不是新浪潮的开始，而是旧范式的收尾
一、引子：三篇文章，一个问题
最近读到三篇文章，单独看各有意思，串起来读更有意思。
第一篇来自前端开发者 Adam Argyle，标题直白：《AI 为什么在前端表现糟糕》
[1]
。第二篇是宾夕法尼亚大学和波士顿大学两位学者发在 arXiv 上的论文：《AI 裁员陷阱》
[2]
，用博弈论分析 AI 驱动的裁员潮为什么停不下来。第三篇来自未来研究者 Andrew Curry，标题更大胆：《AI 可能是这波数字浪潮的终结，而不是下一个重大事件》
[3]
。
三篇文章的作者背景各不相同，关注的问题也不一样，但放在一起，它们拼出了同一幅图景——AI 或许不是我们以为的那个故事。
本文不讨论 AI 能不能、好不好，而是借这三篇文章尝试回答一个更基础的问题：在历史的坐标上，AI 到底处于什么位置？
二、AI 做不好的事，暴露了它的本质
Adam Argyle 的文章
[4]
写的是前端，但他列出的那些问题，后端开发者读起来会觉得分外熟悉。
AI 很擅长脚手架、样板代码、token 迁移这类“高度重复、模式清晰”的工作。但一旦你走出这条铺好的路——想要一个定制交互、一套贴合业务的架构决策、一段真正考虑边界条件的逻辑——它就开始胡说了。越复杂，越糟糕。
Argyle 总结了四个根本原因：训练数据太旧、不会真正“看”、不知道“为什么”、以及零环境控制。这四条放到后端同样成立，甚至更严重。微服务拆分的边界、分布式系统的一致性权衡、幂等性设计……这些“为什么”恰恰是工程里最有价值的部分，也是 AI 最无能为力的地方。
训练数据旧这个问题，还有一个更隐蔽的维度——不只是数据“旧”，而是几乎没有。最新发布的 Kubernetes API、刚合并的特性、刚废弃的字段……这些信息在模型训练截止日之后才存在，LLM 原生不知道，只能靠 web search 打补丁。而这种情况会出现在每一个快速演进的技术栈里，不只是 Kubernetes。每一个“角落”都是一个盲区，盲区叠加盲区，最终的不确定性远比表面看起来大得多。
这引出了一个值得认真对待的问题：一个只能优化已知模式、无法理解“为什么”、对新事物天然滞后的技术，能开创一个新时代吗？
三、即使知道悬崖在哪，也会一起冲下去
如果说前一个问题是“AI 能不能”，这篇论文问的是另一个更残酷的问题：就算 AI 正在造成伤害，企业能停下来吗？
答案是：不能。
宾大和波士顿大学的两位学者在这篇论文
[5]
里建了一个博弈论模型，核心逻辑并不复杂：一家公司用 AI 裁员，节省的成本全归自己；但被裁的工人也是消费者，他们失去收入后减少的消费，由整个行业承担。每一轮裁员都在侵蚀所有公司赖以生存的需求基础，但没有任何一家公司会为此买单。
这是一个教科书式的外部性问题，也是一个囚徒困境：每家公司的最优策略都是“比竞争对手自动化更快”，哪怕所有人都清楚前方是悬崖。竞争越激烈、AI 越强大，这个扭曲就越深。
论文评估了数种政策干预手段：员工持股、全民基本收入、职业再培训、资本利得税、企业自愿协议……全部无效。唯一能纠正这个扭曲的，是对自动化直接征税，把外部性内部化（让造成伤害的人为此买单）。
但政策能解决的是游戏规则问题。有一个更底层的结构性矛盾值得关注：生产与消费本是一个飞轮。有人生产、有人有钱消费，飞轮才能转。历史上每一次技术革命，之所以能持续，是因为它在提升生产效率的同时，也创造了新的就业、新的购买力、新的消费需求——飞轮不但没停，反而转得更快。
但 AI 这次的逻辑不同。它提升的是“用更少的人做更多的事”的效率，而不是“创造更多需要人去做的新事”。如果这个趋势持续，飞轮的消费端会持续失血，生产端再高效也没有意义。不是技术不够强，而是飞轮的转动逻辑变了。
这不像是一个正在创造新世界的技术该有的样子。倒更像是，一个旧系统在走向终点时，把自己榨干的最后动作。
四、历史给了我们一个框架
前几节的问题是“AI 怎么了”，这一节要回答的是：这一切，在历史上见过吗？
