2030年大預言：會用AI的人進入新貴族，不會用的人變成數字農奴

2030年大預言：會用AI的人進入新貴族，不會用的人變成數字農奴

寫于2026年3月。數據是真的，預測是大膽的，悲觀的部分是我最不想說對的。

ps：本文又臭又長，但是我還是你堅持讀完。給我一個不同的意見。

我認識一個朋友，前幾年做短視頻博主，做得還不錯，幾十萬粉絲。去年他跟我說，他現在用AI做內容，以前三個人干的事他一個人干，而且做得比以前好。我當時還覺得他在凡爾賽。

上個月我們又聊，他說他現在在考慮怎么"管理"他那幾個AI——因為它們開始會自己規劃任務了。

我沒說什么，但我在想：他用的那個詞，"管理"，可能很快就會顯得天真，就像二十年前有人說"我在管理我的文件夾"一樣。那時候人們也覺得那是很認真的事情。

然后我想起另一個朋友。他在某個制造業工廠做質檢，一個月六千塊，做了八年，很熟練。

去年工廠引入了視覺檢測AI，他被調去負責"監督AI"，薪資降到了四千八。今年他跟我說，他現在在送外賣，因為工廠那邊連"監督AI"的崗位也不需要了。

這兩個朋友，一個在往上走，一個在往下走。

而他們之間的距離，正在以一種讓人來不及反應的速度變大。

這篇文章，我想說清楚幾件事：接下來四年，那些往上走的機會在哪里；那條往下走的路會通向什么地方；以及，如果你有孩子，你現在應該怎么想這件事。

最后這部分，是我最私人的想法，也是我覺得最值得認真對待的部分。

一、先說一個讓我久久不能平靜的數字

2021年，世界上最聰明的AI，做了一套小學數學題，得了35分。

這不是玩笑，這是OpenAI自己公布的測試數據，測試集叫GSM8K，就是那種"小明有3個蘋果，給了小紅2個，還剩幾個"的題型。最先進的AI，35分。

（GSM8K：Grade School Math 8K，包含8500道小學水平數學應用題的測試集，曾是衡量AI數學推理能力的標準基準之一。）

然后到了2026年，同類型的測試，得分是99分。用了不到五年。

這條曲線的形狀不是緩慢爬升，是一根桿子，幾乎垂直插進天空——垂直到讓出題的人覺得尷尬，這道題現在已經被廢棄了，因為它失去了測試意義，就像你不會用"會不會騎自行車"來考駕照一樣。

于是他們出了更難的題。

全球幾百個領域的頂尖專家聯手出了一套"AI絕對通不過"的考試，叫做Humanity's Last Exam，我姑且叫它"人類的最后一塊自留地"。

（Humanity's Last Exam，HLE：由全球頂尖專家協作出題的超難考試，涵蓋數學、物理、化學、生物、法律等100多個專業領域，設計目標是讓AI短期內無法通過。設計規則：只要現有AI能答對某題，就撤換那道題，直到AI徹底答不出來為止。）

2024年底這套題出來的時候，頂尖AI的得分是個位數百分比。

到2026年2月，Claude Opus 4.6拿到了53.1%。

從個位數到超過一半，用了大約一年半。

那幫出題的頂尖專家們，現在大概要認真想想，什么叫"只有人類才能做到的事"。因為他們以為的那條線，正在以他們沒有預料到的速度被穿越。

二、在談預測之前，我要先發明幾個詞

你記不記得，三年前"Agent"這個詞突然就流行起來了？或者"RAG"、"MCP"？這些詞在兩年前還不存在，或者只有極少數研究員在用，現在已經是科技媒體的日常詞匯了。

（Agent：智能體，指能自主規劃、執行任務、調用工具的AI系統，不只是回答問題，而是會主動做事。RAG：檢索增強生成，讓AI能實時調用你私有數據來回答問題的技術。MCP：Model Context Protocol，讓AI和各種外部工具互聯互通的標準接口，理解成AI的"USB接口"就夠了。）

新技術總是先有現象，再造詞語。詞語跟不上的地方，就是變化正在發生的地方。

我接下來說的這幾個詞，現在還沒有人這么叫，但我猜五年內它們會進教科書。

第一個：編排者經濟（Orchestration Economy）

過去，"誰能做"決定了誰有價值。醫生有價值是因為他懂醫學，程序員有價值是因為他會寫代碼。執行能力是稀缺的。當AI的執行能力全面溢出，稀缺的就變成了"知道讓誰做什么"。編排者，就是那個不一定會做，但知道怎么把一堆AI工具組合起來讓整件事完成的人。

