Work

引言：劳动创造财富，但劳动者未必能够保存财富 1776 年，亚当·斯密出版《国富论》。这本书开篇便指出，一个社会每年能够消费的生活必需品和便利品，最终来自这个社会的年度劳动，或者来自用劳动成果向其他社会交换而来的产品。换言之，在一切复杂的货币、资本、企业和市场结构之前，财富首先来自人的劳动。1 但这只是问题的第一步。劳动创造财富，并不意味着劳动者能够自动获得全部劳动成果；一个人接受教育，也不意味着这些教育会自动转化为收入；一个人拥有知识和技能，更不意味着市场一定能够发现、理解并购买这些能力。 劳动与收益之间并不存在一条天然、直接、无摩擦的通道。两者之间隔着资本、所有权、市场、组织、分工、信任、分发与议价权。这正是我提出 The Worker Investor 和 Human Capital ETF 所试图回答的问题：The Worker Investor 是普通劳动者面对现实经济结构时的一种选择；Human Capital ETF 则是完成这种身份转变的一套核心方法。 The Worker Investor 回答的是：为什么一个依靠工资生活的人，不能永远只做一个领取工资的 worker？Human Capital ETF 回答的是：当一个人决定不再只依赖工资时，他应该如何配置自己的时间、能力、健康、现金流、作品和市场连接？ 一、《国富论》真正提出的问题：劳动成果最终归谁所有 在《国富论》中，斯密并没有把工资、利润和地租混为一谈。他指出，在土地尚未被占有、资本尚未积累的假想状态中，劳动成果可以全部属于劳动者；但当土地和资本分别由不同主体所有之后，商品价格通常会分解为工资、利润与地租。资本利润并不是管理劳动的另一种工资，而是按投入资本的价值与规模来调节；资本投入也承担风险。2 这意味着，劳动与收益的关系从来都不只是：工作多少小时，就获得多少收入。更完整的关系是：劳动创造价值，组织安排生产，资本提供等待与工具，市场决定能否交换，所有权决定新增价值最终流向谁。 现代劳动者通常拥有自己的劳动能力，却不拥有完成生产所必需的全部条件：厂房、机器、材料、客户、品牌、平台、数据、分发网络和用于等待回款的资本，往往掌握在组织手中。因此，工资不是劳动者创造的全部价值，而是劳动者在特定所有权结构和谈判关系中，获得的一种收入。 这一点并不意味着利润天然不合理。资本确实承担了材料、设备、失败、库存和等待的风险。问题在于，当一个人的全部收入都来自工资时，他就只参与了价值创造，却极少参与价值存量的所有与增长。这构成了普通 worker 最根本的结构性处境：他依靠自己的时间创造价值，却必须依靠别人拥有的资本，才能让这些价值进入生产和交换。 二、工资是流量，资本是等待能力 斯密在讨论劳动者与雇主的工资谈判时，指出了一个极其重要的不对称：双方长期都需要对方，但他们承受等待的能力不同。雇主通常拥有已经积累的存量，即使暂时不雇佣工人，也可以维持较长时间；很多劳动者如果失去工作，却难以维持数周或数月。因而，在冲突中，资本所有者往往能够 “hold out much longer”。3 这揭示了储蓄和资本最原始的功能。资本首先不是收益率，不是股票代码，也不是复杂的金融产品。资本最基础的作用是：让一个人能够等待。 能够等待，意味着可以拒绝明显不合理的条件，可以离开一份持续伤害自己的工作，可以花时间寻找更合适的机会，可以承担一次转型失败，也可以把一部分时间投入暂时没有收入的学习、创作和产品开发。所以储蓄不只是一种消费美德，它还是一种议价资本。 工资解决的是今天的生存，储蓄购买的是未来的时间，资本扩展的是个人可以选择的行动范围。这也解释了为什么 The Worker Investor 不是一个简单的投资口号。它首先是一种现实判断：只拥有劳动流量的人，必须不断出售当下；拥有一定存量的人，才开始拥有等待、拒绝和选择的能力。 The Worker Investor 并不要求每个劳动者立刻辞职创业，也不要求普通人通过高风险投资迅速成为资本所有者。它要求的只是一个缓慢但重要的方向变化：劳动者开始将一部分工资、时间和经验，转化为离开当前岗位后仍然属于自己的存量。这种存量可以是应急资金、分散化的长期金融资产，也可以是可迁移技能、公开作品、软件工具、内容品牌、信誉、客户关系和能够重复运行的系统。 三、The Worker Investor：不是逃离工作，而是改变收入结构 斯密曾描述一种相对少见的独立劳动者：他拥有足够的存量购买材料，也能够在产品售出之前维持自己的生活，因此既是劳动者，也是资本的所有者，可以同时获得劳动工资和资本利润。4 这可以被视为 The Worker Investor 的早期原型。 现代 The Worker Investor 不一定拥有工厂，也不一定直接雇佣他人。他的关键变化是：不再让自己的全部经济生活，只依附于下一次发薪日。 普通 worker 的基本循环是：工作 → 获得工资 → 消费 → 再次工作。 ...

