本篇文章分享你的 AI 焦虑，可能比 AI 本身更危险——ATM 机没有消灭银行柜员，但恐慌消灭了你的判断力，对你有帮助的话记得收藏一下，看极客资料网收获更多编程知识

你的 AI 焦虑，可能比 AI 本身更危险——ATM 机没有消灭银行柜员，但恐慌消灭了你的判断力

一个反直觉的历史事实

1930 年，英国经济学家约翰·梅纳德·凯恩斯（John Maynard Keynes）在一篇名为 Economic Possibilities for our Grandchildren 的文章中写下了一个令人不安的预言：

"我们正被一种新疾病所折磨……技术性失业（technological unemployment）。"

他说的"技术性失业"，意思很直白——机器太能干了，人类的工作会被抢走。

这句话放在今天，像不像你刷到的每一篇 AI 焦虑文章的开头？

但凯恩斯说这话的时候，全世界的就业人口大约只有 10 亿。将近一百年过去了，世界经历了流水线、自动化、计算机、互联网等一轮又一轮"机器抢饭碗"的恐慌，今天全球就业人口约为 35 亿（据国际劳工组织 ILO 数据）——增长到了约 3.5 倍。

这就是本文要探讨的核心悖论：每次重大技术变革都引发大规模失业恐慌，但就业总量每次都不降反升。

AI 这次真的不一样吗？也许吧。但在回答这个问题之前，我想先带你看一看，人类在过去 200 年里，是怎样一次又一次地算错这笔账的。因为只有理解了恐慌的历史模式，你才能在今天的信息洪流中保住自己的判断力。

200 年来，人类一直在"狼来了"——技术恐慌简史

砸机器的工人：卢德运动是怎么回事？（1811-1816）

让我们把时钟拨回 19 世纪初的英国。

1811 年到 1816 年间，英格兰中部爆发了一场声势浩大的运动——纺织工人成群结队地冲进工厂，砸毁新式织布机。他们自称"卢德派"（Luddites），以一位传说中的工人领袖内德·卢德（Ned Ludd）命名。今天英文里 "Luddite" 这个词仍然被用来形容抵制新技术的人。

这些工人为什么砸机器？因为新式动力织布机可以让一个工人完成原来五六个人的工作量。工人们的逻辑很简单：一台机器替代五个人，那五分之四的人就得失业。 用小学数学算，毫无破绽。

但事实恰恰相反。

根据经济史学家罗伯特·C·艾伦（Robert C. Allen）在 The British Industrial Revolution in Global Perspective 中的数据：工业革命期间，英国棉布价格下降了约 90%-95%。价格暴跌引发了什么？需求爆炸。英国的棉花消费量从 1760 年的约 200 万磅增长到 1850 年的 5.88 亿磅——增长到了约 300 倍。

约 300 倍的需求，远远超过了机器带来的效率提升。结果是：纺织业需要的工人不是更少了，而是更多了。

这里面藏着一个经济学中反复出现的规律，值得你记住。我把它拆解成三步：

1. 机器让生产效率提升 → 单件产品成本下降；
2. 成本下降 → 价格下降 → 原来买不起的人也买得起了，需求暴增；
3. 需求暴增的幅度 > 效率提升的幅度 → 反而需要更多工人。

这就像一家餐厅引入了自动炒菜机，每道菜的成本从 30 元降到了 10 元。如果价格也跟着降，原来一天卖 100 份，现在可能一天卖 1000 份。虽然后厨不需要那么多厨师了，但你需要更多的服务员、采购员、清洁工、外卖配送员——甚至可能还是需要厨师来处理自动炒菜机搞不定的菜品。

当然，有读者可能会追问：那如果需求没有暴增呢？如果效率提升了但市场已经饱和了呢？ 这个问题问得好，我们后面会讲到——因为这正是今天 AI 讨论中最关键的分歧点之一。但先让我们看完历史。

ATM 机没有消灭银行柜员——为什么？（1970s 至今）

这个案例离我们更近，也更有说服力。

1967 年 6 月 27 日，世界上第一台自动柜员机（ATM，Automated Teller Machine）在英国巴克莱银行（Barclays）的恩菲尔德分行安装。它的功能很简单：自动取钱。不需要排队，不需要柜员。

