消费电子观察 — 智能手机、影音穿戴、智能家居与消费电子供应链资讯与深度分析

<figure><img src="https://img.huxiucdn.com/ai/ai-general-cover/202608/30/33581-prod-kl-general-1-1788104360616.png?imageView2/1/w/1440/h/810/|imageMogr2/strip/interlace/1/quality/85/format/png" /></figure>我们这一代人接受的教育里，有一条几乎不需要被论证的信念：努力就会有回报。认真读书、多花时间、肯吃苦、比别人多做一点，往往就能换来更好的成绩、更稳定的工作和更体面的收入。这套逻辑今天并没有失效，它仍然解释着大多数人的处境。真正开始松动的，是它的定价方式。AI没有取消努力的意义，却在悄悄改写努力的价格表。一些过去......本文来自微信公众号：<a href="https://mp.weixin.qq.com/s/l2tjfhZfOY76aG173QPyBA" rel="nofollow" style="text-decoration: none;" target="_blank"> HavenlonLabs </a>，作者：Havenlon Labs我们这一代人接受的教育里，有一条几乎不需要被论证的信念：努力就会有回报。认真读书、多花时间、肯吃苦、比别人多做一点，往往就能换来更好的成绩、更稳定的工作和更体面的收入。这套逻辑今天并没有失效，它仍然解释着大多数人的处境。真正开始松动的，是它的定价方式。AI没有取消努力的意义，却在悄悄改写努力的价格表。一些过去昂贵的能力正在迅速变得便宜，一些过去并不显眼的能力反而开始变贵。所以当我们反复讨论AI会替代多少岗位时，问的也许并不是最要紧的问题。更值得关心的是，它正在重新定义：哪一类人类能力，值得在未来被长期奖励。<blockquote>未来真正有回报的，可能越来越不是付出了多少劳动，而是做出了多少正确判断。</blockquote>这并不是在贬低勤奋。它只是提醒我们，努力本身也是一种被定价的东西，而这张价格表正在被重写。一、苦劳正在贬值，判断正在升值在很长的时间里，一个人愿意连续工作十个小时，这件事本身就具有经济价值。原因并不复杂：人的时间有限，多工作两个小时，就意味着多处理几个客户、多写几段代码、多整理一批资料、多出一份方案。投入时间与创造价值之间存在着稳定的换算关系，于是勤奋顺理成章地成了竞争力的代名词。谁工作更长，谁完成得更多，谁看上去就更值得被雇佣。AI打破的正是这层换算关系。它最不缺的恰恰是执行时间：不会因为连续运转八小时而疲劳，也不会因为重复处理第一百份材料而失去耐心。过去需要一整天完成的信息整理，现在可能几十分钟就能交付；过去需要一个团队反复讨论才能磨出的初稿，现在可以在很短时间里生成好几个版本供人挑选。"做得快"曾经是一种稀缺能力，而未来它会越来越接近机器默认提供的基础配置。当速度变成公共品，差距就必须转移到别的地方。真正开始区分人的，不再是这件事做得多快，而是这件事为什么要做：这个问题值不值得解决，这个客户值不值得跟，这个功能应不应该开发，这份数据究竟说明了什么，以及一个更冷酷的问题——方向是不是从一开始就错了。过去，错误的判断往往会被缓慢的执行速度限制住。一个方向有问题的项目，可能需要几十个人做上半年，问题才逐渐浮出水面，其间还留有无数次修正的机会。今天不同了，人加上机器可以把一件事推进得更快、更完整、更彻底，而这种效率对正确与错误一视同仁。<blockquote>机器可以把正确的判断迅速放大，也会把错误的判断同样迅速放大。</blockquote>所以AI越强，"努力"这个词就越需要被重新解释。