“AI 导致人类失业”是彻底的幻想
文章反驳了“AI 将导致大规模永久性失业”的观点，认为这是一种“劳动力总和谬误”。作者指出，人类的需求是无限的，认知成本的降低将通过杰文斯悖论创造更多需求。通过回顾农业机械化、电气化和 Excel 的历史，文章论证了技术进步总是重塑经济结构并扩大劳动力市场，而非简单地消灭工作。
相关文档
AI 超级周期经济学(二)：为什么 AI 并没有立即提升公司效率？
文章通过电力革命和PC普及的历史案例，指出AI短期内未提升生产率的原因在于工作流程未被重构。Databricks CEO通过案例说明，只有彻底改变组织流程和协作模式，才能释放AI带来的20倍效率提升。
AI won't take your job anytime soon: 诺奖得主阿西莫格鲁谈AI对就业的有限替代
Mustafa Suleyman 转述诺贝尔经济学奖得主 Daron Acemoglu 在 The Humanist Review 创刊号中的观点：AI 短期内不会大规模取代人类工作，未来十年仅约 5% 的人类工作会被替代。文章指出 AI 尚未在生产力统计中显现实际收益，未来十年 GDP 仅增加约 1.5%；如同电力普及耗时数十年，AI 采用也会因企业需重组而较为缓慢；即使 99% 准确率也不足以实现完全自动化。作者主张停止构建替代人类的 AI，转而发展'亲劳动者 AI'，让人与 AI 配合协作，并批评美国税收政策补贴自动化、科技巨头集中度过高等问题。
散人杂谈 国庆节特别篇｜你可以随时打开自己，也可以随时关掉自己
作者以GPT上线为个人纪年分界线，在国庆假期中反思技术加速时代的个体处境。从卢德运动、恩格斯停顿讲到人类文明的外包史：火、文字、钟表、计算机，直到AI外包思考本身。借苏格拉底对文字的担忧与法航447空难，区分'外包'与'依赖'；以低本底钢类比GPT前的人类原创数据，呼吁收藏与守护；探讨AI时代的一对一教育、默会知识与线下沟通的升值。核心观点：开时往死里卷，关时往死里躺，两样都是自己，都不用道歉。
为什么 AI 繁荣但生产力却没有提升
Chamath 探讨了 AI 投资回报率（ROI）难以在生产力数据中体现的原因。AI 成本极低——企业中位数每月每位员工仅花费 12.50 美元，只需提升约 0.15% 的效率即可回本。但价值端难以衡量：企业员工大部分时间花在协调、会议和流程审批上，而非产出工作，人成为 AI ROI 的瓶颈。2026 年一项 515 家初创公司的实验显示，几乎所有收益都来自最顶尖的 10% 企业——关键在于围绕 AI 重组工作流程，而非工具本身。作者引用 Solow 的生产力悖论和 Musk 的五步自动化流程，指出企业应先简化流程再自动化，生产力提升将取决于大企业采纳的速度。
AI 时代职场人现在最该学的一项技能是什么
宝玉分享吴恩达的观点：AI 时代人人都应该学编程。与一些企业高管认为 AI 会自动化编程、不值得学的观点相反，吴恩达认为正因为 AI 辅助让编程变得前所未有地容易，才更值得人人学习。学编程不等于手写代码，而是学会用计算机听得懂的方式把需求说清楚。会编程的职场人可以自己搭建网站、用程序筛选简历，与不会编程的人拉开明显生产力差距。孟岩补充观点：把'人人学编程'翻译成'人人用 Agent'更贴切。
Jev便宜444倍：160年前的经济学正在重演
文章以1865年杰文斯提出的“效率提升反而导致资源消耗增加”的悖论为切入点，解读新发布的AI模型Jev比现有大模型便宜444倍、快近200倍的意义。作者认为判断成本骤降将推动各行业从“抽样”走向“全检”，重演历史上铝、钢铁等价格崩塌后催生全新应用的规律。同时提醒三大代价：缺乏可解释性、判断力外包、责任真空，并指出杰文斯悖论只在需求未饱和时成立。最后建议读者从工作中的具体判断入手思考自动化机会，把人的位置从“做廉价判断”上移到“决定什么值得被判断”。
