一、从一个看似无关紧要的工作细节开始
有一天，我发现，一件过去几乎不可能出现在办公室里的东西，开始影响我一天究竟能够完成多少工作：Token。
如果你平时很少接触 AI（人工智能），也许并不知道这个词。对很多普通人来说，所谓 AI，可能就是手机里的豆包、DeepSeek、Kimi，或者 ChatGPT：遇到一个不会的问题，打开它问一句；写了一段不满意的文字，让它帮忙修改；出门旅行之前，让它安排一份行程。
一、从一个看似无关紧要的工作细节开始
有一天，我发现，一件过去几乎不可能出现在办公室里的东西，开始影响我一天究竟能够完成多少工作：Token。
如果你平时很少接触 AI（人工智能），也许并不知道这个词。对很多普通人来说，所谓 AI，可能就是手机里的豆包、DeepSeek、Kimi，或者 ChatGPT：遇到一个不会的问题，打开它问一句；写了一段不满意的文字，让它帮忙修改；出门旅行之前，让它安排一份行程。
这些看起来像“聊天”的行为，背后其实都需要计算。AI 需要先读懂你输入的内容，再一步一步生成回答。为了完成这些计算，大语言模型——用于理解和生成语言的 AI 系统——会把文字拆成较小的信息单位，英文叫 Token，中文通常译作“词元”。
如果这个概念仍然有些抽象，可以暂时把它理解成 AI 时代的一种“流量”。问一句简单的问题，消耗得很少；让 AI 阅读几十页资料、反复分析和修改，或者连续执行复杂任务，消耗就会明显增加。严格来说，词元并不等于手机流量，但它们有一个相似之处：都把一种原本看不见的技术能力变成了可以计量、可以定价，也可能受到使用限制的资源。
于是，当我真正把 AI 放进工作以后，一些过去从未想过的问题开始进入日常：今天还能调用多少？额度什么时候恢复？现在还能让模型继续处理多少任务？
我甚至会半开玩笑地说：“Token（词元）用完了，是不是今天就可以下班了？”
最初，这只是一个关于工具的玩笑。后来我才意识到，它真正值得思考的地方并不在词元本身，而在这句话背后隐藏着一种新的劳动关系。
过去，我们判断一个人一天能够完成多少工作，通常会想到他的知识、经验、时间、精力，以及他熟悉哪些工具。如今，这个公式里开始加入一些新的变量：他能使用什么样的模型，能让模型处理多少材料，拥有多少调用额度，又能够接触到什么样的计算资源。
也就是说，一个人的生产能力开始越来越明显地依赖一种存在于身体之外，却又可以随时调用的智能系统。
真正值得追问的问题由此出现了：如果一个人的写作、检索、分析、编程乃至部分判断能力，都可以通过外部模型得到扩展，那么我们过去所说的“一个人的能力”，究竟到哪里为止？
二、当“一个人完成的工作”不再只属于一个人
这种变化并没有以戏剧性的方式发生。没有机器人突然走进办公室，也没有哪一天，公司正式宣布“从今天开始，我们进入 AI 时代”。它只是安静地进入了一个又一个普通的工作流程。
线上会议结束以后，AI 已经把刚才的对话自动转成文字。我把这些内容交给它，让它整理重点，再根据会议内容修改产品需求文档，拆解需要完成的任务，排列优先级。有些涉及文件、代码或者网页的工作，还可以继续交给能够直接执行任务的 AI 工具处理。
过去，同样的工作往往意味着重新听录音、寻找重点、打开空白文档、搭建结构、查找资料、写出第一版，再不断修改。现在，我越来越少面对真正意义上的空白页。更多时候，我面对的是一个已经生成出来的初稿，而我的工作逐渐变成补充背景、提出要求、识别错误、调整方向，并对最终结果承担判断和责任。
工作没有消失，但“我在工作”这件事开始发生变化。
后来发生的一件事，让这种变化变得更加明显。我把 AI 生成的内容发给同事，同事没有完全自己阅读，而是先把它交给自己的 AI，让模型检查其中的问题。对方的 AI 提出修改意见之后，同事再把这些意见发给我。我看过以后，又把它们交给自己的 AI，让它判断哪些意见合理，哪些没有必要修改，哪些只是因为不了解原来的背景而产生了误解。
如果只看最终结果，这仍然是两个同事在合作。但如果把过程拆开，就会发现，真正参与工作的已经不只是这两个人，还包括他们调用的模型、搜索工具、文件系统和其他软件。
这使一个过去看起来非常简单的问题变得复杂：一项工作究竟应该归属于谁？
