智商极低，但一群蚂蚁协同起来，能造出结构复杂的巢穴。系统规模大了，交互复杂了，新的性质就会“冒出来”【注：杨明哲，《多重分形分析，理解大模型涌现的新路径》，中国指挥与控制学会，2025年9月】。
这个观点反过来也成立：人的价值，也取决于人和人的交互、人和系统的关系。
一个只懂自己专业、不关心其他领域的专家，就像一个孤立的神经元，信号传不出去，信息收不进来，再努力也成不了“大脑”。一个能跨领域连接、能看见系统整体的通才，就像一个枢纽节点，把不同部分的信号汇聚起来、分发出去，最后在整体层面产生新的价值。
这就是系统论给我们的核心启发：在AGI时代，稀缺的不是“点”上的能力，而是“连接”的能力。
你能把多少孤立的点连成线，能把多少分散的线织成网，你就有多大的价值。
（3）复杂性科学的启示——为何单一变量无法解释涌现现象？
1999年，复杂理论研究者杰弗里·戈尔茨坦在一篇论文里给出了一个定义：“涌现，是指在自组织过程中出现的新颖且连贯的结构、模式和特性。”【注：杰弗里·戈尔茨坦，《作为建构的涌现：历史与议题》，《涌现》期刊，1999年】
这个定义的关键词，是“自组织”。
自组织是什么意思？是没有外部指令，系统内部自己把自己组织起来。蚁群没有国王，鸟群没有指挥，市场没有中央计划，但它们都能形成有序的结构。这种结构不是谁设计的，是无数个体相互作用、自动生成的。
为什么需要自组织？因为世界太复杂了。
复杂系统有三个特征：大量单元、非线性交互、适应性调整【注：梅拉妮·米歇尔，《复杂性：一部导论》，牛津大学出版社，2009年】。
大量单元，意味着你无法逐个追踪每个个体的行为。非线性交互，意味着原因和结果不成比例——一个小小的扰动，可能引发巨大的连锁反应。适应性调整，意味着个体会根据环境变化改变自己的行为，然后环境又因为个体的改变而改变，循环往复，永无止境。
在这样的系统里，你想用“单一变量”解释一切，是痴人说梦。
2009年，上海大学的罗吉贵在博士论文里讨论了一个问题：复杂系统中涌现的形成机理。他提出一个观点：涌现往往表现为“斑图形成”——系统在演化过程中，会在物理空间上出现某种规律性的模式。而这种模式的背后，是系统内部各部分之间的同步关系。当不同部分的行为趋于同步，新的结构就会出现；当同步被打破，结构就会瓦解【注：罗吉贵，《复杂系统中涌现形成机理的讨论》，上海大学博士论文，2007】。
这个观点可以用一个简单的例子说明：股市的泡沫与崩盘。
股市泡沫是怎么形成的？不是因为某个单一变量——比如利率、GDP、企业盈利——突然变了，而是因为无数投资者的行为开始“同步”。当大家都觉得“还会涨”，就都买入；买入推高价格，价格推高预期，预期又刺激更多人买入。这是一个正反馈循环，是系统内部自发的“协同”。这个协同过程一旦启动，就会在整体层面形成“泡沫”这个宏观现象。
而崩盘，是另一种同步。当大家都觉得“要跌了”，就都卖出；卖出压低价格，价格压低预期，预期又刺激更多人卖出。同样是同步，方向相反，结果相反。
你看，泡沫和崩盘，都不是由“某个因素”单独造成的。利率可能是一个诱因，但同样的利率变化，有时候引发泡沫，有时候引发崩盘，有时候什么都没发生。真正决定结果的，是系统内部成千上万个个体之间的相互作用，是这种相互作用形成的“协同模式”。
这就是复杂性科学给我们的启示：在复杂系统里，你找不到“唯一的原因”。
2025年，加州大学戴维斯分校的物理学家吉姆·克鲁奇菲尔德和他的同事们，在《涌现的数学新解》一文中提出了一套量化涌现的框架。他们用“计算力学”的方法，把复杂系统简化为不同尺度上的“ε-机器”【注：费尔南多·罗萨斯等，《自然世界中的软件：层级涌现的计算方法》，2025年】。
这个框架的核心思想是：一个系统如果是真正涌现的，那么它的宏观层次对预测自身未来是“封闭”的——也就是说，你不需要知道微观层次的细节，只要知道宏观状态，就能预测宏观的未来。就像你预测股市走势，不需要知道每个股民今天早餐吃了什么；你预测天气，不需要知道每个空气分子的运动轨迹。
但他们也发现，这种“封闭”并不总是成立。有时候，微观的变化确实会影响宏观——比如一个基因突变，可能让整个生物体死亡。他们把这种情况叫做“渗漏式涌现”——宏观与微观并不完全独立，中间有一些“渗漏”。