当时的预言和卢德派如出一辙：银行柜员要完蛋了。

结果怎样？

波士顿大学经济学家詹姆斯·贝森（James Bessen）在他 2015 年的著作 Learning by Doing: The Real Connection Between Innovation, Wages, and Wealth 中详细研究了这个案例。他发现：从 1970 年代 ATM 开始大规模普及到 2010 年，美国银行柜员的数量不仅没有减少，反而从约 30 万增长到了 50-60 万。

为什么？逻辑链条是这样的：

1. ATM 替代了柜员最基础的工作——存取款和点钞；
2. 这意味着每个银行分支机构（bank branch）需要的柜员从平均约 20 人降到了约 13 人；
3. 每个网点的人力成本下降了 → 开一个新网点变得更便宜了；
4. 银行于是开了更多的分支机构，以覆盖更多社区；
5. 更多网点 × 每个网点仍需若干柜员 = 柜员总数反而增加了。

而且，柜员的工作内容发生了质变。以前柜员 70% 的时间在点钞、填单；ATM 普及后，他们的核心工作变成了理财咨询、贷款办理、客户关系维护——这些 ATM 做不了的事。

这里的关键洞察是：技术替代的不是"人"，而是"任务"（task）。 一个岗位包含许多任务，机器拿走了其中一部分，剩下的部分反而变得更重要、更有价值。

Excel 没有消灭会计师——需求弹性的力量

再来一个离你日常工作更近的例子。

1979 年，世界上第一款电子表格软件 VisiCalc 诞生。到 1985 年，微软推出了 Excel。在此之前，一张财务报表需要会计师花几个小时手工计算和检查。电子表格让这个过程变成了几分钟。

"会计师要失业了！"——又是这句话。

实际发生了什么？电子表格把财务分析的成本降到了极低。原来只有大企业才雇得起专业会计师做财务分析，现在一家只有 10 个人的小公司也需要（也负担得起）了。市场一下子被打开了。 会计师的总数不减反增，而且工作内容升级了——从"把数字填对"变成"分析数字背后的含义"。

这里面有一个经济学概念，叫 需求弹性（price elasticity of demand）。别被术语吓到，它说的就是一件事：当某样东西变便宜的时候，人们会买多少。 如果变便宜一点点、人们就买多得多，我们说这东西的需求弹性很高。棉布、银行服务、财务分析——历史证明，这些东西的需求弹性都非常高。技术把它们的价格打下来以后，市场规模的膨胀远远超过了技术对单个岗位的替代。

小结：为什么人类总是算错这笔账？

如果回看历史这么容易看到规律，为什么每一代人都还是会犯同样的错？

MIT 经济学教授大卫·奥特（David Autor）和他的合作者在 New Frontiers: The Origins and Content of New Work, 1940–2018 一文中给出了一个惊人的发现：

2018 年美国约 60% 的现有工作岗位，在 1940 年时根本不存在。

想想这意味着什么。1940 年的人无论如何也想象不出"社交媒体运营""用户体验设计师""数据科学家""播客制作人"这些工作——因为这些工作依赖的产业本身还不存在。

这就是人类预测的根本偏差：我们非常擅长想象"哪些现有岗位会消失"——那是一道减法题。但我们几乎完全无法想象"哪些全新岗位会出现"——因为那是一道从零开始的创造题。

打一个比方：你可以准确预测一栋老楼会被拆掉，但你几乎不可能预测五年后这块地上会建起什么——也许是一座医院，也许是一个主题公园，也许是一种你今天连名字都叫不出来的新型空间。

所以，当你读到"AI 将替代 XX 万个岗位"这样的标题时，请记住：这充其量只是答案的一半。 它只告诉了你减法的部分，对加法的部分一无所知——而历史告诉我们，加法往往比减法大。

但这次，可能有一点不一样——速度与对象的变化

写到这里，我猜一定有读者在想：你说了半天历史，但 AI 不一样啊！

你说得有道理。让我们严肃地看看，这一次到底哪里不一样。

速度：前所未有的采纳节奏

让我们先排列一组数字：

技术	扩散里程碑（各项统计口径不同）
蒸汽机	从发明到大规模工业采用：约 80-100 年
电力	从发明到大规模普及：约 40-50 年
个人电脑	从商用到家庭普及：约 15-20 年
互联网	从商用到大规模普及：约 7-10 年
ChatGPT 达到 1 亿注册用户	约 2 个月（据 UBS/Reuters 报道）

