AI 把合格变成地板：优势必须追着边缘走

生成式 AI（Gen AI）铺开以后，很多人问的是同一个问题：我的工作还剩下什么价值？

先给判断：AI 首先压缩的，是“合格”这档产出的价格。过去，一份说得过去的通稿、一段能运行的代码、一份资料齐全的调研，足以证明一个人的专业能力；接下来，大多数人借助通用模型，都能在很短时间内、以很低成本拿到同等质量的结果。合格从成绩变成了起点。

这里的“平庸”不等于粗劣。它可以质量不低，只是普遍可得、容易复制、缺少独特取舍，因而无法继续形成稀缺溢价。

更大的变化还在后面：这条地板不会停在原地。模型能力持续外扩，今天仍然稀缺的能力，明天也可能成为模型的标准能力。个人和公司的核心问题，因而不只是“怎样守住优势”，而是“怎样比地板更快地向边缘迁移”。

一、AI 越擅长高频任务，合格产出越容易趋同

先看模型在哪些地方最稳定。系列前作已经解释过：被反复记录、反复训练的任务，数据更稠密，模型表现也更稳定；记录越少、情境越特殊，它越需要额外上下文、外部验证和人的判断。

地图中心，是标准邮件、通用文案、样板代码、常见问题综述这类高频任务。模型在这里速度快、成本低、输出稳定。所有人都能调用同一个稠密中心，产出自然趋同：质量可以不低，却很难构成差异。当同质化的合格结果大量进入行业，合格便从成绩变成地板。

这里说的“平均数”，也不是把所有答案做一次数学平均。它指的是：缺少额外约束时，模型更容易落在高概率、被反复强化的表达与解法上。结果往往正确、完整、像样，却未必包含鲜明判断。

这个稠密中心承接的，也不只是最近十年的互联网内容。它汇入了人类跨世代积累的网页、书籍、论文、代码，以及其中一部分可追溯到数千年前、后来被保存和数字化的记录。

边界必须划清：模型没有读过“几千年来全部人类史料”。真正进入训练的，只是被保存、数字化、公开、筛选并纳入语料的子集；遗失的、私有的和被过滤掉的材料，仍在图外。

二、真正的压力：稠密中心还在向外扩张

这张地图最重要的部分，是外圈那条虚线。公开模型的代际披露已经显示，训练语料仍在大幅增加，更多数据进入后，模型能力也在继续提升（见文末“参考信号”）。再叠加合成数据、人工反馈、工具使用和执行能力，昨天的稀疏区会逐步变成明天的标准能力。

这意味着，依靠“模型暂时不会做”建立的优势，只能短期成立。昨天还需要专门提示词、固定流程或额外小模型才能完成的任务，下一代通用模型可能直接提供；过去需要多年熟练度的标准操作，也会继续降价。

这不意味着所有边缘都会被模型吞掉。物理在场、长期信任、真实权限、责任归属，以及成本、时延、隐私等业务约束，不会随着模型变强自动消失。但如果一项优势仅仅来自当前模型的能力缺口，就必须假设这道缺口会收窄。

所以，边缘不是一个可以永久占住的位置。真正的竞争，是让发现问题、形成判断、验证结果和吸收反馈的循环，跑得比稠密中心外扩更快。

三、职业结构先被挤薄的，是中间层

“AI 降低了行业门槛”这句话，只说对了一半。Gen AI 确实降低了完成标准产出的能力要求：写作不熟练的人可以交出合格文案，编程经验不多的人也能拼出可以运行的程序。

行业真正定价的部分却没有同步下降。判断、取舍、品味、复杂情境中的权衡，以及为决定后果负责，仍然需要人。AI 可以辅助判断，却不能替人承担决定的后果。

三股力量同时作用：合格产出的能力要求下降，行业判断门槛保持，人加 AI 的协作能力上升。最先失去溢价的，是位于中间层的标准化任务——基础代码、初级调研、模板化资料整理和常规综述。

这里需要区分任务与岗位。标准任务被自动化，不等于一个职业会整块消失；更常见的变化，是岗位重新组合、初级入口减少、一个人借助 AI 承担更大范围的工作。斯坦福数字经济实验室已经观察到早期信号：生成式 AI 普及后，美国 22—25 岁、处于职业生涯早期的劳动者，在 AI 暴露度高（岗位中更多任务可以由 AI 完成）的岗位里，就业人数相对下降约 13%；越偏自动化的职业，下滑越明显。

另一端也在变化。需要问题定义、系统判断、跨领域取舍和结果责任的工作，更可能获得定价权。职业结构因此不会简单地“人人降级”或“人人升级”，而会表现为中间层收缩、高判断工作集中、专业差距扩大。

这种加速度有一个前提：更强的模型必须真正进入企业流程、教育训练和日常使用。我的判断是，在此前提下，AI 研发与部署越强的机构和国家，标准化中间任务收缩越快，少数高判断、高责任岗位的专业化也越深。

四、个人的两条路：推向上沿，或开辟新边缘

当合格成为地板，个人有两条迁移路径。

迁移方向	具体动作	当前差异来自哪里
推向分布上沿	在同一件事上做出更好的判断与取舍：代码不只运行，还经得住架构与风险审查	高质量样本更少，稳定复制仍然困难
开辟新边缘	进入岗位职责（JD）之外：定义新问题、带回一手现场经验、为没有先例的决定负责	尚未形成稠密数据，也没有现成的标准答案

