Stability AI 创始人关于“AI 将终结人类经济寿命”的说法最近在不少讨论群里刷屏。我先说自己的判断这句话不适合当预言去信更适合当一个压力测试去用。它的真正价值不在“人类会不会没有经济价值”而在“一个人靠某项固定技能吃到退休的状态还剩下多少年”。如果只跟着热搜走讨论很容易变成“AI到底会不会让我失业”的情绪题。更有效的切入方式是回到任务本身哪些工作正在被 AI 拆走哪些环节依然要靠人来做判断和兜底哪些看起来很强的能力在真实工程环境里还跑不通。这篇文章不站队也不做夸张预测。下面按概念拆解、能力边界、真实门槛、个人调整、落地流程和长期判断六个部分展开尽量给出一套你可以自己去验证的框架。1. 先拆“经济寿命”它不是什么末日论而是技能保质期“经济寿命”这个词听起来很宏大落到个人身上其实没那么玄。一个人能持续参与经济交换核心靠的是能够提供市场上稀缺的结果。这个结果可以是体力、创意、专业知识、管理能力也可以是“能把复杂事情办成”的信用。所谓经济寿命就是一个人身上某项能力还能换取回报的时间长度。1.1 收入之所以存在是因为某个任务还稀缺大多数全职工作岗位本质上是在购买一个“可重复执行的稀缺任务”。公司招人不是因为喜欢人多而是因为某个流程必须有人完成。这个流程越需要上下文理解、专业判断和异常处理人就越是不可替代。以前技能保质期很长。一个大学学到的技能往往可以复用二十年。工作内容虽然有变化但底层逻辑稳定。因此很多人形成了路径依赖只要把一个岗位做熟就能一直做下去。这种“熟”带来的安全感恰好是 AI 最先冲击的东西。AI 改变的不是你“会不会被机器人取代”这种笼统问题而是特定任务的单位成本。过去做一个产品图初稿、写一段模板代码、整理一份会议纪要都需要真实人力消耗。现在只要输入足够清晰AI 可以在数秒内给出一版可修改的结果。当任务的获取成本趋近于零独立提供这种任务的人就很难再按原来的价格出售时间。所以与其说 AI 会终结人类经济寿命不如说它正在终结“技能不更新、任务层级低”的经济寿命。某个岗位存在不代表里面每个动作都有同等价值。真正值钱的会逐步集中到“定义需求、校验结果、承担后果”这些动作上。1.2 创始人说这句话既有判断也有商业立场Stability AI 在开源图像生成领域属于代表性团队。当这样一家公司的创始人大谈 AI 会终结经济寿命我不太会把它当成纯学术预测。这里面通常有两层信息。第一层是行业趋势判断。生成式 AI 确实让视觉素材、文案草稿、代码片段甚至简单分析工作的获取门槛大幅下降。只要使用过相关工具就能感受到这种变化不是零星的而是系统性的。第二层是商业叙事。做 AI 模型和工具的公司天然需要让市场相信 AI 能力足够强、渗透速度足够快。创始人把话说得越重越容易获得传播。这个表达方式本身和公司的融资节奏、产品定位、行业站位高度相关。因此更稳妥的处理方式是把这句话当作一个可验证的信号而不是既成事实。不需要立刻恐慌也不该完全忽略。可以拿自己手头最重复的一项工作开始测试看看 AI 到底能替代到哪一步替代不了的点在哪里。测试出来的结果比热搜观点更接近真相。1.3 从“个人”到“系统”的经济寿命要分层看讨论经济寿命终结时还要区分个人、组织和整个经济系统。系统层面会有大量新任务被创造出来但这不意味着每个人都自动受益。旧任务消失后新任务往往要求更高的技术密度和判断能力处在转型中间地带的人最容易感受到压力。个人层面的变化更直接。一个平面设计师如果只会把需求转成画面很容易被图像生成工具压缩工作量和报价。但如果他能把 AI 生成能力整合成一套完整视觉方案了解品牌约束、知道如何做批量延展、能对最终画面做专业修正他的产出效率反而会提升。组织层面企业真正关心的不是“用不用 AI”而是“能不能以更低成本交付稳定质量”。经济寿命受到影响的不只是某个工种而是原本靠信息差和低效协作赚钱的业务模式。比如中间商、初级外包、重复性审核都可能被新的交付流程压缩。这个趋势在多家大模型公司、开源社区和产品工具链中已经能看到苗头。