当劳动消失以后，我们会自由吗？

我在一个很 FOMO、很 intense 的行业工作。

作为一个大模型研究员，我每天想的事情，大致是怎样训练模型，让它完成一些过去只有 expert 才能完成的任务：写代码、做研究、操作电脑、发现错误、修正错误，甚至帮助我们训练下一个模型。

在硅谷这样一个 automation max 的地方，这些问题听起来都很自然。模型每多自动化一段工作流，就是一次进展；每多掌握一种专家能力，capability curve 就又陡了一点。

但有时从工作里停下来，我会冒出另一个问题：

我们这么做，对于人类的意义到底是什么？

最常见的答案是：AI 会替人完成枯燥、重复、不得不做的事情。人们不必再为生计奔忙，终于可以把时间用来做自己真正喜欢的事。

这个愿景当然很好。问题是——先不说真正的自动化还要多久——现在又有多少人知道自己真正热爱什么、真正想做什么？

白天我训练模型去替代专家，晚上我开始思考专家被替代以后应该做什么。这多少像是先把桥拆掉，再研究人类应该如何过河。不过，这也许正是技术工作者应该偶尔做的事情。

Labor、Work 与 Action

最近我在读汉娜·阿伦特的《人的境况》。这本书出版于 1958 年。阿伦特把人的积极生活——vita activa——区分为三种活动：Labor、Work 和 Action。

这三个词很难直接翻译，因为它们不是日常语言里的“劳动”“工作”和“行动”。

Labor 首先服务于生命的维持。饭被做出来，很快就被吃掉；房间打扫干净，又会重新变脏；身体得到休息，也会再次疲劳。它属于生产、消耗、维护和再次生产的循环。它最重要的特征不是辛苦，而是没有一个真正完成的时刻。

Work 是制造一个相对持久的人造世界。一栋房子、一本书、一件家具、一座桥，都不会永久存在，却可能被别人使用、继承和修改，甚至比制造者本人活得更久。借用阿伦特的区分来说，一套软件或一个长期项目有时也可能具有 Work 的性质——前提是它不只是一次性 output，而是真正进入了一个共同世界。

Action 最难理解。它不是点击按钮，也不只是“共同完成任务”。Action 发生在复数的人之间：人通过言说和行动显现“我是谁”，发起一件无法被完全预先计算的新事情。它和公共世界、自由以及新开端有关。

三者不是三种职业。同一个程序员的一天里，可以同时有处理工单的 Labor、建造系统的 Work，以及和他人共同决定项目方向的 Action。

“没有劳动的劳动者社会”

理解这三个概念以后，才能理解阿伦特在书开头留下的一个悖论：自动化可能把我们带进一个“没有劳动的劳动者社会”。

既然 Labor 消失了，为什么人还是劳动者？

因为现代社会已经教会我们把绝大多数活动理解为谋生：学习是为了找到工作，工作是为了获得收入，休息是为了恢复精力，然后继续工作。几乎所有时间都围绕着生产和恢复生产来安排。

借用阿伦特的诊断，我的猜想是：如果机器突然取消了劳动，人并不会自动变成制造者或政治行动者。他可能只是成为一个失去劳动的劳动者——终于不用工作了，却不知道除了工作以外，自己还能做什么。

阿伦特真正担心的不是自动化失败，而是自动化成功以后，我们却没有为自由准备好任何内容。

一张不太乐观的图

于是，我做了一件略显讽刺、又很符合这个时代的事：我让 AI 根据阿伦特的概念，画了一张 Labor、Work 和 Action 在技术史中此消彼长的图。

这张图想表达的并不是未来所有人都会工作更久。恰恰相反，传统就业可能大幅减少。

图中不断扩张的红色，代表的是 Labor 的生活逻辑：循环、消费、维护、恢复，再次消费。它描述的是人的生活被什么组织，而不只是人有没有一份工作。

工业革命把一部分完整的工匠制作拆成流水线上的重复步骤；信息流和社交媒体又把越来越多公共表达转化成可预测、可统计、可消费的行为。到了 LLM 和 Agent，自动化开始从生成一个答案，走向执行一整段工作流，从辅助人制作，走向自主规划、调用工具和减少 human-in-the-loop。

