Industrial upgrading is abandoning most people | 产业升级正在抛弃大多数人
产业升级正在抛弃大多数人
AI、资本与就业的三重困局
2026年2月，科技圈发生了一件耐人寻味的事。追踪北美软件股的IGV ETF从高点跌去近35%，Intuit单只股票跌幅接近46%。市场把这波崩盘称为”SaaSpocalypse“——SaaS末日。触发点是Anthropic和OpenAI发布的新一代AI Agent，它们能够自动完成原本需要整个软件产品部门处理的工作。
与此同时，追踪消费必需品的XLP ETF——成分股包括沃尔玛、可口可乐、宝洁——同期上涨约5%。从2026年1月到4月，两条曲线的走向走出了截然不同的趋势。
图 1：IGV vs XLP相对收益对比，2026年1月至4月
市场用最直接的方式表了一个态：被AI替代的，不是流水线上的蓝领工人，而是格子间里处理信息的白领。沃尔玛和可口可乐的护城河在物理世界——供应链、品牌、货架——这些AI短期内替代不了。
这不是预言，是正在发生的事实。斯坦福数字经济实验室的数据显示，自大语言模型开始普及以来，“AI暴露岗位”的入门级招聘量已下降13%。软件开发、客服、文书工作是当前最脆弱的职位类型。2025年入职级岗位的招聘持续下滑，Financial Times报道称之为”白领衰退”，美国多项就业数据都反映出这一趋势。
这篇文章想回答一个问题：在这个逻辑正在重构的时代，普通人的位置在哪里？
这个问题不只是关于AI，也关于一个更深的结构性困局——当技术替代与产业升级同步发生，谁来承接那些被挤出来的人？对中国来说，这个问题尤其尖锐。
一、中国的处境为什么更复杂
原本期待的那条路，本身就在裁人
标准的发展经济学剧本是这样写的：传统制造业萎缩，高科技产业和服务业接盘，就业平稳过渡，生活水平跟着提升。韩国和台湾走过这条路，日本也走过。
中国原本期待走同样的路。用华为、BAT、新能源汽车这些高科技产业承接制造业转移出来的劳动力，用平台经济和服务业消化剩余的就业需求。
这条路本身就有一个内在的矛盾，而AI让这个矛盾变得更加尖锐。
华为全球员工约20万，而韩国和日本的产业升级是更为劳动密集型的。三星集团全球员工约26万人，其中韩国本地约12.5万；丰田集团全球员工约38万人，其中日本本地约7万，供应链相关就业覆盖范围更广。升级路径是：低端制造→高附加值制造→品牌溢价，每一步还是制造业，还是需要大量人。
中国现在面对的高科技产业，商业模式天然是”用少数工程师服务海量用户”。BAT的平台经济本质是信息中介，扩张不需要同比扩张人头——以用户基数衡量，平台经济的就业产出比远低于制造业。蔚小理造车是个局部例外，但整个新能源汽车行业的就业承载量，加上自动化率的快速上升，和传统燃油车产业链相比仍然差距悬殊。
现在，AI还在进一步压缩这些产业的就业需求。本来就不需要太多人的行业，需要的人更少了。
珠三角的预兆：工厂还在，工人不见了
我在中国生活和研究期间，观察到一个值得注意的现象：珠三角的工厂城镇里，厂房还在，订单还在，但招工的告示越来越少。
这是”机器换人”的结果。2010年代中期，富士康等大型制造企业开始系统性地引入工业机器人，替代流水线上的重复性操作。产出没有下降，但工人数量在减少。一些依赖工厂就业的城镇开始出现人口收缩——不是因为工厂倒闭了，而是因为工厂不再需要那么多人了。
这是一个先行案例：技术替代和产业还在之间并不矛盾。产出还在，就业没了。
更耐人寻味的是具身智能（Embodied AI）的崛起。2025、2026年的中国春晚，相继出现了人形机器人的表演——这不只是技术展示，也是一种信号，表明中国正在大力发展的具身智能产业已经进入公众视野。具身智能攻击的正是之前被认为最安全的那类工作：需要在物理世界中灵活操作的任务。
蓝领的”安全线”也在收窄。
图 2：2025 年中国春节联欢晚会上的机器人表演（来源：CCTV）
