原文作者：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？
