投资狂飙20%，就业纹丝不动：AI的铲子还没挖土

47%，还有另一个数字没人提

旧金山联储上周发了份研究简报，里面有个数字让我盯着看了很久：2025年初以来，企业对内存和计算芯片等“信息处理设备”的投资年均增速超过20%。

20%本身不算惊人。惊人的是参照系——这个增速已经超过了互联网泡沫最疯狂的那几年。写这份简报的是旧金山联储研究主任，不是某个卖芯片的销售副总，这让我愿意多看两眼。

但同一份简报里还有一句话，几乎没人转发：AI对劳动力市场的影响，迄今有限。

投资端在狂飙，就业端却纹丝不动。这两个事实摆在一起，才是今天AI真正的样子。我的第一反应是“这不科学”，后来想明白了——钱都砸在买铲子上，还没开始挖土。

车间里的真相

Wired Government上周那篇工业AI的文章，算是把“挖土”这件事讲透了。核心判断很朴素：前沿实验室在比谁的模型更强，但工业AI的胜负，会在那些已经存在的工厂里决出来。

我有个朋友在苏州一家做精密零件的厂里管数字化，去年他们上了一套AI质检试点，效果很好，缺陷检出率从人工的九成出头拉到接近满分。老板很高兴，说推广到另外四个厂区。结果卡住了。四个厂的老设备型号不同，数据接口不同，连光照条件都不同——同一套模型换个车间，准确率掉到七成。

他跟我描述那个场景时用了个词：“每个厂都是一座孤岛。”

试点成功和规模化之间，隔着的不是算法，是二十年攒下来的异构设备、格式混乱的历史数据、以及没人愿意重写的旧系统。这件事的荒诞之处在于：AI公司卖给你的是最先进的东西，而你要把它装进最不先进的环境里。

坦白说，我一开始以为工业AI的瓶颈是模型不够聪明。现在看，模型早就够用了，卡住的是那些没人愿意碰的脏活——接线、清洗数据、一厂一策地调参。这些活不性感，上不了发布会PPT，但它们决定了20%的投资增速能不能变成真实的产出。

这就是为什么旧金山联储说“就业影响有限”：工厂还没真正用起来，自然谈不上替代谁。

课堂里的另一半

如果说工厂是“用不起来”，那教育领域的问题更深一层——是不敢用。

University World News那篇全球高等教育准备度的研究里，有个概念让我停了一下：“元认知惰性”。意思是，当AI能随时给出答案，人对自己“会不会思考”的感知会退化。印度那些被行政负担压住的教师没精力学AI技能，学生则直接担忧一件事：我会不会失去自己的声音。

这不是矫情。我自己就有体感。上个月写一份行业分析，我先让模型列了个框架，然后顺着它的逻辑往下填。写完挺顺，回头一看，整篇文章的骨架是它给的，我只是个装修工。那天我把稿子删了重写，慢了一倍，但至少每个判断都是我自己的。

AI最隐蔽的成本，是它让你觉得自己很高效。

所以那篇研究主张重新设计评估方式、让学生去批判AI生成的内容——这个方向是对的。工厂的问题是物理世界的异构性，课堂的问题是认知层面的异构性，本质是同一件事：现成的AI撞上非标准的人类场景，都得重新适配。

我的判断

把这两件事放在一起看，20%的投资增速就有了另一层含义。钱涌向芯片和算力，是因为那是标准化的、可规模化的、财报上好看的。而真正决定AI成败的那些地方——车间的地面、教室的评估表——恰恰是最不标准、最难规模化、最上不了头条的。

这就是我看到的错配。资本在赌模型，价值在等落地。

我不觉得这是坏事，只是节奏问题。基础设施先铺，应用后跟，历史上每次技术周期都这样。但有一点我想说清楚：那些现在还在纠结“接哪个模型”的企业，和那些已经在车间里调数据接口的企业，两年后不会在同一个竞争层面上。前者在选工具，后者在建能力。

至于我自己，写完这篇我打算做件小事：下周那份分析稿，先手写框架，再让AI填。倒不是信不过它，是想确认一下，那个“自己的声音”还在不在。

大概率还在。但值得每年查一次。