服务业：承接器还是蓄水池
传统经济学的另一个期待是服务业。既然制造业在萎缩，服务业可以吸纳转移出来的劳动力——这在发达国家都走通了。
中国服务业的结构性特征限制了这一预期的实现。现有研究表明，中国服务业整体劳动生产率低于制造业，且内部差异显著；在国际比较中，批发零售等传统服务业的劳动生产率仅为美国的较低比例。较低的生产率通常对应较低的工资水平，因此服务业虽能吸纳就业，但在低端部门扩张的情况下，就业质量提升相对有限。
平台经济在这里扮演了一个微妙的角色。美团、滴滴的出现，表面上创造了大量灵活就业机会。但实质上，平台把生产率收益集中到自身，劳动者变成了按件计酬的”骑手”——正式就业变成了灵活就业，社保覆盖缺失，向上流动性几乎为零。美团市值数千亿，几百万骑手的时薪没有得到相应比例的增长。这正是经济学家皮凯蒂所说的r>g在服务业的具象体现：资本回报率长期高于劳动收入增长率。
所以，中国面对的是一个双重困局：原本期待的高科技产业天然排斥大规模就业，而且在AI时代就业容量还在进一步收缩；原本期待承接的服务业，只能是蓄水池，不是真正的承接器。
涨潮没有托起所有船。不是少数人没赶上，而是这艘船本来就没有为那么多乘客设计座位。
二、AI铡刀：替代的不是你以为的那些人
这次的逻辑确实不一样
每次技术变革，都会有人说”这次不一样”，而每次都有人反驳说历史总会重演。这个分歧值得认真对待，因为两边都有道理。
以往的技术替代是有选择性的：蒸汽机替代体力，计算机替代重复性脑力。每一轮替代都在上方留下了一个新的安全区——人类往更高阶的认知工作迁移，新岗位随之涌现。这是技术乐观主义的历史依据，不可轻易否认。
但这一轮有一个结构性的不同，在于替代发生的位置。AI直接攻击的是认知劳动的中间层——初级程序员、财务助理、法务助理、数据分析师。这些恰好是上一轮技术革命”创造”出来的岗位，也是原本用来承接大学毕业生的那批位置。
更关键的是，AI的能力提升已经超过了这些岗位的平均水平。一个编程初学者原来要学半年才能跑通的项目，现在借助AI工具动动嘴皮子就能实现。这不只意味着初学者被替代——它意味着企业根本不需要再培养初学者了。最符合资本利益的解法是：留下一个经验丰富的架构师，配上顶配的AI工具，直接砍掉数个初级员工。这不是预测，是已经在发生的事。
AI的使用门槛也在持续下降。ChatGPT早期时代，提示词稍有差异就会带来截然不同的输出，需要专门的技巧。现在的模型越来越能理解意图，普通人可以直接使用。AI正在让自己”人人可及”——而这恰恰意味着，懂得使用AI的人可以作为杠杆，替代掉更多不懂使用AI的人。
Financial Times 的报道也评论称，coding和客服领域的年轻人受冲击尤为明显，入门级白领岗位的招聘量在持续萎缩。Anthropic CEO Dario Amodei公开警告，AI可能消灭近一半的入门级白领岗位。
结果就是马太效应：Anthropic和OpenAI的顶端工程师年薪以百万计，而普通程序员岗位在萎缩。就业金字塔的底部在塌陷，顶端在膨胀溢价。
真正安全的岗位在哪里
哲学家迈克尔·波兰尼说过一句话：我们知道的永远多于我们能说出来的（We know more than we can tell）。
这句话现在成了AI时代最重要的就业保护。
LLM能处理的是可以被语言化、形式化的知识。但大量真实世界的知识是隐性的——它存在于身体里，存在于经验里，存在于师徒之间的示范和纠正里。Meta首席AI科学家Yann LeCun对此有一个系统性的批判：LLM是在语言空间里做模式匹配，但语言是现实的有损压缩，真实世界的物理直觉、因果推理、身体性知识无法从语料中蒸馏出来。这也是”world model“在AI研究圈如此火热的原因——要真正理解世界，需要的不只是读遍互联网，还需要在物理世界里行动和感知。
你可能会说：当年AlphaGo下出震惊世人的”第37手”时，人类根本无法理解，这不说明AI也能创造新事物吗？
