机器很强，但它替代不了“成为人”这件事
2025-09-10

机器很强，但它替代不了“成为人”这件事

先把问题摆正：替代什么，凭什么替代

当我们问“AI能不能替代人类”，容易把它简化成“AI能不能干活”。干活只是人的一部分。人不只是“做任务的系统”，还是“有体验、有关系、有承诺的存在”。所以这个问题要拆成两层：一层是工程层面的“能不能把事情做对”；一层是人类学层面的“能不能以人的方式在世界里安身、被信任、被承认”。前者看性能，后者看意义与合法性。两层都过了，才谈得上“替代”。而在这两层上，都有清晰的边界。

从AI专家的视角：技术能做到哪儿，做不到什么

1）可计算，不等于可替代

很多现实任务可以被形式化（识别影像、总结文献、写代码），但“把问题形式化”本身往往需要情境判断与价值选择。把问题定义清楚，是人擅长而机器仍受限的环节。经典的“莫拉维奇悖论”提醒我们：对人类来说看似“本能”的事（在开放世界中抓要点、体察弦外之音）恰恰最难工程化。

2）分布外的不确定：模型强在“已知的相似”，弱在“未知的变形”

现代AI学到的是大规模统计规律。它在熟悉分布里极强，但面对“分布外”的突变、制度变更、罕见事件、隐喻翻新，可靠性会明显下降。人类的强项是“小样本+类比+价值锚定”的快速应变，尤其在没有先例的陌生场域。

3）“对齐”的技术极限：把能力做强，不等于把目标永远对齐

即便我们能让系统遵循某套规范，也无法在所有情境里预设全部价值冲突。目标在现实里会互相打架：效率 vs. 公平、隐私 vs. 安全、短期收益 vs. 长期后果。这些冲突需要承担者来裁决与负责。机器可以执行，责任却需要主体来背。

4）具身性与常识的“开放世界问题”

今天的主流系统大多是“脱身的”（disembodied）：它们没有持续的身体—环境耦合，也不需要像人那样靠嗅觉、疼痛、疲劳、空间位置去理解世界。缺乏这种长期的“在世经验”，会让它在微妙的社会线索、暗示、礼节、暧昧地带里失手。把这些全数表成“规则”几乎是不可能任务。

5）可验证≠可问责

工程上我们可以做A/B测试、做形式化验证、加审计轨迹，但问责不只是“谁写了这段代码”，还包括“谁应承担后果”。人类社会的法与德要求“能被惩戒、能被改过”的主体。算法本身没有羞耻、悔恨、赎罪能力，也没有“自我叙事”去承担改变，这就是问责的终点。

小结一句：AI能极大增强人的感知、记忆与推理外延，却难以自行完成“问题定义—价值裁决—责任承担”的闭环。这恰恰是“不可替代”的关键。

从人类学的视角：什么叫“以人的方式活着”

1）主观体验（qualia）与“过一种生活”

人类不只是处理信息，还在“感受”。苦乐、羞愧、自豪、亲密、失落，这些体验是我们行动意义的来源。哲学家迈克尔·波兰尼有句名言：“我们知道的东西，往往多于我们能说出的”（We can know more than we can tell）。这类“默会知识”浸润在身体、手艺、气口和场面里，很难被完全外化成符号。

2）“厚描”与语境：同一个动作，不同的世界

人类学家克利福德·格尔茨提出“厚描”：同样是眨眼，可能是抽动，也可能是打暗号。意义不在动作本身，而在关系与场域。AI可以描述动作，但“读场”需要进入共同体的脉络、历史与隐性规则——这是人类长期共同生活沉淀出来的能力。

3）礼物、承诺与信任的循环

马塞尔·莫斯在《礼物》中揭示，人类社会靠互惠与人情维系。很多“非市场”的行为（照护、托付、留面子）构成了社会的真正粘合剂。机器可以模拟互动，但它不承受“失礼的代价”，也不需要靠声誉在同侪中活下去；因此它很难成为“把关系维系在一起”的道德节点。

4）合法性的来源：谁有资格说“应当”

马克斯·韦伯区分传统型、魅力型与法理型权威。机器不具血缘、宗教或魅力合法性，它也并非经由民主过程获得法理正当性。用算法去发布“应该做什么”的宣告，缺了社会赋予的那一层“资格”。这不是性能问题，而是政治与伦理的根。

5）死亡意识与长远承诺

人知道自己会死，因此会构建传承、仪式、纪念、遗嘱，把短期行动嵌入“更长的故事”。这种“带着死亡工作的能力”塑造了意义感、牺牲与责任。一个不老不死、无痛无惧的系统，很难天然生成这套动力结构。