如果一个人提出目标，模型完成初稿；另一个模型负责检查；最后由人判断哪些内容可以保留，那么这份成果在多大程度上体现的是某一个人的能力？
过去，我们很容易把“这个人完成了什么”和“这个人有多大能力”看成大致相同的事情。如今，两者之间开始出现距离。一个人的表现越来越可能不仅取决于他自己知道多少，也取决于他能够调用什么工具、获得什么信息，以及他有没有能力正确组织和判断这些工具的输出。
假如两名员工拥有相似的经验，但其中一人能够使用更强的模型、更丰富的数据和更多的计算资源，那么他们最终产生的工作结果很可能不同。此时，我们比较的已经不只是两个个人，也是在比较两个由“人和技术”共同组成的工作系统。
这并不意味着个人能力失去了意义。恰恰相反，判断问题、提出好问题、补充背景、识别错误和承担责任，可能因此变得更加重要。真正发生变化的是，“个人能力”已经不再像过去那样容易被理解为完全存在于个人内部的稳定属性。
三、当效率问题开始变成组织问题
人类当然不是第一次使用工具提高效率。计算器让我们不必手工完成复杂运算，搜索引擎降低了寻找资料的成本，电子表格替代了大量重复计算。技术发展的历史，本来就是人不断把一部分工作交给工具的历史。
不同之处在于，这一次机器开始进入许多白领赖以谋生的工作本身。
写作、搜索、整理信息、编程、分析、总结，这些工作有时被称为“认知劳动”。这个词听起来有些抽象，其实说的就是那些主要依靠阅读、表达、判断和处理信息完成的工作。记者写稿、律师读合同、程序员写代码、市场人员做方案、咨询顾问整理报告、产品经理分析需求，都属于这个范围。
对于很多办公室工作者而言，这些并不是工作的边缘部分，而正是工作的核心。
如果 AI 能够显著降低这些工作的时间成本，那么问题就不再只是“一个人能不能更快完成任务”，而是组织为什么还要按照过去的方式配置人。
假如过去一个团队需要十个人，并不是因为十个人这个数字本身具有某种自然合理性，而是因为在当时的技术条件下，需要投入这么多人的时间才能完成既定任务。那么，当完成相同任务所需的人类劳动减少以后，团队规模、岗位划分、管理方式和绩效标准都可能面临重新调整。
企业可以做出不同选择。它可以保持人数不变，让员工完成更多工作；可以扩大过去因为成本过高而无法开展的业务；也可以减少部分岗位，或者提高对现有员工的要求。
哪一种结果会出现，并不是 AI 本身能够决定的。技术只改变了组织所面对的选择空间。
因此，仅仅问“AI 会不会取代某个职业”其实还不够。更深一层的问题是：当增加生产能力不再必然意味着增加一个人，现代组织围绕“一个岗位、一个员工、一份职责”建立起来的结构，会不会逐渐发生变化？
如果答案是肯定的，那么 AI 改变的就不仅是工作效率，而是现代组织如何理解“需要多少人”这件事。
四、当组织问题变成分配问题
但即使 AI 确实提高了生产效率，一个更加困难的问题仍然没有答案：被节省下来的时间和成本最终属于谁？
假设过去一个人需要一天完成一项工作，现在只需要几个小时。最理想的想象也许是，他可以因此少工作一些。但现实同样可能是，公司再给他安排两项任务，提高绩效目标，或者发现原来五个人的工作现在四个人也可以完成。
技术能够告诉社会“现在可以用更少的资源完成同样的事情”，却不会自动决定省下来的那部分资源应该如何分配。
经济学有时把效率提高以后新增出来的价值称为“生产率红利”。简单来说，就是同样的时间和成本，现在能够比过去多创造出来的那一部分东西。
但这部分新增价值不会自动平均落到每个人手中。它可能变成工资上涨，也可能变成商品价格下降；可能成为企业利润，也可能变成股东的收益；还有可能只是表现为下一年的目标更高，而人的工作时间并没有因此缩短。
所以，“AI 能创造多少价值”和“这些价值最后由谁获得”其实是两个完全不同的问题。
我后来经常用一个极端化的思想实验继续追问：假如过去某项工作需要一百个人完成，而有一天，因为技术进步，只需要十个人，那么剩下的九十个人怎么办？
这里的一百和十并不是预测。今天没有充分证据证明所有行业都会发生如此剧烈的变化。事实上，有些任务会显著提效，有些变化有限，还有一些任务可能因为检查错误和修正结果反而变慢。
