Jasmine Sun 这篇纽约时报 Opinion 文章，标题很重： Silicon Valley Is Bracing for a Permanent Underclass。 我更愿意把它理解为一个来自硅谷内部的预警，而不是一篇简单的 AI 末日论。
它讲的不是科幻意义上的“AI 毁灭人类”，而是一个更现实、更接近经济结构的问题： 当 AI 能够替代越来越多知识工作时，普通人还剩下多少可以谈判的筹码？ 过去，一个人没有资本，至少还有劳动能力。通过教育、技能、入门岗位和职业积累， 他仍然有机会进入中产，甚至完成阶层跃迁。可如果 AI 连这些入口也开始吞掉， 问题就不只是“少了一些岗位”，而是整条职业阶梯开始断裂。
硅谷私下没有那么乐观
文章最有冲击力的地方，是它呈现了一种行业内部的割裂感。 面向公众时，AI 公司往往强调生产力、科学发现、医疗突破、GDP 增长和普惠工具。 但在旧金山的 AI 圈子里，很多研究员、创业者、投资人和科技公司员工私下讨论的， 是另一个更阴郁的问题：如果模型和机器人继续进步，大量普通人的经济价值会不会快速下降？
这种悲观并不局限于某一个意识形态阵营。工程师、VC、创业者、管理者、AI doomers、 加速主义者、自由意志主义者和左翼人士，在很多政治问题上可能完全谈不到一起， 但对 AI 冲击就业这件事，却常常有相似的直觉：高级 AI 会带来巨大增长， 也会让经济运行越来越少依赖人类劳动。
这就是“永久底层阶层”这个说法重新流行的背景。它指向一种恐惧： 在 AI 和机器人足够成熟之前，人们只有很短的窗口期可以积累财富和资源； 一旦自动化完成，社会阶层可能被固定下来。富人和资本所有者可以调用超级智能系统继续增值， 其他人则变得难以被雇佣，只能依赖有限福利维持生活。
这个场景当然是极端版本。多数经济学家和 AI 专家并不认为它必然发生。 但它作为一个概念仍然重要，因为它把问题说穿了：AI 是否制造“永久底层”， 不完全取决于技术能力，也取决于税收、福利、就业保障、教育转型和公共资产制度如何设计。
Benchmark 本身也在塑造方向
一个值得注意的细节是，前沿模型的评测越来越贴近真实经济任务。 投资银行、管理咨询、大型律所、基础医疗、房地产经纪、新闻分析，这些过去属于白领职业核心能力的工作， 正在被整理成 benchmark，用来衡量模型能否达到甚至超过专业人士水平。
这当然有合理性。AI 最终要进入真实世界，就必须被真实任务检验。 但另一面是，benchmark 不只是测量工具，也会变成研发方向。 当模型能力被定义为“能否完成某类职业任务”，研究和产品自然会朝着替代这些任务的方向优化。
因此，AI 对就业的影响不只来自技术已经成熟之后的替代，也来自管理层和市场预期的提前反应。 企业高管可能还没有真正弄清楚某个岗位能不能被 AI 取代，就已经因为不想落后于浪潮而放缓招聘， 甚至提前裁员。AI 在这种情况下变成了一种叙事压力：即便效率提升还没完全兑现， 组织行为也已经开始改变。
OpenAI 早就看见了劳动与资本的转移
这篇文章让我重新想起 Sam Altman 在 2021 年写过的“万物摩尔定律”。 他当时已经很明确地判断：AI 会大幅提升生产率，同时把权力从劳动转向资本。 如果公共政策不能适应这种变化，大多数人可能会比现在更糟。
Altman 当时提出过相当激进的再分配设想：对土地和大型 AI 公司权益征税， 再把收益分配给公众。这个思路背后的核心判断是，未来最稀缺、最能捕获收益的， 可能不再是普通劳动，而是资本、算力、能源、土地、数据和模型平台。
问题在于，AI 公司的公共叙事后来变得越来越乐观。它们更愿意讲就业机会、产业投资、 数据中心建设和 GDP 增长，而不是长期劳动占比下降、环境成本、城乡差距、性别差距， 以及年轻人职业入口被压缩的问题。即便白皮书里出现了 32 小时工作制、公共财富基金、 全民持有 AI 公司权益、学校和图书馆获得基础模型访问权等设想， 真正困难的部分仍然没有被回答：这些政策谁来推动？公司是否愿意为此付出真实政治成本？
Anthropic 的担忧更直接
