AI 工業革命：我們是否仍在使用舊有工作流程？

撰文：Will 阿望

過去一年，我參加過一些以 AI 為主題的行業大會。台上嘉賓輪流展示 AI 的花樣，台下的人舉著手機拍攝螢幕，發完朋友圈後又繼續刷手機。但回到辦公室，還是同樣的週會、同樣的審批、同樣的週報。大廠已將 Token 消耗量寫入 KPI，有人靠腳本刷量就成了勞模。朋友圈裡那群人，今天 Claude 革命，明天 Codex 牛逼，後天 Gemini 萬歲——這是在擁抱革命，還是在快步趕場？

這些都是噪音，不是我想要的答案。

真正的问题不是 AI 夠不夠強——蒸汽機已經造好了，問題是誰第一個拆掉舊車間。

工業革命真正開始的那天，不是瓦特改良蒸汽機的那天，而是蘭開夏郡的工廠主決定離開河流、圍繞蒸汽機重建車間的那天。AI 最重要的時刻也是如此——不是大模型被發明的那天，而是第一個組織決定拆掉舊流程、圍繞 AI 重建生產方式的那天。這一天還未到來，但它已在路上了。

兩個人很早就看到了這件事。Notion 執行長趙伊萬在 2025 年末寫了一篇《Steam, Steel, and Infinite Minds》，判斷很冷：我們仍處於「替換水車」的階段——在現有工具上附加 AI 聊天機器人，但沒有人重新設計工廠。OpenAI 前員工 Leopold Aschenbrenner 走了另一條路：寫了 165 頁的《Situational Awareness》，然後建了一個基金，從 2.25 億美元做到 136.8 億美元，全部押注 AI 基礎設施。一個在向內看，一個在向外賭。

這篇文章不是關於他們的，是關於我們——我們現在站在哪裡，我們又在重複哪一段歷史。

（動力織布機，J. Tingle 根據 Thomas Allom 的作品雕刻，1835 年／Wikimedia Commons）

大多數人的一天是這樣過的：早上用 AI 寫了一封郵件，省了 10 分鐘；然後花兩小時開一個本可以不開的週會；下午在三個工具之間複製貼上同一組數據；晚上發了條朋友圈說「AI 真香」。省下的 10 分鐘，被舊流程原封不動地吃回去了。

同樣，當蒸汽機出現時，工廠主最初只是把水車換成蒸汽機，其他一切不變——工廠還是建在河邊，還是多層樓房，還是中央傳動軸帶動整條產線。我們把 ChatGPT 裝進 Slack，把 Copilot 加進 Office，把 AI 聊天視窗嵌在工作流上——做的是同一件事。工具升級了，車間沒變。

但更換了新機器並不等於更換了車間。麥克盧漢說得好：

我們透過後視鏡駛向未來。用舊流程去容納新工具，就像早期的電影不過是拍攝的舞台劇。真正的突破，要等到有人將蒸汽機徹底擺脫河流，圍繞新動力重新設計整個生產方式。

將工業革命的時間線與 AI 對照著看，大概能定位我們在地圖的哪裡：

如今的時間線被極度壓縮。工業革命從蒸汽機到鐵路狂熱用了 60 年，AI 從 Transformer 到數據中心建設潮只用了 7 年。

速度不是問題，問題是我們卡在哪裡——前四行都還處於舊車間安裝新機器的階段，蒸汽機安裝上了，鐵路也在鋪設，但生產方式毫無改變。第六行才是真正的分水嶺。我們極有可能卡在這兩步之間。

The steam engine is already in hand, but the workshop is still old.

基礎設施總是以過度建設收場。最後破產的是投資者，而不是基礎設施。

在 1846 年，英國議會通過了 263 項鐵路法案，批准建設 9500 英里新鐵路。鐵路投資高峰時佔英國 GDP 的 13%。鐵路股票只需 10% 定金即可購買，中產階級蜂擁而入。泡沫於 1847 年破裂，三分之一獲批准的線路從未建成，無數投資者血本無歸。達爾文在鐵路股上虧損了 60%，而他的運氣比大多數人好得多。

但鐵路留下來了。

今天的 AI 基建，走的是同一條路。Goldman Sachs 最新估算，2026 年全球 AI 基礎設施資本支出達 7650 億美元，到 2031 年預計每年 1.6 萬億。超大型雲廠商的資本支出佔營運現金流的比例，從 2023 年的約 40% 升至 2025 年的近 70%。AI 相關投資已經佔到美國全部投資的約四分之一。Aschenbrenner 的 136.8 億美元，押的就是這一層——他賭的不是哪個應用會贏，是底層算力本身。