这个发现对理解AGI时代特别重要。
AGI就是一个典型的复杂系统。它有数千亿参数，有复杂的网络结构，有无法预知的涌现行为。GPT-5能写诗，能编程，能推理，能做数学题——这些能力都不是谁“设计”出来的，是系统自己“涌现”出来的。而且，这种涌现还在持续发生，没人知道下一个能力是什么。
面对这样的系统，单一变量的解释框架完全失效。
你想用“参数量”解释一切？GPT-3有1750亿参数，GPT-4据说是1.8万亿，参数多了十倍，能力确实强了，但为什么强了，强在哪里，谁也说不清。你想用“训练数据”解释一切？GPT-5的训练数据是公开的，但你不可能从数据里反推出它会涌现什么能力。你想用“算法”解释一切？Transformer架构早就公开了，但同样的架构，不同的规模，涌现出完全不同的东西。
这就是复杂性给我们的当头棒喝：世界不是线性的，不是可分解的，不是能用几个变量掌控的。
那怎么办？
复杂性科学给我们的出路，不是放弃解释，而是换一种思维方式：从“找原因”转向“找模式”。
因果思维，问的是“A是不是导致了B”。你控制A，就能控制B。这是经典科学的思维方式，也是过去两百年人类最擅长的思维方式。从牛顿力学到麦克斯韦方程，从化学分子式到DNA双螺旋，我们靠这套思维方式，解释了大半个世界。
但复杂系统不认这套。在复杂系统里，你找不到那个“A”。因为每个A都和别的A连在一起，每个A都会影响别的A，每个A都会被别的A影响。你试图控制A，A自己会变；你试图隔离A，A的邻居会替它发声。
模式思维，问的是“系统呈现出什么样的结构”。你不去追究“谁导致了谁”，而是去观察“这些部分是如何组织起来的”。就像你看一群鸟在空中飞翔，你不问“哪只鸟是领头的”，你只看它们形成的队形如何变化。队形，就是模式。
2025年，一篇题为《从生命到星系，新数学揭示大尺度秩序如何涌现》的文章，讨论了这个话题。文章里提到一个概念，叫“因果态”——复杂系统在任何时刻的状态，都包含其过去的信息，并影响其未来的分布。当两个状态具有相同的未来分布时，它们就属于同一个“因果态”。我们不需要知道每一个电子的轨迹，只要知道系统处于哪个“因果态”，就能预测它接下来的行为【注：菲利普·鲍尔，《从生命到星系，新数学揭示大尺度秩序如何涌现》，财新网，2025年】。
这个思路，对我们每个人也有启发。
你是一个专家，你的大脑里有无数的知识碎片。这些碎片如何组织，决定了你能做什么、能想什么。如果它们杂乱无章，你就是个“知道分子”——知道很多，但用不上。如果它们形成模式，你就是个“架构师”——能从知识里“涌现”出新的洞见。
怎么形成模式？靠连接。
把物理学的概念和生物学的现象连接，你可能发现新的规律。把历史的教训和当下的问题连接，你可能找到新的思路。把不同领域的知识放在一起摩擦，摩擦久了，可能就擦出火花。
这就是复杂性科学给我们的最后启示：创新不是发明出来的，是涌现出来的。它不是某个天才灵光一闪的结果，而是无数知识碎片在复杂交互中自发形成的结构。你要做的，不是等着灵光一闪，而是让自己成为一个“允许涌现发生的系统”——足够开放，足够多元，足够容忍混乱。
因为只有混乱到一定程度，秩序才会自己冒出来。
我们从亚里士多德讲到系统论，从复杂性科学讲到涌现现象，其实都在说同一件事：在“学科”诞生之前，人类是整体地看世界的；在系统论里，世界是整体地运转的；在复杂性科学中，世界是整体地演化的。
整体，而不是部分，才是这个世界的真相。
《庄子·秋水》里有一段话，常被人引用：“井蛙不可以语于海者，拘于虚也；夏虫不可以语于冰者，笃于时也；曲士不可以语于道者，束于教也。”
井里的青蛙，没法跟它讲大海，因为它被井口困住了；夏天的虫子，没法跟它讲冰雪，因为它被季节限制住了；偏执的人，没法跟他讲大道，因为他被自己的学识束缚住了。
今天，我们每个人都可能是“井蛙”“夏虫”“曲士”——困在自己的专业井里，看不见井外的天地。
而通才的复兴，就是要打破这些井。
不是把井填了，是让井与井之间，有路相通。
2. AGI时代的“新物种”画像
（1）从I型（专才）到T型（一专多能）再到π型（双核驱动）
2025年7月，美国大学-产业合作协会发布了一份报告，题目叫《AI时代的专业人才：对大学-产业合作意味着什么》。报告里有一张图，画出了人才形态的百年演变史。
