讚美閒散 In Praise of Idleness
(圖 by ChatGPT)
底下這篇, 是我用 AI 讀書團隊 - 網誌 ,
閱讀這篇 Something big is happening - X網誌 後,
AI 站在有點 Critic 的角度, 所寫的一篇閱讀心得;
其實 Matt Shumer 所說的也不能說錯, 畢竟底下的文章也是 AI 寫出來的 ＾＾
而作者建議個人做好財務規劃, 告訴孩子要保持好奇心, 追求夢想, 個人也是很贊同;
( 和 AI 團隊討論了好多東西, 其他方面的討論, 以後有空時繼續補上^^ )
===
「現代人認為凡事都應該為了某個目的而做，而從不為其本身而做。」 — Bertrand Russell，《讚美閒散》，1932
九十四年前，Russell 寫下這篇文章，預言了一個幾乎沒有人相信的未來：機器的進步，終將讓人類每天只需工作 四小時，其餘的時間歸還給生命本身。他說，這個可能性之所以令人不安，不是因為它在技 術上不可行，而是因為「工作的神聖性」這個信仰，已經深入現代文明的骨髓——我們不知道如何面對不必工作的自己 。
現在，九十四年後，他預言的技術時刻，可能真的正在降臨。
但我們的第一個反應，不是喜悅，而是恐懼。不是「太好了，我可以陪孩子」，而是「我會不會被取代」。
Russell 如果看到這一幕，大概會覺得這正是他文章的主旨所在。
一、AI 進步的真實形狀
在討論人應該怎麼辦之前，我們必須先誠實地看清楚：AI 的進步，到底是什麼形狀的。
最常見的兩種說法，都是錯的。
「AI 是指數增長，一年後將超越人類」——這是過度外推。
「AI 已經撞牆，ChatGPT 不過是個聊天機器人」——這是選擇性近視。
真相更細緻。AI 的進步是階梯函數（Step Function），不是平滑的指數曲線。
┌─────── 推理時 Scaling（2024-?）
┌──────────┘
┌──────────┘ GPT-4 / RLHF 時代（2022-2024）
────┘ 早期 LLM（~2020-2022）每個台階代表一條新的 Scaling 軸線——模型規模、訓練數據量、推理算力——從崛起到飽和的完整週期。台階與台階之間的跳升，看起來像奇蹟；在台階上的平坦期，看起來像撞牆。
這個模型解釋了一個長年的論戰：懷疑者每次都能找到「AI 撞牆」的證據（他們看到的是台階的平坦期）；信奉者每次都能說「你看，又跳了」（他們 看到的是台階的跳升）。他們說的都是真的，只是在描述同一個現象的不同時段。
METR 的數據給了這個框架一個量化錨點：AI 可以獨立完成的任務長度，每七個月翻倍一次 。2019 年，AI 只能完成一分鐘以內的任務；2025 年，Claude 3.7 Sonnet 已能以 50% 的可靠度完成需要人類一小時的任務 。如果這個趨勢延續，2027-2028 年，AI 代理人將能獨立處理需要人類數天到數週的工作。
但這裡有一個至關重要的但書：
下一個台階是否存在、多高、多快——這是目前 AI 業界沒有人真正知道的答案。
當前的「推理時 Scaling」軸線，已在某些基準測試上出現飽和的跡象。下一條軸線是什麼——世界模型、更長的上下文、具身智能——業界有猜測，有押注，但沒有確定性。OpenAI 和 Anthropic 的研究者在同一個問題上，給出截然不同的時間表。
這個不確定性本身，是任何關於 AI 影響的誠實討論的起點，而不是可以被跳過的腳注。
二、長尾的防線，與正在消失的梯子
面對這個移動中的前線，大多數人的第一個直覺是：找到 AI 做不好的地方，躲進去。
這個策略有它的邏輯。法律判斷、醫療診斷、創意發想、人際信任——這些「長尾任務」確實是 AI 目前最難攻克的領域。GPT-5 在 ARC-AGI-2 的成績只有 8% ；有研究者說，真正的長尾問題，AI 可能需要十年才能可靠完成?
