当AI进入社会：工作、教育与人的未来（一）（上）

技术已经有了路线图，人类社会呢？——从比尔·盖茨最新的AI警告谈起

人工智能发展到今天，一个越来越明显、也越来越奇怪的反差正在出现。在技术的一边，我们的路线图似乎越来越清楚：更大的模型，更强的推理，更长的上下文，更可靠的智能体，更低的推理成本，更强的机器人，以及越来越少需要人参与的自动化系统。企业知道下一步要做什么，投资者知道资金往哪里投，工程师也大致知道下一代产品应该比这一代强在哪里。即使没有人能够准确预测五年后的AI究竟会达到什么程度，至少整个技术体系都在高速向前推进。

但在社会的另一边，我们却几乎没有一张与之相称的路线图。如果AI真的越来越能够替代人的认知劳动，那么五年以后大学应该教什么？年轻人的第一份工作从哪里来？如果大量劳动不再需要人完成，收入通过什么机制分配？税收从哪里来？医疗、教育、养老这些公共服务如何维持？如果儿童从小就拥有一个永远耐心、永远顺从、永远不会真正拒绝他的AI朋友，他还会不会学习如何与真实的人相处？如果AI能够生成越来越逼真的声音、照片、视频、证据和论证，我们又应该怎样判断什么是真的？这些问题彼此看起来并不相同，却正在被同一种技术同时推到我们面前。

2026年8月26日，比尔·盖茨发表了一篇近六千字的长文，对这种越来越大的落差发出了相当严厉的警告。他的基调并不是“AI很危险，因此应该停止AI”。恰恰相反，他仍然相信AI可能给医疗、农业、能源、教育以及全球贫困问题带来巨大的进步。但与几年前相比，他关注的重点发生了一个值得注意的变化。2023年生成式AI刚刚进入公众视野的时候，Gates曾把AI与个人电脑和互联网相提并论，对它可能释放的生产力表现出非常强烈的兴奋。三年后的今天，他并没有否定这种技术乐观主义，却开始把注意力从“AI能够做什么”转向另一个更加困难的问题：当AI真的能够做到这些事情以后，人类社会怎么办？

他在文章中用一句非常简单的话概括了这种忧虑：“There is no plan to ease the entry into the AI era.”——我们没有一个帮助社会进入AI时代的计划。 我觉得，这句话比“AI会不会取代多少工作”更加值得认真讨论。因为我们真正面对的也许并不只是又一次技术革命，而是一场技术发展速度与社会适应速度越来越不匹配的转型。技术能力可以在几个月内发生明显变化，模型性能可以随着计算能力、数据、算法和资本投入迅速提升，但教育制度、劳动制度、税收制度、社会保障制度乃至人的文化观念，都只能缓慢改变。真正危险的未必只是AI发展得太快，而可能是这两种速度之间越来越大的差距。

这一次，与过去的技术革命究竟有什么不同？

每当有人谈到AI可能造成大规模失业，最常见的反驳就是：历史上每一次技术革命都消灭了工作，也都创造了新的工作。汽车减少了马车夫的需求，却创造了汽车制造、维修、公路建设和石油工业；机械化农业让大量农民离开土地，却为制造业提供了劳动力；计算机淘汰了打字员和许多传统办公室岗位，却产生了程序员、网络工程师和整个数字经济。从历史经验看，这种反驳并非没有道理，因此我们当然不能因为某些工作正在消失，就简单推断未来一定会出现永久性的大规模失业。

但问题在于，过去的经验并不能自动证明未来一定重复过去。历次工业革命背后其实存在一个很少被明确说出的共同前提：机器不断替代人的某些能力，但人的一般认知能力始终是生产体系中最重要的稀缺资源之一。农业机械替代人的肌肉，却需要人设计、管理和经营机器；工厂自动化减少重复劳动，却扩大了办公室、工程、管理和服务行业；计算机替代大量计算和信息处理，却反过来创造了更多依赖人类判断、创造、沟通和知识的职业。于是，劳动者总可以从机器已经能够完成的活动，迁移到机器尚不能完成的活动。

生成式AI真正值得注意的地方，就在于它第一次开始触及这个长期存在的前提。法律、会计、翻译、程序设计、客户服务、医学诊断、金融分析、设计、写作、研究辅助，这些职业之间差别极大，但过去共同依赖一种资源：受过训练的人脑。如果AI越来越能够完成这些认知任务，那么问题就不再只是“旧工作消失以后会出现什么新工作”，而必须进一步追问：为什么新出现的工作一定还需要与过去同样数量的人？

这正是“AI不过是另一场工业革命”这个比喻的局限。它可以帮助我们避免过度悲观，却不能被当作未来的证明。历史告诉我们的只是，过去的技术革命最终创造了新的就业，并没有一条经济定律保证任何一种未来技术都必然如此。如果一种技术的特殊之处恰恰是不断扩大自己能够完成的任务范围，那么它创造新工作的速度与消灭旧工作的速度之间究竟是什么关系，就只能由未来的事实回答，而不能简单从蒸汽机、电力或互联网的历史类推出来。