第一代人才，叫I型。
I就是一根棍子，代表在一个领域里挖得很深。工业时代需要这种人——你懂机械，就一辈子干机械；你懂会计，就一辈子干会计。大学的任务就是培养这种“行业即战力”，把学生塑造成某个专业的熟练工。这套模式运转了一百多年，培养了几代工程师、律师、医生、会计师。
但到了20世纪末，事情开始变化。
全球化让产业链变长了，计算机让信息流动变快了，单一技能的人发现，自己越来越难搞定复杂的问题。你懂机械，但不懂电控，造不出智能设备；你懂会计，但不懂业务，做不了财务规划。于是，T型人才开始被提出来。
T的竖杠是专业深度，横杠是跨领域协作能力。你还是要有自己的“老本行”，但你得能和别人对话，能理解其他领域的语言，能把不同专业的人组织起来。IBM的尼古拉斯·多诺弗里奥是这种人才的早期倡导者，他认为在技术服务时代，沟通和协作比单纯的专业能力更重要。
到了21世纪，形态继续分化。H型、M型、梳子型纷纷出现——有的代表双专业深度，有的代表多领域涉猎。而最近几年，一个新符号开始进入视野：π型。
π有两条腿。
前谷歌台湾董事总经理简立峰是这种人才概念的提出者。他说：π型人才，代表在一个工作流程中，具备两种以上核心能力的人。既有专业深度，又能跨领域整合，更要懂得善用AI工具完成更大向度的任务。
为什么是两条腿，不是一条？
因为AI正在让T型人才的那条“竖杠”变得不再稳固。过去，你只要把编程学到顶尖，就能吃一辈子。现在，编程这个技能本身正在被AI白菜化。你写三天的代码，AI三分钟就能写完。单靠编程这一条腿，你已经站不住了。
但如果你同时懂编程和产品，你就能用AI快速实现自己的想法；如果你同时懂编程和测试，你就能一个人走完整个开发流程；如果你同时懂编程和客户，你就能用技术解决真实的问题。两条腿，让你不仅能站稳，还能走路、还能跑。
这就提出了一个新问题：T型人才过时了吗？
我的看法是：T型没有过时，但它需要升级。T的横杠依然是跨领域协作能力，但那条竖杠——你的“老本行”——正在从“单一技能”变成“双核驱动”。过去你靠一门手艺打天下，现在你得有两门手艺，才能和AI并肩作战。
简立峰举了一个例子：软件工程师，上游有产品经理开规格，下游有测试工程师接手品管。π型工程师，最好也懂得测试，也学学产品经理的视角开开规格。因为有了AI，多元能力的提升比以前容易得多，往往懂得问问题即可。
2025年的数据显示，美国约有130万个外包工作岗位因为ChatGPT而减少21%。这不是裁员，这是“赋能”——员工自己就能完成过去需要外包的工作。一个人，用AI，干了三个人的活。
这就是从T到π的演化逻辑：你的“竖杠”变粗了，从一根变成两根。
T型人才仍然能走，但走得慢。π型人才两条腿走路，既能深扎专业，又能跨界整合，还能驾驭AI工具。一个人就是一支队伍。
未来学家预测，未来将出现数百万家“一人公司”，用AI打败那些百人规模的传统企业。这不是天方夜谭。当AI可以当会计、当翻译、当美编、当程序员、当市场专员时，一个懂得驾驭AI的人，确实可以拥有和百人企业同等的产能。
能力金字塔也在变形。
简立峰把能力划分为三个阶段：从0到1的创新，从1到10的放大，从10到100的规模化。过去，金字塔顶端10%的人需要深度专业，才能完成从0到1的突破。今天，真正需要极深专业的可能只剩3%到5%，大部分人需要的是广度。
换句话说：深度是少数人的事，广度是多数人的活路。
美国大学-产业合作协会的报告里还有一个新概念：X型人才。X代表“AI增强型人才”——不仅跨领域，而且和AI深度协作，在易变、不确定、复杂、模糊的世界里保持适应性。X型人才的背后，是“超级通才”模型的兴起——融合数据科学、用户体验、软件开发、商业、项目管理、金融、营销、领域知识八个领域，成为一个AI时代的数字服务创业者。
从I到T，从T到π，从π到X——这条演化路径指向同一个方向：专业不再是壁垒，整合才是壁垒。
你在任何一个单点上的能力，都可能被AI超越。但你把不同领域连接起来的能力，AI学不会。因为你连接的不是知识点，是经验、是判断、是人对世界的理解。
π的两条腿，不是随便长的。它需要你在一个领域有足够的深度，才能和AI对话；在另一个领域有足够的宽度，才能看见AI看不见的东西。两条腿一起走路，才能走出AI画好的圈。