但這裡有一個精細的結構，值得仔細拆解。
長尾問題有三個性質不同的層次：
第一層是「情境複雜但有客觀答案」的任務——比如複雜合約的風險識別。AI 正在快速攻克這一層，1-3 年內可能大幅自動化。第二層是「需要主觀判斷的高風險任務」——比如法庭策略、醫療倫理 判斷。AI 的部分表現已達 60%，但這個比例不夠用，人類監督仍然必要。第三層是「需要制度性責任的任務」——必須有一個真實的人簽名、出庭、負法律責任。即使 AI 的能力到達，制度性障礙仍然存在。
這個分層告訴我們：作者說的「一到五年顛覆一切」，主要描述的是第一層長尾的消失。從能力到真實的職涯衝擊，還隔著一條「部署長尾」——法規、保險、職業責任架構、客戶 信任——這條鴻溝，歷史上遠比技術進步收窄得慢。
然而，正當人們試圖用長尾保護自己的工作時，另一個問題正在悄悄發生：通往長尾的梯子，正在被抽掉。
初階職位——律師助理、初級分析師、程式實習生——是人類幾百年職業養成的核心機制：以低薪換訓練，在具體的重複案例中磨練直覺，然後晉升到需要判斷力的高階工作。
但現在的數字令人憂慮：美國初階職位自 2023 年 1 月以來下跌 35% ；英國科技業應屆生職位從 2023 到 2024 減少 46% ；66% 的企業正在縮減初階聘雇的同時採用 AI 。
研究者把這個現象稱為「學徒層的喪失（Loss of Apprenticeship Layer）」——
「AI 正在自動化那些例行的、無聊的、重複的，但對於累積技能至關重要的工作。」
沒有做過一百份標準合約，你能成為看得出複雜合約陷阱的資深律師嗎？沒有寫過一千行基礎程式，你能設計出可靠的系統架構嗎？這個問題，目前沒有人知道答案——因為這個世代的職涯才剛開始，我們在 2031 年才會有第一批可以比較的數據。
人們試圖用長尾保住自己，卻發現走向長尾的梯子正在消失。這是這一輪 AI 衝擊中，最被忽視、也最深遠的社會問題之一。
三、效率紅利，歸誰？
Russell 在 1932 年有一個著名的工廠思想實驗：一家別針工廠，引入了新機器，生產效率翻倍。理性的做法 是讓所有工人改為工作四小時，薪水不變，多出的四小時歸還給生命。
但實際發生的是什麼？工廠繼續讓一半工人工作八小時，然後解雇另一半 。
Russell 說：「還有什麼比這更荒謬的嗎？」
九十四年後，我們正在目睹這個荒謬的精準重演——只是規模更大，速度更快。
歷史給了我們三次技術革命的對照組：
工業革命時，蒸汽機讓生產效率大幅提升。工作週從 60 小時降到 40 小時了嗎？沒有，是先更長，然後花了將近一個世紀的工會鬥爭、罷工流血，才從立法層面 強制壓縮。
資訊革命時，電腦讓辦公效率倍增。白領工作時間減少了嗎？沒有——「白領過勞」這個詞，恰恰是在個人電腦普及後才誕生的，因為效率提升被轉化成了更高的工作期望值。
現在，AI 革命。最新的數據指向同一個方向：UC Berkeley Haas 的研究（2026 年 2 月）發現，AI 並沒有解放工人的時間——它強化了工作 。CEPR 跨年度研究發現，AI 曝露程度高的職業，工作週平均多了 2.2 小時 。Harvard Business Review 的標題在 2026 年 2 月直接寫道：「AI Doesn’t Reduce Work—It Intensifies It」 。
聖路易斯聯邦準備銀行的數據顯示，AI 工具平均幫助使用者節省了每週工時的 5.4%——約 2.2 小時。CEPR 同時顯示，同樣的職業族群，工作週增加了 2.2 小時。效率紅利，被精準地吸收回去了 。
這不是巧合，而是資本配置的結構邏輯——稱之為人力版的傑文斯悖論（Jevons Paradox）：生產效率提升，邊際成本下降，於是需求增加，總消耗反而上升。當 你用 AI 讓一個分析師的效率提升 40%，公司的反應不是「讓他早點回家陪孩子」，而是「那他可以多承接 40% 的案子」。
--
效率紅利的三個歷史去向：
第一個去向，也是最自然的去向，是資本——更高的利潤、更低的人力 成本、更多的股東回報。這是目前 AI 最主要的效益流向。