第二個：技能蒸發（Skill Evaporation）

每個人都有一些花了多年時間積累的技能。翻譯、校對、排版、基礎編程、數據整理、客服話術……過去是護城河。技能蒸發，是指這些技能在極短時間內失去市場價值。不是慢慢貶值，是蒸發。蒸發最快的是"有清晰輸入輸出、可被驗證、大量重復"的技能。就像馬車夫在1920年代的遭遇，只是速度快了二十倍。

第三個：靜默生產（Silent Production）

當Agent可以24小時在后臺運行，生產活動就開始在你睡覺的時候發生。你早上起來打開手機，你的AI昨晚寫了三篇草稿、處理了十二封郵件、抓取了競爭對手的價格數據。沒有人盯著它，它就是在工作。靜默生產的規模將在2027年到2028年間變得可被統計。

第四個：意圖層（Intent Layer）

現在你用軟件的方式是：打開APP，找功能，點擊，填表，提交。這個交互模式統治了三十年。意圖層是指一個新的范式：你只需要表達你想要什么，有一個系統幫你路由到正確的工具并執行。你在微信里說"幫我把今天的會議錄音整理成三條結論發給我老板"，它自己調用三個工具，你不需要知道背后發生了什么。意圖層一旦成熟，APP時代就會終結。

第五個：薄殼公司（Thin-Shell Company）

人類層極薄，AI基礎設施密實——10個人，借助AI Agent和自動化，能支撐起傳統意義上需要幾百人才能跑通的業務體量。2029年前后會成型。

三、OpenClaw：一個你必須知道的故事

2025年11月的一個深夜，一個叫Peter Steinberger的奧地利開發者——他曾經創辦了一家PDF工具公司，軟件被裝進超過十億臺設備——把WhatsApp的接口和Claude的API連在了一起。

一個小時后，他有了一個能工作的原型：你在WhatsApp上發一條消息，AI在你的電腦上幫你執行任務。

他以為這太簡單了，OpenAI或者Anthropic肯定早就做了。他們沒有。"大公司做不了這種事。不是技術問題，是組織結構問題。"

2026年1月，他把項目開源。72小時內，6萬個GitHub Star。四個月后，超過25萬Star——超越React這個全球最流行的前端框架用了整整十年積累的記錄，成為GitHub歷史上增長最快的開源項目。

這個項目叫OpenClaw。

英偉達CEO黃仁勛3月初評價OpenClaw："這可能是有史以來最重要的一次軟件發布。"他說完11天后，英偉達發布了NemoClaw——專門為OpenClaw構建的企業安全插件。

當世界上最貴的芯片公司為一個誕生四個月的開源項目專門做配套產品，一個新時代的輪廓就清晰了。

OpenClaw回答了一個問題：當AI足夠強大的時候，人機交互的入口是什么？

不是APP，不是網站。是你的微信、WhatsApp、Telegram。你發一條消息，AI在你的設備上幫你做事——整理文件、起草郵件、抓取數據、運行代碼、定時任務。它24小時不下班，有持久記憶，你睡覺的時候它還在工作。

而OpenClaw的Skill系統（ClawHub平臺上已有超過3000個社區開發的功能插件）意味著：AI Agent的邊界，由它能調用的工具決定。誰在建造這些工具，誰就在建造明天的基礎設施。

四、2027年：第一次讓大多數人沉默的時刻

有一套叫SWE-bench的測試，專門檢驗AI能不能解決GitHub上真實的代碼bug。不是玩具題，是需要讀懂整個項目邏輯、定位問題、修復、提交的真實工程任務。

2026年初，Claude Code搭配最強模型的得分是80.8%——隨機抽一百個真實bug，AI能獨立搞定八十多個。據SemiAnalysis統計，Claude Code目前年化收入超過25億美元，占Anthropic企業營收的一半以上。