注：以上各项的统计口径不同（有的衡量产业采用周期，有的衡量用户注册速度），仅供感受技术扩散速度的量级差异。

经济史学家保罗·大卫（Paul A. David）在他 1990 年的经典论文 The Dynamo and the Computer 中描述过一个规律：每一代通用技术（General Purpose Technology，所谓通用技术，是指像蒸汽机、电力这样能渗透到几乎所有行业的底层技术）的扩散速度都比上一代快。但 AI 的扩散速度快得已经不是"比上一代快一点"的问题了。

McKinsey 2024 年的全球 AI 调查 显示：72% 的受访组织已经在至少一个业务领域采用了 AI。 这个数字在 2023 年还只是 55%。一年之内跳升了 17 个百分点。

速度为什么重要？

回想一下前面讲的"减法和加法"。历史上每次技术变革，"旧岗位消失"和"新岗位出现"之间都有一个 时间差。蒸汽机时代，这个时间差是几十年，虽然痛苦，但一代人有足够的时间去适应和转型。如果 AI 的扩散速度比以前快了一个数量级，那这个"过渡期"可能会被大幅压缩——新岗位终究会出现，但在它们出现之前，被替代的人怎么办？

这不是贩卖焦虑，这是一个严肃的政策问题和社会问题。

当需求没有爆发：需求饱和的另一面

前面讲到的历史案例——棉布、银行服务、财务分析——有一个共同特征：它们的需求弹性都非常高，技术把价格打下来之后，市场规模随之爆发。但现实中并非所有行业都如此。

当一个市场已经趋于饱和，或者服务本身缺乏价格弹性时，效率提升就不一定能触发需求爆发。比如，高端医疗手术的需求主要取决于患病人数，而非价格高低——并不是手术费降了一半，就会有两倍的人去做手术。某些专业法律服务的市场总量也相对固定：律师费便宜了，人们不会没事找事去打官司。在这些领域，如果 AI 大幅提升了每个从业者的工作效率，而市场总需求并没有相应扩大，那么技术替代就可能导致该领域的 净岗位减少。

这正是前文承诺要讨论的那个关键问题：并非所有行业都像棉布和银行服务那样拥有高需求弹性。 对于那些需求相对刚性的领域，"效率提升 → 价格下降 → 需求爆发 → 岗位增加"的良性循环可能不会出现。认识到这一点，才能避免把历史规律简单地套用到所有场景中去。

白领第一次站在了前线

这可能是 AI 与过往技术革命最本质的区别。

过去 200 年的自动化，核心目标是替代 体力劳动——纺织机替代手工纺纱，流水线替代手工装配，自动化工厂替代车间工人。蓝领工人是每次技术革命的主要冲击对象。

但这一次，AI 瞄准的是 认知劳动（cognitive work）——翻译、编程、文案写作、法律文件审查、医学影像诊断、财务分析……这些传统上属于受过高等教育的白领的工作。

David Autor 在 2024 年的 NBER 工作论文 Applying AI to Rebuild Middle Class Jobs（编号 No. 32140）中提出了一个既令人不安又令人兴奋的观点：

AI 有可能让没有经过精英训练的工人也能执行专家级的任务。

什么意思？想象一下：以前只有经过五年法学院训练的律师才能做的合同审查，现在一个经过短期培训的法务助理借助 AI 工具也能完成 80% 的工作。这对律师是威胁，但对法务助理来说是赋能。

这里有一个非常有意思的社会学现象值得注意。以前技术替代蓝领工人时，受影响的群体在公共话语中的声量相对有限。但这一次，被 AI 影响的是记者、程序员、设计师、律师、大学教授——这些人恰好掌握着话筒和键盘。 所以你感受到的 AI 焦虑，有一部分来自技术本身的影响力，但也有一部分来自受影响群体的话语权——他们的声量比 1811 年的纺织工人大得多。

这并不意味着焦虑是假的或不值得认真对待。但这意味着：你需要区分两件事——"AI 会改变就业结构"（这是事实）和"你应该立刻恐慌"（这是情绪反应）。

前者是值得严肃研究和应对的；后者，正如我接下来要说的，可能比 AI 本身更伤害你。

焦虑的真实代价——恐慌本身正在伤害你

焦虑经济学：谁在收割你的恐慌？

每一次技术恐慌都催生一个产业：贩卖恐慌解药的产业。

据多家市场研究机构估计，2024 年全球 AI 教育培训市场规模约为 50-100 亿美元，每年增长约 25%-35%。这是一个巨大的市场，其中当然有优质的教育资源。但也充斥着大量这样的营销话术：