真正危险的，也许是职业阶梯从下面开始消失

Gates特别担心 entry-level 和 mid-level jobs，也就是初级和中级职位。这一点在我看来甚至比“最终会失去多少工作”更加值得教育界和企业界注意，因为一个职业体系从来不是由一群已经成熟的专家凭空组成的。今天的高级律师曾经是初级律师，高级程序员曾经是 junior developer，资深编辑曾经做过基础编辑，医生也必须经过漫长的训练和临床实践。许多看起来低效率、重复甚至有些琐碎的初级工作，其实同时承担着另一个非常重要的功能：它们是人获得经验、形成判断和逐渐成为专家的训练过程。

AI恰恰最容易从这些任务开始。整理资料、起草合同、编写基础程序、总结文献、准备报告、制作初步设计、进行基础数据分析，这些工作过去往往交给年轻员工，现在越来越可以由AI迅速完成。从企业角度看，这当然意味着生产率提高；但从职业生态来看，它却可能产生一个长期问题：如果我们保留了金字塔顶端的专家，却逐渐拆掉了通往塔顶的楼梯，未来的专家从哪里来？

因此，AI对就业的影响不能只统计“消失了多少职位”和“创造了多少职位”，还应该观察职业结构本身是否仍然能够完成人才培养。一个行业完全可能在短期内因为AI而变得更加高效，同时在十年以后发现自己的专业人才形成机制已经受到破坏。这种后果不会像裁员数字那样立刻出现在新闻标题里，却可能比短期就业波动更加深远。

白领之后，蓝领也未必拥有永久的安全区

过去几年还有一种越来越流行的观点：既然AI首先冲击办公室里的知识工作，那么年轻人不如学习水管、电工、建筑、维修、护理等需要直接与物理世界打交道的技能。至少在短期内，这个判断有相当道理。一个大型语言模型可以告诉你怎样换轮胎，却不能真的拿起千斤顶；它可以解释怎样修理水管，却不能钻进厨房水槽下面完成维修。数字世界中的智能与物理世界中的行动之间，目前仍然存在很大的技术鸿沟。

但Gates提醒我们，这种安全可能只是阶段性的，因为AI与机器人最终会结合。真正需要观察的不是“AI还是机器人”，而是AI什么时候获得越来越成熟的“身体”。当视觉模型、语言模型、推理能力、运动控制、传感器和低成本机器人逐渐融合以后，认知自动化就会开始向物理自动化延伸。届时，白领与蓝领之间那条看似清楚的安全边界也会逐渐模糊。

所以这一次转型最特殊的地方之一，也许并不是机器能够替代某一种劳动，而是它可能沿着不同方向同时扩展：语言模型进入办公室，智能体进入软件和管理流程，机器人进入工厂、仓库、家庭和服务业。农业社会向工业社会的转型跨越了几代人，工业社会向服务经济的转型也经历了几十年，而AI对法律、客服、软件、金融、医学乃至制造业的影响却可能集中发生在一个相对短的历史时期。这样一来，速度本身就成为风险的一部分。即使社会最终能够形成新的工作和新的制度，如果变化快到劳动者、学校、企业和政府来不及完成调整，转型过程本身仍然可能造成巨大的社会代价。

“再培训”为什么可能没有我们想象得那么简单

面对技术性失业，过去几十年政策制定者最熟悉的答案是 retraining——再培训。工厂关闭了，让工人学习新的技能；旧行业衰退了，把劳动者培训到新行业去。这种政策在过去有其合理性，因为技术往往淘汰某一种具体技能，同时提高另一种技能的市场价值。

但AI可能使这个逻辑变得复杂。如果一名客服人员失业，我们可以培训他做基础数据分析；如果AI很快也能够完成大量数据分析，我们再培训他做程序设计；如果AI继续进入程序设计，就再培训他管理AI系统。问题在于，如果AI能力本身也不断沿着技能阶梯向上移动，那么再培训就可能逐渐变成一场人与机器之间不断向上奔跑的比赛。

这里真正需要问的并不是“人还能不能学习更高级的技能”。当然可以。问题是，一个社会是否能够要求绝大多数普通劳动者永远比机器多爬一级，并且每隔几年重新训练一次自己的职业能力。对于一部分人，这当然可能；对于整个社会，却未必现实。因此，AI时代的社会政策不能只有“提高技能”这一条道路。我们最终可能不得不面对一个工业社会很少需要如此直接面对的问题：人的经济权利是不是必须永远建立在“市场需要你的劳动”这个条件之上？

这个问题已经超出了技术政策，进入了政治经济学。如果社会生产的财富越来越多，而生产这些财富所需要的人类劳动越来越少，那么我们真正需要重新设计的可能不是“怎样让所有人重新找到工作”，而是“劳动、收入与社会保障之间原来建立的关系是否仍然合理”。

我的其它文章