技术经济学家 Carlota Perez 研究了从蒸汽机到互联网的五次技术浪潮，发现它们都遵循同一个模式：安装期 → 金融危机 → 部署期 → 成熟饱和。新技术先建基础设施，钱烧完之后泡沫破裂，然后真正落地生根、改变生活的应用才大规模涌现，最后趋于饱和，资本开始寻找下一个浪潮。
博主 Andrew Curry 在这篇文章
[6]
里引用了科技投资人兼作家 Nicolas Colin 的分析，指出三个信号说明我们已经处于当前这波数字浪潮的晚周期：
2022 年的创业融资崩塌是结构性的，不是周期性的。当好的创业想法对所有人（包括财力雄厚的大公司）都变得显而易见，初创公司赖以生存的“不确定性优势”就消失了。市场不是在等待下一个风口，而是在走向饱和。
ChatGPT 不是从车库里冒出来的。真正开创新浪潮的技术，往往在早期是隐秘的、被低估的——晶体管、互联网……没有人知道那是一个时代的开始。但 ChatGPT 的突破来自微软的巨额算力投入，谷歌、Meta、亚马逊随即跟上千亿美金。这种“大资本集中火力打已知问题”的模式，正是晚周期的典型特征。
平台饱和基本完成。还没有被数字化的领域——医疗、教育、建筑、政府服务——并不是 AI 的新市场，而恰恰是数字范式的天然边界，是它啃不动的地方。
Colin 的结论是：AI 更像 70 年代精益生产之于大规模制造——它优化了现有系统，却没有开创新系统。精益生产让工厂跑得更高效，但它没有开启一个新的工业时代；它是汽车时代成熟期的产物，不是下一个时代的起点。
历史上每一次真正的新浪潮，在它开始的时候，没有人知道它来了。没有发布会，没有万亿估值，没有全球 CEO 竞相表态。有的只是一个新的成本结构悄悄改变了某个角落的可能性边界。
AI 的到来，太显眼了。
五、那下一个浪潮在哪？
这是读完前面所有内容之后，最自然会冒出来的问题。可惜，这也是最难回答的一个。
按照 Perez 的模型，每次新浪潮的开始，都埋在当时主流视野的盲区里。蒸汽机时代没有人预见铁路会重塑整个社会结构；电气化时代没有人预见汽车会成为 20 世纪的核心产品；互联网的第一个十年，大多数人觉得它是学术玩具。
所以真正的问题不是“下一个是什么”，而是：在哪些地方，现有范式明显不够用、而新的可能性正在悄悄积累？
Curry 的文章里给了一些方向：医疗、教育、建筑、能源、政府服务——这些都是数字化“啃不动”的领域。不是因为它们不重要，而是因为它们的核心问题不是信息处理，而是物理世界、人际信任、制度结构。AI 在这些地方的局限，恰恰说明它们可能需要一套全新的范式来解锁，而不是现有工具的延伸。
当然，这只是一种可能的推断。历史上没有人能精准预测下一个浪潮从哪里发端。
能确定的只有一件事：当下一个真正的浪潮到来时，它不会有发布会，不会有万亿估值的公司为它站台，不会有全球 CEO 争相表态自己已经押注。它会安静地改变某个角落的成本结构，然后慢慢蔓延，直到有一天，所有人都突然意识到世界已经不一样了。
到那时候，大家才会回头看，说：哦，原来从那时候就开始了。
六、结语：效率压榨的终点
三篇文章，三个维度，指向同一个结论。
AI 做不好真正复杂的事，因为它是模式的压缩器，不是问题的理解者。AI 驱动的裁员停不下来，因为理性在错误的游戏规则下只会加速集体自毁，把生产与消费的飞轮越转越慢。AI 的资本热潮是大公司在存量市场里的军备竞赛，是内卷，不是开疆——红皇后效应（Red Queen Effect）——跑得越快，相对位置越没变，只是把整体扭曲推得更深。
把这三点放在 Perez 的历史框架里，画面就清晰了：我们正处于数字浪潮的晚周期。AI 是这个时代最后一次大规模的效率压榨，是旧范式在走向终点前，把自己能榨的都榨干的动作。它有用，有时候非常有用，但它的方向是优化，不是创造。
这不是悲观，而是定位。
理解 AI 在历史上的真实位置，不是为了否定它的价值，而是为了不被它的叙事带跑。过去几年，太多的资源、注意力、人才，涌进了“优化旧世界”的方向，而真正值得押注的问题——那些需要全新范式才能解锁的角落——反而没人看。
下一个浪潮不会从聚光灯下走出来。它会在某个此刻还显得偏僻、冷门、“不够性感”的地方悄悄生根。
