当十尾开始学习工作：从马克思的机器分析引出的两个问题，与 The Worker Investor 的出路

——从使用 AI，到拥有生产率的残余

在上一篇文章里，我把人类知识比作《火影忍者》中散落在世界各处的查克拉，把不同的大模型比作拥有不同能力、规模和性格的尾兽。这个比喻帮助我理解：模型并不是知识本身，而是一个能够吸收、压缩、重新组织并调用知识的认知容器。

但如果继续追问，就会遇到一个更重要的问题：尾兽的查克拉来自哪里？又是谁拥有尾兽？

在《火影忍者》的设定中，十尾可以转化为神树，神树的根则会从星球上的生命吸收查克拉。¹ 今天的大语言模型也呈现出一种相似的结构：它先从人类已经写下的文字、代码、图像和知识中学习模式；进入现实世界以后，又通过评测、反馈和具体工作流程，越来越深入地参与人类如何表达、判断与完成任务。

这不意味着每一次对话都会直接进入下一轮基础模型训练。不同产品、账户类型与隐私设置的数据政策并不相同：以 OpenAI 的公开政策为例，个人服务中的内容可能用于改进模型并允许用户退出，企业产品与 API 的输入输出则默认不用于训练，除非客户明确选择共享。² 更准确的说法是，在获得授权或用户主动提交反馈时，评测结果、错误报告、使用模式和任务分布都可能成为产品改进的信号。

数字劳动研究也提醒我们，价值生产不只发生在传统办公室和正式工时里。一层是数据标注、内容审核、转录和数据处理等有偿却常被外包、拆分的微任务；另一层是用户生成内容、评价、点击与反馈等参与活动，其中一部分会被平台转化为数据和产品改进信号。不过，后一类活动是否应当一概称为“劳动”，本身仍是研究中的争论。³

因此，AI 不只是一只储存知识的尾兽。它正在成为一只学习如何工作的十尾。

现代 worker 真正需要面对的，不只是这只十尾是否强大，而是：当越来越多人的知识、判断和劳动方式被写入系统，这些能力最终会沉淀在哪里？它们会成为劳动者可以携带的生产资料，还是主要成为少数组织拥有的资本？

这把我们带回马克思关于机器、劳动与资本关系的分析，并由此引出本文的两个问题。需要说明的是，下面两个问法并不是马克思原文中的固定表述，而是我依据他的机器分析所作的当代转写。

一、机器替代部分劳动以后，原来支付工资的资本去了哪里？

在马克思的分析中，资本并不只是静止的金钱，而是进入循环并追求增殖的价值。本文进一步关心的是：谁控制生产条件，谁又能够对未来产出提出索取。后者是我在 AI 时代对资本关系的延伸理解，并不是马克思对资本的直接定义。⁴

马克思把生产资本区分为不变资本与可变资本。这里的“不变”和“可变”，不是现代财务会计中的固定成本与变动成本。

不变资本是转化为原料、辅助材料、机器、工具和厂房等生产资料的资本。在马克思的价值理论中，这些生产资料在特定生产过程中把既有价值转移到产品中，却不会凭自身创造超过原有价值的新价值。可变资本则是用于购买劳动力的资本，通常表现为工资支出。它之所以“可变”，是因为劳动力在生产中的使用能够再生产自身价值的等价物，并在马克思的理论中创造超过它的剩余价值。⁴

因此，在马克思讨论的机器化场景中，值得注意的不只是岗位减少，还有一部分资本形态的转化：

部分可变资本 v → 不变资本 c

马克思在《资本论》第一卷第十三章第六节，用一家假设的壁纸工场说明所谓“补偿论”的问题。工场原有 6,000 英镑资本，其中 3,000 英镑购买原材料，另有 3,000 英镑雇用 100 名工人，每人年工资 30 英镑。引入价值 1,500 英镑的机器后，工场只保留 50 名工人。总资本仍是 6,000 英镑，但工资支出从 3,000 英镑降到 1,500 英镑，机器与原材料所占资本则提高到 4,500 英镑。这个算例为说明理论而构造，也明确省略了厂房、煤等项目，不应被当作现代企业的完整会计模型。⁵