所以把问题拆到“任务、岗位、行业、系统”四个层面看会更清楚哪些寿命正在缩短哪些寿命反而在延长。2. AI绘画、AI编程、AI Agent影响正从内容产出走向任务执行如果只看两三年前的生成图片效果会以为 AI 还停留在“玩具”阶段。但现在讨论 AI围绕的不只是文生图、文生视频而是 AI Agent、智能体、自动化流程。这说明同一件事AI 正在从“生成一个结果”走向“完成一个任务”。2.1 AI绘画降低了初稿成本但设计师没有立刻消失热度词里有大量“AI绘画”“AI漫剧”“AI视频”相关方向。这背后确实是需求爆发。制作方现在可以先让 AI 快速生成一批风格参考图再人工筛选、精修。原来三天出图的工作第一天就能看到整体方向。但这不代表设计师这个角色失去价值。恰恰相反设计师的一部分工作正在从“动手画”变成“做决策”。首先是风格定义一个项目适合什么风格、不能出现哪些元素、品牌调性怎么延续需要专业判断。其次是细节修复AI 生成的手部、文字、特殊结构经常出错需要有经验的人快速定位。最后是交付责任客户不会接受“AI 生成就是最终版”出了问题必须有人负责修改。我在实际项目里的感受是AI 最直接压缩的是“从无到有试方向”的时间。过去接到需求要先做大量资料找感觉再用软件慢慢试。现在可以更快进入讨论阶段把更多精力放在修改和决策上。所以AI绘画并没有让视觉行业“清零”而是把价值链最低的那一段抽走了。只会执行软件、不懂需求的人议价能力会下降。能掌握需求、风格、细节和交付标准的人本质上变成了一个放大后的艺术总监。2.2 AI编程正在重新定义“程序员的基本功”AI 编程是另一个被反复讨论的领域。像自动补全、代码生成、测试用例生成这类能力已经进入很多开发者的日常。原来去论坛拷贝一段代码再改现在可以直接交给模型生成然后人来做验证和集成。这种变化带来的最明显影响是初级模板型代码的时间成本大幅下降。CRUD 接口、表单页面、常见算法、固定框架的项目初始化AI 都能比较快地给出可运行版本。程序员如果只擅长“把需求转成代码”确实会感受到压力因为这部分正在成为 AI 的基础能力。但代码只是软件交付的中间产物。真正困难的环节依然是人来负责理解产品目标、拆解边界条件、设计数据模型、处理异常路径、保证系统安全、维护线上稳定。AI 可以帮你生成一堆函数但它不会替你回答“这个业务为什么需要这个功能”“这条数据会不会有隐私风险”“这个接口在高并发下会不会挂”。我的建议是把 AI 编程当结对伙伴。可以让它写能跑的版本但你必须能看懂它写的代码并且能指出哪里有问题。最危险的状态是代码看起来正确但完全没人理解最后上线出问题团队连回滚都不知道改哪里。2.3 AI Agent才有资格讨论“任务替代”相比单纯生成图片或代码我更关注 AI Agent。原因是Agent 做的事已经不是“给出建议”而是“把任务执行完”。比如给一个目标它能自己拆分步骤、调用搜索、操作文件、读取表格、输出结果。这个变化意味着 AI 开始触碰流程层的任务。过去一个初级运营每天要做的是把原始数据下载下来、清洗、整理成固定格式、填进周报模板、定时发送。现在只要数据源、模板和发送规则足够明确这套流程是可以被 Agent 部分自动化的。哪些任务最适合被 Agent 化我总结三个特征边界清晰、规则固定、输出结构明确。比如批量重命名文件、从多个文档里抽取指定字段、按固定模板生成日报、定时抓取页面信息。这类任务不需要太多模糊判断只要异常情况能被预期到自动化后的稳定性甚至会超过人工。相反如果任务需要大量人际沟通、模糊需求判断、临场决策Agent 目前还很难直接替代。比如“跟客户确认他到底要什么风格”“判断一个方案要不要继续投入资源”“处理供应商临时提价和延期问题”这些环节依赖上下文和信任关系短时间内更像“人机协作”而不是“机器顶替”。所以要判断 AI 会不会终结你的经济寿命别盯着“AI能不能做我这个行业”要盯着“我做的工作里有多少内容是由清晰规则驱动的重复执行”。这部分比例越高越值得提前改造。3. 真实环境里的AI落地卡点从来不是模型本身网上到处是惊艳 Demo自己一落地就发现不是那么回事。