所以，如果你问我：T型人才还重要吗？
重要。因为那条横杠——跨领域协作的能力——永远重要。
但如果你只想靠T的那条竖杠活着，那就危险了。因为那条竖杠，AI比你更粗、更长、更快。
从T到π，不是否定过去，是给过去加上未来。
（2）不仅是连接，更是“融合”——能在物理学与经济学之间找到虫洞的人
2021年，著名经济物理学家让-菲利普·布绍在法兰西学院发表就职演讲。他讲了一个故事。
1987年9月，美国新墨西哥州圣塔菲举行了一场特别的会议。组织者是诺贝尔物理学奖得主菲利普·安德森、诺贝尔经济学奖得主肯尼斯·阿罗和物理学家戴维·派恩斯。会议的主题是“作为演化的复杂系统的经济”。他们的目标，是把统计物理学中一些新颖的思想引入理论经济学。
这是一次雄心勃勃的“跨学科嫁接”。顶级物理学家和顶级经济学家坐在一起，试图打通两个领域的边界。
结果呢？布绍说：“遗憾的是，尽管有声名显赫的教父，这种跨领域的嫁接并未成功。在接下来三十年里，经济物理学相对孤立地发展，与经济学界的联系极少，与理论金融学界的联系稍多一些。”
更有讽刺意味的是：就在这次会议结束几周后的10月19日，道琼斯指数经历了史上最糟糕的一天，单日暴跌22.6%。这是一个典型的罕见事件，完全超出了传统高斯市场理论的解释范围。而且，似乎没有任何经济新闻事件可以解释这次大规模的崩盘。
面对这样一个毫无原因的事件，物理学家的第一反应是：这是金融系统内部生成的“内生不连续性”——市场参与者彼此影响，形成反馈回路，最终导致失控。但经济学家的主流理论——理性预期理论——无法解释这种现象。因为按照这个理论，市场参与者无限智慧，市场永远反映“真实价格”，不会自发地失控。
“你们真的相信这个吗？”菲利普·安德森在听到理性预期理论时的反应，直接而毫不留情。
这个故事告诉我们一件事：连接不同领域，不是把A领域的公式套到B领域，而是在两个领域之间找到“虫洞”。
虫洞是什么？是时空结构中连接两个遥远区域的捷径。在知识领域，虫洞就是那些能把看似不相关的现象联系起来的深层结构。
布绍在他的演讲中讨论了这个问题。他说，统计物理对社会和经济科学的主要贡献在于让我们意识到：整体层面可能会涌现个体不曾经历的意外行为。危机、恐慌、观点逆转、谣言传播、时尚效应——这些宏观现象，无法通过观察个体行为来预测，因为它们是个体之间相互作用的结果。而这种“多者异也”的视角，正是物理学家能带给经济学的。
2025年，一项关于“熵”概念的跨学科研究表明：经济学和物理学之间的边界，虽然在语义空间上变得模糊，但在主题上仍然泾渭分明。研究人员分析了半个世纪以来熵在经济学和物理学中的使用情况，发现两个领域的学者虽然都在用同一个词，但说的往往是不同的事。
这就是“连接”和“融合”的区别。
连接，是知道两个领域有关系，偶尔引用对方的论文，开会时请对方来讲个报告。这是大多数跨学科研究在做的事。
融合，是把两个领域的概念、方法、视角真正融合在一起，形成一种新的、无法归入任何一个旧领域的认知框架。
布绍的演讲里有一个细节。他提到，当他第一次阅读理论金融学的文章，尤其是著名的布莱克-斯科尔斯-默顿期权定价模型时，他的反应和菲利普·安德森一样：你们真的相信这个吗？
布莱克-斯科尔斯-默顿模型假设价格运动可以用连续时间布朗运动来描述，价格以连续方式变化，不会发生跳跃。在这种假设下，风险可以被“对冲”掉，期权价格可以不依赖于市场预期回报。
但从物理学家的视角看，这是一个特殊且脆弱的模型。一旦考虑到价格波动的统计特性呈现“厚尾分布”——从小规模变动到世纪性崩盘，各种规模的价格跳跃都会发生——那么布莱克和斯科尔斯试图掩盖的风险就会重新显现，并且实际上远不可忽略。
这就是“虫洞视角”的力量。它不是简单地说“物理学的工具可以用到金融上”，而是从物理学的基本原理出发，质疑金融学模型的底层假设，然后提出一种全新的理解方式。
2008年金融危机之后，这种“虫洞视角”的价值被越来越多的人认识到。那些在危机中崩盘的数学模型，恰恰是因为忽略了物理学家早就知道的“厚尾分布”和“内生不连续性”。如果当年有人能像安德森那样问一句“你们真的相信这个吗？”，也许灾难可以避免。
“融合”能力，在AGI时代变得更加珍贵。