没错，AI能在边界清晰的封闭系统里穷尽变量、创造新范式。但真实世界的系统是开放的、混乱的。在信息残缺的情况下拍板、把真金白银砸下去、在失败后忍受损失并校正方向——这种带着真实后果的决策能力，缺乏物理世界模型的大语言模型目前无法模拟。
AI同样是个社交盲人。它在高维的语义空间里所向披靡，但在现实的人际信任网络中几乎是瞎子。它处理不了那些因为商业机密或隐私而永远无法转化为训练语料的暗默知识，读不懂上下级之间基于特定场景的隐晦试探，感知不了会议室里那些没有说出口的东西。除非有一个真正意义上的AI社交机器人，拥有和人一样的感官输入输出，能在物理现场积累具身经验——而那是另一个时代的事了。
斯坦福研究者Erik Brynjolfsson也指出，物理类工作——健康护理、建筑——目前在AI冲击下相对安全。
还有一个维度被低估：长尾场景的双重护城河。AI公司的商业模式需要规模，但现实世界里大量价值存在于低频、异质、情境高度依赖的场景——每个老房子的管道布局不一样，数据稀缺且碎片化，训练成本无法摊薄，商业回报也不足以支撑投入。AI公司看不上，人就靠这个活着。技术壁垒加商业壁垒，双重护城河。
这些安全岗位的规模有限，而且和从白领岗位被挤出来的人之间存在巨大的技能鸿沟。安全不等于能吸纳大量转移过来的人口。这个结构性矛盾，目前没有好的解决方案。
AI收益流向谁
AI提升了生产率——这是真的。但生产率提升的收益，流向了谁？
现有证据表明，美国经济长期存在生产率增长与中位数工资脱钩的现象。在AI驱动的新一轮技术周期中，企业利润（尤其是技术相关企业）维持高位甚至有所增强，但工资增长呈现显著分化：普通劳动者增长缓慢，而高技能岗位受益明显。
皮凯蒂的r>g框架在AI时代被进一步放大：资本回报率不只在超过经济增长率，还在主动吞噬劳动收入。AI是这个过程的超级杠杆。
解药理论上存在——通过税收和再分配，让AI带来的生产率红利流向更广泛的人群。但这是政治选择，不是技术问题。而且政治选择的走向，恰恰是这个讨论里最难预测的变量——这一点，在下一节讨论个人护城河时还会再回来。
三、重新审视自己：人作为资产的护城河
认知能力是入场券，不是护城河
用价值投资的框架来看自己，问题就变成了：什么东西能让你在AI竞争中持续获得超额回报，而不被模仿和替代？
一个不舒服的现实：大多数人认为自己的护城河，其实没有护城河。
会写代码？AI在写。会做数据分析？AI在做。会跨域类比、找结构、做框架推导？这恰好是LLM最擅长的——attention机制的本质就是在语义空间里找相似结构。
过去二十年，社会告诉我们：拼命读书、掌握技能、持续学习，就能在知识经济里站稳脚跟。这个逻辑没有错，但它成立的前提是认知劳动本身是稀缺的。现在，大模型把信息处理和模式识别变成了几乎零成本的API调用。认知能力正在被AI快速商品化，它是参与这个时代的入场券，不再是护城河本身。
真正剩下的护城河，至少我现在能想到的，暂时只有两条。
第一条：你在现实世界里的社会位置。
AI是个社交盲人——这一点在上一节已经说过了，但它在个人战略上的含义值得单独展开。
你的社会位置不是你知道什么，而是你是谁、你在哪里、你和谁有真实关系。AI没有这些。它不能成为某个机构里的决策者，不能在某个社区里建立信任，无法积累在特定场合下的声誉。时间在真实结构里的沉淀是不可复制的——你在某个组织里工作了五年，积累的不只是技能，还有信任关系、信息渠道、对这个组织运作方式的暗默理解。这些东西根本不在语言里，AI无从替代。
顺带一提，第二节结尾说”政治选择是最难预测的变量”——这其实和社会位置这条护城河是同一枚硬币的两面。政策走向难以预测，恰恰是因为它由人际博弈、信任网络、场景性的隐晦信号共同决定。这个领域，是AI理解不了的领域。
第二条：你对自己承担后果的意愿。
