刘胜与的处境大概是所有技术人里最刺眼的一种：北大图灵班、未名超算队队长、ASC 全球冠军、DeepSeek v4.1 主 Attention 算子的交付人——刚刚交付了行业最核心的组件，然后坐下来写自己的悼词。

如果这篇只是在讲「AI 会不会取代我」，它不值得十万阅读。真正的分量在于：他描述的三个机制，作用范围远远超过算器工程师这一个职业，而且这三个机制彼此咬合，构成一个完整的解释框架。

那份口播讲稿的贡献在于，它把框架翻译成了普通人的语言，并补上了原文没说透的一层——「开源救不了普惠」。这个补充比原文本身更接近问题的实质。

下面把两者的洞察合起来，逐层推到底。

一、这不是一篇失业文

技术的悖论，比「越努力越快被取代」更深

原文那句是：

「我算子写得越好，我们的新模型的训练、推理速度就会越快，模型能力进步就会更快，我就会更早地被取代。」

讲稿把它归纳为「个体理性导致集体非理性」——对的，但没讲透。这个悖论的诡异之处不在于矛盾，而在于因果链的自我指向。

设一个人的努力为 e，全行业努力总量为 E，模型能力增长速度是 E 的正函数。AI 自主编写算子达到「优秀人类工程师水平」的时间点，记作 τ。那么对他个人而言：

1

e ↑  →  E ↑  →  dA/dt ↑  →  τ ↓（他被取代的时刻提前）

这是一条负向的自我强化链。 你的努力同时做了两件事：提高你自己的市场价值，以及降低你自己市场价值持续的时间。前者的收益是瞬时的——这一版的性能数字；后者的代价是永久的——你的能力被复制的时间点前移。

明知道还要做，因为有两层原因

原文给了两层，逻辑完全不同。

第一层是驱动力：「写算子对我来说就像打游戏一样……心中的激动程度不亚于游戏的速通玩家打破了自己过往的记录。」

这一层是结构性无解的。如果一个人从工作中获得的满足感是内生的，那么理性的「少做一点以延长职业寿命」根本无法被执行。喜欢一件事的人不会因为「这件事即将消失」而停止做它。

第二层是博弈：「哪怕我就此’摆烂’甚至故意下绊子耽误模型训练，其它家的模型也会照常发展并最终将我照杀不误。」

这是囚徒困境：个体理性（优化以保岗位）导致集体非理性（所有人共同加速一个自己不想要的未来）。喊 AI 该踩刹车永远没结果，因为一家踩刹车等于把位置让给对手，只有所有人一起踩才有意义。

但这里有一个被普遍忽略的转折

原文紧接着说：「我不至于会’失业’，但必须要’转业’。」

这句话把前面整段论证的目的翻转了。 如果只是担心被取代，结论应该是「怎么办」；但他给的是一个关于身份的判断——不是「我会不会失去位置」，而是「我必须放弃我热爱的那部分工作」。

技术悖论不是主题，「热爱的东西不再由人完成」才是。

二、三角错位——全篇最精确，也最被忽略的一句

「在之前，我的兴趣、我所擅长的、以及工业界所需要的，三者是基本对齐的；而现在，AI 让我所擅长的变成了它更擅长的，也让工业界的需求从『会写高性能算子的人』漂移到了『能用 AI 更快地产出高性能算子的人』。」

这一句的解释力，超过前面所有的金句。 讲稿完全没有引用它。

为什么工业时代这三者会对齐

不是因为巧合，是因为整个社会系统都建立在这三者对齐的前提上：

机制作用
教育体系告诉你「学什么有前途」，而这个答案来自「社会缺什么」
职业路径资历 ≈ 能力 ≈ 报酬，熬年限就等于涨能力
市场定价稀缺的技能获得溢价，供给减少则价格上升

闭环是：兴趣 → 愿意长期投入 → 形成稀缺能力 → 获得市场回报。一旦「所擅长的」同时也是「市场需要的」且「你恰好喜欢」，三者就形成自洽循环。

所谓职业规划，本质上是在维护这个三角的对齐。

AI 精确地抽走了哪一角

不是抽走「工作」，是抽走「所擅长的」这一角。后果非常具体：你的兴趣还在，市场需求也还在，但连接两者的那条路断了。

1
2
3
4
5
6

       【兴趣】—— 热爱手写算子
          ✕          ← 这条边断了（不再通向职业）
       【所擅长】—— 手写高性能算子
          │
          ▼
       【市场需求】—— 会写高性能算子的人