"不学 AI，你将在三年内被淘汰！"
"AI 时代的新铁饭碗——只需 99 元 / 三天速成！"

这些课程的套路通常是：用恐慌驱动你付费，教你使用某个具体工具（比如某个 AI 写作助手的操作流程），然后在几个月内这个工具就更新换代了，你学到的具体操作技能变得一文不值。

这就像 2000 年有人卖课教你"如何用 Dreamweaver 做网页"——技术本身没问题，但你花钱学到的是最容易过时的那一层。

仓促的职业决策：互联网泡沫的教训

让我讲一个更大的故事。

1990 年代末，互联网浪潮席卷一切。"未来属于互联网"这句话和今天的"未来属于 AI"一模一样。大量人在这种叙事驱动下做出了人生决策——放弃稳定的传统行业工作，冲进互联网公司，或者花大价钱去培训班学编程。

2000 年 3 月，纳斯达克指数（Nasdaq，美国以科技股为主的股市指数）见顶后暴跌，最终下跌了约 「78%」。无数互联网公司倒闭，大批转行者失业，而他们原来的稳定工作已经回不去了。

互联网最终当然证明了自己——但那些在 错误的时间点 做出 恐慌驱动的决策 的人，承受了真实的代价。

今天的情形有一个特别讽刺的叙事反转：就在几年前，铺天盖地的声音还在说"人人都要学编程"。现在，同样铺天盖地的声音在说"AI 会写代码了，程序员要失业了"。如果你每一次都追着风口跑，那你永远在追，永远在焦虑，永远在被叙事牵着鼻子走。

心理成本：焦虑本身就在消耗你

这一点往往被忽视，但可能是最重要的。

持续的技术焦虑会消耗你的 认知资源（cognitive resources）——简单说，就是你用来思考、判断和做决定的精力。当你每天花一个小时刷 AI 焦虑文章、花半小时纠结要不要报课、花睡前的最后十五分钟担心自己的职业前景时，这些时间和精力本来可以用来做你手头的工作、深入学习你的领域、或者陪伴你的家人。

这里面有一个深刻的讽刺：

你因为担心 AI 影响你的工作，而焦虑本身已经先影响了你的工作。

AI 还没有替代你，但恐慌已经开始削弱你了。这不是一个修辞手法——这是一个值得认真对待的心理事实。

三条实用原则——如何在不确定中保持判断力

讲了这么多"不要恐慌"，我不想让你觉得我在说"什么都不用做"。变化是真实的，应对也是必要的。但应对的方式，应该是深思熟虑的，而不是恐慌驱动的。

以下三条原则，是我从历史模式中提炼出来的，不是速效药方，而是思考框架。

原则一：关注"能力类型"而不是"具体岗位"

你有没有注意到这条职业演化链？

马车夫 → 出租车司机 → 网约车司机

表面上看，这是三个完全不同的"岗位"。马车夫的技能是驾驭马匹、照料马匹；出租车司机的技能是驾驶汽车、认路；网约车司机的技能是使用导航 App、管理线上评分。具体技能完全不同，但底层的 能力类型 是一样的：在城市中高效、安全地将乘客从 A 点运送到 B 点，并提供良好的服务体验。

同样的道理：一个优秀的翻译，核心能力不是"会查词典"，而是"理解两种语言背后的文化语境并进行准确转换"。AI 翻译工具替代的是"查词典"这个任务，但"文化语境判断"这个能力反而变得更值钱了——因为 AI 翻译越普及，能发现和纠正 AI 错误的人就越稀缺。

所以，与其问"我的岗位会不会被 AI 替代"，不如问：「我这个岗位背后的核心能力类型是什么？这种能力在 AI 时代是变得更重要了，还是变得不重要了？」

原则二：做"慢变量"的事，不追"快变量"