两条路的共同核心是判断。第一条要求你从一批合格答案中看出哪个不够好、缺了什么、应该舍弃什么；第二条要求你在没有标准答案时决定该做什么，并愿意接受真实结果的检验。

程序员的溢价会从“把需求写成代码”迁向架构、约束与风险判断；调研员会从“查全资料”迁向问题定义、信源辨别和结论取舍；老师会从“讲清标准知识”迁向发现学生真正的问题、帮助学生形成判断并建立长期信任。

更会操作某个工具，只能带来短期领先。工具会普及，界面会变化，模板会被复制。更持久的能力，是调度新工具、识别它的边界、核验它的结果，再把一手经验变成下一次判断。个人智能体（Agent）也一样：它需要跟随模型、任务和个人目标持续升级，不能部署一次便停止生长。

五、公司的边缘：持续研发，加上专属数据

公司的处境更直接。代码不再是护城河，能被通用模型稳定生成的功能，会不断进入公共地板。公司的智能体、小模型和执行系统（Harness，把模型接入工具、流程、权限与反馈）也不是一次性资产。

通用模型每前进一步，应用层都会重新分工：

能力层	通用模型变强后的变化	公司仍要做什么
提示词、通用工具调用、固定编排	最容易被模型原生能力吸收	删除过时补丁，持续重做评测与流程
权限、状态、审计、失败恢复	不会因模型变强而自动消失	按真实业务责任持续设计和维护
小模型	只为补能力缺口的价值下降；成本、时延、隐私价值仍在	按场景重新训练、部署或替换
专属数据	外部模型无法凭空获得	持续采集、绑定结果、回写评测与下一轮判断

多数公司没有条件在模型层长期追赶基础模型实验室。它们更现实的研发，是持续评测新模型、调整执行系统，并把真实业务反馈沉淀成专属数据。

这里的“专属数据”也有门槛。普通私有文档并不会天然形成优势。数据必须满足四个条件：别人难以获得，能够在真实业务中持续产生，与结果好坏直接绑定，还能进入评测和下一轮智能体的判断。缺少任何一项，数据都很容易停留在存档，而无法变成能力。

公司的长期优势，因而不是某个静态模型或复杂流程，而是一套持续学习的系统：模型升级时，它能迅速吸收新能力；业务发生时，它能留下别人没有的结果数据；结果回来后，它又能把反馈写进下一轮决策。

六、教育的任务：把迁移本身练成能力

这条逻辑最后会落到教育。

能被模型低成本复制的标准执行，不该继续占据孩子最宝贵的训练时间。写作、编程、研究当然仍要学，但学习目标要从“完成一份标准答案”，迁向“定义问题、解释取舍、核验结果、面对反馈”。

孩子需要 AI 素养：会拆任务、调度工具、识别边界、检查结果。也需要 AI 抗体：判断力、表达力、品味和定力。前者让他获得杠杆，后者让他在工具升级后仍能决定杠杆该往哪里用。

更重要的是留下真实证据。一个孩子是否能持续迁移，不能只看考试或证书；要看他如何处理真实问题，如何修改判断，如何把作品交给真实受众，又如何在结果不如预期时重新选择路径。

教育真正要训练的，是持续形成新判断、用一手经验校正判断，并为结果负责的能力。边缘会变，判断也会被部分标准化；能不断开辟新的边缘、把反馈变成新能力的人，才不容易被下一次模型升级抹平。

AI 把合格变成地板以后，稀缺不再属于“会做”本身。它属于那些知道什么值得做、为什么这样做、如何验证结果，以及下一步该向哪里迁移的人。

参考信号

• 系列前作：用好 LLM 先看懂它：看的是全局分布，压的是规律
• 系列相关：别再问 AI 会不会替代孩子，先看他站在哪个象限 ｜ 代码不再是护城河
• Stanford Digital Economy Lab, Canaries in the Coal Mine? — 职业生涯早期的劳动者在 AI 暴露度高的岗位中出现约 13% 的相对就业下降，越偏自动化越承压。digitaleconomy.stanford.edu
• Anthropic Economic Index — 软件开发与写作，是 AI 真实使用最集中的任务类别。anthropic.com/economic-index
• Meta, Introducing Meta Llama 3 — 公开披露其预训练语料超过 15 万亿 token，是 Llama 2 的 7 倍；训练到这一规模后，模型能力仍继续提升。ai.meta.com
• Allen Institute for AI, Dolma: an Open Corpus of Three Trillion Tokens for Language Model Pretraining Research — 公开训练语料的构成包括网络内容、论文、代码、公共领域书籍、社交媒体与百科材料；它能说明数字化记录如何汇入训练，也提醒我们不能把训练语料等同于全部人类史料。arxiv.org
• Bloomberg, BloombergGPT: A Large Language Model for Finance — 以金融领域数据与通用数据混合训练，在金融任务上取得明显优势；这个案例支持专属领域数据的价值，但不意味着普通私有文档天然构成护城河。arxiv.org