核心内容总结
这篇文章揭示了AI时代一个残酷的新现实：AI模型正在通过“蒸馏”人类知识（尤其是那些说不出来的隐性能力）来替代人，形成一条“递归蒸馏食物链”——从个人到企业再到产业层，每层都在被上一层吸收知识后抛弃。 微软CEO纳德拉虽然看清了这个机制，却不得不参与其中（一边警告知识被蒸馏，一边裁员）；曾经保护专家的“隐性知识护城河”正在被AI抽干；裁员不再是经济周期的产物，而是AI机器的日常代谢；普通人要想不被“榨干即弃”，必须守住自己的学习回路，不让知识成为别人的“燃料”。
一、AI“药渣”：专家们被榨干知识就扔
你可能听过AI需要数据训练，但现在训练AI的不是猫照片，而是活生生的专家。比如美国公司Mercor雇了3万名承包商——有研究广义相对论的博士、会希伯来语的配音演员、卢旺达的医生，时薪最高225美元。他们的工作只有一个：把脑子里的专业知识“倒”给AI。等模型学会了，这些专家的活就越来越少，最后被抛弃，像中药渣一样用完即扔。
另一家公司Handshake更狠，搞了个“银行家基准测试”：让真人扮演客户和投行银行家，把高盛内部的每一次交互都复刻下来（连分钟级细节都捕捉），还配了90项评分标准。目的就是搞清楚“高盛员工到底在做什么”，然后让AI学走这些技能。《纽约时报》记者补了句扎心的话：“高盛员工接下来会怎样，不必多说。”
这些专家里，有的甚至连续工作72小时，靠沙发打盹续命，但最终逃不过“模型学会就失业”的命运。
二、纳德拉的悖论：看清真相却不得不当帮凶
微软CEO纳德拉是个明白人，他连发两篇长文警告：AI正在“一滴一滴蒸馏”人类知识。他说的“反向信息悖论”很有意思：以前卖信息的人怕白送，现在买AI服务的人更怕——你要模型好用，就得把自己的专有知识喂给它，等于付两次钱（一次用钱，一次用知识）。
但讽刺的是，同一周他宣布微软裁员4800人。为啥？因为纳德拉自己就是这条食物链的一部分：微软怕OpenAI（它投资的公司）把自己的知识蒸走（比如OpenAI在微软云上学习微软的软件和工作流），所以必须裁员优化，不然就会被OpenAI吃掉。
这不是虚伪，是“结构性共谋”：你看得再清楚，也得跟着机器转——不蒸别人，就被别人蒸；不裁员，公司就活不下去。纳德拉既是“先知”（看清机制），也是“帮凶”（参与蒸馏），因为食物链中间没有暂停键。
三、递归蒸馏食物链：每层都在被上一层“吸血”
这种“蒸馏”不是单一现象，而是像俄罗斯套娃一样，每层都在重复同一个吞噬动作：
- 个人层：专家被AI实验室蒸（比如Mercor的承包商）；
- 企业层：微软被OpenAI蒸（模型学微软的知识）；
- 产业层：前沿AI模型被更便宜的模型蒸（比如免费开源的小模型正在通缩大模型的价值）。
这条食物链的规则不是“大鱼吃小鱼”，而是“谁拥有学习回路，谁就占上风”。你的知识流进谁的模型，谁就在你上面。比如微软比OpenAI大，但OpenAI能蒸微软，因为微软的知识流进了OpenAI的模型。
四、隐性知识护城河没了：AI能偷你“说不出来的本事”
以前专家的安全感来自“隐性知识”——那些写不进简历、说不出来的本事，比如“一眼看出报告哪里惹客户”的嗅觉、“打破流程的直觉”。老师傅带徒弟要三年，就是因为这些本事没法编码。
但AI改变了这一点：它不需要你说出来，只要看你怎么做。比如你纠正模型错误的每一次操作、你日常工作的每一个细节（像Handshake复刻投行交互），AI都能从这些行为痕迹里“逼出”隐性知识。
这相当于抽干了专家的护城河。更可怕的是，AI还会自我改进——以前泰勒制只是把手艺变成流程，现在AI直接把脑力变成可复制的模型，连“训练AI”这个岗位都是一次性的（模型学会了，训练者就失业）。
五、普通人的生存指南：别把学习外包给别人
AI时代，纯执行的知识工作（比如初级投行分析、标准化客服）肯定会被通缩，但不可蒸馏的能力会越来越值钱——比如判断力、人际关系、创造力、跨领域的模式识别。普通人要做两件事：
1. 划清信任边界：保留那些AI替代不了的东西——比如“什么答案不能信”的判断、“什么代价没写在表格里”的嗅觉、你的品味和人脉。别把所有认知都交给AI。
2. 拥有自己的学习回路：同样一小时劳动，如果你把知识流进别人的模型（比如给Mercor打工），就是“废气”，用完即弃；如果沉淀到自己的体系里（比如写文章、做项目积累经验），就是“权益”，能产生复利。
纳德拉说过：“你可以外包任务，甚至工作，但永远不能外包你的学习。”这句话本来是给CEO们说的，但普通人更该记住：别做被倒空的瓶子，要做那个拥有“配方”的人——你的学习，要留在自己手里。
这台蒸馏机器还会继续转，但你能决定的是：你的知识，往哪里流。别让自己变成别人的药渣。