市场端整体平移了：从「会写高性能算子的人」→「能用 AI 更快地产出高性能算子的人」。你的能力坐标没变，但坐标系变了。

为什么这比「被取代」更难受

被取代是一个状态，三角错位是一个过程。

被取代有明确的终点和仪式：通知、交接、下一份工作。三角错位没有——你还在做同样的事，但做的意义已经变了。产出不再稀缺，于是它不再构成你的身份支撑。

更微妙的是：你能力越强，这个错位感越强。

顶尖工程师恰恰是让错位来得最快的那批人，因为他的能力被复制得最彻底。这里有一个残酷的排序：

越是把某件事做到行业顶级的人，越快成为被自动化得最干净的对象。

这不是新的。软件开发史上已经演过一遍：汇编 → 编译器生成 → 高级语言 → 代码生成 → AI 补全。每一轮，最 proficient 的那一层都是最先被穿透的。 因为「专业」的定义是「对这个领域的细节掌握程度」，而自动化的目标恰恰就是「细节」。

织毛衣比喻的三个层次

原文用了织毛衣的比喻，是三层的：

第一层：质量过硬花纹美观，十里八乡的富人都来请你。手艺曾有真实的市场价值。

第二层：同行可以凭着机器轻松达到你曾经的水平，因此你不得不也去用它。这是同侪压力导致的转业，不是能力不行——标准换了。

第三层：凭借过去二十年攒下的技术，哪怕大家都有机器，你织毛衣的速度与质量也还能超过同行。存量能力仍有残值，这对应「不至于失业」。

三层合起来说的是：转业不是被剥夺，是被重新定价。 存量能力还在，但它从「稀缺性来源」变成了「锦上添花」。

而真正被拿走的是第三样东西：过程本身的乐趣。

「那份临窗听雨、引针穿线、慢度光阴的意趣，终究还是被机器的轰鸣碾碎了。」

桑内特提供了理论的名字

理查德·桑内特在《匠人》里说，手艺不只是技能，是一种认知方式：

「Craftsmanship names an enduring, basic human impulse, the desire to do a job well for its own sake.」 「……mental anticipation is privileged above concrete encounter; standards of quality in work separate design from execution.」

他反复论证的命题是：技能化的劳动本身就是一种思考，手会反过来教头脑。

这个理论放在 AI 语境下，结论变得锋利：

如果做（doing）本身是认知的来源，那么把「做」自动化掉，损失的不是劳动时间，是认知能力的输入渠道。

桑内特的两条机制是分开的：兴趣是驱动力，具身实践是认知来源。AI 拿走的是实践，而实践恰恰是认知的原料。所以损失是不可补的。

「丢掉的东西」和「必须继续活下去」之间的缺口

如果驱动力和实践通道同时没了，会发生什么？

会失去意义感，但不会失去产出能力。原文自己就体现了这一点：「我相信我能凭借着对工程学、上层模型需求和底层硬件的理解，继续高质量、高效率地产出算子。」

所以真正的痛点是：
你还能把事情做好，但不再为「是你在做」而自豪。

刘胜与在原文里给了一个近乎残酷的自白：

「我是一个理性和感性分离得比较开的人……记得我在搬离住了一年的出租屋时，还大哭了一场，舍不得和过去的记忆分别。今天和之前那个手写算子、人脑优化的时代告别，无疑比这更加残酷。」

这句话比「我不得不把才华埋葬在昨天」更诚实，也更重。前者是文学修辞，后者是私人记忆。 让人难以承受的从来不是抽象的「才华被埋葬」，而是具体的那一天、那个房间、那台显示器。

三、算力作为生产资料——讲稿最重要的一次推进

讲稿在讲 AI 对普通人的意义时，加了一节**「开源救不了普惠」**。这一节原文里没有（原文只说「最前沿的智能应该开放廉价地供应给所有人」，没说怎么做到），而讲稿给出了一个原文没给的结构性论证。

论证骨架：

  1. 模型权重开源 = 拿到模型参数（能力载体）
  2. 但权重不是「智能」本身——智能 = 权重 × 算力 × 数据
  3. 普通人就算能下到权重，一台机器跑不动
  4. 就算调用 API，「用得起」和「用得起多少」是两回事

一个可复用的判断结构

这是个约束层级问题。它不只发生在 AI 上。任何一次「技术可及性」的大幅提升，最终都会被下一个稀缺要素重新收口：

技术普及打破了但卡在
纸质书知识的复制成本识字率
公开课受教育的经济门槛学习动机 / 认证
云计算算力的获得供应商集中度
开源模型模型权重物理算力

核心洞见：开源是一个关于「可获得性」的陈述，不是关于「可及性」的陈述。可获得 ≠ 可及。 门槛被移除一层，下一层会浮现。

「开源」有两层含义被混淆了

  1. 权重开源 = 你可以获得模型
  2. 能力平权 = 你可以用与最强实验室同等的能力工作

前者永远比后者容易实现。 因为前者是分发问题，后者是资源问题。

所以判断一个「AI 普惠」叙事是否成立，问三个问题：

  • 它降低的是分发成本还是算力成本？
  • 如果是分发，下一层瓶颈是什么？
  • 这个瓶颈由谁持有？

一个比「500GB 跑不动」更硬的论据

讲稿提到「V4.1 Flash 模型文件 500GB，个人跑不动」——方向是对的。而原文的脚注里有一个更硬的论据：

「主 Attention」仅包括 head dim=512 的 MQA attention，不包括用于选出 top-k 重要 token 的 indexer，那部分是由其他同事（以及他们的 AI Agent）编写的。