The Worker Investor 是如何开始的 The Worker Investor，中文名为《工资之外》，首先是一个常识，其次是一种 Mindset。这个常识是：对于绝大多数普通人而言，走出校园、进入社会后的原始身份，不是资本家、企业家或投资者，而是一名 Worker。在可以预见的未来，我们中的大多数人也将长期处于这种状态：不断投入技能、劳动，以及生命中最重要且不可再生的生产要素——时间，换取一份名为“工资”的生存资料。这是 Worker 的现实，也是 The Worker Investor 无法回避的现实。 但 The Worker Investor 并不是为了简单地区分 Worker 与 Investor，也不只是号召人们面对同一种现实，采取一种更加积极的心态。它真正试图回答的是：一个普通的 Worker，应该如何看待自己的 Work？又如何从现有的工作、工资和时间出发，逐渐成为一名 Worker Investor？这个问题不是我坐在书桌前凭空构造出来的。它来自我参加工作第一年经历的两次失败：一次是对时间的配置失败，另一次是对金钱的配置失败。The Worker Investor 的开始，就是我试图重新取回这两种配置权的过程。 从一名被动的 Worker 开始 2025 年 1 月 7 日左右，我以应届毕业生的身份正式参加工作。刚进入职场时，我几乎什么都不懂。面对陌生的软件、流程和任务，我常常每点击几下鼠标，就要停下来询问同事下一步应该做什么。经过一年多真实项目的训练，我逐渐掌握了完成工作的知识、技能与流程，也从一名不断接受安排的职场新人，成长为一名能够相对独立解决问题的熟练 Worker。在这个过程中，我开始频繁思考一个问题：除了每个月定期获得一份工资，我还能额外留下什么？ 工作当然给了我现金流。它让我能够支付房租、饮食、交通、订阅和日常生活，也让我第一次拥有可以自由配置的收入。但如果工作的全部结果，只是在每个月固定日期收到一笔钱，然后将这笔钱用于消费、储蓄和等待下一次发薪，那么过去一个月投入的时间是否真正改变了下一个月的起点？如果答案是否定的，那么工作就很容易退化为一种循环：投入时间，完成任务，获得工资，支付生活成本，然后再次出售下一段时间。在这个循环中，工资是必要的，却未必是充分的。它能够解决当下的生存问题，却不会自动创造未来的选择权。 我并不反对工作，也不认为一个人必须辞职、创业或逃离组织。我反对的，是把重复劳动当成人生的全部，把机械完成任务视为一个人进入社会后的唯一答案。机器可以重复执行指令，但人之所以区别于机器，正在于人能够理解现实、识别问题，并尝试对现实进行持续改造。人不仅能够完成流程，也能够改进流程；不仅能够消耗时间，也能够让过去投入的时间在未来继续产生价值。然而，在工作的第一年，我并没有真正做到这一点。 第一次失败：时间被消耗，却没有被保存 参加工作后，我首先失去控制的并不是金钱，而是下班后的时间。有些时候，我需要经常加班。完成一天的工作回到住处后，身体和注意力已经接近耗尽，很难再进行长期、系统的学习。另一些不加班的晚上，我又会在互联网上漫无目的地探索，在不同的信息、视频、工具、观点和可能性之间不断跳转。 这种探索并非毫无意义。它满足了我的好奇心，也让我接触到很多以前不知道的事物。但它始终是碎片化的。我看过许多内容，却没有形成稳定的研究方向；产生过许多想法，却很少把它们落实为持续项目；试用过许多工具，却没有建立能够长期运行的工作系统；投入了大量时间，却没有留下多少可以被重复调用的作品、能力或方法。一天结束以后，这些探索往往也随之结束。第二天醒来，我又回到几乎相同的起点。 现在回头看，这是我的第一次资产配置失败。