預測：2027年Q1，SWE-bench得分將首次突破95%。

初級程序員的崗位，將在2027年進入招聘凍結期。不是裁員潮，是根本不再開新坑。

但反向命題是：會"編排"AI完成復雜工程任務的人，2027年會變得極度稀缺。

他們懂得拆解任務、設計工作流、評估AI輸出質量。培養一個這樣的人需要三到六個月，不是三到六年——這個差異將讓整個行業的人才結構在極短時間內重寫。

一人公司時代，2027年正式到來。

不是勵志故事，是可復制的方法論。中文互聯網上"年入百萬的獨立開發者"的案例，將從稀有物種變成常見現象。

五、2028年：AI開始幫AI變得更聰明

2028年，AI將首次在沒有人類提出假設的情況下，獨立發現一個此前未被科學界記錄的自然規律，并將其發表。

不是AI寫了一篇人類已經知道答案的論文，而是AI自己提出問題，自己設計驗證路徑，自己得出結論，而這個結論是人類沒有想到過的。這個時刻意味著：知識的生產，將不再是人類的專屬能力。

廣告驅動的互聯網，同年開始生病

當越來越多的搜索和決策被AI代勞，傳統廣告邏輯崩塌。廣告主花錢是為了影響人類決策，但如果決策是AI做的，廣告往哪里打？

2028年，至少一家主流平臺會在財報中第一次把"AI導致的流量結構變化"列為核心風險項。

六、關于工作方式，我有一個非常具體的想象

未來的工作方式不是"人被AI替代"，而是人類只做人類的事，AI做生產的事。

想象一個場景，可能就發生在2028年到2029年之間：

三個認識多年的朋友，某個周四下午約在咖啡館。其中一個說，我最近一直在想一個問題：某個行業的某個環節，現在的解決方式非常低效，如果用某種思路來改造，可能能做出一個有價值的東西。

另外兩個人開始反應，一個說我知道這個行業，這個痛點確實存在，另一個說我記得有人做過類似的嘗試但失敗了，原因是XXX。

就這樣，三個人聊了大概兩個小時。聊到下午五點，其中一個打開手機，把這兩個小時的會議記錄發給了自己的AI，加上一句話："幫我把這個想法變成可執行的方案。"

第二天早上，他收到了一份完整的東西：市場分析、競品調研、技術可行性評估、產品原型、MVP開發路徑、第一批潛在用戶名單，以及初步的財務模型。

（MVP：Minimum Viable Product，最小可行產品，以最小成本和時間驗證產品核心功能的開發策略。）

那個場景里，三個人做了什么？他們在喝咖啡，在爭論，在回憶，在連接彼此的認知。他們在做人類的事：社交、思考、創意、判斷。

AI做了什么？執行、檢索、分析、整合、生產——所有有清晰標準的工作。

人類最稀缺的，將不再是執行力，而是想法的質量、判斷的準確度，以及一個至今仍被嚴重低估的能力：知道什么時候不該信任AI的結論。

七、2029年：AI從屏幕里爬出來

此前所有變化都發生在數字世界。2029年，溢出了。

人形機器人將在2029年前后越過部署拐點。特斯拉Optimus、Figure AI，加上國內的多家機器人公司，正在快速積累可靠性數據。當一臺能完成多種體力任務的機器人成本跌破5萬美元，倉庫、工廠、物流中心的經營邏輯就會重寫。

預測：2029年，全球倉儲、物流、基礎制造產線的人形機器人部署總量將突破一千萬臺。

薄殼公司成型：10個人，運營傳統意義上需要500人的業務體量。

八、未來四年里，會出現哪些新職業

每次技術變革都會消滅舊職業，也會創造新職業。但新職業的出現總是滯后的。以下是我認為2027年到2030年間會真正成形的幾個新職業：

1. AI編排師（AI Orchestration Designer）

核心能力：把復雜業務問題拆解成適合AI處理的子任務，設計各Agent之間的協作關系，定義"做對了"是什么樣，并在AI做錯的時候知道為什么。預測：2027年頂尖AI編排師的市場價值將超過高級軟件工程師，2028年會有專門培訓機構，2029年進大學課程。

2. 上下文架構師（Context Architect）

"提示工程師"會消失——提示會被系統化、工具化。但上下文架構師不同。他們的工作是：設計AI系統"應該知道什么"——哪些知識放系統提示，哪些通過RAG實時檢索，哪些通過工具調用獲取，哪些根本不需要AI知道。這是關于知識結構和信息流的系統設計能力，不會被工具替代。