这是最前沿的实验室，在开源旗舰模型时，已经有一部分核心代码是 AI Agent 协作生产的。

这比「500GB 跑不动」更有说服力，因为它是一手事实而不是推断。它说明的不是「普通人拿不到模型」，而是**「模型本身的生产方式正在被改变」**——而这个改变速度，可能比「谁拥有算力」这个问题更快。

讲稿那句最值得拎出来的话

「开源解决的是权重的可得性，解决不了算力的可得性。」

这把一个技术问题上提成了一个结构问题。它是一个可以迁移的判断框架：

当你看到任何一个「开放 / 开源 / 普惠」的方案时，问一句：
它降低了哪一层的门槛？下一层的门槛由谁持有？

四、从「被取代」到「失去独特性」——框架的升级

讲稿在开头给出一个关键的重新定义：

「他讲的是，过去决定一个人能走很远的那几样本事，正在一样一样被 AI 改写。」

这比「AI 会不会取代我」高了一个层级。过去支撑一个人在市场上不可替代的，通常是三层，不是一层：

层次内容抗替代性
执行层能把事情做出来最先被替代（工具有效性）
判断层知道什么是对的、什么值得做较难替代（需要上下文）
定义层知道什么值得被做最难替代（涉及目的）

AI 当前的能力主要在执行层，且正在向判断层渗透。定义层暂时没有触及，但原因不是技术做不到，而是目前还没有足够的商业动机去做。

这个分层解释了为什么「被取代」的焦虑会呈现出「一阵一阵」的形态——不是均匀推进，而是某一层被攻破时，焦虑集中爆发。

「没人看得出来」这句话的真正机制

「往后，工程能力差的人会越来越多……等到 AI 出错的那天，房间里没有一个人看得出来。」

完整逻辑链是：

  1. AI 让人「不需要练习」就能产出
  2. 因此下一代的执行层能力普遍下降
  3. 而判断力是执行层实践中长出来的
  4. 执行层实践被抽走 ⇒ 判断层的输入断了
  5. 多年后，这一代人有产出，但没有判断力

这才是真正的机制——不是「AI 太强」，而是**「人类这一代悄悄失去了发现错误的能力」**。

这和「AI 取代人类」是完全不同的风险类型。一个是现在，一个是十年后，而且后者更难逆转。

为什么「只有验收」必然导致判断力衰减

判断力的本质是一条反馈回路：

1
2
3

做出判断 → 观察结果 → 发现偏差 → 归因 → 修正判断
  ↑                                        │
  └────────────────────────────────────────┘

判断力的强弱，取决于这条回路的「闭环次数」，也就是你在过去一年里多少次经历「我判断错了 → 我发现了我错在哪」。

AI 接手「做」之后：

  • 你的「判断」不直接转化为结果
  • 你失去了「我的判断被现实验证」这个环节
  • 错误样本的获取，从「工作」转移到了「审阅 AI 输出」
  • 而审阅错误的发现率，远低于自己做错时的发现率——因为 AI 的错误它自己都认为是对的

所以关键不是「要不要用 AI」，而是「你的判断力是否还有闭环次数」。 这两件事可以同时成立：大量使用 AI，同时保持足够的「独立产出 + 错误暴露」。

一个可以立刻执行的判据

问自己：上个月，我因为「自己判断错了」而修正了判断，几次？

如果这个数字接近零——无论你在用多先进的模型，判断力都在静默萎缩。不是因为你变懒了，是因为你的工作流里已经没有「会被现实反驳的时刻」了。

这个机制和我在 AI 错的那天，谁来看出来 里说的其实是同一件事：防守力的前提是你自己得有判断力。

五、智力商品化——分水岭到底在哪里

讲稿给出了这一层最清晰的表述：

「过去几百年，普通家庭的孩子想跨越阶层，最可靠的杠杆就是智力……但 AI 正在把智力从一种天赋变成一种可以购买的商品。说白了，从’你是谁’变成’你买得起什么’。」

这一层和前面几层的关系值得说清楚——它不是并列的第五点，而是前四层的结果：

1
2
3
4
5
6

手艺被自动化（第二层）
      ↓ 稀缺的手艺不再构成护城河
判断力成为新的分水岭（第四层）
      ↓ 而判断力难以被直接购买……
      ↓ ……但「智力」可以
分水岭从「天赋」转移到「购买力 + 判断力」（第五层）