被解雇的 50 名工人并没有使对应资本自动成为重新雇用他们的基金。原本用于购买其劳动力的一部分资本，已经被固定在机器中：

1,500v → 1,500c

马克思并不否认机器可能在其他部门创造新工作；他否认的是，这种补偿会由原有资本自动、同时并且足额发生。新岗位不必在相同时间、相同地点，以相同技能要求和收入水平出现。即使更便宜的机器释放出一小部分资本，它也不足以自动重新雇用全部被替代者。

这里存在两种完全不同的“释放”。劳动者被从岗位中释放出来，意味着他失去了工资；资本被释放出来重新购买劳动，则未必发生。技术可以释放人的时间，但如果收入没有随着时间一起被释放，所谓闲暇就可能表现为失业、降薪或更激烈的岗位竞争。

把这一结构类比到 AI 时代，机器换了一种形态：

工资预算 → 模型、算力、软件、数据与自动化系统

这不是说模型 API、云服务和软件订阅在会计上都属于固定资产，也不是把每一笔软件费用机械地等同于马克思的不变资本。更准确的观察是：企业可能把一部分原来用于购买劳动时间的预算，转向购买或租用由外部组织控制的技术能力。生产资料不一定以厂房里一台归企业所有的机器出现，也可以成为按调用量、席位或订阅持续付费的“租赁型能力”。

假设一家企业原来需要 100 个人完成某类工作。部署模型、知识库与 Agent 后，60 个人便可能完成相同甚至更多的产出。减少的工资支出不会自动返还给另外 40 个人；它可能被投入模型调用、系统集成和数据治理，也可能变成利润、股息或下一轮资本开支。

所以，AI 时代的第一个问题不只是“机器能不能做我的工作”，而是：

当企业不再需要购买那么多人的时间时，原来支付给人的资本将流向哪里？

二、生产率提高以后，新增收益最终归谁？

这里所说的“新增收益”，指现代企业语境中的产量增加、成本节约、收入或利润改善，并不等同于马克思价值理论中的“新增价值”。在马克思的框架中，生产率提高可能降低单位商品价值，也可能通过缩短必要劳动时间形成相对剩余价值；率先采用新技术的企业还可能暂时取得超额收益。⁶

AI 已经在一些真实工作场景中提高生产率。基于 5,172 名客服人员、利用工具分阶段上线的一项研究发现，生成式 AI 助手使每小时解决的问题数量平均提高 15%。增益主要集中在经验较少和技能较低的员工；研究结果与 AI 将高绩效员工的部分最佳实践传播给新手的机制一致。研究同时强调，这是一家企业、一个职业和特定工具的结果，不能直接推断整个劳动力市场的工资与就业变化。⁷

从生产率角度看，这是好消息：组织不必等待每一名新员工经历漫长的经验积累，就可以借助系统更快获得有效的工作方法。

但从劳动过程看，它还包含另一层含义：原本附着在资深员工身上的稀缺知识，可能被转化成组织可以大规模复制的系统能力。

Harry Braverman 在分析泰勒制和科学管理时，把“构想”与“执行”的分离视为管理控制劳动过程的一项原则：规划、方法与工作知识被集中到管理一侧，工人更多接收已经分解和简化的任务。⁸ 沿用这一框架，我的推论是：当组织把问题定义、方案生成和判断标准固化进软件、流程与 AI，只让 worker 负责执行或验收，知识劳动也可能出现新的构想与执行分离。

但这不是技术的唯一结果。如果劳动者能够选择工具、理解完整流程并保留判断权，AI 也可能扩大他的自主性。Braverman 提供的是一副分析管理控制的镜片，不是关于所有 AI 工作场景的预言。

过去，组织常借助工业工程师、流程手册、工时测量和层级管理提取并标准化工作知识；今天，这一过程越来越多地进入企业软件、数据平台、算法管理和 AI Agent。于是，AI 时代不仅出现了货币层面的转化：

工资 → 机器与系统

还可能出现一条更隐蔽的知识转化链：

个人经验 → 数据、规则与流程 → 组织知识 → 自动化系统 → 企业资产

一个员工撰写 SOP、总结故障规律、整理案例、纠正模型、建立知识库、设计提示词或搭建自动化流程。他当然是在完成工作；与此同时，组织也可能把原本依赖个人判断的任务，逐步转化为不再依赖某一个人的生产系统。