交税，还是被造反？经济学家的第三个选项
文章解读 Acemoglu 等人的论文《Automation and Reproduction》，该论文首次用经济学模型量化了面对自动化引发的社会动荡时，资本方的三种选择：管制、再分配与镇压。核心结论是：自动化与镇压是互补品——再分配是变动成本，随自动化程度上升而变贵；镇压是固定成本，相对越来越便宜。因此随着资本积累，代表资本利益的国家会从再分配转向镇压。模型还显示市场会过度自动化（因外部性），民主政体也面临政变临界税率。作者提出第四条出路：分散资本所有权，让工人持有资本，但这条路必须在再分配的窗口期内建立。
Codex 实战系列｜10 个最值得安装的 Skills
作者 Miles 分享了 Codex 中最实用的 10 个 Skills：follow-builders 生成 AI 创作者资讯简报，Punk Skill 生成有辨识度的文章封面，cangjie-skill 把课程方法编成可调用技能，GordenImage2PPTX 将 PPT 图片转为可编辑文件，book-to-skill 把一本书整理成可查询的阅读技能，show-me 用流程图解释代码，grill-me 在开工前追问需求，last30days 调研近期社区玩法，Defuddle 提取网页正文为 Markdown，skill-creator 帮用户创建自己的技能。每个 Skill 附安装地址、使用示例和实际效果。
普通人为数据中心辩护
作者以非技术背景的普通人视角，阐述数据中心对美国再工业化的重要性。作为a16z American Dynamism团队的参与者，他指出机器人制造、AI训练和模拟测试都依赖数据中心的算力支持。文章进一步论证数据中心将同时解决三个相互关联的问题：制造业空心化、高等教育泡沫化以及美国男性的孤独危机。作者以Hadrian公司为例，说明自动化不仅没有抢走工作，反而让工厂能建在美国本土，创造了数百个高薪岗位，为年轻人提供了用双手劳动、获得归属感的就业选择。
AI 时代最残酷的，不是机器变强了
文章指出 AI 时代最残酷的不是 AI 取代人，而是会用 AI 的普通人做出三倍的产出，重新定义了“正常工作量”。作者通过一个市场策划朋友的案例，说明只会普通交付的职场人正被“初稿化”贬值，并提出转策略、做个人 IP、服务高端客户、转管理等 7 个出路。文章强调 AI 会让判断力、问题定义能力、审美、信任和真实经验变得昂贵，普通人应把 AI 当团队而非工具，重构工作流程、沉淀提示词和案例库，将经验产品化。AI 是放大器，诚实面对自己工作的真实含金量才是应对之道。
麦肯锡最新 AI 报告最扎心：AI 已经让个人变强，但还没让公司变富
文章基于麦肯锡 2026 年 8 月《The state of AI in 2026》报告指出：80% 受访者称 AI 提升了个人生产力，但仅 37% 认为 AI 对组织 EBIT 有正向贡献，高绩效组织仅占约 6%。作者通过职场故事说明，把 AI 当润色器与把 AI 当隐形团队的人差距会滚雪球式扩大。文章提出个人应在组织变革前主动重构工作流、沉淀模板与经验、学会管理 AI 成本、成为责任节点；同时分析中层管理者的尴尬处境、岗位任务被重新切分的趋势，强调未来值钱的是敢为 AI 参与后的结果负责的人，而非只会操作工具的人。
翻遍X新算法，我发现文章要这样写才容易被推荐
本文作者通过分析X平台新公开的推荐算法，总结了提高内容推荐量的关键策略。文章指出，新算法更看重内容的复制链接、引用和回复等深度互动信号，而非单纯的点赞。作者提出了两类高权重内容：一是具有“带走价值”的干货，如清单、框架、步骤等，容易被复制链接分享；二是具有鲜明观点和讨论空间的内容，容易被引用。文章还提供了一份发帖前的自查清单，帮助创作者优化内容，使其在脱离原始时间线后依然具有独立价值。