纳西姆·塔勒布把这叫做skin in the game。AI能给出一百种方案，但它不承担任何后果。人在真实风险下做判断、承担结果，这产生了一种AI无法模拟的知识——在信息残缺时拍板、在失败后校正方向的能力。
一个经历过真实失败的创业者，和一个读了一千本创业书的人，判断质量的差异不在信息量，在于失败在认知结构里留下的东西。这种带着血腥味的决策感知，正是缺乏物理世界模型的AI触及不到的地方。
元能力：持续生成新稀缺能力的能力
具体技能会过时，元能力不会。
什么是元能力？快速进入新领域并形成有效判断的能力，在不同领域之间建立真实连接的能力，在两个看似矛盾的框架之间生成第三选项的能力。
最后这一条，管理学者Roger Martin把它叫做“整合性思维”(Integrative Thinking)。他是多伦多大学罗特曼管理学院(Rotman School of Management)的管理学家，著有《The Opposable Mind》等著作，提出企业领导力的核心能力在于整合对立观点。他研究顶级CEO的思维模式，发现他们的共同点不是在已有选项里做选择，而是能看到两个对立框架的内在张力，然后生成一个真正的第三解——而不只是折中。
在已有选项里竞争，是在存量里分蛋糕；生成第三选项，是在创造新的可能性。
但有一个陷阱值得警惕：想到第三选项，和有能力执行第三选项，是两回事。柯达的工程师在1975年发明了世界上第一台数码相机，却因为担心冲击胶卷业务而将其束之高阁——这个经典案例说明，即使掌握了先进技术，没有相应的组织意愿和资源配置去执行，也可能错失整个未来。想到不等于能做到。
执行需要足够的社会位置和资源基础，两样东西都需要时间积累，无法速成。
让判断可见
护城河不能被直接追求。你没有办法说”我今天去积累社会位置”、”我今天去建立skin in the game”。这些是真实工作的副产品，不是可以被单独优化的目标。
巴菲特没有说”我要建立品牌护城河”，他说”我要找到好生意长期持有”，护城河是结果。对个人来说逻辑相同：专注于真实的问题，认真承担真实的后果，护城河是副产品。
但有一件事是可以主动做的：把判断说出来，放到真实世界里接受检验。
存在笔记软件里的思考是库存，不是资产。把判断变成文字、变成可以被别人读到和质疑的东西，会逼迫你发现哪些想法真正想清楚了，哪些只是自我感觉良好。没有外部校准，认知会在自我强化中走偏，变成”在错误的方向上越来越熟练”。
这也是为什么Andrej Karpathy写博客，为什么Paul Graham把和朋友的对话整理成文章，为什么Noah Smith每周更新Noahpinion。不只是为了影响别人，也是为了迫使自己的判断变得清晰和可检验。
在这个AI制造海量噪音的市场里，带着真实后果的个人判断，才是真正稀缺的东西。
结语：清醒比乐观更有价值
中国大概率不会出现拉美式崩溃——体量大、工业基础完整、国家能力强，不会出现那种失速。然而”不崩”却不等于”顺利跨越”——日本式的慢性停滞也是值得警惕的：不崩，但也不再有高速增长；在若干领域保持全球竞争力，但整体生产率难以持续提升；产业升级的红利集中在少数人，大多数人的上升通道却在收窄。
AI是唯一可能改变这个均衡的变量。不是因为我确信它会，而是因为其他选项的可能性更低。DeepSeek的出现说明中国在算法效率上有真实竞争力；超大规模的应用场景是其他国家无法复制的优势。但能不能把这个潜力转化成广泛的生产率提升，取决于制度和分配——这是最难预测的变量。
对个人来说，宏观的判断有助于看清自己所处的结构，但宏观悲观和微观行动可以同时成立。日本失去的三十年里，索尼、丰田在全球继续扩张。中国如果走向低速均衡，AI、新能源、空间智能这些赛道里仍然会有大量机会——只是赢家会更集中，在正确赛道上的选择权重会更大。
有句话说，悲观者往往正确，乐观者往往成功。这两者之间并不矛盾——清醒地看到结构的约束，同时在自己能控制的范围内主动下注。真正值得担心的不是选了哪条路，而是过早关闭了其他的路。
清醒，比乐观更有价值。