未来最昂贵的劳动，可能不是把事情做出来，而是决定什么事情值得被做出来。二、知识正在贬值，问题定义正在升值判断力从哪里来？过去的答案通常是：从知识里来。读过更多的书、掌握更多的资料、记住更多的规则、知道别人不知道的信息，一个人就天然拥有优势。教育体系长期强调积累，也正是因为答案本身曾经很贵——找到一份专业资料很难，获得一组行业数据很难，弄清一个陌生概念可能要花上几天，而找到一个真正懂行的人往往更难。这个成本正在急剧下降。解释概念、整理资料、比较观点、分析数据、生成代码、追查线索，这些原本存在门槛的动作，如今普通人都可以随时调用。一个人能够触及的知识规模，正在以前所未有的速度扩大。这当然是好事，但它同时意味着，知道答案这件事正在变得不再稀缺。稀缺性于是向后移动了一格。你知不知道该问什么？你能不能看出问题本身就问错了？当一个答案看起来完整、流畅、条理清晰的时候，你有没有能力判断它是否可信？哪些信息重要，哪些只是噪声？当三个模型给出三个不同的结论，你凭什么选择其中一个？还有一个更容易被忽略的问题：什么时候应该停止继续寻找答案。机器可以不断生成。它能给你十个方案、一百个标题、二十种解释，但数量不会自动产生正确。当答案趋近于无限供应，昂贵的能力就会从"拥有知识"迁移到"组织知识"，再从"组织知识"迁移到"定义问题"。这也解释了一件看似反直觉的事：真正有经验的人未必会因为AI而迅速失去价值。因为经验中最重要的部分，从来不是记住了多少事实，而是见过足够多的问题之后，知道什么地方容易出错，什么情况看起来一样、实际上完全不同，什么信息值得怀疑，什么迹象意味着事情已经偏离了正常轨道。<blockquote>新手看到的是答案，有经验的人看到的往往是问题本身。</blockquote>AI会越来越擅长回答。但提出一个真正值得被回答的问题，仍然是一种昂贵的能力。三、执行正在贬值，责任正在升值即使问题被正确地定义、答案被高效地生成，链条的末端仍然空着一个位置。写一封邮件、整理一份会议纪要、生成一版合同初稿、写一段程序、做一份财务分析、拟一个营销方案——这些过去需要具体的人坐下来完成的工作，如今越来越多可以由机器辅助，甚至大部分交给机器。执行型能力正在快速商品化，这是AI带来的最直观的变化，也是"如果AI什么都能做，人还剩下什么"这个问题最常被提起的场景。答案其实并不神秘。有一样东西始终很难被外包出去：责任。AI可以帮管理层分析一个投资项目，但最后是谁签字。AI可以给医生提供参考意见，但最后是谁确认治疗方案。AI可以起草一份法律文件，但最后是谁愿意用自己的职业信用为它的后果背书。AI可以为创业者拆解市场、客户与竞争格局，但最后是谁拿自己的钱、时间和未来下注。这些问题不会因为模型能力提高而消失，反而会因为建议变得廉价而更加突出。当生成建议的成本趋近于零，昂贵的就变成了另一件事：在信息并不完整、未来仍不确定的情况下做出选择，并且承担这个选择带来的后果。我们过去习惯把能力理解成"我会不会做"。AI时代可能会迫使我们重新定义它：我知道该不该做，我知道做到什么程度，我知道出了问题意味着什么，以及我愿不愿意为这个决定负责。能力可以借助工具放大，执行可以外包，知识可以随时调用。<blockquote>责任却很难通过一个Prompt转移出去。</blockquote>因此未来很多岗位真正留下来的核心，不一定是操作能力，而是责任位置。越靠近最终决策、最终风险和最终后果的地方，人就越难彻底退出。四、追风口正在贬值，基本盘正在升值责任意味着承担后果，而承担后果需要余量。这就把问题从职业能力推到了另一个层面：一个人有没有能力在判断失误之后，继续留在牌桌上。AI带来的一个强烈副作用，是它几乎每天都在制造紧迫感。新的模型、新的产品、新的智能体、新的编程方式、新的创业公司、新的工作流。