无脑拥抱大模型（续）

我很讨厌被工作完全打满的状态，倒不是怕累，毕竟干了快二十年都这么过来的，主要是高强度工作会让人没有思考的精力和时间。

从今年1月开始就被AI卷到爆，最近实在忍不住了，周末加班加点安排一篇，文字已过万，阅读请谨慎。

很早之前我就跟周围人讨论过一件事：限制AI应用快速发展最大的瓶颈不是模型能力，而是“想象力”。

这个“想象力”有很多种含义，比如：

1、新的工程方法论诞生、完善

我们亲身经历了从提示词工程师、思维链到评估体系、Harness，从ReAct到Reflexion再到ReflAct、Rememberer、Retrospex等变化。

2、新的基础被大规模投入

看看云计算平台的主要营收来源，在存储、网络、安全、虚拟机几大件之外，GPU算力、模型服务、AI应用开发框架在一路狂奔。

看看英伟达、美光、寒武纪的股价，LG人均几百万的年终奖，再看看华为昇腾芯片出货量，从2023年的10几20万到2026年预测的100~120万张，以及大基金投资DeepSeek对国模+国芯的追求。

回溯源头，这些都是行业一个个公司的巨额投入动作拉动起来的，比如，阿里云计划三年投入3800亿元、字节2025年敢拼着利润大幅下滑也要在AI上投入1000多亿。

3、新的软件应用形态

软件技术研发成本大幅降低的同时，也在跟财务、法律、医疗、教育、金融甚至交通、物流、制造等各个行业产生强烈的化学反应。

这些化学反应中既有大型银行把自己过去CRUD的列表、理财产品页面变成AI交互来提升转化率，也有大量的垂直行业模型诞生。

仅以全国备案数量最多的北京为例，已备案了今日钢铁大模型、脑出血AI大模型、冀泽政务大模型、智媒云行业大模型、信科乾策大模型、电竞领域大模型、安恒数字安全大模型等等80家垂直行业模型。

4、新的超级独角兽在不断出生

老美在几年间诞生了OpenAI、做Cursor的Anysphere、做Claude的Anthropic。

中国有因为国产化而股价涨到天上去的寒武纪、摩尔线程、沐曦股份，以及因为价格低到地板价而被全世界调用的Kimi、MinMax、Step、GLM、DeepSeek等。

看到周围发生的种种，关注市场前沿的人都开始意识到：AI不是一个工具，而是作为一个生产力，从芯片到IaaS、PaaS、SaaS在重构IT技术这座金字塔，并对全社会产生巨大影响。

我还看不清未来的终局，但是，在AI技术的大幅提升之下软件技术生态已经开始快速演变了：

从对话式App到五花八门的Agent，再到暗流涌动的智能终端设备，Token的消耗带动了整条产业链估值大幅提升。

toB行业AI类项目井喷，从数据中心到解决方案，企业服务市场频大额AI采购订单一个接一个，而SaaS类软件股价在被狠狠打压。

招聘市场上涌现出不区分技术栈的AI工程师，前、后端岗位在分隔二十多年之后又开始融合，测试则在担心自己分分钟没饭吃。

工程师的边界却在慢慢拓展，连过去只招聘信息技术员的制造业企业都在大量招聘AI工程师来优化自己的生产线。

AI写代码速度越来越快、质量越来越高，贡献低阶产能的外包员工和各种低代码工具一起被甲方慢慢清退。

我们的常识是生产力的大跃进发展会带来生产端的生产率提升、消费端的产品体验提升，并进一步大范围重构生产关系。

但是，生产率的量化很困难，尤其是在技术变革剧烈时期，曲折前进、螺旋上升都有可能，但绝不是线性向上，而产品体验的创新突破需要时间积累，慢慢爆发。

想象未来、充满希望，看看当下、一片迷茫。

这个时候对未来做预测，那是神仙、专家、理财师，以及大型组织中的职业经理们所擅长的，“屋顶的闪闪星光”只聚焦肉眼可见的市场变化，因此，面向未来，我选择对关键环节拆解，做定性分析，尝试输出一些观点，做适度推测，为大家在软件技术这条职业路的发展规划提供参考，并坐等打脸。

