错配时代：《硅基加速之后：AI 时代的教育、劳动与公平制度》之序章

原创

走向未来

发布于 2026-07-15 21:56:53

1210

# 序章：错配时代

晚上十一点半，北京一位产品经理还坐在电脑前。屏幕左边是公司新接入的大模型助手，右边是她明天要交的需求文档。她把一句粗糙的想法输进去，模型几秒钟就吐出三版用户故事、两套功能优先级和一页竞品分析。她先是松了一口气，随后又有一点不安。过去，这些东西是她带新人一段一段改出来的；现在，新人还没学会怎么问问题，机器已经先给出了看似完整的答案。

同一个夜晚，县城一所中学的信息科技教师也在备课。他收到通知，下学期学校要把 AI 素养融入课程。文件说得很清楚：要让学生理解人工智能、应用人工智能、形成创新能力。他理解这个方向，也知道学生早已在校外使用各种 AI 工具。但真正坐到备课桌前，他发现自己要回答的问题并不简单：如果学生让 AI 写作文，算不算作弊？如果 AI 给出错误解释，谁来纠正？如果班里只有一部分孩子家里有高性能电脑和付费工具，学校该如何保证公平？

这两个场景看似无关，却指向同一个事实：AI 不是在某个遥远的未来等待我们，它已经进入办公室、课堂和招聘市场。它先改变的不是宏大制度，而是一个人桌面上的小动作：写第一稿、做摘要、查资料、补代码、改表达、生成方案。正是这些小动作，构成了一个人的学习路径和职业阶梯。

过去几十年，社会已经习惯用摩尔定律理解技术进步：芯片越来越小，算力越来越便宜，设备越来越普及，软件越来越复杂。可是生成式 AI 和智能体系统带来的变化，比传统意义上的“计算机更快（摩尔定律）”更深刻。它们不只是提高机器处理数字的能力，而是开始进入过去被认为属于人类脑力劳动的领域：写作、编程、翻译、客服、设计、法律检索、医学摘要、数据分析、教学辅导、商业报告、战略草案。

这一次，机器不只是替代肌肉，也不只是替代重复流程。它正在替代一部分“看起来像思考”的工作。

问题不在于机器是否真的理解世界。即使它的基础仍是统计学习、概率生成和强化学习，只要它能通过检索、推理、工具调用和反馈循环在足够多场景中达到“可用”的水平，劳动市场就会被重写。企业关心的往往不是模型有没有意识，而是它能不能把某个任务的成本降低 30%、50% 或 90%。学校关心的也不只是模型是否具有真正理解力，而是学生能否用它完成作业、教师能否用它备课、评价体系是否还能区分真实能力与工具输出。

由此产生的根本矛盾，是硅基系统的能力迭代与碳基人类的能力迭代之间发生严重错配。

模型可以在几个月内从不会推理到能解复杂题，从只能聊天到能调用工具，从生成文本到完成工作流。芯片、云服务、开源模型和企业 API 让这些能力迅速扩散到办公软件、搜索引擎、招聘平台、客服系统、编程环境和教育产品中。可是人类学习一项新技能，需要时间；教师更新课程，需要时间；职业资格更新，需要时间；工会重新谈判合同，需要时间；法律识别风险和制定规则，也需要时间。

2025 年以后，这种速度差进一步扩大。DeepSeek-V4-Pro、GLM-5.2 和 Claude Fable 5 等模型把竞争焦点从“会不会回答”推向“能否在长上下文中持续完成复杂任务”：读完成百上千页资料，理解一个代码库，维持数小时的工程目标，调用工具，运行测试，再根据反馈修改。智能体系统则把模型从“回答者”推向“执行者”：它们可以读文件、调用 API、操作浏览器、写代码、运行测试、再根据反馈修改。Seedance 2.0 这类音视频生成模型让创意生产从文本和图像扩展到可听、可看的短视频；世界模型和具身智能又把能力从屏幕推向模拟环境和物理世界。AI 的边界不再是一个聊天窗口，而是逐步延伸到工作流、实验室、工厂、教室、影像生产和机器人。

