3. 什么变了、什么不变：七条决策原则

前两章讲了 2026 年 9 月的真实状态和三条情景线。这一章把它们压缩成七条可以随身带的原则。原书的 608 条建议背后有一个隐含的世界观：工作大体稳定，信息有成本，专业人士说了算，学历回报可以查表。这七条原则回答的是，当那个世界观里的几个前提松动之后，一个普通人在做决定时该把什么放在前面。

七条原则不是新发明。可逆、身体、责任、信任、判断、储备、别为便宜货付高价，每一条在原书里都能找到影子。变的是权重。AI 让"智力"变便宜，让"时间、身体、信任、法律、选择权"变贵，于是原来排在后面的原则被推到前面，原来管用的捷径失灵了。每条原则下面配一个 2024 到 2026 年的真实案例或数据，并说明它在三条情景线上各自成立到什么程度。全书后面每一章末尾的散文小节都会回到这七条。

读这一章的方法是：不用背。读完以后，遇到一个决定，能在三秒钟内问出对应的那句话就够了。这件事能撤回吗。这件事在消耗身体吗。出了错谁负责。这个信号能被零成本伪造吗。我把判断交出去了吗。我能等多久。我付的钱买的是不是正在变便宜的东西。

一、可逆优先

变化越快，撤回的价值越高。这是七条里最基础的一条，因为它不依赖任何对 AI 速度的判断。如果 AI 走慢线，一个可逆的决定最多让你少赚一点；如果走快线，一个不可逆的决定可能把你锁在一条已经关闭的路上。期权定价的直觉在这里成立：不确定性越大，"等一等再决定"的权利越值钱。

2025 年的 Klarna 是这条原则最方便的教材。这家瑞典支付公司在 2024 年宣布用 OpenAI 驱动的客服系统替代人工，公开数字是承接了 230 万次对话，相当于 700 名全职客服的工作量，平均解决时间从 11 分钟降到 2 分钟以内。到 2025 年 5 月，首席执行官西米亚特科夫斯基（Sebastian Siemiatkowski）对彭博社承认，把成本当作组织客服的首要考量导致了"更低的质量"，公司重新招聘人工客服，并转向"AI 处理简单问题、真人处理复杂问题"的混合模式。到 2026 年 6 月他的说法变成，在 AI 能做最简单客服的世界里，真人客服会被视作"VIP 待遇"。这个故事常被讲成"AI 不行"，其实讲的是另一件事：Klarna 能回头，是因为它做的是一个可逆的决定。它冻结招聘、没有拆掉客服部门的组织结构、没有签下十年的外包合同，所以一年后能把人招回来。那 700 名被"替代"的人，则没有同样的选项。

斯坦福数字经济实验室 2026 年 8 月更新的《煤矿里的金丝雀》用 ADP 的工资单数据给出了同一件事的宏观版本。22 到 25 岁在 AI 暴露度高的职业里的就业，比同龄人在低暴露职业里的就业低了约 19%，一年前是 15%。机制不是裁员，是"少招人"。企业在用最可逆的方式应对不确定性：不解雇，只是不再补位。企业这么做是理性的，因为它们也不知道 AI 会走哪条线。个人应该学的正是这个姿势。

落到具体决定上，可逆优先的意思是：能试就别赌，能租就别买，能兼职试就别辞职，能签一年就别签五年。下面这张表是本书判断可逆性的粗略分级，后面各章标"可逆=否"的条目都要求更高的证据等级才能排在前面。

一个可以直接用的自检问题是：这个决定在 12 个月后如果证明错了，我要付出什么才能回到今天的位置。如果答案是"几千元和一段时间"，那就去做，不用等更多证据；如果答案是"我回不来了"，那就把它拆小，找一个能先做的可逆版本。想辞职做 AI 应用的人，可以先在业余时间做三个月，看有没有人付钱；想卖房搬去另一个城市的人，可以先租半年；想让孩子放弃高考去学 AI 的人，可以先让他在高考之外多做一个作品集。拆小之后再看，多数"必须现在赌"的决定其实都有一个可逆的前半段。

这条原则的反方证据是：有些机会窗口只对敢于不可逆的人开放。2023 年辞职去做 AI 应用的人里，确实有一部分在 2025 年拿到了远超工资的回报。本书不否认这一点。它只是指出，从事后看到的赢家去反推事前的决策规则，是幸存者偏差。在三条情景线都可能成立的世界里，对一个没有额外信息的普通人来说，可逆的路径期望值更高，方差更小。原书说过"这是备选单不是任务清单"，这一条尤其如此：可逆优先不是让人什么都不做，而是让人先做那些做错了能改的事。

二、身体是最后的护城河

算力每年翻倍，睡眠不会。这一条在原书里已经是最硬的一组条目，本书没有增加任何新的健康建议，只是重新解释它们的相对价值。当其余资产的回报都变得不确定，那个回报不受 AI 影响的资产就变得更值钱。身体就是那个资产。