什么是快变量？什么是慢变量？

• 快变量：某个具体的 AI 工具怎么用、某个编程框架的语法、某个平台的算法规则。这些东西半年一变，甚至三个月一变。
• 慢变量：深度理解力、复杂问题的判断力、特定领域的专业知识积累、与人协作和沟通的能力。这些东西需要数年乃至十年来建立，也不会在一夜之间被淘汰。

打个比方：快变量像是河面上的浪花，看起来很热闹，每个浪头都不一样。慢变量像是河床的形状，决定了水往哪里流，几十年才会改变一次。

你在河面上追浪花，永远追不上——因为浪花的变化速度比你快。但如果你理解河床，你就能预判水流的方向。

具体来说：花三天学会用某个 AI 绘图工具，三个月后这个工具可能就被更好的版本替代了。但花三年深入理解视觉传达的原理、色彩心理学、用户审美偏好，这些知识在未来十年都是有效的——而且恰恰是 AI 工具的使用者最需要具备的判断力。

原则三：允许自己"等一等"

这条原则听起来最简单，但在今天的舆论环境中可能最难做到。

保罗·大卫在 The Dynamo and the Computer 中有一个著名的观察：电力从发明到真正改变工厂的生产方式，花了将近 40 年。原因不是电力技术不好，而是整个生产流程、工厂建筑设计、工人技能体系都需要围绕新技术重新构建。

AI 同样如此。ChatGPT 发布才不过两年多。技术的真正社会影响——它到底会消灭哪些岗位、创造哪些岗位、改变哪些行业的工作方式——通常需要 3-5 年甚至更长时间 才能看清楚。

在这个时间窗口内做出恐慌驱动的重大人生决策（比如放弃你深耕多年的领域、花大量积蓄去参加速成培训班），风险极高。这不是因为 AI 不重要——AI 非常重要——而是因为 你今天获得的信息不足以支撑你做出正确的长期决策。

允许自己说"我还不确定，我再观察一下"，这不是懒惰，不是逃避——这是在信息不充分的情况下最理性的策略。

结尾：回到凯恩斯

让我们回到开头那个 1930 年的预言。

凯恩斯预言了"技术性失业"。他说对了吗？从某种意义上说，对了——过去一百年间，无数具体岗位确实被技术消灭了。打字员、电话接线员、电梯操作员、胶片冲印师……这些职业今天几乎完全消失。

但如果以此推论"人类整体就业完蛋了"，那就大错特错了。这些岗位消失的同时，数据分析师、软件工程师、社交媒体经理、用户体验设计师、宠物行为咨询师——几十年前闻所未闻的职业——涌现了出来。

我不知道 AI 时代的"宠物行为咨询师"会是什么。没有人知道。这恰恰是重点——如果有人声称他知道，你应该保持警惕。

所以，这篇文章的核心，我想凝结成一句话：

历史上每次"机器抢饭碗"的恐慌，最终都被证明是夸大的——但如果你因为恐慌做了错误的人生决策，对你个人来说，后果是真实的。

ATM 没有消灭银行柜员。AI 大概率也不会消灭你。

但恐慌——不受审视的、被营销话术驱动的、放弃独立判断的恐慌——它真的可能伤害你。

保持好奇，保持学习，保持冷静。然后允许自己说一句：

"我还不着急。让我先把手头的事做好。"

参考资料

1. Keynes, J. M. (1930). Economic Possibilities for our Grandchildren.
2. Bessen, J. (2015). Learning by Doing: The Real Connection Between Innovation, Wages, and Wealth. Yale University Press.
3. Autor, D., Chin, C., & Salomons, A. (2022). New Frontiers: The Origins and Content of New Work, 1940–2018. NBER Working Paper No. 30389.
4. Autor, D. (2024). Applying AI to Rebuild Middle Class Jobs. NBER Working Paper No. 32140.
5. McKinsey & Company. (2024). The State of AI in Early 2024: Gen AI Adoption Spikes and Starts to Generate Value.
6. Allen, R. C. (2009). The British Industrial Revolution in Global Perspective. Cambridge University Press.
7. David, P. A. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2), 355–361.
8. ILO (International Labour Organization). World Employment and Social Outlook. 历年全球就业数据。

订阅

如果觉得有意思，欢迎关注我，后续文章也会持续更新。同步更新在个人博客和微信公众号

微信搜索"我没有三颗心脏"或者扫描二维码，即可订阅。

文章来源:https://www.cnblogs.com/wmyskxz/p/19849032
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！