我们先看生产端。

典型的软件系统简单分成三类：

1、服务软件

用户操作界面发起交互，经过端侧的轻量处理，网络请求打到云端，经过一个个服务系统，最后将数据串联起来。

互联网应用、游戏、电商、行业SaaS、金融软件等属于这一类。

2、工具软件

软件包安装到终端机器上，用户在终端设备上使用软件完成大部分的计算、设计操作。

设计软件、工业软件等属于这一类。

3、基础设施

操作系统、网络软件、安全软件、数据库、大模型等。

我们下钻分析这些软件的研发流程、架构、团队、经营模式，会发现软件系统的复杂性主要集中在以下关键环节：

需求分析、软件架构、单点突破、工程化落地、大规模部署与运维、售后服务与支持。

1、需求分析

toC的互联网软件需求分析是最容易的。

可以在线上收集反馈、在线下跟踪访谈、观察用户行为数据，甚至产品经理自己就是用户，按照自己想法先YY，边路边迭代就可以了。

很多年前我跟腾讯QQ的团队交流过一次，用研团队发现东莞的厂妹使用很多，就安排人跟厂妹一起生活几天，研究用户行为、习惯、心理。

有想法就落地，没想法就YY，多简单。

但是toB的需求就开始上强度了。

小B相对容易一些：

数量庞大、需求简单，只要能解决七、八成的需求就可以，其它的人肉顶上。

虽然容易，但是钱太少，一个面馆的点餐付费SaaS每个月只能收一千块钱，所以小B软件服务市场历来很难长出大公司。

大B就复杂很多了：

没有在大型组织待上三、五年，很难深刻体会到它的复杂性，以及这种复杂性带来的方方面面影响。

首先，客户和用户很多时候压根不是同一波人，你看大型国企信息技术处负责采购的人会像基层员工一样高频使用他们采购来的系统么？

其次，决策人不只考虑价钱贵不贵、能力强不强，还要考虑自身业绩、风险、合作关系、上层意志等等。

最后，进入大型组织的傻子很少，进入决策环节的傻子更少，但无数精英混在一起时，就是一个巨无脑的组织，领导一句话，下面先干了再说，反正公司有的是资源可以用来瞎折腾。

toB需求只是上强度，工业领域的需求才是地狱级。

真正牛逼的需求不是复杂度、方法论，而是压根没机会接触。

汽车制造、军工航天、大型重机、芯片半导体，每个领域都有几十、上百年的发展史，工业软件伴随着产线流程的技术升级一起成长，没有经历过这个过程根本没法Coding。

AI擅长根据已有信息处理规则化明确的工作，当需求的没有源头，甚至充满了大量人治时，AI是无力的。

因此，就像混互联网一定要掌握流量一样，需求来源有壁垒的环节AI替代率一定比较低，并不是讨论需求、画PRD和流程图。

2、软件架构

用一句解释软件架构这个词：理解需求、预判需求，然后对复杂工程问题进行抽象、拆解、迭代、规划、决策。

美国在1930~1931年花了大概400多天的时间就造出了443.7米高、102层的帝国大厦，可现在有的地方修几公里地铁要花几年时间。中国在1930年还穷得叮咣响，现在发展成了大家口中的基建狂魔，只有想不到、没有干不成的。

不是我们进步了、美国落后了，而是，工程问题不怕复杂、就怕没需求，只要有需求、有资源还能不断遇到前沿问题，进步速度是最快的。

软件架构的道理是一样的。

2010年左右王坚给马云算了一笔账，发现全用IOE的话，淘宝的利润都得送给别人，淘宝有需求、有钱、有人，面对的问题确定性又很高，于是拉开了互联网行业轰轰烈烈的“去IOE”运动。

软件架构经历了几十年的发展，工程理论、实践都多得不要不要，B站随便一搜就有一堆精品课程和案例，这简直是为AI量身打造。

因此，软件架构的工作中，“对已知的工程问题进行拆解、规划、落地”是AI替代率很高的一个环节，除此之外，理解需求、预判需求、组织协同，这些是替代率很低的。

3、单点突破

有经验的人都知道，软件技术深水区的问题解决模式是“已知问题 + 已知信息 + 不断试错”，就像筛选杂交水稻一样，世界上任何牛逼的技术突破其实都是日常大量重复的归纳、演绎、试错、验证，以此循环往复。