3. AI輸出審計員（AI Output Auditor）

當AI大量生產代碼、法律文件、醫療建議，誰來審查輸出是否正確、合規、沒有幻覺？

（幻覺，hallucination：AI以高度自信方式輸出錯誤信息的現象，是目前所有大語言模型都存在的問題。）

醫療行業的審計員需要是醫生，法律行業需要是律師。工作范式完全不同——他們需要知道AI在什么類型的任務上容易出錯，以及如何高效驗證AI結論的可靠性。

4. Skill開發者（Skill Developer）

OpenClaw的ClawHub上現在有超過3000個插件，未來會有3萬個，30萬個。Skill開發者的工作是：理解用戶的真實需求，把需求拆解成AI能理解和執行的指令集，并讓這個能力包在各種邊界情況下不出錯。App Store早期獨立開發者靠一款工具app養活自己的機會窗口有三四年。Skill經濟的窗口可能更短——十八個月到兩年。但回報會很高，因為現在會做的人還是少數。

5. 人機協作培訓師（Human-AI Collaboration Trainer）

幫助那些不熟悉AI工具的員工完成工作方式轉型。不是教人用某個軟件，而是幫助人重建關于"工作是什么"的認知——什么任務應該交給AI，什么任務應該自己做，在哪些地方信任AI是危險的。2028年，這會是中大型企業內部需求最旺盛的崗位之一。

6. AI倫理調解員（AI Ethics Mediator）

當AI做出了一個決策，傷害了某個人，誰來承擔責任？AI倫理調解員橫跨技術、法律、心理學、社會學，在AI系統造成真實傷害的案例中，幫助各方理解發生了什么，為受害者爭取合理的解釋和補償，并推動系統改進。2027年，第一批專門處理AI相關糾紛的仲裁機構會出現。

九、現在我要說那些沒人想說的

以上說的是機會。現在說讓我睡不好覺的那部分。

有一種流行的敘事，講的是"AI帶來的財富將惠及所有人，全民高收入時代即將到來"。馬斯克講過類似的愿景，OpenAI也勾勒過類似的圖景。聽起來很美，但我不信。

不是不信AI能創造巨大財富。我信。

我不信的是"這些財富會均勻分配"這件事。

歷史上從來沒有過哪次技術革命，讓財富分配變得更平等。

蒸汽機出現的時候，工廠主變富了，工人從農村來到城市，生活水平在最初幾十年是下降的。電力普及的時候，擁有電力基礎設施的資本家獲益最多，普通工人的工資增長遠慢于生產力提升。互聯網經濟造就了少數極度富裕的人，同時讓大量傳統行業就業機會消失，中產空心化在很多國家是肉眼可見的。

AI這一輪，我認為不會是例外，甚至會是歷史上財富集中速度最快的一次。

原因很簡單：這次被替代的不只是體力勞動，而是幾乎所有標準化的認知勞動。

而認知勞動，正是過去五十年中產階級賴以存在的護城河。

十、我真正擔心的那個未來

讓我說一個可能會發生的場景，這不是科幻，這是一個邏輯上能夠自洽的推論。

2028年到2030年之間，會有一批國家開始推行某種形式的全民基礎收入或AI紅利分配制度。

聽起來不錯，對嗎？

但細節決定一切。

這種基礎收入，金額不會讓你過得很好，只夠讓你不餓死。足夠你租一個小單間，買一些超加工食品，購買某種娛樂訂閱服務。不夠你投資，不夠你創業，不夠你送孩子上好學校。

勉強夠你活著，不夠你向上走。

而那些向上走的人，那些擁有AI工具、AI資產、AI編排能力的人，他們的財富積累速度將是另一個量級的。

這不是貧富差距，這是物種分化。

更可怕的是：這種差距會非常穩定。

為什么穩定？因為維持這種穩定，不再需要暴力，不再需要明顯的壓迫，只需要數據和算法。

十一、大數據維穩與NPC化

我們已經生活在一個行為數據被大規模收集的世界里了。你在哪里停留，你點擊了什么，你在某個內容上停頓了幾秒，你何時刷了多久的短視頻，你搜索了什么——這些數據，正在被用來預測和影響你的行為。

這還只是2026年的狀態。

到2029年，當AI的能力全面成熟，當傳感器更無處不在，當預測模型更精準——這套系統的能力會是現在的幾十倍。

當一個系統足夠了解你，它就能在你不知不覺的情況下，把你的注意力引導到它希望你去的地方。

給你推送讓你愉快的內容，讓你停留更長時間，讓你購買更多東西，讓你的情緒保持在一個容易管理的區間內。不憤怒，不絕望，不冷靜，不深思。就是那種讓你感覺"挺好的"但什么也沒發生的狀態。