我没有把时间配置给真正重要的事情，也没有为自己的时间建立记录、复盘和再平衡机制。时间虽然被使用了，却没有被保存；信息虽然进入了大脑，却没有转化为判断、能力和作品。我曾经以为，只要自己保持好奇、持续探索，就一定是在成长。但后来我逐渐意识到，没有方向、行动与沉淀的探索，也可能只是另一种注意力消费。如果阅读没有改变判断，学习没有形成能力，能力没有进入项目，项目没有成为作品，那么所谓的成长很容易停留在一种精神上的自我安慰。 第二次失败：我开始投资，却没有真正成为投资者 拿到工资后，我开始尝试金融投资。这是许多普通 Worker 很自然的一步。工资来自劳动，而投资似乎能够让劳动所得继续增长。相比把钱放在账户里，股票市场向我展示了另一种可能：只要能够找到优秀的公司，或者抓住未来的增长趋势，资金就可能实现复利。 最初，我配置过指数基金，后来又逐渐购买了一些个股。我希望通过自己的判断获得高于市场平均水平的收益，也希望证明自己能够找到真正具有增长潜力的公司。但当投资从分散配置转向个股集中之后，我得到的并不是想象中的复利，而是持续而直接的负反馈。我的 IBKR 账户出现了明显浮亏，一些个股仓位一度接近三成亏损。 真正值得反思的，并不只是股价下跌了多少。更重要的问题是：我希望通过判断少数公司的未来获得超额收益，却没有建立与这一目标相匹配的研究能力。我没有长期、系统地阅读财报，没有形成稳定的估值框架，也没有足够的信息优势，更没有投入专业投资者所需要的持续时间。很多时候，我购买的并不是一家经过充分研究的企业，而是一个关于未来的想象；我持有的也不只是一只股票，而是自己不愿意承认判断错误的情绪。 我会关注新闻、股价和市场叙事，却未必真正理解公司的商业模式、竞争优势、现金流质量和估值边界。这种行为表面上是在投资，实际上却更接近于用有限信息对不确定未来进行集中下注。这成为了我的第二次资产配置失败。第一次失败中，我错误配置了时间；第二次失败中，我错误配置了工资。更准确地说，我不仅损失了资金，也把大量注意力投入了一个自己并不具备明显优势的领域。市场价格的波动无法由我控制，但它却能够轻易牵动我的情绪。 ETF 教会我的，不只是如何投资金钱 持续的学习、阅读和实际亏损，让我逐渐认识到：对于大多数没有稳定研究体系、信息优势和充足时间的普通投资者而言，减少个股集中，通过低成本 ETF 进行分散配置，并根据风险承受能力定期再平衡，往往是一条更加稳健的路径。ETF 的价值，不只是购买了一篮子股票。它背后是一种资产配置思想：承认我们无法准确预测每一个单独资产的未来，不把整个组合重仓押在一个单点判断上，而是通过分散、权重控制和定期再平衡，在保留增长可能性的同时降低单点失败的风险。 但真正改变我的，并不是“以后多买 ETF、少买个股”这个结论。我开始意识到，自己在生活中也犯了与重仓个股相似的错误。如果我把全部未来押在一份工作上，那么岗位变化可能让过去的积累迅速贬值；如果我把全部能力押在某一项具体工具上，那么技术迭代可能使它失去价值；如果我只输入而不输出，那么大量阅读最终可能只停留在个人记忆中；如果我不断追逐新的方向，却不复盘和再平衡，那么所谓的成长也可能只是频繁换仓。 我开始提出一个新的问题：既然时间、工资和注意力都是稀缺资源，我应该如何配置它们，才能使今天的投入真正改变明天的起点？这也是 Human Capital ETF 的思想起点。 我不是一件等待提高收益率的物品 有一次，我向 ChatGPT 提出了一个问题：假如我每个月投入 100 美元，但不允许用于股票、基金或其他金融产品，而是用于非金融性投资，应该如何配置？回答并不复杂，大致包括书籍阅读、AI 工具订阅、技能学习、项目实践和持续输出内容。但这次看似普通的对话，让我开始重新审视“投资”这个词。 ...

