你如果值得被蒸馏，说明你足够优秀：一位跟Mercor签约的律师说，赶工最狠的项目要连续做72小时，中间靠在沙发上打个盹，熬到后来，专家们发现活越来越少。模型学会了，就不再需要老师。中药里有个现成的词，可以送给这些被榨干即弃的人：药渣
Mercor雇佣物理学博士、医生、律师和配音演员，不是为了让他们长期服务客户，而是让他们把专业知识转化为AI可以学习的数据。
有的岗位时薪达到225美元。一位签约律师说，最赶的项目要连续工作72小时，只能中途靠在沙发上打个盹。但随着模型能力提高，专家们能够接到的工作反而越来越少。
这件事最值得关注的，不是专家拿到了多高的时薪，而是交易的真实内容：他们出售的不只是劳动时间，还包括自己多年积累的判断、经验和纠错能力。
谁拥有学习回路，谁就获得价值
纳德拉把AI时代的信息交易称为“反向信息悖论”。过去卖方担心信息提前泄露；现在，买方为了让AI真正有用，必须主动交出自己的专有知识。
企业向模型提供提示词、工具调用记录和错误纠正。单独看，每一次交互都微不足道；累积起来，却构成了组织最有价值的隐性经验。
企业为智能付了两次钱：第一次支付模型费用，第二次交出让模型变聪明的知识。学习如果长期单向流动，价值最终就会集中到学习基础设施的所有者手里。
我认为，这比“AI替代哪些岗位”更接近问题的本质。真正决定食物链位置的不是企业规模，也不是个人资历，而是知识流向谁、沉淀在哪里。
蒸馏正在每个层级重复
微软担心自己的软件、工作流和客户经验被前沿模型吸收，同时又在用AI吸收员工的判断和经验。个人、企业和模型实验室，都在蒸馏下一层，也都可能被上一层蒸馏。
这是一条递归的知识食物链。
个人把专业能力交给训练平台；企业把组织知识交给大模型；昂贵的前沿模型又被更便宜的模型学习和压缩。每一层都在降低下一层知识的稀缺性，也承受着来自上一层的通缩压力。
因此，纳德拉一边警告企业不要被模型抽走知识，一边裁掉微软员工，并不只是言行矛盾。他既是捕食者，也是被捕食者。身处这条链条中间的企业，很难单方面停下来。
AI第一次能够抽取隐性知识
过去的自动化主要替代可以写成流程的工作。真正保护专业人士的，是那些很难说清楚的东西：什么时候应该打破规则，哪句话会惹恼客户，哪个数字看起来不对。
这些直觉、嗅觉和手感，曾经只能依附在人身上。公司可以买到一个人的工时，却无法把整套判断机制搬走。
AI改变了这一点。它不要求专家完整解释自己为什么这样判断，只要持续观察专家如何行动、如何评价、如何纠错，就能从行为痕迹中逼近那些说不清楚的知识。
泰勒制曾经把工匠的技艺拆成标准流程，让构想与执行分离。今天的训练平台继续沿着这条路前进，只是这一次被编码的是脑力活动本身，而且模型还会持续改进。
更残酷的是，训练AI的工作也可能是一次性的。老师越认真，模型学得越快；模型学会以后，对老师的需求就越少。
裁员正在成为企业的日常代谢
过去的裁员通常跟着经济周期发生。企业遇到衰退才收缩，业务恢复后再招聘。
AI改变了裁员的节奏。材料提到，财报电话会上同时谈到AI和裁员的次数，从ChatGPT发布时每季度不到5次，增加到后来每季度100多次。
当企业变成一套持续学习的系统，某项能力一旦被模型掌握，携带这项能力的人就可能从资产变成成本。裁员也就不再只是经营失败的结果，而成为组织持续优化的一部分。
这解释了为什么一些仍在增长、仍然盈利的公司也频繁裁员。机器越强调持续学习和效率提升，人员的持续脱落就越可能成为默认状态。
但这台机器也存在自噬的矛盾。企业如果不断裁掉真正懂流程、懂客户和懂市场的人，就会失去继续训练系统的燃料。有些公司裁员过度后不得不重新招聘，说明人的经验还不能被一次性抽干。
这不是稳定的终局，而是一场反复发生的拉扯。
个人必须保留学习的所有权
我不认为普通人的出路是拒绝使用AI。能够标准化、拆解和评估的知识工作必然会被压价，这个方向很难逆转。
真正需要守住的，是自己的学习回路。
判断力、人际关系、创造力和跨领域的模式识别之所以更重要，不是因为模型永远学不会，而是因为它们依赖长期情境、责任承担和持续更新。个人不能把这些能力连同形成能力的过程一起外包出去。
同样一小时的阅读、写作、修改和纠错，如果只进入别人的模型，就是一次结清的劳动；如果同时沉淀进自己的知识体系，就会成为可以复用和复利的资产。
所以我会给自己划出两条边界。
第一，有些判断不能外包。什么答案不可信，什么代价没有写进表格，什么关系值得长期维护，这些必须由自己负责。
第二，学习成果不能只留在别人的系统里。使用AI完成任务的同时，我也要保留问题、判断依据、修正过程和最终形成的方法。
我们无法阻止知识蒸馏，也无法要求所有企业退出效率竞争。但至少可以决定：自己的学习最终流向哪里，形成谁的能力，成为谁的资产。
一个人真正需要保住的，不是某项永远不会过时的技能，而是持续形成新判断、并让这些判断沉淀在自己手里的能力。