你正在被AI收割两次，第一次是钱|代码|埃隆_马斯克|程序员|翻译|阿罗

Amanda Brown，得州塔尔顿州立大学的一名生物学助理教授，原本只是想在不教课的暑假接点零工赚外快。在一些数据标注平台上，某些任务开出了每小时60美元的高价，这听起来相当诱人。

但很快，这份看起来轻松的“睡后收入”变成了一场噩梦。她被拉进各种强制性的线上会议，为了赶截止日期不得不熬夜到凌晨两点。

更折磨人的是，她的主管总是含糊其辞地指责她的工作“不够好”，这让她感到“摧毁灵魂（soul destroying）”。仅仅做了几个月后，Amanda就受不了退出了，并在今年夏天老老实实找了一份教书的工作。

。但她并非个例。如今每天，一家名为Mercor的AI初创公司都要向多达3万名外包人员支付超过400万美元的薪水。他们花这么多钱，并不是为了找人给图片里的汽车打标签，而是为了买下Amanda们大脑中最值钱的专业知识。

我们正处于一场史无前例的技术共谋之中。数以亿计的职场人、创业者和企业高管，每天都在狂热地为接入最新一代的AI大模型支付订阅费。我们以为自己买到了通向未来效率的门票，但事实的真相可能残酷得多：

你正在被AI收割两次。一次是你的钱，另一次，是你的命脉。

一、权力的倒转：反向信息悖论

1962年，诺贝尔经济学奖得主肯尼斯·阿罗（Kenneth Arrow）曾提出过一个著名的“信息悖论”：在传统市场里，卖家为了把信息卖出去，必须先向买家展示它；可一旦展示了，买家就相当于免费占有了信息，再也不会付钱。

在阿罗的时代，权力掌握在买家手中，知识一旦泄露，卖家就输了。

前几天，微软CEO萨提亚·纳德拉写了一篇文章，他引用阿罗的理论，指出AI带来了一个致命的“反向信息悖论（Reverse Information Paradox）”。

在这个新世界里，规则完全反了过来。买家仅仅为了使用他们买来的AI产品，就面临着泄露自身专有知识的风险。你越是希望这个AI模型表现得像个行业顶尖专家，你就越得上舔着，把你公司最核心的业务逻辑、最隐秘的行业Know-how和最宝贵的数据喂给它。

这就是AI时代的“双重收割”：首先，你为了使用大模型支付了订阅费或API调用费。其次，你付出了比金钱更有价值的东西，为了让智能发挥作用而必须透露的专有知识。

你在对话框里敲下的每一次提示词，你的智能体调用的每一个内部API，尤其是当AI胡说八道时你耐着性子给它做的每一次纠错，都变成了纳德拉所谓的“数字废气（exhaust）”。大模型就像一个不知疲倦的贪婪巨兽，把这些废气吸入体内，悄无声息地提炼成机构的专业诀窍。每一次交互痕迹、每一次模型评估（eval），都在发生着泄露。

纳德拉还引用了Palantir CEO亚历克斯·卡普（Alex Karp）的观点：技术客户想要的是对自己计算能力和超额收益（alpha）的控制权，他们希望拥有生产资料，而不是眼睁睁看着它被转移给其他人。

正如麦克卢汉所言，人类创造了工具，工具又反过来塑造了人。在消费智能的过程中，你也在创造智能。只不过，你创造的价值最终并不属于你，而是流向了那些提供模型的科技巨头。

这件事让微软和纳德拉都感到恐惧。然而，绝大多数白领还没有意识到。

二、当人类最高精尖的头脑被蒸馏

如果你觉得“被收割”只是一种抽象的商业理论，不妨看看正在硅谷上演的魔幻现实。

如今，那些在后台喂养AI的，早就不是拿着微薄时薪的廉价劳工了。数据标注正在一路向“价值链上游”狂飙突进。看看这些初创公司开出的招聘条件：

Mercor开出时薪225美元，只为招募一位能用流利希伯来语维持客服人设的配音演员。
他们还在全网搜罗专攻广义相对论的物理学博士，以及在卢旺达初级医疗系统有三年以上经验的医生。
马斯克的xAI甚至要求应聘的作家必须卖出过5万册小说，或者在顶级杂志上发表过10篇短篇故事。

这场针对高精尖大脑的收买极其狂热。一家名为Handshake的招聘初创公司，在2025年才转向数据训练，到了今年4月，其年化营收就已经突破了10亿美元。

这些拥有稀缺技能的白领精英，正在被高薪诱惑，亲手把自己的专业技能送进AI的碎木机。

更令人毛骨悚然的是，这些公司已经不再满足于榨取单个人的智慧。Mercor收购了一家名为Deeptune的公司，他们的目标是搭建“训练环境”，直接克隆整个公司的运作机制。