NPC化，是一個無感的過程。

NPC——游戲里那些有固定行為模式、在你不跟它互動時就循環執行預設動作的角色。它們看起來像在生活，但其實是在運行程序。

我擔心的是：相當一部分人，會在不知情的情況下完成這個轉變。

每天起床，刷一下推送，感覺了解了世界；上班，做一些被AI指定的任務，或者不工作，領著基礎收入；下班，刷視頻，玩游戲，訂外賣；睡覺。循環。

不是不幸福。而是不清醒。

十二、奶頭樂的工業化與精準投放

1995年，布熱津斯基在一次精英會議上說過一個詞：tittytainment——奶頭樂。當全球化導致大量人口在經濟上變得"多余"，最有效的社會管理方式，是給他們足夠的娛樂和基本的物質滿足，讓他們不會產生威脅性的憤怒或組織。

他說這話是1995年，那時候還沒有短視頻，沒有算法推薦，沒有精準內容投放。那時候的"奶頭樂"是粗放的：電視、體育、廉價食品。

現在的奶頭樂，是精準的、個性化的、實時調整的。

它知道你喜歡什么風格的內容，知道多長的視頻剛好讓你愉快但不會疲憊，知道什么時候給你推送一條負面內容來調動情緒讓你繼續停留。

當AI完全成熟，這套系統的精準度將達到一個讓人不安的水平。

你看到的內容，不再只是在你刷視頻的那幾個小時影響你，它會塑造你對世界的認知，影響你認為什么是正常的，什么是可能的，什么是值得追求的。

一個始終只看到"普通人也可以躺平"內容的人，和一個始終只看到"這個時代充滿機會"內容的人，最終會活在完全不同的現實認知里——即使他們住在同一個城市，走過同一條街道。

這不是未來，這是現在。AI只會讓它更徹底。

十三、那些懸而未決的真實風險

監控資本主義的升級

當AI Agent開始在你的本地機器上運行，當它深度嵌入你的工作流，當它訪問你的文件、郵件、日歷——你的AI助理，可能同時也是這個星球上對你了解最深的數據收集節點。誰擁有這些數據？誰能訪問這些數據？當這些數據被用于信用評估、保險定價、就業決策——這些問題，現在幾乎沒有國家有足夠完善的法律框架來回答。

AI幻覺的大規模工業化危害

當AI被大規模用于法律文件、醫療建議、新聞內容生產，幻覺就不再是讓用戶皺眉的小問題，而是可能造成真實傷害的系統性風險。2027年，預計會出現第一批"因AI生成的錯誤醫療建議導致傷害"而進入法律程序的案例。

權力集中的速度超過任何歷史先例

現在，世界上最重要的AI能力，集中在少數幾個實驗室手里——Anthropic、OpenAI、Google DeepMind、DeepSeek。這種集中程度，在人類歷史上沒有先例。核技術是分散的，電力基礎設施是分散的，互聯網架構是分散的。但頂級AI能力，正在高度集中。誰控制了最聰明的AI，就控制了未來的生產力、信息生產、決策支持，甚至科學研究的速度和方向。

十四、關于我女兒的教育，我有一些很具體的想法

前面說了那么多宏觀的，現在說一件最私人的事。

我有一個女兒。

每次我想到那些數據，想到2027年到2030年會發生什么，我都會想：她那時候在哪里，在做什么，她有沒有準備好？

然后我會意識到，"準備好"這件事，不是她一個人的事，是我現在就要開始做的事。

我目前的想法是：初中讀完就保留學籍，然后帶她用另一種方式學習。

我知道這聽起來很激進。但我想解釋一下我的邏輯。

現在的學校教育，本質上是在培養一個適應1990年代工業社會需求的人：服從規則，完成指定任務，在標準化考試中取得好成績，然后進入一個大機構，做一份穩定的工作。

這套邏輯，在AI時代是失效的。

不是說知識不重要，而是"用背誦和刷題來積累知識"這件事，是AI時代性價比最低的事情。因為AI能記住所有你背過的東西，而且比你背得更準、調用得更快。

那么，什么是AI時代性價比最高的教育？

我的答案是：讓一個人盡早接觸真實世界里真實的問題，然后學會用各種工具——包括AI工具——去解決它。

具體來說，我計劃帶她去做幾件事：

第一件：接觸物流行業。

物流是一個你不研究就不知道有多復雜的行業。從倉庫的貨物管理，到最后一公里的派送路徑優化，到跨境物流的海關申報，到冷鏈運輸的溫控管理——每一個環節都有真實的痛點，每一個痛點都有AI能插手的機會。