这种不断发散、重复的事情在AI加持之下，单点技术突破的速度会加快很多。

4、工程化落地

“码农”这个能迅速流行起来，是因它太形象了，长时间、高强度、重复性的劳动，有一定技术门槛，但在产业链的底层位置。

在公司干项目时被称为“资源”，在市场上找工作时按层级、工种标准化定价，市场上大企业的每人天单价可以做到4、5千，而外包公司的每人天单价可以做到1千甚至800。

工程化落地就是在需求明确的情况下，一个架构师带着一堆不同岗位的码农划分模块、定规范、写代码、测试验收。

需求越明确越好、规则越清晰越好、结果越可验证越好，这些都是AI最擅长的，Anthropic‌靠吸码农血都干成万亿美元市值了。

因此，很明确地可以预判，前端、后端、测试、数据、客户端这些市场上的传统岗位收缩速度会越来越快，岗位需求从以做事为主，变成以指导AI、较正AI为主。

5、大规模部署与运维

没人平时会觉得空气很重要，因为习惯成自然，所以也很少有人想象过，如果微信、支付宝一起挂掉，这个社会变成什么样？

当一个软件规模足够大，甚至成为整个社会基础设施时，稳定性就占第一位了。

同理，任何一个系统只要量级和影响面上去了，他的部署、运维就会变得无比重要。

一个很有意思的现象：

在私企干运维的会被干研发鄙视，因为这个岗位杂、累，技术含量低、加班甚至通宵、风险高、压力大，找不到研发工作的才会考虑。

在国企尤其是金融这种重监管行业，开发中心与数据中心往往是分开的，开发中心的系统可以很拉跨，但数据中心的操作极其严格，因为绝大多数问题都是被一次变更触发的。

运维工作中的方案、脚本，AI替代率是很高的，甚至在AI变强之前，运维的自动程度就一直都在突飞猛进。

但是流程、权限、管控方案、人肉确认、一线操作，这些是没法被AI替代的，因为这背后每一步其实是责任与风险。

6、售后服务与支持

以前我在电商平台购物时，最讨厌那些所谓的智能客服，不断重复没有价值的话术，既解不了我的问题也提供不了情绪价值，因为它们太傻了。

我相信电商平台自己的数据中，智能客服以前的拦截率也是很低的，大部分仍然要流转到人工去处理。

但是我现在对AI客服一点都不反感，最普通的大模型加向量知识库就足够了。

因此，AI能力变强之后，直接消灭掉了大多数一线客服，剩下少数对VIP客户提供情绪价值的，以及在二线客服指导下的AI就可以了。

但有些需要现场服务客户、给出方案、解决问题的工作，是AI很难替代的，他们需要跪客户、实地考察、动手操作（哪怕是重启呢）。

完成几个关键环节的拆解之后，我们可以看到，不同环节的替代率有高有低，甚至的有的无法替代。

我们尝试下几个普适性高的结论：

1、AI擅长归纳、演绎、快速试错，根据已有信息解决确定性的问题，使用者解决问题时可以省略基础知识的要求，比如，熟练程序员可以用AI以自己不熟悉的语言编码。

2、AI能力再强，解决的都是人类需求，在面对因为人类社会生产关系而产生的高门槛、不确定性需求时，AI是无力的。

3、涉及到人与人协同的，流程、风险、权责、操作，甚至情绪价值等，AI是无力的。

好巧不巧，世界软件技术发展几十年成长起来的庞大高薪码农群体，正处在生产端提效的风口中心位置。

沿着这些结论推测一下软件技术领域可能的变化。

1、岗位分工被重构

软件技术发展早期没有前端、后端、质量、数据、算法、运维、技术支持等岗位的划分。

苹果联合创始人独自设计硬件电路、固件、操作系统，雅虎员工从底层C++到前端页面、内容运营都干，国内JSP时代后端要自己写html铺页面。

后来，随着电脑、数据中心、手机这些终端设备的普及，软件应用范围越来越广，软件系统越来越复杂，可代码依然需要一行行地手撕，这才有了分工：

纵向的分工，把软件系统分为操作系统、网络等基础软件，数据库、多媒体Codec、图形渲染引擎、缓存框架等中间件，以及应用层业务逻辑，因此就有了系统开发、平台开发、应用开发的区分。

横向的分工，把岗位分为前端、客户端、后端、数据、算法，甚至进一步把前端分成H5、小程序、PC，把客户端拆成Android、iOS、鸿蒙，把后端拆分成Java、go等不同类型的工程师，把算法分为NLP、风控、CV、大模型，把数据拆成数据开发、数据分析等。