这并不意味着员工不应该整理知识、改进流程或使用 AI。拒绝积累组织知识的企业无法进步，拒绝使用工具的劳动者也不会因此变得安全。真正的问题是：在劳动者把知识沉淀给组织的同时，他有没有为自己保留一份合法、抽象、可迁移的知识残余？

如果没有，他越努力提高系统效率，个人相对于系统的议价能力就越可能下降。这不是必然的结局，却是值得主动管理的风险。

这构成了 AI 时代的一个悖论：

劳动者不仅使用机器生产产品，也可能正在帮助组织生产未来能够替代自己部分任务的机器。

三、十尾真正吸收的，不只是知识，而是工作的结构

大模型最初吸收的是人类已经表达出来的结果：文章、图像、程序、公式和对话。当 AI 进入真实工作场景后，它开始接触另一类更难从公开文本中获得的信息——任务本身的结构。

什么问题值得提出？什么信息是判断所必需的？一个合格结果应满足什么条件？哪些异常必须升级给人类？哪些步骤可以跳过？一位专家如何区分两个看似相同的案例？客户真正愿意为什么付费？

模型仅靠公开文本，很难完整获得这些知识。它需要进入真实组织、真实任务与真实反馈闭环。每一个使用 AI 工作的人，都可能在不同程度上向所在组织或工具提供者揭示一部分答案；具体揭示到哪里，则取决于产品架构、合同和数据政策。

因此，人类与 AI 的关系不只是：

人类提出问题 → AI 给出答案

它还可能是：

人类暴露任务 → AI 参与任务 → 组织识别可自动化部分 → 任务被重新设计

Shoshana Zuboff 关于监视资本主义的研究提出：人的经验会被转译为行为数据，一部分用于改善服务，超出服务需要的部分则可能成为“行为剩余”，被加工为预测未来行为的产品。⁹ 如果某个 AI 平台保留提示、修改、反馈或工作流数据，并将其用于模型改进、画像或商业化，那么 worker 在获得服务的同时，也可能贡献可再次利用的数据。这个推论不能反过来证明每次使用 AI 都在训练模型，更不能把所有模型直接等同于 Zuboff 所说的预测产品。

Nick Srnicek 对平台资本主义的分析则指出，平台是一种连接不同群体的数字基础设施。由于它处在互动中间，便有条件观察和提取数据、设定规则，并通过网络效应形成集中趋势。¹⁰ 一部分 AI 服务正在呈现这种平台化特征：它们连接用户、开发者、企业、模型与工具提供者，并允许其他生产活动建立在其上。但本地运行的单机模型不因此自动成为平台，网络效应和数据优势也必须在具体产品中判断。

沿着这两种分析框架，我更愿意把某些 AI 系统理解为机器与平台的结合：它既提供生产工具，也可能收集生产过程中的数据；既帮助劳动者完成任务，也使组织更容易观察、分解和重构工作。这是本文的综合推论，而不是 Zuboff 或 Srnicek 对生成式 AI 的直接结论。

前沿模型背后还存在高度集中的基础设施。Epoch AI 与 Stanford 研究者基于公开资料建立的成本模型估计，前沿模型最终训练运行的摊销硬件与能源成本自 2016 年以来约以每年 2.4 倍增长。在其对四个代表性模型的完整开发成本估算中，硬件与研发人员是两项主要成本；由于企业披露有限，这些数字应理解为带有较大不确定性的估计，而不是审计值。¹¹

《2026 AI Index》进一步把 AI 主权拆解为算力基础设施、数据、模型、应用和人才等层次，强调控制、能力与依赖关系已经贯穿整个 AI 技术栈。¹²

这意味着，AI 看似向所有人开放，实际上存在一个重要区别：

能够调用十尾的力量，不等于拥有十尾。

普通人可以使用模型，却通常无法决定它如何训练、怎样定价、是否继续开放、自己的数据如何处理，以及某项能力何时会被产品化。访问权扩大了，所有权却没有因此被平均分配。

四、真正的分界线，不是会不会使用 AI

在 AI 时代，越来越多人会使用某种形式的 AI。就像电力、互联网、搜索引擎和办公软件一样，“会使用 AI”会逐渐从竞争优势变成基本条件。

因此，真正的分界线不是：

使用 AI 的人 / 不使用 AI 的人

而是：

只用 AI 完成任务的人 / 用 AI 形成资产的人

假设一名员工原来需要八小时完成一项工作，现在借助 AI 只需要两小时。这六小时不会天然属于员工。它可能被企业重新填满，变成更多任务、更高指标和更少岗位；也可能有一部分被员工用于学习、创作和建立个人系统。