我们现在能做的，或许是在这场喧嚣里，保留一部分清醒，留意那些安静的角落。
参考资料
[1]
《AI 为什么在前端表现糟糕》:https://nerdy.dev/why-ai-sucks-at-front-end
[2]
《AI 裁员陷阱》:https://arxiv.org/html/2603.20617v1
[3]
《AI 可能是这波数字浪潮的终结，而不是下一个重大事件》:https://thenextwavefutures.wordpress.com/2026/04/07/ai-end-digital-wave-technology-innovation-perez/
[4]
文章:https://nerdy.dev/why-ai-sucks-at-front-end
[5]
这篇论文:https://arxiv.org/html/2603.20617v1
[6]
这篇文章:https://thenextwavefutures.wordpress.com
读的时候我一直在想我自己那段写代码的经历。有一次上头派我重构一个老项目，我懒得从头捋逻辑，就顺手把需求丢给AI让它给个思路，结果它给我生成了一个特别规整的框架，整齐是真整齐，看起来每行都有理有据，但跟我那个项目的烂摊子完全不搭边。真正往进填业务逻辑的时候我才发现，它根本不知道这个系统为什么要这么设计，为什么历史遗留那个结构那么绕——我们当时是为了兼容老客户的旧数据啊，这种东西AI上哪儿知道去，训练数据里又没写着我们公司的烂账。后来老老实实自己啃了三天代码，才把坑填平。 文章里Adam Argyle说的那几个原因，我身边写代码的朋友看了都说挺准确的。最要命的就是“不知道‘为什么’”，有时候我怀疑它连自己在做什么都不知道，你给它一个任务，它能给你一万个看起来差不多的答案，但问它为什么选这个，哑巴了。这玩意儿干干搬砖活还行，你要真把设计决策交给它，晚上睡不着觉的准是你。 不过文章最后那段关于企业裁员的博弈论，我读着有点后背发凉。我前公司去年就搞过一波“AI优化”，说白了就是用工具替代了几个运营岗，当时领导算账算得挺漂亮，说省了多少人力成本。结果没几个月，那几个被裁的同事里有两个是原来负责对接客户的，他们一走，好几个老客户觉得沟通体验变了，跟跑了。公司又得花更多钱去招新人填坑，一来一回其实没省多少。但你说让领导停下来说不干了？不可能，因为隔壁公司裁得更狠，你不跟上就显得你效率低。明明大家都知道这是在往坑里跳，但没人敢先停。 这个事儿我倒觉得文章里那个“囚徒困境”说得挺透的。你一个人停下来，你就是那个被市场淘汰的傻子；你跟着一起跳，至少跳的时候还有个伴。以前工业革命的时候也有这个阶段，但那时候好歹新技术带来了一堆新岗位，纺纱机砸了手工织布，却多了工厂工人。这回呢?AI替代的是写文案的、画图的、敲代码的，然后这些被替代的人兜里没钱了，反过来又让消费市场变冷，最后大家都没活儿干。这确实是电脑外部性，不是个人能解决的问题。 不过话说回来，文章里说“唯一有效的是对自动化征税”这种话，我总觉得理想很丰满。真正操作起来，你信政府能分清楚哪部分是自动化哪部分是普通效率提升？我反正打个问号。这年头科技巨头在美国那边交多少税大家都心里有数，真要对自动化收一笔重税，他们有一百种方法把账做平，最后税还是落到底层消费者头上。与其指望这个，我还宁愿多聊聊怎么帮着被替代的人转岗。 我唯一不太同意文章的一点，就是它把AI太当回事了。它说这个东西是“旧范式的收尾”，我觉得有点过度抬高它了。AI确实是一样挺好的工具，但也就是个工具，跟当年Excel替代算盘有点像，力度大了点，本质还是帮人干活的。人类历史上被新工具吓到的时候多了去了，每次都觉得天要塌了，结果日子照过。现在这一波确实凶，但远远不到说什么“数字浪潮终结”的地步。你自己看看身边人，那些在AI上赚到钱的又有几个呢，大多还是在那儿开会员、充订阅、给平台做数据罢了。 反正我读完了，觉得文章能把三篇不同的东西拼成一个图景，这个功夫挺厉害的，引的那些细节也确实戳人。但这个题它太大了，AI到底在历史坐标的哪个位置上，怕是要等咱们这批人都退休了才有答案。写代码去了，不聊了。