AI 干完了普通人能干的活，我们是时候去发展成少数派了

当 AI 做完了所有人都能做的事，剩下的机会只属于少数派。

一个模型，强到不敢公开

2026 年 4 月，Anthropic 发布了一个新模型 Claude Mythos Preview，但没有面向公众开放。他们做了一件不寻常的事：通过一个叫 Project Glasswing 的计划，把模型优先提供给科技公司和开源维护者，让他们先修掉历史遗留的安全漏洞。

为什么不敢直接放出来？因为这个模型在安全领域的能力跳了一个台阶。上一代模型像一个认真的实习生，你指哪它查哪，偶尔能帮你挑出几个拼写错误。而 Mythos 更像一个干了二十年的老师傅，你把代码丢给它，它自己翻完几千个文件，第二天早上递给你一份报告：这里有个洞，存在 27 年了，所有人都没发现，顺便我写好了修复方案。

这不是实验室数据。它在两周内发现 了 Firefox 浏览器 22 个漏洞，找到了 OpenBSD 一个存在 27 年的 TCP 协议漏洞，找到了 FFmpeg 一个存在 16 年的视频编解码漏洞。这些都是全球顶级安全研究员长年没发现的问题。

这都指向了一个趋势：至少在软件工程层面，AI 已经把「普通人能做到的」全部做到了，甚至开始侵入「专家才能做到的」领域。

不止软件：各行业的「普通工序」正在被接管

这不是只发生在程序员身上。麦肯锡的报告估计，生成式 AI 可把员工 60-70% 工作自动化掉，在客户运营、营销、软件工程和研发四个领域局势更加紧迫。法律行业的合同审阅、医疗的影像诊断、金融的报告生成、影视的剪辑和特效，都在被快速接管。

共性很明显：凡是有标准流程、有历史数据可学、有「正确答案」可对照的工序，AI 都能学会，而且会越来越快。

问题来了，我们能怎么办？

回到模型的训练目标：它到底在替代什么类型的人？

两年前我写过一篇 大模型下的生存之道，从模型训练目标的角度分析过这个问题。核心逻辑今天依然成立，而且更紧迫了：

模型最核心的优化目标是预测准确性，减小与现实世界的误差，并且要足够通用、足够泛化，不要过拟合。翻译成白话：模型要懂各行各业的共识和通用做法，不要钻牛角尖。麦肯锡在谈不可替代的人类特质时也点到了类似的东西：本能、直觉、想象力、正直、身份认同，这些全是「无法被大数据平均化」的能力。

所以模型天然擅长替代的是通用型输出。而那些带有独特思考角度、独特审美判断、独特经历积淀的人，恰恰是模型不会也不可能替代的。因为要「拟合」一个少数派，模型需要针对你一个人的数据过拟合，这在训练逻辑上没有意义，在资源投入上也不划算。

"异常数据"对模型的通用性伤害是很大的，所以成为"异常数据"，或者说成为少数派，就是我们必要做的事情了。

少数派长什么样？

影视行业，AI 能剪辑、能做特效，但诺兰拍《星际穿越》，科幻只是外壳，内核是他自己对亲情和时间的理解，这种东西没有数据集能喂出来。

产品领域，竞品分析 AI 都能出，但能从细分人群的真实痛苦中定义新方向的产品经理，模型学不来。写作领域，通稿 AI 写得又快又好，但带着你亲身经历和价值立场的文章，无法被平均化。教育领域，知识传递 AI 全能干，但能激发学生找到自己路径的导师，是另一回事。

这些人的共性不是「比 AI 更聪明」，而是「输出里带着只有他们才有的东西」。

是时候行动了

如果你看到这里，不妨问自己三件事：

1. 我喜欢什么？ - 了解你自己
2. 我擅长做什么？ - 找到你和别人不同的点
3. 我经历过什么？ - 回忆那些只有你走过的路，踩过的坑，它们就是模型没见过的训练数据
4. 我能把这些变成什么？ - 把独特性转化成别人愿意买单的输出，而不是藏在心里

然后把这种「少数派」价值放大到极致。不是说不学通用技能，而是在通用技能被模型拉平之后，你拿出来的那个东西，必须是模型再强也没法模仿的。

这就是大模型时代的生存策略。两年前我用「反泛化」「反效率」来描述这件事，今天我想换一个更直接的词：成为少数派。

你觉得自己的「少数派」特质是什么？欢迎留言聊聊。