Anthropic CEO Dario Amodei 对就业冲击的表达要直接得多。 他公开警告，到 2030 年，入门级白领岗位可能大规模消失。 这句话之所以重要，不只是因为它来自一家前沿 AI 公司的 CEO， 也因为它把注意力从“总体就业数量”转向了“职业入口”。
初级软件工程师、初级律师、咨询顾问、分析师、助理，这些岗位过去并不只是便宜劳动力， 也是年轻人学习行业、积累经验、获得晋升的第一层台阶。 如果这层台阶被 AI agent 替代，短期看是企业省下了成本，长期看却可能破坏人才培养机制。
这也是 Claude Code 这类 coding agent 引发争议的原因。 它们越能独立完成复杂任务，就越接近就业替代的前沿。 更麻烦的是，初级工程师一方面要和 AI 竞争岗位，另一方面又可能因为过度依赖 AI 工具， 在完成任务之后反而更不理解自己写出的系统。工具提升了产出表象，却不一定提升了能力积累。
真正危险的是职业阶梯断裂
很多人讨论 AI 与就业时，喜欢问一个问题：到底有多少工作会消失？ 这个问题重要，但可能还不够关键。更关键的问题是： 未来年轻人如何进入一个行业？他们在哪里犯错、学习、积累判断力，并最终成为中高级人才？
技术变革造成的“短期调整”，对宏观经济学家来说可能只是一个过渡阶段； 但对具体的人来说，这个短期可能就是一生。一个人毕业时遇到的就业市场， 会深刻影响他的第一份工作、收入曲线、城市选择、婚育计划、资产积累和自我认同。 如果 AI 首先替代的是入门岗位，那么被影响最深的，不一定是已经站稳脚跟的资深从业者， 而是刚准备进入系统的人。
这也是为什么文章把 AI 冲击和“中国冲击”类比。 过去，公司把工作外包给海外劳动力；现在，公司可能把工作外包给 AI agent。 不同之处在于，这一次扩散速度可能更快。模型公司已经投入巨额资本， 接下来会有强烈压力要求商业化、规模化、证明收入。技术压力会转化为销售压力， 销售压力再转化为企业自动化压力。
反对自动化可能是理性的
如果没有安全网，没有再培训路径，没有就业保障，也没有让公众分享 AI 收益的制度， 那么普通人反对 AI 自动化并不是非理性恐慌，而是非常现实的自我保护。
文章提到，美国已经出现针对数据中心、自动驾驶、治疗类 chatbot 和法律 chatbot 的限制提案。 这些反应未必都合理，但它们背后的情绪是真实的：当人们感觉自己要为技术进步承担代价， 却看不到自己能分享到什么收益，政治反弹就会发生。
这也解释了为什么一些政治策略师认为，AI 可能扩大美国政治中的“奥弗顿窗口”。 过去不容易被主流接受的政策，比如联邦就业保障、公共财富基金、更高的资本利得税、 对 AI 公司和亿万富翁征收更高税负，可能会变得更容易讨论。 当劳动价值被技术压低，再分配就不再只是道德议题，而会变成维持社会稳定的基础设施。
我的理解
这篇文章最值得带走的判断是：AI 的就业风险不只是“岗位减少”，而是“劳动价值下降”。 岗位减少还可以通过新行业、新需求、新任务来对冲；但如果劳动在整个经济分配中的议价能力下降， 那么普通人面对的就是更深的结构性问题。
所以，“永久底层阶层”不应该被理解成一个必然会到来的预言。 它更像是一个压力测试：如果 AI-native 公司用极少的人创造巨大价值， 如果模型、算力和平台成为每一笔经济活动的抽成者， 如果入门级白领岗位大幅萎缩，而社会仍然按照旧的劳动市场逻辑运转， 那么会发生什么？
答案很可能不是一个更自由、更富足、更平等的社会，而是一个增长很快、分配很差、 阶层流动更窄、政治冲突更激烈的社会。
但这并不是技术决定论。是否走向那样的未来，取决于制度是否提前变化： 税收如何设计，AI 公司创造的超额收益如何分配，公共教育如何调整， 医疗、护理、公共服务和本地岗位是否被重新估值，年轻人的职业入口如何被保留或重建。
对个人来说，这篇文章也提出了一个更具体的问题： 在 AI 可能压缩入门岗位和中间技能的时代，我们该如何积累不可轻易被替代的能力？ 也许答案不只是“学会使用 AI”，而是尽早进入真实问题、真实组织和真实责任之中， 学会判断、沟通、承担后果，并理解一个系统为什么运转。
AI 会提高生产力，这一点越来越难否认。但生产力提高之后，谁获得收益，谁承担代价， 谁仍然拥有向上流动的机会，这些问题不会由模型自动回答。 它们最终仍然是政治问题、制度问题，也是每个普通人必须认真面对的现实问题。