第二個去向，需要時間和鬥爭，是消費者——競爭壓力把效率轉化成更 低的價格，讓廣大消費者受益。這在 AI 領域已在部分發生（$20/月的工具等同於過去無法負擔的資源）。
第三個去向，需要制度設計，是工人本身——以更短的工作時間、更高 的薪資、或更多的自主性呈現。這在歷史上從不「自動」到來，永遠需要明確的政策介入、 勞動協議的重構、或強大的集體談判。
Russell 在 1932 年看清楚的事，今天依然成立：技術讓閒散成為可能，但不讓它成為現實。讓它成為現實， 需要的是政治意志，不是技術進步。
四、個人適應的邊界
在這個框架下，重新看那些對個人的建議：學 AI、用 AI、每天一小時、把 AI 推進你最困難的工作——
這些建議是正確的。在個人的層次，它們是目前能給的最誠實的策略。先行者的優勢是真實的，窗口期也確實存在。
但它們有一個被預設但從未言明的框架：個人適應是問題的主要解答。
這個框架在短期內有效；在中長期，它是不夠的。
因為 AI 帶來的問題中，有一大部分是個人無法用自身適應解決的：
初階梯子的消失，是一個世代性的結構問題，不能靠個人「更努力學 AI」來解決——它需要教育系統的重新設計，需要企業在「AI 輔助訓練」上的投資，需要政策對過渡期最脆弱者的保護。
效率紅利的分配，是一個政治經濟問題，不能靠個人「更有效率地工作」來解決——它需要勞動法規的更新，需要集體談判的復興，需要對「什麼算是 AI 帶來的生產力增益、如何分配」有明確的制度性答案。
Alignment Faking 的技術風險，是一個全人類的治理問題，不能靠個人「更小心地使用 AI」來解決——它需要跨越單一公司利益的獨立評估機構，需要安全研究的資金投入，需要在 「AI 能力提升速度」和「安全評估框架建立速度」之間維持不被破壞的平衡。
「每天一小時學 AI」是在教你游泳。但你需要同時知道：光會游泳不夠，還需要有人去修築堤壩。這兩件事 可以同時進行，也必須同時進行。
五、一小時，還給誰？
最後，回到那個最個人的問題。
有人問：那每天一小時學 AI，還是用來陪家人？
這個問題的張力，來自它揭示了一個作者文章的隱性前提：工作競爭力，是生命的首要目標。
這個前提，是一個選擇，不是自然規律。
Russell 說得更直接：他看見的問題不是技術，而是我們對「工作的神聖性」的迷信——「現代人認為 一切都應該為了某個目的而做，而從不為其本身而做」。
AI，如果被正確使用和正確分配，可能是歷史上第一次真正讓 Russell 的四小時工作日變成可能的技術。但「可能」和「會發生」之間，隔著那條從未自動穿越的 距離。
目前的初步數據告訴我們：AI 省下的那 2.2 小時，正在被工作要求多出的 2.2 小時吸收回去。那一小時，沒有歸你。
但這不是技術的命運，而是制度選擇的結果。
每一次工業革命後，「效率歸誰」的問題最終都通過某種形式的集體行動得到了（不完美的）回答。蒸汽機時代用了一個世紀；電腦時代用了幾十年。AI 時代的回答速度，可能需要更快——因為這一次，技術的速度本身在加快。
所以，這個問題的完整答案是：
學 AI——因為這是你能為自己做的最直接的事。
同時追問效率紅利的去向——因為這是你和所有人共同需要解決的事。
然後問自己那個更根本的問題：在一個 AI 可以做越來越多工作的世界裡，你省下來的時間，你希望用來做什麼？
不是「市場要求你用來做什麼」，而是你希望用來做什麼。
Russell 在 1932 年問過一個問題，一百年後仍然沒有被認真回答：
「沒有相當數量的閒暇，一個人將與許多最美好的事物隔絕。如今再也沒有理由讓大多數人繼續受此剝奪——只有一種愚蠢的、通常是替人代言的禁慾主義，讓我們在需要已不 再存在的今天，繼續堅持過量的工作。」
那個「需要已不再存在」的時刻，可能真的快到了。
問題不在於 AI 來不來。問題在於，當它真的來的時候，那多出來的時間，我們讓誰來決定它的去向。
這個問題，等不到 AI 幫我們回答。
留言
張貼留言