因此，这张图对未来只做了一个带有个人偏见的猜想：随着自动化程度上升，人类的 Work 与 Action 可能继续受到挤压，而 Labor 的生活逻辑反而扩张。

当“怎么做”变得便宜以后

我对 LLM 最乐观的理解，是它把大量知识和专业能力压缩成了个人可以调用的基础设施。

一个具有主观能动性的人，可以借助模型，一个人开发过去需要团队完成的软件，制作电影、游戏和课程，进行研究、设计和数据分析，甚至组织过去只有大型机构才能维持的项目。

从这个角度看，LLM 极大地放大了 homo faber——制造者——的能力。一个人能够创造更多 Work，而不只是完成更多 Labor。

但 AI 主要降低的是“怎么做”的门槛。它没有自动回答另外几个问题：

• 为什么要做？
• 什么东西值得留下？
• 我愿意为哪个项目承担长期责任？

Work 不等于 output。

一天生成一千条几分钟后就被遗忘的视频，不一定比花五年写出一本仍会被阅读的书创造了更多 Work。AI 可以制造数量惊人的输出，但只有很小的一部分会真正成为人类共同世界的一部分。

过去稀缺的是知识、技术和组织资源。未来真正稀缺的，也许会变成目的、品味、判断、选择、长期承诺和理想主义。

AI 可以民主化手段，但它不会自动民主化目的。

自由不会凭空长出来

假设有一天，AI 和机器人真的承担了大部分脑力与体力劳动。一种直觉是：大家都会去做 Work——写书、做艺术、研究宇宙、制造新事物。

但这种直觉偷偷假设，每个人心里都已经藏着一种真正的热爱，只是过去上班太忙，没有时间把它拿出来。

我越来越不相信这个假设。

兴趣并不总是一件藏在内心深处、等待被发现的东西。它常常在一个漫长过程中形成：接触一件事，尝试它，做得很差，遇到阻力，逐渐掌握一点，得到别人的反馈，进入一个共同体，然后才愿意为它投入更多时间。

人不一定因为热爱木工才开始做木工。很多时候，是做了一段时间木工以后，才开始热爱木工。

AI 可以降低进入一个领域的门槛，这是好事。但如果模型也顺手消除了练习、等待、失败、材料的阻力，以及与别人共同学习的过程，人就可能永远停留在尝鲜阶段。

五分钟生成一首歌，十分钟生成一个游戏，半小时生成一部短片。每一种可能性都随时可以被下一种可能性替代。一个人拥有无限的创作能力，却无法对任何一个具体作品形成长期依恋。

有时间，不等于有方向。
有能力，不等于有目的。
没有 Labor，也不会自动产生 Work，更不会自动产生 Action。

娱乐当然不等于劳动，休息、游戏和消遣也没有什么道德问题。问题在于，现代娱乐越来越呈现出与 Labor 相似的时间结构：生产出来，立刻被消费，然后迅速被新的产品替代。

短视频尤其像这样：刺激，满足，厌倦，下滑；再刺激，再满足，再厌倦，再下滑。你不会刷完短视频，就像你不会永远吃完最后一顿饭。

未来的人即使不再为了生存劳动，也可能把大量时间用来消费无限生成的娱乐、优化个人体验、经营数字身份，或者接受越来越精确的个性化服务。作为职业的 Labor 可能减少，Labor 的生活逻辑却反而占据更多生命。

两种人，以及退到幕后的 Action

图表最容易造成的误解，是把“人类”画成了一个平均人。AI 时代更可能发生的，其实是一场分化。

一小部分具有强烈主观能动性、长期主义和理想主义的人，会与 AI 一起完成越来越大比例的 Work。他们设定目的、选择问题、组织资源，用一个人的规模做出过去一个组织才能做出的东西。

更多人可能不再承担传统劳动，却也没有进入 Work 或 Action。他们成为被自动化系统供养、照料、娱乐和管理的用户。生活可能舒适，物质可能丰富，选择看起来也很多；但这些选择主要发生在系统已经准备好的菜单里。