比如，他们会精细地再造一个投资银行的镜像：一个人扮演客户，其他人扮演投行银行家，完全按照真实的业务分布来构建场景。AI就在一旁静静观察所有的互动。正如Mercor年轻的CEO Brendan Foody所说，理论上，AI随后就能回答一个深刻的问题：“在高盛，他们到底在干什么？”

一旦AI懂得了高盛在干什么，高盛的员工接下来会面临什么，已经不言而喻了。

Surge AI的创始人Edwin Chen，这位凭借AI淘金热成为全球第258位富豪的商人，将自己的公司形容为“AGI的学校”。他得意洋洋地说：“AI到我们这儿来，AI学会如何运转世界。”

推到逻辑的极致，这就是我们未来的工作愿景：即使是高级员工，也会系统性地自动化自己执行的几乎每一项任务，直到最后，留给人类做的只剩下“训练AI”这一件事。而当AI连训练都不需要的时候，大幕就彻底落下了。

三、代码先死，代码已死

在这场浩大的知识收割中，程序员群体可能是感觉最矛盾的，他们是用AI用得最好的一批，但也是最先感受到“被剥夺感”的。哪些曾经自诩为数字时代造物主的极客们，突然发现自己手敲的代码在AI面前显得如此廉价。

著名程序员、Redis创始人Antirez（Salvatore Sanfilippo）最近在博客里说了大实话。作为一名老牌极客，他现在用DwarfStar框架以完全自动化的方式实现了DeepSeek v4和GLM 5.2的推理。

他在实践中顿悟了一个残酷的事实：代码已死，对于大部分程序员来说，盯着代码看已经毫无意义了。

“你现在可以生成大量代码……你怎么可能每天审5000行代码？”Antirez反问道。一天只有8个小时，如果你把时间花在逐行阅读LLM生成的代码上，你实际上是在挤压今天最重要的工作：问自己这个软件到底要做什么，思考新的业务方向，以及做大量的质量保证。

在讨论AI写代码的问题时，我们常常陷入“显性知识 vs 隐性知识”的俗套。但代码之所以成为第一个被AI大面积攻陷的领域，根本原因不在于它是文本，而在于它具有“零验证成本”的极度特殊性。

想象一下，AI写了一份法律合同，这份合同好不好？需要资深律师花几个小时去字斟句酌。AI开了一份医学诊断，这诊断准不准？需要医生结合临床经验去评估。

但代码不同。一段代码能不能跑、有没有Bug、性能达不达标，编译器和测试脚本在几毫秒内就能给出确定的判定。这意味着，AI在代码领域的“蒸馏与反馈循环”可以完全以机器的速度运转，生成、编译、测试、修正，全程不需要任何人类评估者的介入。

正因为验证成本为零，代码成了最先被蒸馏干净的知识领域。

这也带来了一个极具历史纵深的哲学倒转。1984年，计算机科学泰斗Donald Knuth提出了著名的“文学编程（Literate Programming）”理念。他认为，代码首先是写给人类阅读的散文，给机器编译只是顺便的事。

四十年后的今天，Antirez所倡导的，恰恰是Knuth理念的完美镜像倒转：散文就够了，代码可以扔掉。

Antirez现在宁愿让LLM写一个用人类语言描述的DESIGN.md文件，里面包含数据结构的思想、实现技巧和设计思路。在未来，你想修改软件？你只需要打开文件，读懂设计，拥有这些思想，然后用正确的心智模型去指挥你的AI Agent。这比人工审查代码有用太多了。

Knuth把代码提升到了思想的高度；而AI，则冷酷地把思想从代码里剥离了出来。控制思想，而不是代码，将是技术人员在这场洪流中唯一的救生圈。

四、企业的慢性毒药：“永久裁员”与“大厂空心化”

个人面临着职业消亡的危机，而企业界则在饮鸩止渴。

如今，科技圈的裁员已经不再是应对经济衰退的临时手段，而变成了一种被称为“持续微调（continuous tuning）”的常态化管理策略。微软刚刚裁撤了约4800个岗位；Cloudflare在营收增长超30%的情况下，依然裁掉了超过20%的员工；思科也在创纪录的营收下裁员近5%。

企业一边进行着一波又一波的裁员，一边将攒下的巨额预算投入到昂贵的AI算力和模型购买中。高管们陷入了极度的不确定性和竞争焦虑中，正如哈佛商学院教授Joseph Fuller所言，CEO们极度害怕：如果自己只做渐进式的改变，而竞争对手全力押注AI，他们可能一觉醒来“还没开球就以0比21落后了”。