为什么？因为AGI本身就是一台超级连接器。它读过物理学的论文，也读过经济学的论文；它懂布莱克-斯科尔斯的公式，也懂统计物理的方程。它可以帮你查找两个领域的文献，可以帮你总结它们的异同，可以帮你生成一篇“跨学科综述”。
但它做不到一件事：在两个领域之间，找到那个只属于你的虫洞。
因为虫洞不是“信息”，是“洞察”。信息可以搜索，洞察只能自己长出来。你需要真的懂物理学，才能在经济学里看见那些“物理学的影子”；你需要真的懂经济学，才能把物理学的工具变成解决经济学问题的利器。AI可以帮你铺路，但那条路的终点，得你自己去。
布绍在他的演讲结尾说：统计物理和社会科学更加有效地融合，是为了更好地理解经济金融系统、集体行为、社交网络中的复杂涌现现象。这句话的潜台词是：这不是为了好玩，是因为这个世界本身就长这样——它不是一个学科的领地，是所有学科共同面对的问题。
能融合的人，就是能在这些问题上比别人看得更深的人。
（3）定义权与融合权——人类最后的“主权领地”
2026年，AGI全面登基。
这是埃隆·马斯克的预言。他说，2026年是人工智能的“权力奇点”——决策主权从人类大脑移交给算法的那一刻，人类控制权力的杠杆将发生永久性倾斜。
这个判断听起来惊悚，但正在变成现实。
当你的手机里住着一个拥有法律、金融、医学、工程等一千个领域顶尖博士智力的AGI时，知识不再是力量，因为知识已成批发零售。你需要咨询法律问题？AGI知道所有判例。你需要诊断病情？AGI能比对全球数亿份病例。你需要写代码？AGI三分钟就能完成一个初级程序员一周的工作。
智力正在“电力化”，成为随取随用的公共品。
那人类还剩什么？
Notion共同创办人赵伊凡提出了一个概念：智力已经被驱策，剩下的问题是意志。当你掌握了前所未有的智力能源，你的意志究竟想把人类文明带向何方？
这个问题的答案，指向两个东西：定义权与融合权。
定义权，是问“什么是值得做的”。
过去，我们被训练成“做题家”——题目是别人出的，我们只需要找到正确答案。AGI来了，做题这个事被机器接管了。但“出题”这个事，机器做不了。因为出题需要知道什么是重要的，什么是值得追求的，什么是有意义的。这些问题没有标准答案，只有价值判断。
武汉科技大学学者余南平在讨论AGI时代的国际权力重塑时，提出了一个观点：AGI凭借其通用性和跨域融合能力，正在多个维度重塑权力结构。技术壁垒极高的大模型，形成了极端的非对称性——少数几款大模型占据了绝大部分市场，呈现出比互联网平台更强的“头部集中垄断”特征。
但这种技术权力，不等于定义权。技术可以告诉你“怎么做到”，但它不告诉你“该不该做”。定义权，还在人手里。
余南平的文章里有一句话值得细读：当大模型通过“即时标准化”解释的生成方式快速完成生产关系的构建时，互联网世界中的多元性、个体性将被大模型的统一性和强制标准性所替换。AGI给出的答案是“标准答案”，但标准答案不一定是“正确答案”，更不一定是“好答案”。识别后两者的能力，需要定义权。
融合权，是问“怎么把不同的东西连起来”。
AGI可以连接信息，但它连接不了“意义”。它可以告诉你物理学和经济学的概念关系，但它理解不了为什么一个物理学家看到金融模型会惊呼“你们真的相信这个”。那种连接，需要人的经验、人的直觉、人的判断。
布绍在他演讲中反复强调：跨学科研究的困难，往往来自于意想不到的认识论和方法论的差异。同一个词，在两个领域里有完全不同的含义；同一个模型，在两个领域里有完全不同的地位。要跨过这些鸿沟，光靠工具不行，要靠人对两个领域的深度理解。
这就是融合权的价值：把不可通约的东西，硬是融合在一起。
我在前期的文章中指出：当AGI解决了所有的正确答案，人类唯一剩下的资产，就是那份敢于“出错”且“承担责任”的主权式判断力。
AGI可以给你一万个正确答案，但它不会为任何一个答案承担责任。错了，是它错了，但挨骂的是你。因为决策的人是你，不是机器。机器只是工具，人才是主体。这种“承担责任”的能力，是机器永远无法拥有的。
同样，融合也需要承担风险。你把物理学的工具用到经济学上，可能创造新洞见，也可能闹出大笑话。敢不敢跨这一步，愿不愿意为跨界的后果负责，是人要做的选择。