任何人打开信息流，都容易生出同一种情绪：是不是又落后了，是不是该马上转行，是不是现在不出手以后就没有机会了，是不是昨天刚学会的东西今天已经过时。这种焦虑会催生一个危险的错觉：时代变化越快，个人就越应该激进。现实可能恰好相反。变化越快，一个人越需要拥有自己的基本盘——稳定的现金流、可迁移的专业能力、长期积累的职业信用、健康的资产负债表、持续学习的能力，以及允许自己犯错的空间。没有人能够准确预测AI最终会重塑哪些行业，也没有人能确定今天最热门的技术在三年之后还站在什么位置。在高度不确定的时期，一个人最大的风险往往不是错过某一个风口，而是为了追逐一个自己无法判断的机会，把全部退路一次性押上。裸辞、举债、盲目创业、频繁转行、看到一个新概念就推翻过去所有积累——这些动作看上去很像"拥抱变化"，实质上却是在用个人的生存能力，去承担技术演进的不确定性。真正的反脆弱，从来不是每一次浪潮都第一个跳进去。<blockquote>反脆弱是浪潮判断错了之后，你还在。</blockquote>一个人有六个月甚至一年的现金储备，做职业选择时就更有耐心；在一个行业里积累了十年信用，尝试新工具时就不必从零开始；没有沉重的债务压力，面对短期波动时就更容易保持判断的清醒。<blockquote>技术越激进，个人的资产负债表反而越应该稳健。</blockquote>因为未来最宝贵的，不只是抓住机会的能力，还有等待真正机会出现的能力。五、真正被重新定价的，是人的价值结构把这四组变化放在一起看，趋势就相当清晰了：苦劳没有消失，但判断比苦劳更贵；知识没有消失，但问题定义比知识更贵；执行没有消失，但责任比执行更贵；机会没有消失，但基本盘比追逐每一个机会更重要。这四条线指向的是同一件事。AI并没有简单地让人变得不重要，它正在做一件更复杂的事情。<blockquote>它把一些曾经属于人的稀缺能力变成了普通商品，同时把另一些长期被低估的人类能力重新推向稀缺。</blockquote>这也是为什么，AI时代真正值得担心的，未必是年龄，也未必只是学历。一个四十岁的人，如果依然拥有判断力、行业经验、信用和承担责任的能力，同时愿意使用AI，他未必天然输给一个二十岁的人。一个学历普通的人，如果能够定义问题、解决真实存在的问题、持续学习，也未必天然失去机会。反过来，一个年轻、学历漂亮、工具熟练的人，如果依然只习惯等待明确的任务、机械地执行，并且用工作时长来证明自己的价值，反而可能越来越不适应新的价值体系。AI不会平均地淘汰所有人，它更可能重新拉开人与人之间的距离。而这种距离在未来未必主要来自谁知道得更多，更可能来自：谁更会判断，谁更会提问，谁敢于承担责任，谁懂得利用机器而不是与机器赛跑，以及谁在一个高速变化的时代里，仍然为自己保留了足够的生存余量。六、努力没有过时，只是努力的方向变了所以，"努力正在贬值"这个说法其实并不准确。更准确的表述是：低质量的努力正在贬值。重复劳动在贬值，没有判断的忙碌在贬值，因为别人都在做所以自己也去做的努力在贬值，用时间长度来证明价值的方式在贬值。这些形式在过去之所以有效，是因为人的执行时间本身稀缺；当稀缺性发生转移，它们也就失去了原本的溢价。AI时代仍然需要非常努力的人，只是努力的方向需要迁移：从"多做一点"，转向更深地理解问题，转向建立属于自己的判断体系，转向学会借助机器放大能力，转向积累真正长期有效的专业经验，转向保护自己的现金流与职业信用，并且在重要的事情上敢于承担结果。这个时代不奖励最忙的人，也未必奖励最懂AI的人。它越来越奖励那些能够借助机器放大执行力，同时保留判断力、责任感与生存余量的人。过去我们经常问：一个人愿意付出多少。<blockquote>未来也许更应该问：一个人知道什么值得付出。</blockquote>

AI 时代，当速度变成公共品：努力的价格表正在重写

📌 概要