原文在这一层其实没有下结论

原文只是提了一个问题，没有回答：

「在未来社会中，权力是不是会比技术或智商更加重要？」

这个问题在原文中被抛出来了，但整篇文章没有再回到它。 这可能是他有意留下的：他在结构上看见了「权力化」的转向，但在个体上（「我相信凭着我的判断力，我能留在牌桌上」）又不愿意承认自己会从这次转向中掉出去。

讲稿补上了另一半：把「权力化」明确解释为「对算力和资源的支配」。

一个需要诚实的分岔

如果「智力可购买」这个命题成立，那么：

  • 对多数个体：智力贬值是坏消息
  • 对有判断力的人：判断力升值是好消息
  • 对结构：整体上智力被重新定价，稀缺性转移

这三者同时成立。 「智力贬值」和「判断力升值」不矛盾——它们是同一枚硬币的两面，因为前者是后者的前提。只有当执行层的智力被商品化，判断层的判断力才会凸出为新的稀缺。

真正的分水岭从哪来

讲稿说「算力的分配」，我补一个更精确的表述：

新的分水岭 = 算力的可获得性 × 判断力的可获得性

前者是经济问题，后者是认知问题。 前者不平等，后者不平等。 两者的叠加，才是阶层固化。

这比单说「算力垄断」更完整：算力决定你能调动多少智能，判断力决定你能否用好这些智能。两者缺一，天花板就锁死。 而这两者的获取路径完全不同——前者靠钱，后者靠「愿意在小事上被现实反驳」。

六、可以怎么做

三个判断

一、不要抢「做」的领先，要守住「判断」的输入

原文的转业（去当机甲驾驶员）是理性选择——把执行层让出去，专注在定义层和判断层。但讲稿补了一个关键约束：不能把判断层也一起让出去。 判断层的能力来自执行层的实践，如果执行层完全让渡，判断层会空转。

原文的处境其实是「我知道判断力还在，但我没机会继续用手艺来练它了」——这是一种能力衰减的隐忧。他自己没提，但三角错位的机制说明：判断力也是靠实践喂出来的。

二、判断力的「具体性」是护城河

抽象的「我知道该做什么」很容易被写成 prompt。难的是在这个具体情境里，知道该做什么——而这需要你在这个情境里待过足够久、犯过足够多的错。

AI 能生成方案，但很难生成「这个人的判断力」——因为判断力本身就是「在这个具体世界里的错误历史」的函数。

三、可及性是分层的，AI 也是

让普通人接入 AI 不等于让普通人用上最好的 AI。「能用」和「用得起」是两件事。理解这个分层，就知道自己在链条的哪一层。

一个可以立刻用的自查表

对应第四层的「反馈闭环」机制：

检查项怎么问健康信号
闭环次数上个月我因为「自己错了」而修正判断，几次？≥ 1 次/月
不可替代层我现在在做的活儿，属于执行 / 判断 / 定义哪一层？至少部分在判断或定义层
三角对齐我的兴趣 / 最擅长 / 市场需要，三者还对得上吗？至少两者对齐
原始输入我还亲手「做」东西吗？每周有 1–2 次完整的手工产出
可及层级我用的 AI，在整条链上处于第几层？知道自己不处于哪一层

「别把手全撒开」的操作原则

讲稿的收束句是：

「用最强的工具去当机甲驾驶员，但是别把手全撒开。」

这句是对的，但可以补一个具体的操作原则：

「别把手全撒开」= 定期刻意做一批「会失败的任务」。

不是为了产出，是为了重新获得「我判断错了 → 我发现了」的机会。 AI 能帮你完成 90%，但那 90% 里没有你的错误样本——你的判断力需要那 10%。

这也是我一直在做的事。这篇文章本身就是一次尝试：把一个热点话题拆到机制层，拆到能被反驳的位置。如果你在某个地方不同意，那正是这套方法生效的证据——你刚刚完成了一次闭环。

尾注：材料来源与口径

  • 一手原文：刘胜与《我不得不把才华埋葬在昨天》（2026-09-14 微信公众号首发，约 3000 字）
  • 口播讲稿：9 分 26 秒，对原文的解读

口径声明：

  • 文中「原文」指刘胜与本人表述；「讲稿」指口播解读者表述；「本文」指基于两者的分析推论。
  • 涉及原文具体表述与引文的部分，均可回溯至原文全文。
  • 讲稿中有若干二手数字与型号表述不准确。本文的论证不依赖任何未经验证的数字——凡涉及推断处均已标明为推论。

本文为深度解读稿，基于公开原文与口播讲稿的合流分析。