2024 年底，我进入比亚迪，开始做汽车热管理。第一次真正接触项目时，负责带我的同事恰好不在现场。我对业务、软件和工作流程都不熟。很多时候，我在电脑上点两下鼠标，就得停下来问一句：“下一步该做什么？” 几个月后，我用 Python 写出的工具开始在团队内部使用，我也第一次站到同事面前，讲解它解决了什么问题、应该怎样使用。这两个画面之间没有天赋觉醒，也没有突然开窍。中间只有一连串很普通的动作：不会，记录，犯错，重做；熟练之后发现低效；抱怨之后，再多问一句——这件事能不能被改变？ 回看工作第一年，我真正完成的变化，不只是从不会到会。 我开始从只能适应工作，走到尝试改造工作中的一小部分。 为保护同事与内部信息，文中对项目、工具和组织细节做了必要模糊处理。 一、一个没有准备好的开局 我并不是为这份工作准备了很多年。本科时，我读的是过程装备相关专业；研究生阶段，我做的是掺氢燃烧与 CFD。毕业前，我原本还在申请海外 PhD。后来，我在两周内改变方向，开始找工作，随后进入汽车行业。 燃烧、流体和传热的基础并非毫无用处，但它们不能自动变成工程经验。我在学校里更习惯边界清楚的问题：题目给出条件，老师知道答案，学生按照某套方法求解。真实工作却不是这样。问题可能只以一句模糊的需求出现；需要哪些输入、怎样判断结果、出了异常该找谁，往往都不会同时写在一张纸上。 刚入职时，我经历过一段“漂浮期”。每天坐在工位上，看起来很忙，心里却不知道自己究竟该掌握什么。身边的人都有任务，只有我像一块尚未接入系统的零件。 我当时有一个隐含期待：先把整套业务学会，再独立做事。后来才发现，工作并不按这个顺序发生：你不是学会以后才开始做，而是在开始做以后，才知道自己究竟要学什么。 对新人来说，第一项真实任务的价值不只在于交付。它会把抽象的“我要尽快成长”，压缩成一组可以回答的问题：哪个步骤不懂？哪个判断没有依据？什么结果才算正确？遇到异常应该怎样定位？任务给学习划出了边界，压力也第一次有了方向。 二、工作不是一场闭卷考试 第一个项目开始后，我最明显的感受是害怕。我怕问得太多，显得基础差；也怕不问，最后把事情做错。因为负责带我的同事不在现场，我只能把一个大问题拆成许多小问题，向不同的人求助。于是就出现了那个略显狼狈的状态：每操作几步，停下来确认；理解一点，再往前推进一点。 一开始，我把这种频繁请教看成能力不足。后来我才意识到，我当时的问题不在于问得多，而在于有没有让答案沉淀下来。所以，我开始记录：记操作步骤，也记每一步背后的判断；记别人给出的答案，也记自己原来错在哪里；记报错是怎样发生的，更记下一次应该先检查什么。当天弄清的问题，尽量当天整理。遇到相似任务时，先查自己的记录，再决定是否需要打扰别人。 这些笔记最初只是为了活下来。它们像一根临时拐杖，让我第二天不至于回到原点。但记录得多了以后，我发现自己正在建立一张属于新人的业务地图：哪些环节彼此关联，哪些规则最容易混淆，哪些异常经常一起出现。这张地图不完整，也未必漂亮，却比“我好像懂了”可靠得多。 工作不是闭卷考试。请教、查资料、复盘都不是作弊。真正重要的是，每一次借来的答案，能否逐渐变成自己的判断。 三、熟练以后，我才开始看见低效 随着任务逐渐熟悉，我不再需要每走一步都问人。也正是在这个阶段，我第一次清楚地看见流程里的重复劳动。有些操作本身不难，却需要不断点击、核对和重复输入。做一次还可以接受，连续做很多次，人就会烦躁。最初，我也把这种烦躁当作工作的一部分：既然流程一直如此，也许忍一忍就过去了。 但抱怨里其实藏着信息。当一件事让人反复厌烦，可能不是因为人不够有耐心，而是因为任务中存在尚未被识别的自动化机会。于是我开始问：哪些步骤必须由工程师判断？哪些只是机械重复？输入和输出能否被明确描述？出错以后，程序应该如何提醒人，而不是替人悄悄做决定？ 我用 Python 写了一个很粗糙的脚本，尝试处理其中一部分重复操作。第一版并不好看。它没有完整界面，只覆盖我眼前最熟悉的情形。但它确实跑通了。原本需要反复操作的过程，第一次被我拆成一组可以交给程序执行的步骤。 这件事带来的成就感，并不只是“我会写 Python”。