软件技术的岗位就是不断抽象、划分领域、定义边界，最后，不同领域的人分工合作，把各自的代码堆成一个复杂的软件系统。

这种分工合作模式的前提是，代码需要一行行地敲出来，当AI具备代码生成能力之后，这种模式就不是效率最高的方式了。

除了为AI兜底的少数人之外，大部分软件工程师都不再需要掌握每个领域的技术细节以确保自己能敲出正确的代码或出现bug之后及时找出来，只需要清楚想要什么，再配上验证结果的方法，就能驱使AI把以前需要多个人分工合作才能完成的工作都搞定。

最近一年我遇到了太多一个人面对需求、跨技术栈做工程开发的人，比如，一个资深的后端在AI帮助之下可以轻易（相比没有AI时）搞定不是特别复杂的前端系统。

这类人需要至少精通一个技术栈，以确保自己具备软件系统思维，在出现问题时能跨技术栈利用AI工具进行问题排查。

2、人员缩减管理弱化

软件技术团队的工作方式是，掌握了系统思维和顶层视野的人设计架构，对复杂问题进行拆解，定义好边界和验收标准，把工作层层划分给不同的团队。

仔细观察大型公司的团队划分模式，基本有这么几种：横向岗位扎堆型，比如前端、测试、数据、算法；技术领域边界型，比如用户增长、营销平台、交易、结算等；基础平台服务型，比如消息、缓存、网关等。

任务划分到团队，团队再按模块分解到每个人，大家一起分工协作，合并产出最终的结果。

国内规模最大的IT公司中软件技术员工已经有几十万了，这些人的存在是基于手写Coding时代的工程方法论组织起来的。

除了那个具备顶层视野的角色掌握了需求来源而不可替代，其它角色都是资源，即，遵守规范和边界，以验收标准为目标埋头干活，AI越智能，对这些角色的需求越少。

以一个负责某产品的10人规模软件技术团队举例，过去的经典配置可能是1个技术TL（架构师&团队管理者）、3个高级工程师、6个初级工程师。

随着AI越变越强，以后可能变为TL连接需求方，把业务问题转化成技术问题，当好架构师掌握AI、给AI分配工作。

随着AI能力越来越强、AI工程开发方法论越来越成熟，团队内初、高级工程师越来越少，TL身上的管理角色也逐步弱化。

这种演变趋势持续下去会变成什么样子？我看不清楚终局，但一定不是现在这样的金字塔形状。

3、生产效率两极分化

工厂的流水线上，工作经过培训之后上岗，并以相同的节奏工作，两个人无论智商相差多少，在生产结果上都看不出区别。

在手撕代码时代，经过专业的训练之后上网，同样的两个人在生产结果上差距可能会差几分之一。

AI工具辅助时代，想法、思路变得更重要，个体的聪明程度体现到工作成果的差异上，会继续两极分化。

工作成果两极分化，会导致管理方式发生变化。

只要个体之间的差异存在，一个有规模的软件技术企业就一定是有绩效分布，并以绩效分布为基础来激励优秀的、汰换掉车尾的。

经过AI工具的放大之后，团队成员的产出两极分化，要么在效率提高之后减人，每个团队短小精悍；要么把依然需要大型团队的工作分层。

但确定的是，考核方式一定会跟着改变。

4、线下服务不可替代

我大学同学在一家做自动售卖机的公司工作，上个月从西安飞到杭州来客户现场解决问题，我问他，你们的系统又不是私有化部署，有啥bug是远程解决不了的，非要跑过来？

他说，只是换了个地方联调而已，跟在公司干活没差别，之前系统经常出问题，他们过来干完活表示下诚意，跟客户一起吃饭联络下感情，客户的气就顺了。

同样的逻辑也出现在交付实施技术团队中，客户现场一定要经常跑，客户方的关键决策人一定要维系好。

所以，只要是那些去现场服务客户、给出方案、取得客户信任的，不管是最前面的需求还是最后面的售后，都不愁没饭吃，毕竟AI没法在平时给客户陪笑脸、有问题时跪好了让客户骂。

5、协同合作永远需要

我们在上面提到的软件系统复杂性所在的几个关键环节中，需求分析、软件架构这两个环节是确定性最差的，因为人心、利益、管理等原因会让生产关系多变而复杂，进一步影响需求和承接需求的软件架构。