最危险的未来不一定长得像《黑客帝国》。它也可能长得像一个极其好用、服务无微不至、但没有真正退出按钮的生活 App。

Action 则可能退到幕后。

至少在今天，模型没有政治身份，也不承担可以追究的责任。它可以发邮件、修改代码、安排资源，但这些是 operation，不是阿伦特意义上的 Action。

AI 更擅长扩大行政、流程和管理，让一些原本需要公开争论的事情，看起来只是可以优化的技术问题。在阿伦特对“社会领域”的诊断里，公共生活逐渐从“我们共同想要怎样的世界”，变成“怎样把所有人的生活管理得更高效”。AI 很可能成为这个“巨大家庭”的操作系统。

这当然是我从阿伦特出发的当代推演，不是她在 1958 年对 AI 的预言。但如果目标设定、制度设计和资源控制逐渐集中在少数系统设计者、所有者和政治参与者手里，Action 并不是被 AI 取代了；它只是被挤出了大多数人的日常生活。

于是，一个奇怪的世界就可能出现：社会生产了大量 Work，却只有很少的人参与创造它；大多数人不再承担 Labor，却仍生活在 Labor 的循环里；AI 管理几乎所有人的日常生活，而 Action 只发生在少数仍有权决定系统目标的人之间。

自由也需要被练习

我并不认为解决方案是放慢所有 AI 研究，更不认为人类应该因为害怕未来，而保留大量没有必要的苦役。

AI 让一个古老的愿望第一次显得近在眼前：人可以从必要性中被解放，而不必把全部必要劳动转嫁给另一群被排除的人——尽管今天的模型和机器人依然建立在数据标注、能源、矿产和供应链中大量被隐藏的劳动之上。

如果这个机会真的到来，把人从 Labor 中解放出来，不能只等于取消他们的工作。我们还需要建设把自由时间转化为 Work 与 Action 的能力和制度。

先让物质自由被更广泛地分配

如果 AI 创造的生产力只集中在少数公司和资本所有者手里，大多数人不会得到自由，只会失去议价能力。基本生活保障是进入 Work 与 Action 的必要条件，虽然它本身并不充分。

让教育帮助人形成目的

未来稀缺的能力，也许不是记住知识，而是选择一个值得做的问题，忍受暂时没有反馈，在失败以后继续，并和其他人一起把一件事坚持下去。兴趣不是从菜单里选择出来的，它需要练习、共同体和真实世界的阻力。

设计真正促进 Work 的 AI

好的 AI 产品不应该只让人更快地产出更多东西。它应该帮助人建立长期项目，保留对成果的理解和所有权，制作能够被别人使用、维护和继承的东西，并从一次性输出走向一个相对持久的世界。

我们不应该只问：AI 能替人完成多少任务？还应该问：AI 能让多少原本没有条件成为制造者的人，开始真正制造东西？

保留 Action 的公共空间

涉及共同生活目标的决定，不能全部被降格为技术优化。人需要质疑系统的机会、拒绝自动决策的权利、重新定义目标的能力、参与公共讨论的空间，以及找到具体责任人的可能性。

AI 可以提供信息、模拟方案和执行流程，但政治责任最终必须回到具体的人。

能力竞赛之外的另一场竞赛

还有一个无法忽略的维度：速度。

站在前沿 AI 研究内部，模型能力、计算效率、Agent、机器人和研发自动化，确实呈现出彼此加速的感觉。这也是 AI 研究院如此 FOMO 的原因：任何一个实验室停下来，都会担心另一个实验室先把下一层自动化做出来；任何一个研究者慢一点，都会感觉昨天的问题今天已经变成了产品功能。

因此，如果人类中的有志之士想做点什么，也必须要快。

但“快”不能只意味着更快地训练模型、部署 Agent、自动化职业和减少 human-in-the-loop。我们还需要同时加快另一条曲线：培养人的主观能动性，建设新的公共制度，设计真正促进 Work 的人机关系，并在越来越多的人变成没有劳动的 animal laborans 之前，给自由找到用途。

能力竞赛已经开始了。

人类能动性的竞赛也应该开始。

最后：自由究竟为了什么？

我没有答案。

阿伦特也没有试图给出一个人的答案。这类问题最终属于实践政治，需要许多人共同决定。

她留下的任务只是：思考我们正在做什么。

对我来说，有时从繁忙的工作里停下来，想一想这些问题，本身就很有趣，而且可能也很必要。

因为当我们训练模型去替代专家时，我们或许也应该同时训练自己和我们的社会，去回答另一个问题。

当我们终于获得自由以后，自由究竟是为了什么？