这是我接触很多团队后的普遍感受。原因不是 AI 能力不够而是“能跑通演示”和“能进生产环境”之间隔着一大堆工程问题。3.1 从“能演示”到“能生产”中间隔着数据、权限和稳定性第一个卡点是数据。模型不会自动理解你公司内部的黑话、业务形态和客户习惯。你要先整理一批典型样例告诉它什么是好的输入、什么是正常输出。数据越干净、格式越统一AI 的表现越稳定。数据源如果乱七八糟后面所有步骤都会被放大。第二个卡点是权限和合规。内部文档、客户名单、财务报表不能随便扔进外部模型。尤其在做企业应用时得先确认哪些数据可以出域哪些只能走私有部署哪些需要脱敏。很多团队在 PoC 阶段觉得效果好一进入安全评审就发现数据通道没打通流程只能停下来。第三个卡点是稳定性。AI 是概率输出同样的提示词这次给你五条要点下次可能给你十条这次是表格下次可能是 Markdown 代码块。如果不做输出约束和二次校验就会给下游系统带来大量脏数据。我在项目里一般会先问三个问题输入样例准备好了吗输出字段定了吗谁来验收错误结果这三个问题没回答清楚不要急着接大模型 API更不要急着部署私有模型。3.2 本地部署还是接口调用先按任务性质判断很多人一说到 AI第一反应是要搞 GPU、要部署大模型。其实不是所有任务都需要本地私有化。选择本地部署还是调用 API主要看四个因素数据敏不敏感、调用频率高不高、时延要求严不严、预算有多少。如果只是内部资料总结但数据不能出域那就只能本地部署或私有化服务。这时要面对显存、内存、磁盘和推理速度问题。模型越大对资源要求越高。低配机器能跑通小模型不代表它能稳定承载多个并发请求。如果只是验证想法可以先减小模型体积、降低上下文长度、调低最大生成长度把单条请求跑通后再逐步增加压力。如果任务允许走标准接口初期开发会轻松很多。你只需要把输入输出封装好关注调用次数、超时时间和返回格式。缺点是长期成本会随调用量上升而且模型升级不是你能控制的一旦上游服务调整可能影响效果。不要用“演示时生成了一段很棒的文案”来选型。正确方式是用二十条甚至五十条真实业务数据做批量测试统计成功率、失败模式、异常输出比例再决定用本地模型还是外部接口。技术选型应该由测试数据决定而不是由“感觉哪个更先进”来决定。3.3 判断AI落地成功不能只看“答案像不像”很多团队验收 AI 效果的方式是看输出像不像人写的。这不是在生产环境里能用的标准。生产环境要回答的是输出能不能被机器消费、会不会导致下游出错、错误发生之后能不能及时发现。比如用 AI 做文档分类不能只看分类名称是否正确还要看置信度有没有阈值、低置信度样本是否进入人工队列、批量处理时有没有为每条记录保留原始文件路径。这些工程细节决定了工具能不能长期使用。一个更合理的验收标准包括处理一条任务的平均耗时、连续跑一百条的成功率、每条失败结果的日志是否完整、人工修正需要多长时间、输出格式是否符合下游系统预期。没有这些指标“AI 很聪明”只是一个主观感受。把这些指标跑出来你才知道它到底值不值得接入正式流程。4. 个人怎么应对不是学一堆提示词而是重构自己的工作分工面对“AI 会压缩经济寿命”这个说法最常见的错误反应是疯狂囤积 AI 课程、收藏各种提示词。这些动作不是没用但容易停留在工具层面。真正需要调整的是个人在工作流里的位置。4.1 先把自己的工作拆成三层执行层、判断层、关系层我建议每个人都抽半天时间把自己一周的工作列出来归到三层。执行层是那些规则清晰、重复出现的动作做报表、改格式、写初稿、整理资料、基础信息查询、简单代码开发。这一层最容易交给 AI。如果这层占你工作比重很高你需要立刻想办法用 AI 提效否则会面临单价被压低的压力。判断层是需要专业经验和上下文理解的动作判断数据是否可信、方案是否可执行、设计是否符合品牌调性、代码上线是否有风险、投入产出比是否划算。这一层 AI 可以提供辅助但最终需要有人承担责任。你如果长期只做执行不往这一层走价值会越来越薄。关系层是建立信任、推动协作、解决冲突的动作跟客户澄清真实需求、组织跨部门沟通、让合作方愿意配合你、在紧急情况下稳定团队情绪。