需求的合理性很难量化、对比、界定，同样一句，正着讲、反着讲都可以，每个人都有不同的理解，这时我们会先看看是谁讲的，他的目标是什么。

所以，只要有人的地方就有江湖，协同合作是人类社会的永恒主题，比如，目标不同的人达成共识、取得权力的认可等等。

软件系统的实现环节可以让位给AI，软件需求的分析和架构是不可能的，AI只会给出几个选择方案和一个建议方案，它却永远猜不透也不关心人类为啥要选择那个最短视的方案。

6、新方法论层出不穷

AI让前沿软件技术的推进速度越来越快，新技术推动新工程体系和方法论的快速升级，AI的能力上限跟使用它的人想象力保持一致，同一个模型、不同的方法，效果大不相同。

OpenClaw闪现了两个月就快速消沉下去，它的价值不在于能力多强大、源码是不是烂，而是告诉我们还可以这样用AI，打破了Prompt时代（实际上也相差几个月而已）认知的局限性。

要想在这个快速变化的时代不掉队，得跟得上前沿的方法论，这是核心竞争力之一。

以上，聚焦到软件技术领域的生产端做了几个简单推测。

事实上，所有的技术革命都不是一蹴而就，尤其是在复杂的社会环境中，新技术对生产率提升更像是一个 J 型曲线。

初期会受阻于老的生产关系，“老登”会坚决维护自己的既得利益，比如，封建地主不喜欢新兴资本家建厂招工人导致没人种地，互联网大厂的前端团队Leader不希望自己的地盘被拆掉变成光杆司令，贡献现金流的业务部门不希望辛苦挣来的钱被公司拿去研发新产品。

十几年前微信刚诞生时，在老板的命令之下手机QQ才肯把关系链导给微信；十几年后的今天，也有大公司员工为保住工作而写脚本刷Token、生产垃圾代码。

拿AI替代率最高的Coding环节举例，小公司生产关系简单，软件技术人员大部分时间都在Coding，再加上老板只看效果，不管黑猫白猫抓到老鼠就是好猫，因此AI提效十分明显。

但是大型组织中Coding时间占比低，再加上老的组织惯性（流程、权限、风控、数安）阻碍新工具发挥战斗力，一旦遇到现有流程、制度无法解决的问题，重新梳理流程应对的成本非常高（以月起步），因为每个流程、制度的改变，背后都是权力、责任、风险的重构，每次变化都意味着有人要拿到更多的权力、有人要承担更多的风险、有人可能要失去饭碗。

在新的生产关系形成之前，会有一段混乱期，谁先冒头都容易被揍，公司只是股东赚钱的工具，员工打份工而已没必要当出头鸟，因此几乎大部分人都会选择苟着、等着，等组织撞墙之后谁中招、谁受伤、谁先动。

但是，苟是不可能一直苟住的，新技术可都带着足够暴虐的脾气。

拿国内头部的这些私企大厂举例，外有硅谷的大模型公司售卖焦虑、内有各级TL用PPT给老板画饼、往前找不到新的业务增长点、向后不断出现估计百亿美元级别的新兴公司，于是，慌乱之下先裁为敬，不惜把token消耗作为关键指标来盯，总之得让老板看到行动。

最后，无论是个人还是组织，只能在混乱的状态慢慢平息时突破，或者消亡，想像搜狐、乐视那样在一地鸡毛之后变得平庸而安静地活着，只能是奢望。

人类上万年来靠着研发一代又一代新工具让自己不但衣食住行的水平越来越高，还从机械、重复、危险的工作中一步步解放出来，有了更多的时间去Happy，但每次生产力提升都会带来一大批的工作机会消失。

所以每次新生产力出现之后，从提升效率角度看”生产端“都是既兴奋又绝望，接下来我们再看看”需求端“。

为致敬近几天科创板再创新高，我们用“悲观者正确，乐观者赚钱”来形容生产力变革中的需求端，务实一点讲是：软件在这个世界边界朝着”软件技术成本下降、应用场景不断拓展“的方向不断前进。

1、成本下降

过去几十年间，软件的边界不断拓展并在革掉了很多人的命，ETC系统让高速路收费员下岗、手机银行让柜员下岗、餐饮SaaS自助点餐让饭馆不再需要收银员、电商购物让售卖标品的线下实体店关门还顺便把商铺价格摁到地板上。

但依然有很多地方用不起软件，信息化的不彻底，不是软件能力问题，而是软件成本问题。

比如，大量没有部署监控的低线城市和乡村、始终没法普及的在线教育和远程医疗、自动驾驶只能在十几万以上的汽车中使用。

很久以前我去一个仓储中心参观，仓库主管用一张Excel表管理着日常几十人、高峰期一、两百人规模的农民工，我问他，Excel这么麻烦，为啥不用市面上的SaaS来自动化管理。