文章中还有一句话值得记住：别再试图跟机器比聪明，你绝对会输得一败涂地。你要比的是：谁更有想象力？谁更有慈悲心？谁在机器的最优解面前，仍坚持那份人文底蕴？
想象力，是定义权的来源。你不知道“该做什么”，但你可以想象“如果做那个会怎样”。这种想象，不依赖数据，依赖人对外部世界的感受、对内部世界的体验。
慈悲心，是定义权的校准。你知道“该做什么”，但你还得问“这对别人好不好”。这种判断，不依赖逻辑，依赖人对他人痛苦的共情、对群体福祉的关切。
人文底蕴，是定义权的底色。你知道“该做什么”，也知道“对别人好”，但你还得问“这和我们的传统、我们的历史、我们的文化是否一致”。这种追问，不依赖当下，依赖人对过去的理解、对未来的责任。
智力已经被驱策，意志方能为王。
赵伊凡用另一个词形容这种能力：“数字工艺”。他说，未来的胜败，不在于你脑袋里装多少数据，而在于你是否具备产出独特专有的“个人品牌”或“知识产权”。利用人类意识的无限扩展性，完成过去受限于人力与时间而无法达成的认知跨越。
这就是通才的终极使命：在AGI解决了所有“正确答案”之后，成为那个能定义“什么值得问”的人，成为那个能融合“原本不相关领域”的人。
定义权与融合权，是人类最后的“主权领地”。守住它们，人就还是人。
从I型到T型再到π型的人才演化，在物理学与经济学之间找虫洞的融合者，以及手握定义权与融合权的最后守护者。
三幅画像，指向同一个答案：AGI时代的新物种，不是更聪明的专家，而是更完整的人。
《礼记·中庸》里有一句话：
“致中和，天地位焉，万物育焉。”
中是让各种力量不偏不倚，和是让各种差异和谐共生。当各种力量各安其位、和谐共生时，万物就能生长繁衍。
AGI时代的新物种，就是那个能“致中和”的人——在自己的专业和AI之间找到平衡，在不同领域之间建立连接，在技术的力量和人的价值之间守住分寸。
这样的人，才能“天地位焉，万物育焉”。
3. 【达·芬奇实验手册】实战演练
（1）技能资产盘点——用AI生成一份你的“职业技能折旧表”
2018年，会计行业发生了一件小事。
国际四大会计师事务所之一的德勤，推出了一款叫“小勤人”的AI机器人。它的工作很简单：开票、报销、审核、记账——全是会计的基础活。上线第一天，一个“小勤人”就能完成一个财务人员三天的工作量【注：田金英，《人工智能与会计行业的未来》，《商业会计》2022年第6期】。
三年后，国内某招聘平台的数据显示，基础会计岗位的招聘量下降了37%，而“财务分析”“业务财务”等复合型岗位的招聘量上升了52%。
这不是裁员，这是技能贬值。
你的技能，和汽车、房子、股票一样，也是一种资产。它有价格，会波动，也会折旧。工业时代，一套手艺可以用一辈子，折旧周期长到可以忽略不计。信息时代，一套技能的半衰期缩短到十年左右。而AGI时代，这个周期还在加速。
2023年，高盛发布了一份报告，预测全球约有3亿个工作岗位会受到生成式AI的影响【注：高盛，《生成式AI对就业的影响分析》，2023年3月】。影响不是一夜消失，而是渐进贬值——你今天引以为傲的技能，明天可能就变得“没那么值钱”。
所以，你需要一张“职业技能折旧表”。
怎么做？第一步，列出你所有的技能资产。不用太复杂，一张纸一支笔就行。把所有你用来吃饭的本事写下来：编程、写作、翻译、设计、销售、管理、沟通……越细越好。
第二步，给每项技能打分。分三个维度：
替代性：AI做这件事的能力有多强？1分是“基本做不到”，5分是“完全能替代”。翻译是4分还是5分？初级编程是4分还是5分？客户沟通是2分还是3分？诚实打分，不要骗自己。
稀缺性：市场上会这项技能的人多不多？1分是“满大街都是”，5分是“凤毛麟角”。会Excel是1分，会Excel又懂业务可能是3分，能把Excel玩出花来同时还能培训别人的可能是4分。
成长性：这项技能的未来需求是涨是跌？1分是“正在消亡”，5分是“越来越值钱”。基础记账可能是1分，财务分析可能是4分。
三个分数加在一起，就是这项技能的“健康分”。分越高，越值得继续投入；分越低，越需要警惕。
第三步，也是最关键的一步：让AI帮你做压力测试。
给你一个提示词模板，可以直接复制使用：
提示词：我现在是一名[你的职业]，主要技能包括[列出3-5项核心技能]。请基于2026年的技术趋势和市场环境，分析这些技能在未来三年内可能面临的贬值风险。请从以下三个维度展开：