更重要的是，我第一次感受到：一个员工除了接受流程，还可以在理解流程之后，对它提出新的实现方式。 抱怨只说明哪里让人痛苦；把痛苦翻译成清楚的问题，改变才真正开始。 从那以后，我再遇到重复工作，会刻意区分三件事：什么不能省，什么可以标准化，什么值得被工具化。这个判断本身，比某段代码更重要。代码会过时，具体软件会变化，但识别问题、划清边界和验证结果的能力可以迁移。 四、把自己踩过的坑，变成别人可以绕开的路 一个只在自己电脑上运行的脚本，很容易给人一种虚假的完成感。自己知道输入放在哪里，也知道程序出现异常后应该手动检查什么。换一个人使用，这些没有写下来的前提就会全部暴露出来。当同事开始试用我的工具时，我收到的问题比预想中多：输入不符合预期怎么办？结果该怎样核查？某个特殊情况是否适用？程序为什么没有按预期运行？这些反馈让我意识到，个人脚本和可复用工具之间，隔着的不是更复杂的代码，而是对他人负责。 我开始补充输入检查、异常提示和使用说明，也重新审视自己习以为常的规则。后来，我又做了一个用于辅助表格一致性核查的小工具。它的业务逻辑并不神秘，困难在于把散落在经验里的判断，变成明确、可检查的规则。为了向同事说明工具，我必须回答几个此前可以含糊带过的问题：它究竟解决什么？不解决什么？输出是否可信？使用者怎样发现程序没有覆盖的情况？ 讲解工具的过程，也是在重新理解工作。如果一套方法只有我能运行，它更像个人技巧；当别人能够理解、使用、质疑和验证时，它才开始成为团队资产。分享不是开发结束后的包装，而是检验思路是否完整的一部分。 这也是我工作第一年里一个很重要的转折。过去，我主要关心“这项任务我能不能完成”；后来，我开始关心“我解决问题的方式，能不能让下一次工作更容易”。 五、AI 放大的，是已经想清楚的问题 在完善第二个工具的通用编程部分时，我第一次更系统地使用 AI 辅助。我只让它处理公开、通用、边界清楚的编程问题。例如解释一个不熟悉的 Python 概念，提供通用界面的实现思路，或提示一段不含内部信息的示例代码中可能存在的明显错误。这些工作过去需要我翻很多资料，现在可以更快获得起点。 在不接触内部背景的前提下，AI 并不知道我真正面对的业务问题。它不知道哪些判断必须保留给工程师，也不知道某个结果在现实工作中意味着什么。核心规则仍然需要我从任务里抽取，再通过内部资料和同事确认。我也给自己划出了一条边界：公开可查的编程概念和通用实现，可以请 AI 协助；涉及内部流程、数据与设计规则的内容，必须留在合适的内部环境中处理。 这段经历让我对“AI 提高效率”有了更具体的理解。AI 可以很快给出代码草稿，却不能替我决定什么值得自动化；可以给出一个看似完整的答案，却不能替我为结果负责；可以放大执行速度，却不会自动补上我对问题的理解。 当问题没有想清楚时，AI 很可能只是让模糊更快地变成代码。 因此，真正稀缺的并不是会不会复制一段程序，而是能否在具体工作里发现问题，定义输入与输出，识别风险，并知道最后应该由谁判断。 六、从完成任务，到积累可以复用的资产 如果只看职位描述，我的第一年大概可以被概括为：从跨专业新人，逐渐学会了本职工作，并额外做了两个小工具。但对我来说，真正留下来的不只是这些结果。我学会了在没有准备好的时候开始，用真实任务决定学习顺序；学会了把提问变成记录，再把记录变成自己的判断；也学会了把抱怨拆成需求，把个人解决方案推向可以被别人使用和检验的工具。 这些变化让我开始用另一种眼光看待工作。工资当然重要，完成组织交付的任务也很重要。但一段工作经历除了产生工资和项目结果，还可以留下可迁移的专业能力、处理问题的方法、合作中的可信度，以及对真实系统的理解。具体工具和工作成果应当遵循公司的归属与保密要求；能够合规地沉淀在个人身上的，是定义问题、建立方法和承担结果的能力。 这正是 The Worker Investor 想追问的问题：一个仍然依赖工资、身处组织中的普通人，怎样让自己的劳动不在任务结束后完全归零？答案不是把公司的东西变成自己的，也不是把每一项工作都包装成副业。答案是认真完成工作的同时，问清楚自己正在积累什么：今天遇到的问题，是否提高了明天的判断？这次踩过的坑，是否沉淀成了方法？一次性的劳动，是否留下了可以复用的能力？ 回到刚入职时那个每点两下鼠标就要问人的自己，我并不觉得那段狼狈需要被掩饰。它说明我确实从不会开始，也说明后来的变化不是凭空发生。一年里最重要的进步，不是我终于可以少问几个人，也不是我多会写了几段 Python，而是当我再次遇到一件重复、混乱、令人烦躁的工作时，我开始知道应该怎样靠近它：先理解，再拆解；先记录，再验证；最后问一句—— 这一次，我能不能不只把事情做完，还让下一次做得更好？