这个思想实验的意义，并不是预测具体有多少人会失业，而是迫使我们看见一个长期被现代社会掩盖的事实：劳动不仅负责生产商品和服务，也承担着分配收入的功能。
大多数人获得生活资料的方式，并不是直接从社会总财富中领取一部分，而是先找到一份工作，把自己的时间和能力交给某个组织，再通过工资获得消费能力。我们已经如此习惯这套机制，以至于容易把它当成自然秩序。
但它并不是自然规律，而是一种历史形成的制度安排。
这也意味着，如果未来某些领域的生产确实越来越不需要同等规模的人类劳动，那么问题就不会停留在“多少岗位会消失”，而会进一步触及一个更基础的制度问题：为什么一个人仍然主要需要通过出售自己的劳动，才能获得参与社会分配的资格？
这并不意味着劳动社会已经走向终结，也不意味着某种新的分配制度必然出现。它只是说明，技术进步一旦真正改变劳动需求，就会把一个原本隐藏的问题重新暴露出来。
现代社会不仅通过工作组织生产，也通过工作组织收入。
如果这两件事情有一天开始分离，我们就不得不重新思考两者之间的关系。
五、当工作不只是收入问题
问题到这里还没有结束，因为工作对现代人而言，从来不只是获得工资的手段。
我们非常习惯通过职业介绍自己。第一次认识一个陌生人，一个常见问题就是：“你是做什么的？”一个人的职业、公司、职位和收入，不只是经济信息，也常常成为社会理解这个人的方式。
工作因此同时承担了多种功能。它生产商品和服务，提供收入，也给予一个人某种身份和社会位置。
一个人在工作中获得的不只是工资，还得到一种关于自己的确认：我有能力，我是有用的，有人需要我。
正因为如此，当人们担心 AI 会不会取代工作时，他们感受到的威胁可能并不只有经济上的。更深层的不安在于，如果机器能够比我更快、更便宜地完成那些我长期赖以证明自己的事情，那么我应该怎样理解自己的价值？
这时，一个更加古老的问题被重新提出。
我们是否过于习惯用“能做什么”来回答“一个人值多少”？
现代社会非常容易把这两件事情混在一起。职位、薪资、绩效和社会地位不断强化这样的联系，于是一个成年人很容易通过生产能力判断自己的价值。
AI 使这种价值习惯第一次遇到了一个特别明显的挑战。
过去，人类在很多能力上早已输给机器。我们跑不过汽车，搬不过起重机，算不过计算器，记不过数据库。但这些变化并没有真正动摇人的自我理解，因为人类总能够继续寻找下一条边界。
机器力气大，人会思考；机器计算快，人会创造；机器可以执行规则，人会写故事、画画、作曲。
生成式 AI 开始进入这些过去被认为更接近“人类独特性”的领域。它可以写文章、生成图像、制作视频、编写代码、整理研究。
这当然不能证明机器已经拥有人的体验、意图和自我意识。能够完成某种任务，也不等于拥有人的生命经验。
但它足以让一个旧的回答变得越来越不稳定：如果我们必须不断寻找“还有什么是机器不会的”，才能证明人的特殊性，那么随着技术能力扩张，人类就只能不断后退。
于是，真正值得追问的问题也许不再是“机器什么时候会像人”，而是另一个更难的问题：为什么我们如此需要通过能力上的优越性，来确认人的价值？
这个问题，在这里还无法得到答案。它只是在 AI 进入工作以后，第一次变得难以回避。
六、当工具开始进入人的认知环境
还有一种变化比劳动效率更加隐蔽。
AI 最初学习的是人。它阅读人写过的文字，分析人画过的图片、拍过的视频和写过的代码，然后从这些材料中学习语言和表达规律。我们不断训练它，让它更加自然，更像人。
很快，人们又开始抱怨某些内容“AI 味太重”，于是不断要求模型不要过度总结，不要使用太整齐的结构，不要说得像工作报告，希望它更自然、更像真实的人。
从表面上看，始终是人在塑造机器。
但反过来的变化也在发生。
为了让 AI 更准确地理解要求，人也开始调整自己的表达方式。我们越来越习惯把问题拆开，把背景写清楚，把目标、条件和预期结果说明白。过去我们可能只会对一个熟悉的同事说一句“你帮我看看这个”，因为对方知道前因后果；面对机器，我们却需要把那些默认的背景重新说出来。
久而久之，人也开始适应机器能够理解的表达方式。