技术的时钟走得越来越快，社会的时钟却没有同步加速。

这种错配首先暴露在教育系统里。工业时代的教育建立在一个相对稳定的假设上：社会需要大量能够遵守规则、理解标准流程、完成可预测任务的人。于是学校把知识分成科目，把学习分成年级，把能力分成考试分数，把人才分成学历等级。这套体系曾经有效，因为它适配了工厂、官僚组织、公司部门和专业服务机构的需要。标准化教育生产标准化人才，标准化人才进入标准化岗位。

AI 正在冲击这个闭环。

如果一项工作可以被清楚描述、被切分成步骤、被标准答案评价，那么它就会成为 AI 最先变革的对象。生成式 AI 不需要像人一样经历十二年基础教育和四年大学训练，就可以在许多标准化任务中达到可接受水平。它能写邮件、生成表格、总结材料、翻译合同、补全代码、制作演示文稿、模拟客户对话。换句话说，传统教育最擅长训练的许多能力，正在成为机器最容易复制的能力。

这并不意味着教育失去意义。恰恰相反，教育比以往更重要。但教育的核心目标必须改变。过去教育帮助人进入流程，未来教育必须帮助人理解、设计、监督和改造流程。过去教育强调答案，未来教育必须强调问题。过去教育把计算机当作工具课，未来教育必须把计算思维和 AI 素养变成基础素养。

劳动力市场也在经历类似重构。人们常问：“哪些工作会被 AI 取代？”这个问题容易制造恐慌，却不够精确。岗位不是最小单位，任务才是。一个会计岗位包含数据录入、票据核对、税法理解、异常识别、客户沟通和合规判断。AI 可能很快完成前两项，却未必能承担后几项责任。一个程序员岗位包含代码补全、架构设计、需求澄清、系统调试、上线责任和跨团队协作。AI 可以显著提高代码生成速度，但系统失败时，责任仍然落在人类组织身上。

因此，AI 的第一波影响常常不是岗位消失，而是岗位内部任务比例改变。低判断、低责任、可标准化的任务被机器接管；高判断、高责任、跨情境的任务被抬高价值。问题在于，许多人的职业成长路径正是从低判断任务开始的。新人通过写初稿、整理资料、录入数据、修 bug、做基础分析、画初版设计来学习行业规则。若这些任务被 AI 自动化，职业阶梯的第一层就会变薄。

这就是 AI 时代的隐性危机：它可能不是立即造成大规模失业，而是侵蚀人成长为专家的路径。

当初级岗位减少，企业会越来越希望新人一入职就具备过去需要五年才能积累的判断力、沟通力和系统思维。教育系统如果仍然按旧方式培养人，就会把学生推向一个已经消失的入口。学生毕业时会发现，市场不再需要“会执行简单任务的新手”，而需要“能与 AI 协作、能校验 AI、能承担复杂责任的准专家”。这不是个体努力就能完全解决的问题，而是教育制度、企业培训和公共政策必须共同面对的问题。

政策也必须改变节奏。传统政策习惯在危机显性化之后行动：失业上升，再补贴；行业衰退，再救助；技能落后，再培训。AI 的扩散速度要求政策先建立感知能力。政府需要知道哪些岗位的哪些任务正在被改变，哪些行业的初级岗位正在收缩，哪些地区和人群最先受到冲击，哪些培训真正带来工资提升，而哪些只是制造证书。没有这种近实时的劳动力雷达，补贴就可能变成盲投。

更重要的是，AI 不是单纯的技术问题，也是权力问题。谁拥有数据，谁部署模型，谁决定工作流程，谁解释算法评分，谁承担错误后果，谁分享生产率收益，这些都不是中性的技术细节。一个企业可以用 AI 减轻员工负担，也可以用 AI 强化监控、压缩人力、提高劳动强度。一个学校可以用 AI 个性化学习，也可以用 AI 扩大监控和标准化评价。一个政府可以用 AI 提高公共服务，也可以用 AI 加深对弱势群体的自动化筛选。