技术创造了生产率，却不会自动决定生产率的归属。

所以，问题不只是“AI 为我节省了多少时间”，而是：

这些被节省出来的时间，最终沉淀成了谁的资产？

如果 AI 使一个人更快完成公司任务，却没有留下任何可迁移的能力、方法、作品、渠道或系统，那么他的生产率虽然提高了，个人资产负债表却没有改变。他只是变成了一个更高效的 worker。

我把一项工作完成后，除当期工资和交付结果之外仍然能够继续存在、进入下一轮生产的部分，称为生产率残余。

普通 worker 的循环是：

出售时间 → 完成工作 → 获得工资 → 消耗工资 → 重新出售时间

The Worker Investor 的循环则是：

出售部分时间 → 获得工资与经验 → 提取生产率残余 → 转化为资产 → 改变下一轮生产的起点

两者未必从事完全不同的工作。真正的差异在于，他们如何处理工作结束后留下的那部分残余。

五、The Worker Investor：把资本对劳动做的事情反过来做一次

企业正在进行的运动可能是：

劳动者经验 → 组织知识 → 自动化系统 → 企业资本

The Worker Investor 所要建立的，是一条方向相反、但不必与企业直接冲突的路径：

工资与经验 → 金融资产、人力资本、知识资产、分发资产与系统资产

这不是要求普通人购买数据中心、工业机器人或训练自己的基础模型。生产资料的所有权并不是“完全拥有”与“完全没有”之间的二元选择。一个 worker 可以从局部、微型、自己能够承担的生产资料开始。

金融资产是最直接的起点。工资代表过去劳动的结算，金融资产则把部分结算转化为对未来现金流、利息或企业剩余收益的索取。不同金融资产提供的权利不同，普通投资者通常也不拥有直接控制权，因此它只是生产资料意识的一层，而不是全部。

人力资本包括技能、经验、健康、判断力和声誉。它可以提高单位时间的价格，也能增加就业选择权。但人力资本高度依附于个人：身体停止劳动、技能过时或岗位消失时，它的变现能力便可能下降。因此，人力资本还需要继续向外转化。

知识资产是人力资本被外化后留下的结果：文章、书籍、代码、设计、模板、专利、方法论、案例库、行业数据库和可复用的工作框架。经验只保留在脑中时，仍主要属于人力资本；当它成为能够重复使用的方法与作品时，才开始拥有独立于即时劳动的生命。

分发资产是连接知识与需求的基础设施，包括自有网站、邮件列表、读者关系、客户网络、社区、品牌和直接触达渠道。知识不会自动产生价值。如果每一次获得注意力都必须重新向平台购买，知识生产者仍然没有掌握需求入口。平台账号可以借用，但不能把全部分发能力寄托在算法上。

系统资产把知识、分发和工具组织成可以部分独立运行的生产过程，例如软件、自动化工作流、Agent、课程系统、订阅产品、标准化服务和能够重复交付的业务。系统资产不意味着完全不需要人，而是过去的劳动已经进入结构，下一次生产不再要求从零开始投入同样多的时间。

这五类资产不是五个并列的抽屉，而是两条转化链：

工资 → 储蓄 → 金融资产 → 未来收益权

以及：

经验 → 人力资本 → 知识资产 → 分发资产 → 系统资产

The Worker Investor 的任务，不是停止劳动，而是让劳动不再只有工资这一种结果。

六、建立一套“双重交付”原则

在现实职场中，员工提供劳动，企业依据法律、合同和具体工作安排，对劳动产生的成果拥有不同程度的权利。The Worker Investor 绝不意味着窃取公司数据、带走商业秘密，或把属于企业的代码和客户据为己有。