这并不是技术史上第一次发生类似的事情。工具从来不只是帮助人完成原来的事情。钟表普及以后，人类越来越精确地按照几点几分安排生活；流水线改变了工人的劳动节奏；搜索引擎让人学会把复杂的问题压缩成可以被检索的关键词。
当一种工具被使用得足够广、足够久，它就会从工具变成环境。
生成式 AI 值得注意的地方在于，它所进入的并不只是人的动作和时间，还包括语言、表达、判断和知识。
机器首先学习人的文化，再生成新的文字、图片和视频；人类阅读、使用和修改这些内容，其中一部分还会重新进入新的文化生产。如果这样的循环持续发生，那么人与机器之间的关系就不再只是单纯的“人使用工具”。
工具也开始参与塑造使用工具的人。
这时，问题进一步发生变化。我们需要关心的，不再只是 AI 最终能完成多少任务，还包括当越来越多人长期生活在由人类内容和机器生成内容共同构成的信息环境里，人本身会发生怎样的变化。
七、为什么暂时把这种状态称为“赛博文明”
沿着这些问题继续往下看，我逐渐意识到，前面讨论的许多变化并不是彼此孤立的。
一个人的生产能力发生变化以后，组织会重新思考一个团队需要多少人；组织对劳动的需求发生变化以后，生产率增长带来的收益如何分配就成为问题；当工作同时承担收入和身份功能时，技术变化又会进一步触及人的自我评价；而当 AI 进入语言、知识和文化生产以后，我们还需要面对另一种变化：工具开始不只是被人使用，而是参与塑造人所生活的环境。
这些问题共同指向一个更加根本的变化。
技术正在从人的外部，逐渐进入社会运行的内部。
过去，我们可以相对简单地理解人与工具的关系。人先决定目标，然后使用工具实现目标。工具是人的能力延伸，人仍然是那个清晰而独立的主体。
但当智能系统开始参与劳动、判断、创造与知识生产，而人又越来越多地依据这些系统提供的结果重新组织自己的工作和生活时，这种简单关系开始不足以解释现实。
我暂时把这种正在形成的状态称为“赛博文明”。
这里的“赛博文明”并不是一种已经完成的新文明，也不是“机器文明”的另一种说法。它首先只是一个观察性的概念，用来描述这样一种状态：智能技术不再只是外置的工具，而开始进入劳动制度、分配关系、认知过程和文化循环，并持续影响人的行为以及人与人之间的关系。
在这样的环境里，AI 依然是人创造的，但人也开始生活在一个 AI 已经存在、已经参与生产和表达的世界里。人继续塑造机器，机器也通过改变劳动方式、信息环境和文化形式，间接塑造人。
真正值得研究的，因此也许不是“AI 最后会不会变成人”，而是当人与机器越来越深地共同构成一个社会系统以后，那些原本建立在“只有人参与”的前提上的制度、价值观念和自我理解，会发生怎样的变化。
这些问题很容易把人带向遥远的未来。AI 会不会导致大量职业消失？会不会出现一个不再需要多数人工作的社会？会不会出现比人类更强的智能系统？人类最终是否会被取代？
这些问题当然重要，但如果一开始就把注意力全部放在终局，我们反而可能忽略已经发生的变化。
这本书不准备先假设一个未来，再回到现实中寻找证明。它更愿意从已经发生的事实出发，一直走到证据允许我们提出的问题为止。
我们现在能够确认的，是工作方式已经开始变化，机器开始进入过去由人承担的认知劳动，一些组织正在重新思考如何配置人力，人类也正在第一次如此大规模地与能够生成语言、图像、代码和判断结果的系统共同工作。
至于这些变化最终会把社会带到哪里，还没有人真正知道。
也正因如此，我们现在所处的时刻才值得记录。
旧的规则仍然存在，但现实已经开始改变；我们仍然按照过去的方式工作、发工资、评价能力和理解创作，可新的技术已经不断进入这些关系内部。
也许真正发生变化的，并不是某一个职业、某一种软件或者某一项技术，而是那些过去被我们视为理所当然的关系开始松动。
不过，在讨论收入、人的价值乃至文明这些更大的问题之前，我们必须先确认一个最基本的事实：AI 到底在多大程度上真正改变了人的生产能力。
如果一个人使用 AI 以后，并没有显著完成更多工作，那么后面许多宏大的推论都失去了基础。我们首先需要知道，AI 究竟在哪些任务中能够明显提高效率，在哪些任务中效果有限，又为什么有时候它反而会让人因为核验、纠错和重新组织工作而花费更多时间。
所以，这本书首先从一个最具体的问题开始：
一个人使用 AI 以后，到底相当于多少人？