- 替代性：AI能在多大程度上完成这项工作？请给出百分比估计，并说明理由。
- 稀缺性：掌握这项技能的人是在增多还是减少？市场供需关系如何变化？
- 成长性：这项技能的未来需求是上升还是下降？有哪些新兴领域可能更需要它？
请为每项技能生成一份“折旧预测表”，并给出建议：哪些技能需要升级，哪些需要转型，哪些需要放弃。
我让一位做文案的朋友试过这个提示词。AI给他的反馈里有一条让他后背发凉：“基础文案写作，AI替代率92%。未来三年，客户会更倾向于自己用AI生成初稿，只保留人工润色环节。这意味着你过去的‘写作能力’需要升级为‘审美判断力+情感洞察力+品牌理解力’的组合。”
这不是吓唬人，这是市场正在发生的变化。
做完这张表，你可能会发现一个残酷的事实：你花了十年练就的“硬技能”，可能只剩三年的保质期。
但这不是坏消息。因为知道自己有什么，才知道自己缺什么；知道自己缺什么，才知道该学什么。
（2）思维练习——寻找你职业中的“非标品”环节
2025年，我收到一封读者的私信。
他是一名审计师，在四大工作了五年。他说：“老兵，我用AI跑了一遍我们团队的审计流程，发现70%的工作都可以自动化。数据提取、底稿填写、初步分析、报告生成，AI比我做得还快。我现在每天上班都在想，我还能做什么？”
我问他：“那剩下的30%是什么？”
他说：“和客户沟通、判断异常、处理复杂情况、签字担责。”
我说：“这就是你的‘非标品’。”
什么叫“非标品”？就是那些无法标准化、无法批量复制、无法交给AI的环节。它们往往有几个特征：
需要判断。不是“对或错”的判断，是“好或坏”“值不值”“该不该”的判断。AI可以告诉你数据异常，但它判断不了这个异常是偶然还是趋势，是风险还是机会。
需要信任。客户愿意跟你说的“真心话”，不会跟AI说。因为AI不会保守秘密，不会共情，不会在客户需要的时候递一杯茶、说一句“我懂”。
需要担责。错了，可以怪AI，但挨骂的是你。签字的地方，永远是人在签。这份责任，AI扛不了。
这就是你职业里的“非标品”环节。
怎么找到它们？给你一套思维练习。
第一步，画一张“工作流程图”。把你一周的工作全写下来：开会、写报告、回邮件、查资料、见客户……越细越好。然后用两种颜色标记：蓝色是“可以交给AI的”，红色是“只能自己做的”。
第二步，盯着那些红色标记，问自己三个问题：
如果AI来做，会出什么问题？ 不是“能不能做”，是“做了会怎样”。AI写的邮件可能更通顺，但会不会少了人情味？AI做的分析可能更全面，但会不会漏掉那些“说不清”的因素？AI的决策可能更理性，但会不会违背某些看不见的规则？
客户/老板/同事为什么需要“我”来做这件事？ 如果他们只是要一个结果，AI能给；如果他们要的是结果背后的“人”——你的判断、你的经验、你的承诺——那这就是你的护城河。
如果这件事做砸了，谁会来找我？ 这个问题最直接。找你的人，就是你服务的对象；找你的理由，就是你存在的价值。
第三步，用AI验证你的判断。
提示词：我是一名[你的职业]，下面是我工作中一些“只能自己做”的环节：[列出3-5个环节]。请帮我分析：这些环节中，哪些是真正无法被AI替代的“非标品”？哪些其实有被AI部分替代的风险？请从技术可行性、客户接受度、责任归属三个角度给出评估。
我给前面那位审计师推荐了这个练习。他做完之后给我回信：“我发现，我最值钱的本事不是‘会审计’，是‘能让客户在审计过程中不焦虑’。AI再快，也做不到这一点。”
这就是“非标品”的价值：它不是技能，是关系；不是能力，是信任；不是可复制的知识，是只有你能交付的体验。
AGI时代，标准品越来越便宜，非标品越来越值钱。你的职业安全感，不取决于你把标准品做得多好，而取决于你有没有找到那个“只有你能做”的部分。
（3）Prompt技巧——如何让AI扮演“苏格拉底”向你提问
公元前399年，雅典街头。
一个相貌丑陋的老人拦住路人，开始问问题：“你认为什么是正义？”“你凭什么说这是勇敢的？”“你确定你真的知道什么是美德？”被他问过的人，要么陷入沉思，要么恼羞成怒。
这个老人叫苏格拉底，西方哲学的奠基人。他的全部“教学工具”，就是提问。