——我为什么提出 The Worker Investor 与 Human Capital ETF 最近，我在 Twitter 上读到一位创作者重读《从0到1》后的笔记。原帖只是触发器；真正留在我脑中的，是书里几个彼此相连的问题：人能否用明确计划塑造未来，而不是把未来当成彩票？为什么新项目应当从一个足够小的市场开始？什么尚未成为共识、却可以被证据检验的“秘密”值得追寻？为什么产品之外还必须重视销售与分发？1 这些问题表面上属于创业，真正击中我的却不是“我要不要创办公司”，而是一个更基本的问题：一个人能否主动设计自己的未来，而不是只在别人设计好的结构中提高执行效率？ Peter Thiel 把创业公司理解为围绕一项明确计划组织起来、并有机会主动设计未来的一群人。许多 worker 的日常处境则不同：我们负责完成任务，却很少决定任务为何存在；我们参与项目，却通常不拥有项目的最终方向；我们创造价值，却主要获得当期工资；我们不断提高生产率，却未必能把生产率的增长保存为自己的长期资产。 也正是在这个意义上，《从0到1》并不只属于创业者。它迫使我重新思考：我的职业究竟在累积什么？ 我后来把答案拆成两个相互嵌套的框架：The Worker Investor 是普通劳动者保存劳动成果、建立资产与选择权的身份和方向；Human Capital ETF 是其中用 Core、Growth、Distribution 和 Meta 配置时间、精力与能力的内部方法。前者主要回答“劳动结束以后留下什么”，后者主要回答“怎样配置那个持续产生劳动成果的人”。 一、一个越来越高效、却不必然更安全的 worker 现代职场最矛盾的地方在于，worker 拥有了比过去更强的工具，却不一定因此拥有更稳固的位置。自动化、数字化和 AI 提高了个人能够完成的工作量，但效率增长不会自动转化为个人收入、时间自由或长期所有权。 国际劳工组织 2026 年发布的十年回顾显示，全球劳动收入份额从 2015 年的 53.0% 降至 2025 年的 52.6%。这不意味着每一名 worker 的绝对收入都下降，也不能用来衡量某个人的具体贡献；它说明的是，在劳动与资本之间的功能性分配中，流向劳动的相对份额在这十年里略有下降。2 AI 可能进一步改变这种分配，但方向并不单一。一篇 IMF 工作论文使用英国家庭数据和任务模型进行分析，结果显示：如果 AI 替代高收入岗位中的任务，工资差距可能缩小；如果 AI 与高收入劳动高度互补，较高收入者的生产率和劳动收入反而可能增长得更快。与此同时，在模型中，AI 带来的资本需求和资本回报上升，会因为资产持有本来就高度集中而扩大财富差距。换言之，AI 对工资差距的影响取决于替代与互补的强弱，对财富差距的影响则与谁拥有资本密切相关。3 于是，一个 worker 可能出现一种奇怪的处境。假设他借助 AI 完成了过去需要两个人才能完成的工作，他并不会自动获得两倍工资或一半工作时间，反而可能迎来更高的产出标准。工具增强了 worker，却不一定增强 worker 对增强结果的所有权。 技能组合也在持续重组。世界经济论坛《Future of Jobs Report 2025》的雇主调查显示，受访雇主平均预计，到 2030 年，worker 现有技能组合中 39% 将发生转变或变得过时。这是企业对未来五年的预期，不是已经观察到的统一折旧率，但它仍然说明：仅靠一次教育形成的能力组合，很难覆盖完整职业生涯。4 ...

——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。 ...