更重要的是，物流行業是一個"人機協作"形態會在2027年到2029年間最先成熟的行業之一。她提前接觸這個行業，不是為了去做快遞員，而是為了理解一個真實的復雜系統是怎么運轉的，以及AI在其中扮演什么角色、有什么局限。

第二件：接觸AI服務業。

所謂AI服務業，就是"幫別人用AI解決問題"這件事。現在有大量傳統中小企業，他們知道AI有用，但不知道怎么用，也沒有能力自己搭建。能給他們做AI工作流設計、Agent部署、數據整理的人，現在是嚴重稀缺的。

我想讓她真正做幾個這樣的項目——哪怕規模很小，哪怕是給親戚的小店做一個AI客服或者庫存管理工具。重要的不是規模，而是經歷真實的需求對接、真實的交付、真實的反饋循環。

第三件：接觸能源和網絡基礎設施。

這兩個行業，大多數年輕人覺得很無聊。但它們會是接下來十年增長最快、且最不容易被完全AI化的行業之一——原因很簡單，它們需要物理世界里的實地判斷和操作，這是AI目前最薄弱的地方。

更重要的是，AI算力的爆發，本質上是一個能源消耗的爆發。訓練一個頂級大模型需要消耗的電力，相當于一個中等城市幾天的用電量。數據中心的選址、冷卻系統、電力供應——這些不性感但極其關鍵的基礎設施，在接下來十年會有大量的建設需求和人才缺口。

讓她理解這些不是為了讓她去做電工，而是讓她知道"數字世界"的背后是什么，那些算力從哪里來，那些數據存在哪里，支撐整個AI生態的物理基礎是什么。懂得看見"看不見的基礎設施"的人，思維方式會很不一樣。

第四件：心理學——但不是課本上那種。

我想讓她學的心理學，有兩個核心方向。

第一個是自我認知。知道自己在恐懼什么，在渴望什么，知道自己的情緒是怎么被觸發的，知道當一個人在影響你的想法時，他用的是什么機制。這不是為了讓她變得冷漠，而是為了讓她在被影響的時候，是知情的，是主動選擇的，而不是被動被推著走。

第二個是——坦白說——PUA的識別與反制。

（PUA：Pick-Up Artist，泛指用系統性的心理操控手段影響他人行為和認知的技術，現在這個詞在中文語境里多指情感操控、洗腦等行為。）

這個世界上有大量的人，會用各種形式的話術來操控他人——不一定是感情上的PUA，可能是商業談判里的、團隊管理里的、網絡輿論里的、甚至內容推薦算法里的。

我希望她很早就知道：當有人讓你感覺"你還不夠好"、"你需要依賴我"、"只有我理解你"——這不是真相，這是一種技術。當你能識別這種技術，你就很難被它困住。

這比任何課本上的心理學都重要。

第五件：融入各種圈子。

這件事沒有方法論，只有去做。

我會在我能力范圍內，帶她接觸不同行業、不同背景、不同年齡層的人。不是為了讓她建立人脈，而是為了讓她知道：世界比她能看見的更大，人們解決問題的方式比她想象的更多樣，沒有一種生活方式是唯一正確的。

一個見過足夠多不同人的人，有一個很重要的能力：她不會輕易被某一種敘事框住，告訴她"只有這條路才是對的"。

第六件：人生題庫。

這是我一直在思考、打算單獨寫文章展開講的一個概念，這里先說個輪廓。

我們在學校里刷題，刷的是別人出的、有標準答案的題。

但人生里真正的問題，沒有標準答案，而且大多數問題你只有親身遇到了才知道它的存在。

所謂人生題庫，是讓一個人主動積累那些"只有自己能遇到并解答"的問題——你做過一個決策，后來發現對了或者錯了，你要知道為什么；你和一個人發生了沖突，你要能把這個沖突拆解成一道題，分析它；你遇到了某個行業的某個機會，你要能評估它。