这类能力短期内很难被 AI 替换因为它依赖长期的信用积累和人对人的责任关系。拆完之后你很容易看到自己的价值短板在哪里。如果执行层占 70% 以上AI 对你的冲击会很快。如果判断层和关系层占比高AI 更像是一个帮你省出时间的杠杆。4.2 把AI当成“新来的实习生”去管理而不是当成免费魔法我有个朋友总结得很好现在用 AI就像带一个知识面很广但完全不了解你业务的实习生。你说得越模糊它给你交回的东西就越抽象你给的背景越具体它输出的质量才越接近可用。很多人抱怨 AI 生成结果太差往往是输入只有一句话帮我写一份周报。真正的任务应该是我有这些工作事项分别属于哪个项目本周完成了什么遇到什么问题下周计划是什么请你按公司模板生成周报语言不要夸大。差别就在这。给 AI 布置任务时至少包含四部分角色和背景、任务目标、可参考的输入样例、输出格式和验收标准。角色和背景决定它用哪套语言逻辑任务目标决定它往哪个方向使劲输入样例决定它理解你的具体场景输出格式决定结果能不能被直接使用。一开始不用追求完美的提示词。先让 AI 按你的要求做一次看到问题后再补充示例和规则。这个过程需要迭代就像带实习生改稿不可能一次到位。你迭代提示词的能力越强AI 交付的稳定性就越高。4.3 建立一套自己的“AI工作资产”提示词收藏夹有用但还不够。原因是真正能复用的不是一句话而是完整的工作方法。每解决一类问题应该沉淀成一个可以反复使用的小流程我把它叫“AI工作资产”。最简单的版本是这样输入模板、提示词、输出格式、校验规则、失败处理。下次遇到同类型任务不要再从空白对话框开始而是直接套用校验后的流程。哪怕换个模型、换批数据也能快速跑出结果。长期来说比提示词更值钱的是“问题拆解能力”。你需要把一个大任务切成 AI 能理解和执行的小模块知道哪些模块适合交给模型哪些模块需要硬编码规则哪些模块必须人工复核。这种能力不依赖某个具体模型也不会因为模型版本升级而过时。个人博客、开源项目、公共案例、能展示的流程图都是工作资产的载体。一个能清晰说明“我如何用一个完整流程解决某类问题”的人比一个只会炫耀“我让 AI 写了一首诗”的人更容易在 AI 时代获得机会。5. 一套适合做AI工作流的落地顺序能少走一半弯路AI 在大众传播里总是被描述成“一键完成”但在真实工程里落地顺序非常重要。我建议个人或小团队切入 AI 工作流时不要一上来搭复杂平台而是按最小闭环推进。5.1 先选一个最高频、最重复、最不重要的任务选任务是整个流程中最关键的一步。我做项目时从不拿核心生产链路当第一次实验对象因为一旦失败影响范围太大容易打击团队信心。通常选一个不太重要但每周都会消耗时间的小任务比如整理会议记录、生成周报初稿、给文件批量改名、抽取合同关键字段、整理测试用例。这个任务需要有明确完成标准。以会议记录为例完成标准不是“AI 说一段话而是它能把原始转写内容压缩成决定、待办事项和负责人并且格式符合团队习惯”。如果连人都说不清楚完成标准AI 也很难稳定交付。确定任务后收集十份真实历史记录作为样例。这一步不要跳过。样例能帮你确认输入格式、输出字段、边界情况。没有真实样例后面所有调试都是在猜。5.2 先跑单条再跑批量最后才谈自动化我见过很多团队把顺序搞反了。他们先搭建了一个看起来很完整的自动化平台然后再去测试单条任务效果发现模型输出不稳定整个平台成了摆设。更稳妥的顺序应该反过来。第一步先用一两份样例在普通的对话界面里跑通确认 AI 能理解输入并输出符合基本格式的内容。这一步不涉及任何开发只验证思路。第二步把十条样例批量跑一遍记录哪些成功、哪些失败。失败原因往往是输入格式差异、特殊符号、字段缺失、模型理解偏差。根据失败情况修改提示词或预处理脚本。第三步当成功率稳定到可接受范围后再把流程封装成脚本或小工具。封装时要加入原始输入保存、输出结果落盘、失败日志记录。这条很重要因为 AI 输出是概率性的不记录原始日志出问题后很难定位原因是模型、提示词还是数据。