AI时代的底层思考 04｜AI 是怎么一步步逼近人类能力的

📚 本文是系列《AI 时代的底层思考》第 4 篇（共 8 篇）。全系列目录见文末。

讨论 AI 替代人类，最常用的词是"入侵"：AI 一格一格往前推，人类一格一格后退，像丢失地。这个词捕捉到了真实的焦虑，但它有一个隐蔽的副作用——它预设了一条清晰的战线，而历史上根本不存在这条战线。

实际发生的事情更接近能力的重新分配：有些能力 AI 拿走了，但同时催生了原本不存在的人类位置。计算器"入侵"了心算，却让更高层的数学工作成为常态——今天没有人为"心算能力的沦陷"惋惜，因为数学能力的重心整体上移了。

所以看这个问题需要同时拿两把尺子：一把量"AI 攻下了什么"，一把量"边界移动之后，人站到了哪里"。 只用第一把，结论必然是人类节节败退；两把一起用，图景会复杂得多，也更接近真相。

下面用两把尺子，把这些年的推进捋一遍。

第一阶段：攻下"规则明确"的领域

早期 AI 拿下的是规则清晰、对错可判定的领域。1997 年深蓝胜卡斯帕罗夫，2016 年 AlphaGo 胜李世石——下棋的目标是给定的（将死对方），每一步的好坏最终可以被胜负检验。

这一阶段的规律是：凡是能被明确定义"什么是对"的任务，AI 迟早做得比人好。 人类在这些领域的优势本来就建立在"规则明确但算力有限"上，而 AI 恰好是算力无限、规则通吃。

当时的普遍安慰是：“AI 只会算，不会感知，更不会创造。”

第二阶段：攻下"感知"

2012 年深度学习在图像识别上突破，随后语音识别跟进。这一步的意义常被低估——它动摇的不是某项技能，而是一个古老的信念：“感知、直觉这种说不清的东西，是人类专属。”

深度学习证明了：很多我们以为需要"直觉"的能力，其实是可以从海量样本里统计出来的模式。老质检员"一眼看出这块极片有问题"的直觉，今天在宁德时代的产线上是全量运行的视觉模型——缺陷率从百万分之一做到了十亿分之一量级（来源见文末）。

当时的安慰变成了：“AI 只会识别，不会生成，创造还是人的。”

第三阶段：攻下"生成"

然后是 2022 年底至今：语言、图像、代码的生成。这一步冲击最大，因为它侵入了此前被认为最核心的堡垒——表达和创造。而且性质变了：前两阶段 AI 在"识别"世界，这一阶段它在"产出"内容，直接和人的创造性产出同台。

规模可以量化：百度公开称每天新增代码里 43% 由 AI 生成（行数口径）；Duolingo 用 AI 一年做了 148 门新课程，超过之前 12 年的总和。

把三个阶段连成线，方向很清楚：从"规则明确"到"规则模糊"，从"判定"到"生成"，从"窄"到"宽"。每一步攻下的，都是上一步大家笃定"AI 肯定做不了"的东西。

一个反复出现却总被忽略的规律

三个阶段里有一条不变的暗线：

每一次被拿走的，是能力的执行层；判断层的边界移动得慢得多。

AI 会下棋了，但"要不要把人生花在下棋上"不在它那边。AI 会写了，但"这篇东西值不值得写、写给谁、我到底想说什么"仍悬在人这边。AI 反复攻下的是"怎么做（how）"，而"做什么、为什么做（what/why）“顽固地留在人这里。

这引出一个值得警惕的认知偏差：历史上每一轮恐慌，人们都把当时的战线误当成最终战线。 心算被取代时有人以为数学完了，摄影术出现时有人以为绘画完了。我们总是高估自己正站着的这道防线的重要性——因为我们正站在上面。

由此推未来：四条趋势，其中两条互相冲突

趋势一：边界从"能力"转向"判断与责任”。 执行贬值，判断和担责升值。医生的诊断动作可能被辅助甚至替代，但"对这个病人负责"这件事不容易转移——加拿大法院已经判过：AI 客服的错误承诺，公司照赔（Air Canada 案，见文末）。责任找的是会痛的主体。

趋势二：下一道战线不是某项技能，是"端到端的自主性"。 真正的推进不在"AI 会写代码"这种单点，而在"AI 能不能独立接一个模糊目标、自己拆解、自己执行到底"。高盛已经在试：给 AI 工程师 Devin 分配整段代码迁移任务，人类只做验收。

趋势三：最难攻下的，可能是和"这个身体、这段关系、这个具体处境"绑定的能力。 照护、抚养、需要肉身在场的手艺——不是因为 AI 技术上做不到某些环节，而是因为这些事的价值部分来自"是另一个真实的人在做"。价值不在能力里，在关系里。

趋势四（必须诚实说的反方向）：也可能不存在稳定的"人类专属区"。 前三条都隐含一个假设——总有一块高地留给人。但这个假设未经证明：历史上每一道"AI 肯定做不了"的防线都被突破过，你没有充分理由确信"判断"“创造"“陪伴"就是最终防线。把"人类总有不可替代性"当公理，本身可能是下一个被证伪的信念。

趋势一和趋势四描绘的是两种冲突的未来。我个人更倾向趋势一——但理由不是技术判断，而是社会结构判断（责任需要可追讨的主体），这一点下一篇拆"能力"三层时会展开。

给你的两个问题

如果这个框架大体成立，那么最有价值的问题不是"AI 下一步会攻下什么”——历史证明这道题几乎总会猜错防线。值得问的是另外两个：

一、当"怎么做"越来越廉价，你打算把重心放在"做什么、为什么做"上，还是继续在"怎么做"上和 AI 竞赛？ 这决定你的位置。

二、有没有一类价值，不来自"能力有多强”，而来自"是谁在做、为谁而做、承担了什么"？ 如果有，它可能比任何具体技能都更耐替代。

这个框架什么时候失灵？ 在个体和短期尺度上，“入侵"是真实的：一个岗位消失时，“能力重新分配"的宏观叙事安慰不了当事人，从旧位置到新位置的迁移成本（再培训、收入断档）真实存在且分配不均。两把尺子是分析工具，不是止痛药——讨论宏观趋势时用第二把，讨论具体的人时，请先承认第一把量出来的东西。

参考资料

宁德时代 AI 质检与缺陷率：中证网 https://www.cs.com.cn/ssgs/gsxw/202406/t20240625_6419692.html
百度文心快码代码占比：量子位 https://www.qbitai.com/2025/06/300135.html
Duolingo 148 门课程：SEC 8-K https://www.sec.gov/Archives/edgar/data/0001562088/000156208825000098/q1fy25duolingo3-31x25press.htm
加拿大航空判例：CMSWire https://www.cmswire.com/ai-technology/ai-fails-lessons-learned-from-the-front-lines-of-tech-retraction/
高盛 × Devin：CNBC https://www.cnbc.com/2025/07/11/goldman-sachs-autonomous-coder-pilot-marks-major-ai-milestone.html

📚 系列《AI 时代的底层思考》· 全 8 篇

上一篇：信息化、数字化、AI 化，机器在替代人的什么｜下一篇：把“能力”拆成三层，看清 AI 拿走了什么