這種資本循環與房地產開發具有同構性。建設數據中心就如同蓋樓：土地是電力，建材是 GPU 和存儲，承包商是數據中心建設方，開發商是雲廠商，租戶是 AI 應用公司，租金是 API 收入。雲廠商的商業模式是以租養貸——用 API 收入覆蓋數據中心的資本支出，等待 AI 應用爆發帶來的估值躍升。

（算力地產：一代人有一代人的基建）

核心風險也一樣：API 單價的下跌速度，有沒有被調用量的增長速度抵消？如果租金跌穿了還貸線——這是地產開發商最熟悉的噩夢。2008 年的教訓不是蓋了太多房子，而是蓋的房子和真實需求的結構對不上。AI 的等價風險是：通用算力過剩，但能真正處理金融合規、醫療診斷這類高價值場景的專業化能力，仍然稀缺。

鐵路、房地產、AI——三個時代的基礎設施投資，共享同一條規律：過度建設是常態，建材商總是失去定價權，長期回報總是屬於持有「核心地段」的業主。看一下華爾街 Q1 基金的持倉就知道了——大概率 80% 壓在這個基建層：NVIDIA、數據中心、雲基礎設施。但鐵路狂熱教給我們的是：這不是 AI 革命的全貌，甚至不是回報最高的一層。

AI 的核心地段是什麼？是獨特的行業數據，和深度嵌入的工作流程。對個人來說，真正的「核心地段」不是持有的股票，是自己不可替代的判斷力和行業知識——前提是已經圍繞 AI 重建了使用它們的方式。

真正的回報，在下一層。但從基礎設施到價值創造之間，並非無縫銜接。中間有一道縫隙——歷史上，這道縫隙吞噬了數十年。

拆車間的人和「用 AI 提效」的人，做的不是同一件事。

趙伊萬的聯合創始人西蒙，過去是「十倍速程式設計師」，現在很少親自寫代碼——他同時操控三到四個 AI 編碼 Agent，效率達到 30 到 40 倍。Notion 現在有 1000 名員工和 700 多個 AI Agent。差距不在工具，而在西蒙拆掉了自己的舊車間，而大多數人只是換了一台水車。

6 億中國用戶曾使用過生成式 AI 工具，同比增長 142%——這是全球最大的 AI 需求池。但幾乎沒有任何一家中國公司圍繞 AI 重建了核心工作流程。全球最大的需求側，搭配幾乎毫無變動的供給側組織變革。這種反差本身便是一個信號：不是工具不足，而是組織未能跟上。知識工作的上下文分散在數十個工具和數十個人的腦海中，產出無法驗證，沒有人知道如何判斷一份戰略備忘錄是否有效。

（人工智慧對勞動市場的影響：一項新指標與早期證據）

Anthropic 已在更大規模上採取行動。他們發布了 Economic Index，利用真實使用數據描繪 AI 最先取代哪些任務和行業，並根據這張圖展開行動：與 Goldman Sachs、Blackstone、Hellman & Friedman 合資成立 AI 原生企業服務公司；與 KPMG 建立全球聯盟，讓 276,000 名員工接入 Claude；Accenture 組建業務集團，培訓 30,000 人，專注於金融、生命科學和醫療。

這些諮詢公司扮演的角色並非 AI 的使用者，而是 AI 的鐵路工程師——他們不製造蒸汽機，也不鋪設鐵軌，而是幫助企業拆除舊廠房，圍繞新動力重建生產線。沒有這個角色，大多數工廠主都不知道從何下手。

信號已經閃爍，最尖銳的一個來自就業市場。

22–25 歲進入 AI 高暴露職業的年輕人，找到工作的機率比進入低暴露職業的同齡人低 14%。初級崗位已受到擠壓。

如果我是應屆生，這個數字直接影響我的求職。如果我是管理者，我招的下一批初級崗位，可能不再是人。

組織正在拆解，那個人呢？我的學歷、我的履歷、我這些年累積的行業經驗——這些都是我的水車。它們曾經驅動我的整條產線，但蒸汽機已經來了。985 和 211 不再是護城河，它只證明我曾經在河邊建過一座不錯的工廠。

現在的問題是，我們有沒有能力離開那條河。

Anthropic 的數據顯示，使用 AI 工具超過 6 個月的用戶，任務成功率比新用戶高 10%。先走半年的人已經領先 10%，這個差距會隨時間複利。

但目前還沒有任何公司因為未使用 AI 而倒閉，至少我的律所仍在圍繞 AI 高歌猛進。勝利者尚未被市場選出。學習曲線是真實的——率先行動的人已開始累積優勢，但大多數人仍處於起點。