第四步批量任务稳定后再考虑要不要加并发、自动重试和定时调度。这里不要一上来就开最大并发。先看接口配额、资源占用和失败率再逐步增加避免把下游系统打挂。5.3 排查AI问题时按这个顺序走AI 应用出问题很多人第一反应是“换个更强模型”。但实际排查中换模型通常应该放在最后。先看输入。原始输入是否完整格式是否统一路径是否正确有没有把相似但含义不同的数据混在一起。很多输出看起来不对本质是输入里包含模糊信息。再看提示词。提示词是否明确告诉模型输出格式有没有给示例有没有限制它不要编造。提示词不一定要写得像论文但至少要能回答“输入什么、输出什么、边界在哪”。然后看结果校验。模型输出后有没有做基础规则校验。比如日期格式、字段数量、必填项目是否为空。如果没有校验层错误会在整个流程里被放大。最后才是模型选择。如果同样的任务在小模型上成功率和输出质量都不理想可以试试其他模型版本。但我不建议一开始就用最强模型容忍所有问题因为成本、延迟和配置复杂度会同步上升。引用一个我在工作中经常强调的原则先用一条样例确认输入、输出和日志都正常再扩大范围。批量任务不是简单的“多跑几条”还需要考虑失败重试、输出命名、结果抽样和人工复核。6. 真正会终结的是“不迭代的路径依赖”文章最后回到最开始的问题AI 是不是要终结人类经济寿命我的答案是它会终结某一种经济寿命但不等于终结所有人的经济价值。6.1 技术淘汰的是“任务形态”不一定淘汰“人”历史上很多新技术出现时都出现过类似的担忧。计算器没有让数学消失搜索引擎没有让知识失去意义反而是会提问题的人更容易找到答案。AI 会重复类似模式只是速度更快、覆盖任务范围更广。但这不代表我们可以直接说“一定没事”。旧任务一旦消失新任务通常不会自动落到每个人头上。一个只有模板执行能力的人如果几年都没更新自己的技能结构就会明显感受到经济价值收缩。一个能驾驭 AI 完成完整交付的人反而会把生产力提升好几倍。所以最值得关注的问题不是“AI会不会抢我饭碗”而是“我现在这个任务形态在未来三年内还会不会以同样方式存在”。如果答案是有风险就要提前把工作重心往判断层和关系层移动。6.2 真正要警惕的是你完全看不懂AI的输出AI 时代有一个容易被忽略的风险幻觉。模型会在不清楚答案时用流畅但错误的内容填补空白。你如果没有相关领域的判断能力很容易把“看起来很专业”的假结果当成真结论。我见过一些团队用 AI 做行业分析直接拿生成结果去汇报结果数据引用和案例细节有明显错误。这种场景不是 AI 不够聪明而是流程设计缺少人工复核。模型可以当助手但不能当唯一事实来源。使用 AI 最安全的方式是在自己熟悉的领域里验证它。遇到不熟悉的问题应该先让 AI 列出推理过程并给出可查证来源。只要输出涉及具体数据、合同条款、技术配置或法律表述都要回到原始材料再核对一次。可以把这一步叫“人作为结果质量负责人”。谁最终对结果负责谁才在价值链里不可替代。6.3 如果一定要说“终结了什么”可能是路径依赖把“经济寿命”问题放到更长周期里看最危险的不是能力不足而是路径依赖。过去越成功的人越可能被自己的成功方式绑定。当生产方式发生改变时过去经验带来的惯性可能比“不会用工具”更可怕。AI 不会停下来等人。它能做更多任务部署成本也在逐步降低。对个体来说最好的策略不是寻找一个永远不被替代的任务而是持续保持“重新定义任务”的能力。你今天做的工作可能被拆成一百个动作其中八十个会被 AI 接管剩下的二十个需要深度理解与判断。这二十个才是你新的经济寿命起点。所以我更愿意把 Stability AI 创始人那句话理解为一次提醒经济寿命不是天然固定的它取决于你能否持续解决稀缺问题。只要你在一个具体的业务领域里理解问题、定义需求、校验结果并承担责任你的价值就不会因为模型升级而归零。相反你能调动的高质量 AI 工具越多你的生产力边界就越宽。踩过几次坑之后我的体会是很多所谓“被 AI 终结”的焦虑通常不是因为 AI 太强大而是因为个人工作的可替代层太厚。处理方式也很直接把可替代层交给工具把判断层握在自己手里把时间花在能沉淀成个人资产的事情上。