商业内幕网站把这种趋势称为“永久裁员”。注意，永久裁员不是一种状态，而是将成为一种组织形式。因为AI不断地蒸馏，就会有人不断地离开，组织也要不断地调整。

这种将AI视为万灵药的“永久裁员”，正在成为企业的慢性毒药。

前Meta数据科学家Moyan Chen在经历了长达“地狱般的28天”的裁员等待后，终于收到了解雇通知，她坦言“与其说是痛苦，不如说是解脱”。

斯坦福大学教授Jeffrey Pfeffer尖锐地指出，一轮又一轮的裁员在组织内部制造了持久的不确定性，它削弱了让公司运转有效的人际关系和组织记忆。当公司发现AI无法完全胜任，被迫重新招人时，那些长期共事培养出的协调与沟通能力，早就灰飞烟灭了。

更致命的是，随着AI承担更多工作，企业实际上需要更多（而非更少）对公司流程、市场、竞争对手和行业法规有深厚语境理解的人。“你需要留住那些懂行的人，”Fuller教授警告说。

这也正是纳德拉最深层的担忧。他坚信，人力资本不会随着AI能力（Token资本）的增长而贬值，反而会变得更加宝贵。如果没有人类的主体性去设定目标、跨领域连接盲点、识别模式，“算力只会在原地打转”。

如果我们放任所有企业都向少数几个吞噬一切的大模型输送价值，社会将重演第一波全球化带来的悲剧。当年，整个工业经济因外包而空心化，表面上GDP数字光鲜，但人的流离失所和产业的断层是真实的。

在AI时代，如果少数几个系统攫取了所有经济回报，而整个行业眼睁睁看着自己的知识被商品化并从脚下抽走，那是极其危险的。

五、祛魅大模型：你买到的其实只是“商品化智能”

要打破这种双重收割的焦虑，我们首先需要对现有的AI大模型进行祛魅。

不要被科技巨头造神般的“通用人工智能（AGI）”叙事所洗脑。美国学者Venkatesh Rao一针见血地指出，现在的LLM本质上是一种“商品化智能（Commodity Intelligence）”。

它们根本不是什么全知全能的神，而是信息领域的煤炭、黄金和土豆。它们就像金融市场里的指数基金，承载的主要是高范式、高共识的常识。

为什么大模型能解开OpenAI宣称的“80年数学难题”？因为它不是在真空中创造知识。

Rao提出了一个极其精妙的“LBB弧线（Labatut-Lovecraft-Ballard arc）”来解释知识的生命周期：

Labatutian（拉巴图特阶段）：
当新知识刚刚诞生时，只有少数顶尖心智第一手遭遇它，这种冲击往往是疯狂且难以言喻的。比如1946年埃尔德什刚提出那个数学难题时。
Lovecraftian（洛夫克拉夫特阶段）：
知识开始向外扩散，更多人接触到它，带来一种令人不安的认知重构。
Ballardian（巴拉德阶段）：
知识被社会完全消化、驯化、文明化，变成了虽然庞大但平庸的教科书常识。

请记住这个残酷的机制：大模型的“蒸馏”从来不发生在充满原创力的Labatutian阶段，它只发生在高度同质化的Ballardian阶段。那些被人类数学家花了80年时间退火、整理成熟悉的数学领地的知识，才是AI大展拳脚的饲料。

用巴拉德式数据训练出来的AI，高度商品化、稳健，但也极其平庸。这就是为什么，当Rao试图用自己过去的优质文章训练个人人格的机器人时，发现它表现得全知全能却毫无品味，对所有话题都展现出一种毫无感情的“来者不拒”。因为它身上渗透了太多这种同质化的商品化智能。

认识到这一点，你会惊出一身冷汗：把企业或个人最珍贵的专有知识喂给这种商品化模型，无异于用你独一无二的稀缺资产，去换取菜市场里廉价的大宗商品。

六、夺回主权：如何在这个时代幸存？

面对这场浩大的知识收割，我们并非毫无还手之力。出路不在于拒绝AI，而在于改变我们与AI交互的方式。

1. 企业的护城河：建立“信任边界”与“学习循环”

纳德拉给出了企业破局的终极答案：在AI时代，企业积累的不应仅仅是数据，而是“学习能力”。企业必须建立一个坚不可摧的“信任边界”。

在这个边界内，未经同意，任何东西都不能跨越，即便是那些“智能废气”也不行。企业真正的机会，不是像赌博一样去猜测明天哪个大模型会赢，而是在模型之上构建自己的“学习循环（learning loop）”。

你需要：