這些題不是從書本上來的，是從生活里來的。而一個人積累的人生題庫越豐富、越經過自己真正的思考——他的判斷力就越強，他越不容易被別人的敘事帶走，他越能在真實世界里做出屬于自己的選擇。

（關于人生題庫這個概念，我后面會單獨寫文章詳細講。如果你對這個話題感興趣，可以先關注一下。）

我為什么這樣規劃，而不是讓她老老實實把高中上完？

不是因為我覺得高中沒用。是因為我覺得時間是有成本的。

她在高中刷題的那三年，如果用來做上面這些事，她會積累什么？她會積累真實的判斷經驗、真實的行業認知、真實的人際網絡、真實的工具能力，以及一個對"我是誰、我想要什么、我如何面對困難"有初步答案的自我認知框架。

這些東西，是高考卷子給不了的。而且在AI時代，這些東西的價值，會比一張大學文憑更持久。

我當然不是在說文憑沒用。文憑還有用，還會有用很多年——但它的用處，正在從"證明你有能力"變成"證明你沒有明顯的缺陷"。這是兩件不一樣的事。

學籍保留，是因為我也不確定。如果她在外面走了一年發現自己更想去大學，那學籍還在，路還在。我不是要幫她做決定，是要讓她有選擇。

這整件事，我想做的不是一個另類的教育實驗，而是一件很樸素的事：

讓她在世界真正變天之前，有機會用腳踩過那些她將來要站上去的土地。

十五、寫給那些還沒決定往哪走的人

我認識的那個質檢員，他現在送外賣，不是因為他不夠努力，也不是因為他不夠聰明。是因為他在做決定的時候，信息不對稱。他不知道那扇門在哪里，不知道那扇門什么時候關。

我不想假裝這篇文章能解決那個問題。它解決不了結構性的問題，解決不了信息不對稱，解決不了資本的邏輯。

但它能做的是：讓你知道，有一個窗口，現在是開著的。

你現在能做什么？

學會編排，不只是使用。會用AI工具是基礎，會設計讓多個AI協作完成復雜任務的工作流，才是競爭力。

開始建你自己的知識庫。當所有人都用同一個基礎模型，你積累的私有數據和結構化經驗，是讓你的AI比別人的AI更聰明的唯一方法。

關注Skill經濟。ClawHub、各類Agent插件市場——去看看有哪些需求是你所在行業里真實存在、但還沒有人做插件解決的。那是你的線索。

還有最重要的一件事：保持清醒。

不是不要娛樂，不是要你二十四小時工作，而是要知道自己在做什么，為什么在做。知道什么時候你是在主動選擇，什么時候你是在被推著走。

去咖啡館，去和人坐下來聊，去產生那些無法被流程化的想法。更是你維持清醒、不變成NPC的方式。

因為NPC化的本質，不是你不勤勞，不是你不聰明，而是你停止了真正意義上的選擇。你在運行程序，而不是在做決定。

寫在最后

計算機出現的時候，沒有消滅工作，它改變了什么樣的工作有價值。 互聯網出現的時候，沒有消滅工作，它改變了工作發生在哪里。 AI成熟的時候，不會消滅工作，它將改變——為什么，工作有價值。

但在它改變這件事的過程中，財富會向少數人集中，權力會向少數機構集中，注意力會被算法捕獲，認知會被內容塑造，越來越多的人會在"感覺還不錯"的狀態下，悄悄地失去自我決策的能力。

這不是預言，這是正在發生的事的延伸。

我認識那個做外賣的質檢員，也認識那個管理著一堆AI的博主。他們都不是壞人，也都不是蠢人。他們之間的差距，正在變成一道不容易跨越的溝。

我寫這篇文章，不是要恐嚇誰，也不是要販賣焦慮。

是因為那條往下走的路，在開始走的時候，看起來和往上走的路是一樣的風景。直到走了很遠之后，才會發現自己去了哪里。

而那個發現的時刻，可能來不及回頭。

時鐘在走。

窗口在收窄。

你現在看到的，是這篇文章。下一步，是你的選擇。

寫于2026年3月27日。樂觀的部分我希望說對了，悲觀的部分我希望說錯了。關于我女兒的那部分，是我最認真寫的，因為那是我唯一真正有把握的事：我想讓她準備好。

原文：https://x.com/dashen_wang/status/2037360754274488659