我現在的職業頭銜，十年後還存在嗎？我五年前每天使用的工具清單，今天還剩下幾個？答案可能都是否定的。但我不知道替代它們的東西叫什麼——因為那些東西現在還不存在。

歷史上每一次都是這樣。新事物不是被規劃出來的，是舊約束消失後自己長出來的。

在鐵路建成之前，英國是各個孤立的地方經濟體。曼徹斯特的棉布價格與倫敦可相差 30%。每個城市都有自己的時間標準，沒人覺得有什麼問題。鐵路建成後的二十年裡，一切都變了。全國統一市場首次出現，價格差被抹平；標準時間是被鐵路逼出來的，而不是被發明的；站長、電報員、旅行代理——這些工作在鐵路之前完全不存在。

沒有人在鋪鐵路時預見到百貨公司。沒有人在建造蒸汽機時預見到標準時間。

（蒸汽、鋼鐵與 AI 無限智能）

城市的故事講述著同一個歷程。數百年前的城市是以人為尺度的——步行四十分鐘即可穿越佛羅倫薩。鋼架結構使摩天大樓成為可能，鐵路連接了城市與腹地，電梯、地鐵、高速公路隨之而來。東京、重慶、達拉斯——這些並非更大的佛羅倫薩，它們是全新的生活方式。

當前的知識工作也是基於人類規模的。幾十人的團隊，靠會議和郵件來推動節奏，超過幾百人就難以承擔。我們正用石頭和木頭建造佛羅倫薩。AI 讓「東京」成為可能——由數千個 AI Agent 與人員組成的組織，工作流程跨時區持續運行。舊有的週會、季度規劃和年度審查，可能已不再有意義。

西蒙已經不再寫代碼了——他的工作變成了「管理 AI Agent」。兩年前這個職位還不存在。我的下一個職業頭銜，可能現在還沒有名字。但已經有人在建造我們還叫不出名字的未來了。

拆除舊車間後，該建什麼？YC 的答案是：讓公司自己改進自己。

他們的內部系統現在會在夜裡自行修改自己的代碼。有員工白天發出了一條查詢，但執行失敗。一個監督 Agent 檢測到這次失敗，反向推斷原因，自行編寫代碼進行修復，提交審核並部署上線。第二天，同一條查詢成功運行。整件事在所有人睡覺時完成。

這不是 AI 幫人多產出 30%。這是系統自己跑完了一整個閉環，自己琢磨出怎麼變得更好。

YC 合夥人 Tom Blomfield 在一場內部演講中將這種公司形態稱為「遞歸自我改進的 AI 循環」。他的判斷很直接：大多數公司仍是羅馬軍團——層層下傳、層層上彙，人在其中充當資訊的導管。AI 打破的不是某個環節的效率，而是這整套科層結構存在的前提。

他提出的新邏輯是：燒 Token，不要燒人頭。瓶頸正從人力轉向算力。YC 看到的數據顯示，參加 Demo Day 的批次公司，人均收入比 18 個月前高出約 5 倍。中層管理的職能已被 AI 接管——「協同」這件事不再需要人來做。每個人都應該是 IC、builder、operator，每件事都應有明確的負責人，而非委員會。

還有一個前提：公司必須讓 AI 「可讀取」。未被記錄的事，對 AI 等於未曾發生。YC 現在已將所有合夥人的郵件存檔，錄下所有 Slack 訊息和 office hour 的錄音。一位合夥人利用三個月累積的 2000 小時錄音，讓 AI 重新生成了一本 150 頁的內部手冊——比原版好得多。這本手冊每月自動更新，變成了一個持續保持新鮮的「活腦」。

Tom 留了一個問題：

如果今天從零開始建立你的公司，你會以這種形式搭建嗎？如果你的公司已經建立了層級結構，就要回答另一個更困難的問題——重新搭建的痛苦，是否小於繼續以羅馬軍團的方式運作的代價。

人不在車間中央，人在外圈——負責那些 AI 暫時伸不進去的地方：線下判斷、全新情境、高賭注高情緒的瞬間。公司的中央是由數據、記錄和行業知識拼出來的「公司大腦」。跑在上面的軟體是消耗品，能生成就能再生成。值錢的東西在人腦子裡——業務是怎麼跑的，哪些步驟涉及判斷，這些理解才是真正的資產。

趙伊萬在《Steam， Steel， and Infinite Minds》中描述的，正是這個方向的另一面——1000 名員工和 700 多個 AI Agent 協作的組織，人負責判斷，Agent 負責執行。Aschenbrenner 押注算力基礎設施，趙伊萬押注組織重構。兩條路最終指向同一個終點：圍繞 AI 重建的新型生產方式。

在 1840 年代和 1850 年代之間——鐵路已經鋪完，工廠還未重建。

我們在哪裡？西蒙已經不寫代碼了。他的水車是他自己拆的。

問題從來不是蒸汽機夠不夠好，問題是誰第一個拆掉舊車間。

我不打算預測未來的百貨公司，我只打算做好自己——只需要確保自己站在鐵路沿線，而不是守著一條正在乾涸的河。

那你呢？