这个主管跟我说，系统太贵一年十几万，他用不起。

对SaaS供应商来说，养活一只几十人规模的软件技术团队，如果一套系统不卖出去十几万，这个公司就活不下去。

当AI把几十人规模的软件技术团队变成几人时，这一套SaaS系统的研发成本大幅降低，那个仓库主管可能就会用上SaaS系统了。

软件技术成本的大幅降低，会带来软件应用范围的大幅扩张，这是生产力提升带来的新需求。

2、场景拓展

工业界近两年涌现了很多智能体，川宁生物的产量提升约5%，生产方案的产出速度提升几十倍，宝武钢铁的钢板调整期缩短，海尔的注塑生产工艺被优化。

部分场景下，AI大模型在CT影像分析中的准确率超过人类医生平均水平。

我同事在家教孩子认识银河系时，分分钟就让AI做个演示视频。

大模型让AI智能水平突破之后，具身智能终于有了个像样的大脑，不像原来那样只会蹦蹦跳跳，我们看到了宇树、智元等一堆公司的出现，让2024年变成了机器人元年。

我家的天猫精灵用了5年，傻傻的只能点播歌曲、问问天气预报、偶尔做个倒计时，自有升级之后接入了大模型，终于变成个像样的智能音箱了。

我玩二十年手机获赠了一个腱鞘炎，端侧推理模型一定可以帮到我，只是现在终端设备的算力还追不上模型的需求。

需求就是机会，程序员有多悲观，创业者就有多乐观：

春节后聚餐时，一个70后大哥找了个大师给他算命，说今年应该出来自己单干。

在华为干了没几年的同学最近想放弃在大厂继续刷资历，去跟同学一起做Agent的行业应用。

”六小龙“熬成了”四小强“终于等到需求端爆发，Token成为稀缺资源，自己也站到了OpenRouter的榜单上。

一大波有真才实干的技术高管和站在技术前沿的名校毕业生同时拿到融资开始创业，在这个赌场上，哪种团队胜率更大？

与此同时，因为技术创新缺乏和经济危机而低调了几年的资本开始狂欢：

人工智能领域的融资案例数从2024年的876飙升到2025年的1186再到今年前5个月的598，机器人领域的融资案例从2024的332飙升到2025年的734再到今年前5个月的380。

市值300亿美元的快手想把自己的可灵产品剥离出来以200亿美元的估值融资，当快手的短视频、电商、广告业务都不存在么？

宇树从科创板的IPO申请到上交所正式受理只用了创记录的132天。

科创50的市盈率飞升到160以上时，中证A500和恒生科技的市盈率只是20左右。

人工智能频繁出现在国家的顶层文件中，DeepSeek和宇树一起面圣，监管对AI企业大开绿灯，资本市场一笔笔的融资砸进来，创业者拎起大模型这把锤子四处找钉子。

以上，需求端的氛围烘托是到位了，蛋糕吃完、蜡烛熄灭、灯也关了、床就在旁边，年轻的身体们还在等啥？

年轻的优势在想法、激情，有试错的时间、空间、勇气，中老年人的优势在多年积累的技术经验、行业经验、人脉关系，当行业被颠覆的时候，经验会被压制住气运。

为啥牛逼人物的诞生都是出现在新技术革命的浪潮之巅？因为只有这时，新时代的小登才会有实力向占据了旧时代好坑位的老登发起挑战。

怕有泡沫？泡沫一直存在，想吃鱼不沾腥是很难的。

写到这里容我感慨一下。

汽车、火车、飞机的出现把人类用了几千的牛马给解放了，工厂中的大型设备把手工作坊给解放了，工业机器人把流水线上的工人解放了。如今城市中每天叮叮当当的工地上其实没有多少人，来来往往的建筑工人也都挺着肥大肚子。

人类作为一个整体，实力不断变强且速度越来越快，每次技术革命都会重构社会形态，消灭掉一部分工作，诞生一部分新需求，创造新的利益群体。

我们的社会总是在发展中不断轮动，过去两年A股上证指数从3154上海到4100，但细看各板块涨跌相差很大；中国经济今年增速5.4%，但是高端制造业、旅游、电商在上行，而房地产、基建、传统重工业在下跌。

我们的个体物质需求越来越容易满足，肉体劳动在不断减少，连运动都因为健康和外形才得以保留，但精神需求越来越大，开心起来的阈值高变，每个人都开始追求体验、价值、意义。

AI，到底会让这个世界五年之后变成什么样子？我等着。