哪些场景特别难被替代：把抽象落到地面

1）终极关怀与伦理抉择
临终关怀、灾害安置、冲突调解，需要的不只是“最佳方案”，而是“合适的安放”。这包含悲伤的陪伴、羞耻的抚平、罪与赦的对话——都是深度的情感劳动与道德勇气。

2）政治领导与公共信任
在不完全信息下团结多元人群、为不均衡的损益背书、在危机里承受骂名，这些“合法性生产”无法外包给模型。算法能做参谋，不能当“替骂者”。

3）司法量刑与“同情的正义”
法理之外，法官会考虑被告的人生脉络、悔意、受害者的感受、社区的修复。正义不仅是算术，还是共同体修复的艺术。

4）亲密关系与育儿
“给予与被需要”的互塑，是人的核心经验。儿童通过与主要照护者的情感调律发展信任与自我边界。服务型AI能减轻事务，但无法替代“看见我”这种被确认。

5）范式转移式创造
把错位的事物拉在一起、为旧世界命名新秩序（从“疾病是瘴气”到“病原体”，从“以太”到“相对论”），靠的不是穷举，而是审美—直觉—大胆赌注的合奏。机器能枚举组合，人来给“何为新”的元判断。

6）艺术的“现场性”
艺术不仅是作品，还是现场的共振、流汗与眼神。它把观众变成参与者，把“此时此地”的不确定性本身变成意义的一部分。可复制的仿真，常常恰好失去“不可复制”的灵魂。

人—机最优分工：怎么让“不可替代”真正发光

人定义“为什么”：价值方向、伦理边界、风险承受、成败的社会后果。
机执行“怎么做得广和快”：检索、聚合、推演、生成多稿、找盲点。
人完成“最后一公里”：把结论安放到具体的人与关系里；做出承担后果的裁决。
联合的节律：先由人的直觉给出方向，再让机器展开宽度；机器暴露不确定处，人回到现场补深度；循环迭代。

一个好用的小框架，落在任何协作上都管用：
我这次要解决什么核心问题；到什么精度就足以支撑决策；继续深入的时间—收益比还划算吗；有没有更重要的事需要我这个“能承担的人”。答完，就停或进。

常见误区：别把“像人”当“是人”，别把“高效”当“替代”

拟人化错觉：流畅的语言、贴心的语气，会诱导我们把系统当作“有意图的他者”。记住：系统并不“在乎”你，它只在最优化目标。
“平均值陷阱”：在均值任务上，AI像“超级熟练工”，在黑天鹅与价值冲突处，人必须站出来。
责任外包：把艰难决定推给算法，短期省心，长期侵蚀制度的信任土壤。

一张对照表：该交给AI，还是保留给人

领域	更适合AI的环节	必须由人承担的环节	原因
医疗影像、文献综述	海量检索、初筛、模式识别	告知坏消息、风险—利益权衡、个体化方案	牵涉尊严、价值冲突与问责
公共政策	情景推演、数据整合、影响评估	价值取舍、分配正义、舆情承担	合法性与信任不可外包
教育	个性化练习、即时反馈	价值引导、挫折陪伴、榜样力量	教育是人成为人的过程
产品与运营	生成创意池、A/B组合、用户分群	品牌边界、伦理红线、危机处置	需要在不完全信息下背书
艺术创作	草图、变奏、风格迁移	立意、风骨、现场	意义来自“谁在对谁说什么”

给个人与组织的可执行建议

1）把“替代”改成“负责”：凡关乎价值冲突与后果承担的环节，设定明确的人类责任人。
2）把“效率”改成“厚度”：在人与人的接触点上，多留时间制造“厚描”（倾听与回应），让关系而非流程来兜住信任。
3）把“指标”改成“接口”：任何跨部门协作，都先对齐“谁给谁什么、什么时候给”，以“接口清单”替代“相互解释”。
4）把“预设对齐”改成“滚动校准”：定期复盘“AI在哪些情境帮到了我们、在哪些情境制造了错觉”，更新分工地图。
5）把“恐惧被替代”改成“投资不可替代”：多投在判断力、叙事力、关系力与伦理勇气，这些是你与机器的本质区分度。

结语：AI能放大人的手，但替代不了“人要成为什么样的人”

把活儿做对，很重要；把人安放好，更重要。AI能把我们从大量重复、冗长的信息劳动中解放出来，让人把时间与心力投到判断、承诺、抚慰、创造和承担上。真正成熟的社会分工，不是把人挤到边缘，而是把人放回到“必须由人”之处——在那里，我们决定何为善、何为美、何为可承受的代价，决定在不确定的世界中，如何成为彼此可以依靠的人。

无尘阁日记

无尘阁日记