两千四百年后，这种提问的能力，成了AGI时代最稀缺的东西。
前面我们说过，未来的核心竞争力是“提问”。但提问这件事，不是天生的，需要练习。而最好的练习对象，就是AI本身。
AI可以当你的“苏格拉底”。
怎么做？给你一套提示词技巧，分成三个层次。
第一层：基础版——让AI追问
当你有一个问题想不清楚时，让AI扮演那个追问的人。
提示词：请扮演苏格拉底，向我追问一个我正在思考的问题。我的问题是：[写下你的问题]。请用层层递进的方式提问，每次只问一个问题，等我的回答后再问下一个。目的是帮助我把这个问题想得更清楚、更深入。
比如你问“我该不该换工作”，AI可能会这样追问：
- “你为什么想换工作？”
- “你觉得现在的工作最让你不满意的是什么？”
- “你理想中的工作是什么样子的？”
- “你怎么知道下一份工作就不会有同样的问题？”
这些问题不新鲜，但AI的好处是：它不会不耐烦，不会带偏见，不会在你沉默的时候替你把话说完。它会一直等，等你真正想清楚。
第二层：进阶版——让AI挑战
很多时候，我们不是不知道答案，是不敢面对答案。这时候需要有人来“拆台”。
提示词：请扮演一个“魔鬼代言人”，挑战我刚刚做出的判断。我的判断是：[写下你的判断]。请从三个角度提出质疑：
- 这个判断的假设可能有什么问题？
- 有哪些证据被忽略了？
- 如果这个判断是错的，最可能的原因是什么？
请用尖锐但不刻薄的方式提问，帮我发现自己的思维盲区。
我试过这个提示词。当时我判断“AI短期内不会替代我的工作”，AI反问我：“你有没有想过，你之所以这么想，是因为你只看到了自己能做的事，没看到老板想要的是什么？”这个问题让我想了很久。
第三层：高阶版——让AI引导
最深的思考，往往需要最长的路径。有时候你需要一个向导，带着你一步步走进问题的核心。
提示词：我想深入思考一个问题：[写下你的问题]。请扮演一位苏格拉底式的思想助产士，通过一系列提问引导我走向更深的理解。请遵循以下原则：
- 从最基础的概念开始，让我先定义我用的每一个关键词。
- 每三到五个问题后，帮我总结一下已经理清的思路。
- 当我陷入循环时，帮我指出问题所在，并带我从另一个角度重新切入。
- 整个过程保持耐心，不急于给答案，只负责提问和引导。
这个层次的对话，已经不是“问答”，而是“共创”。你和AI一起，把一团乱麻梳理成一条线索。
2025年，一位读者用这个方法思考自己的职业方向。他连续和AI聊了三天，每天一小时。最后他给我写信说：“AI没有告诉我该做什么，但它让我看见了我真正在乎的东西。那些问题，我自己从来没问过自己。”
这就是苏格拉底式的提问：它不是给你答案，是让你自己找到答案。
AGI时代，答案太廉价了。真正稀缺的，是能让你找到答案的那个“好问题”。
而AI，可以帮你练习问出好问题。
盘点自己的技能资产，找到职业中的“非标品”，学会用AI练习提问。三件事，指向同一个目标：把“知道自己该做什么”变成“真的能去做”。
《论语》里有一句话：“学而不思则罔，思而不学则殆。”
光学不想，就会迷茫；光想不学，就会危险。这节实验手册，就是让你把“学”和“思”连起来——学了新知识，就用思考去消化；想了新问题，就用行动去验证。
从“知道”到“做到”，路还很长。但方向，已经清楚了。
我们讲了一个故事：从泰勒的秒表到福特的流水线，从科层制的深井病到专家的脆弱性，从技能的白菜化到体验经济的崛起——我们正在经历一场从“工业螺丝钉”到“智能架构师”的范式转移。
这场转移的本质，是人的价值在重新定价。
那些曾经让我们安身立命的“硬技能”，正在被AI快速白菜化。而那些曾经被我们忽视的“软实力”——判断力、直觉力、提问力、共情力、连接力——正在成为新的稀缺品。
《周易》里有一句话：“形而上者谓之道，形而下者谓之器。”
过去两百年，我们过于沉迷于“器”——工具、技术、流程、标准。我们把一切都“器”化了，把人自己也“器”化了。现在，AGI的到来，逼着我们重新回到“道”的层面——思考意义，思考价值，思考人之所以为人的那些东西。
下一部分，我们将进入全书的实战核心：如何用“四力模型”重构你的认知图谱。我们会把扩张力、收缩力、进化力、平衡力，变成你可以每天练习的“手艺”。
从“知道”到“做到”，还有很长的路要走。
但方向，已经清楚了。