具体边界取决于适用法律、劳动合同、知识产权条款与保密义务。世界知识产权组织指出，一般性的知识、技能和经验通常不属于前雇主可以主张的商业秘密，但不同法域和具体事实差异很大；中国《著作权法》对职务作品作了专门规定，《反不正当竞争法》也明确禁止违反保密义务披露或使用商业秘密。¹³ 因此，下面的方法只讨论一般能力、抽象方法和经过脱敏的个人复盘，不构成法律意见。

我把这套方法称为“双重交付”：

第一种是岗位交付：按照职责完成属于公司的产品、方案、数据、代码和流程。

第二种是个人残余：在不侵犯知识产权与保密义务的前提下，把工作中获得的一般性经验，抽象成自己可以携带的能力和资产。例如：

• 不保留公司数据，但保留解决这类问题的方法；
• 不复制内部代码，而是在不使用公司代码、数据和商业秘密的前提下，独立实现通用工具；
• 不公开商业案例，但总结可迁移的判断框架；
• 不带走客户名单，但建立自己的行业理解与表达能力；
• 不发布内部文档，但把经验写成不含机密的文章、模板或学习笔记。

这可以概括为一条原则：

每一项借助 AI 完成的重要工作，都应尽量产生一个当期交付和一个长期残余。

当期交付解决今天的工资，长期残余改变明天的起点。

完成一项工作之后，可以固定追问三个问题：

1. 这次劳动之后，有什么一般知识能够被我合法地保留？
2. 这次效率提高之后，有多少被转化成了我拥有的作品、资本、渠道或系统？
3. 这些残余能否使我下一次不再从零开始？

如果答案始终是否定的，那么无论一个人每天使用多么先进的 AI，他仍然只是在借用别人的生产资料，更高效地完成一次性劳动。

七、The Worker Investor 不是预测未来，而是改变风险结构

面对 AI，人们常常试图寻找确定答案：哪个岗位不会消失，哪项技能最安全，哪个行业能够持续增长。但 AI 真正带来的问题，恰恰是这种确定性正在减少。

The Worker Investor 无法保证一个岗位永远存在，也无法准确预测下一轮技术会压缩什么任务。它能提供的是另一种安全观：安全不再来自某个岗位绝不会改变，而来自个人即使遭遇变化，也拥有足够多的替代路径。

传统职业安全建立在单点稳定上：

一份工作 + 一个雇主 + 一种技能

The Worker Investor 建立的则是组合韧性：

现金储备 + 金融资产 + 可迁移技能 + 知识作品 + 分发渠道 + 自动化系统

这种结构不能消除不确定性，却能改变个人暴露于不确定性的方式。当单一岗位发生变化时，全部收入和生产能力不必同时归零；当某项技能被压缩时，过去积累的资产仍可能提供缓冲和下一次选择。

它最终增强的不是预测能力，而是 optionality——选择权。

结语：不要只做更高效的 worker

十尾不是 AI 的敌意人格，而是一个关于能力集中与所有权的比喻。人类一直在把自己的能力写入工具：文字保存记忆，机器放大体力，计算机延伸计算，AI 开始外化语言、判断与部分认知劳动。

能力进入机器并不必然是一件坏事。真正的问题是：当能力被写入机器以后，谁拥有机器；当生产率被释放出来以后，谁能够保存生产率。

马克思的机器分析因此没有过时。机器替代部分劳动之后，原本支付给劳动者的资本去了哪里？机器提高生产率之后，新增收益又沉淀在谁的资产负债表上？

对普通 worker 而言，答案不能只是拒绝 AI，也不能只是学习更多工具。拒绝十尾，会失去它的力量；在不了解规则的情况下不断向十尾贡献自己的知识，也可能让个人能力只沉淀在外部系统里。

真正可行的道路，是在使用 AI 的同时，建立保存劳动成果的容器：把工资转化为金融资产，把经验转化为知识资产，把表达转化为分发资产，把流程转化为系统资产。

AI 正在帮助一些组织把人类劳动转化为机器能力；The Worker Investor 要做的，则是把机器释放出来的能力，重新转化为个人资产。

不要只追求成为一个更高效的 worker。

要让更高的效率，逐渐减少自己只能成为 worker 的程度。

参考资料