先看数字有多硬。原书引用的两项荟萃分析在这里值得再说一遍。Ekelund 等人 2019 年在《英国医学杂志》发表的一项汇总分析，把 8 项用加速度计客观测量身体活动的队列合并，共 36,383 名中老年人，中位随访 5.8 年。总活动量最高的四分之一与最低的四分之一相比，全因死亡风险的 HR 为 0.27，也就是低了约 73%。这不是问卷，是戴在身上的仪器测出来的。同一项研究还发现，每天久坐超过 9.5 小时，死亡风险开始明显上升。Cappuccio 等人 2010 年发表在《睡眠》上的荟萃分析纳入 16 项前瞻性研究、超过 138 万人、11.2 万例死亡，睡眠少于 7 小时的人全因死亡风险 RR 为 1.12，睡眠超过 8 到 9 小时的为 1.30。这些是 A 级证据，效应量比本书后面绝大多数关于 AI 的条目都大，也比它们确定得多。

再看 AI 时代对身体的新压力从哪里来。三条压力线都不是推演，是已经能观察到的。第一，认知劳动的边际成本在下降，于是人会被推着做更多、更快、更长时间的认知劳动，久坐和屏幕时间随之上升。第二，算法推荐的内容供给变成无限，睡眠成了它直接争夺的对象，本书第 4 章和第 30 章会给出效应量。第三，收入不确定性上升带来的慢性压力，通过睡眠和心血管系统作用在身体上，原书里关于失业与死亡率的历史队列数据在第 5 章会重讲。这三条压力在慢线上已经成立，在基准线和快线上只会更强。

这里也给一个可以算的数字。中国 2026 年已有 78% 的职场人每周使用 AI，字节跳动的豆包月活 3.82 亿；JetBrains 2026 年 8 月对 1.5 万名开发者的调查，90% 每周使用编程智能体，68% 每天使用。这意味着对多数白领来说，"用 AI 工作"已经不是一个选项而是默认状态，而这个默认状态的直接后果是，每个工作小时里坐着盯屏幕的比例在上升。一个每天多坐 1 小时、少睡 30 分钟的人，按上面两项荟萃分析的剂量反应关系推算，几年后累积的风险不小于任何一条本书后面写的 AI 新风险。

这条原则的机制是相对价值。假设一个人有 10 个小时可以分配，AI 时代改变的是其中"学一项技能"那部分的回报的不确定性：那项技能可能在 3 年后被自动化，也可能不会。它没有改变"睡满 7 小时"和"每周 150 分钟中等强度活动"的回报。当一项资产的回报不变而其余资产的回报方差上升，理性的做法是提高那项资产的配置。这就是为什么原书的健康条目在本书里全部保留、一条不删，并且在性价比排序时整体上移。

对这条原则的一个常见误读是把它变成"长寿科技"消费。GLP-1 类药物、雷帕霉素、NAD 补剂、生物年龄检测，这些在 2026 年的证据大多停留在动物实验或替代指标，第 4 章会逐一分级。它们和"睡觉、走路、不抽烟"不在一个证据等级上，价格却高出几个数量级。身体是护城河，指的是那些几十年前就被证明有效、几乎不花钱、且不会因为 AI 快慢而改变的事，不是指为了"对抗衰老"去买什么。

反方证据也要写出来。如果 AI 在基准线或快线上真的加速了医学研究，某些今天的 B 级干预可能在 2030 年前变成 A 级，届时本章这段话需要更新。但即便如此，新药只会叠加在基础习惯之上，不会替代它们。没有任何一项在研的长寿干预，其效应量接近"从最不活动的四分之一移到最活动的四分之一"。

三、责任比技能保值

AI 能给出建议，不能签字担责。这一条是本书对"学什么、做什么"最核心的判断，第 6 章、第 9 章、第 10 章整章都建立在它上面。它的机制很简单：一个建议要变成现实世界里的行动，中间必须有一个可以被追责的主体。模型不能坐牢、不能被吊销执照、不能被判赔偿，所以责任链的最后一环必须是人。只要这一点不变，"负责"的价值就不会像"知道"的价值那样跌到零。

律师行业在 2023 到 2026 年提供了一个完整的自然实验。2023 年 6 月，纽约南区联邦法院在 Mata 诉 Avianca 案中，对两名提交了 6 个由 ChatGPT 编造的判例的律师处以 5,000 美元罚款，卡斯特尔法官认定他们的行为构成"主观恶意"。这是第一起。到 2026 年 8 月 11 日，研究者夏洛坦（Damien Charlotin）维护的"AI 幻觉案件数据库"已经收录了 1,871 起法庭认定文件中含有 AI 编造引用或内容的案例，覆盖美国、加拿大、澳大利亚、英国等地，其中大部分发生在 2025 年以后。2025 年 7 月，科罗拉多联邦法院对 MyPillow 公司创始人的两名律师各罚 3,000 美元，他们提交的文件里有近 30 处有问题的引用；阿拉巴马北区联邦法院在 Johnson 诉 Dunn 案中直接取消了律师的代理资格并移送州律师协会。这些案件说明的不是 AI 不能写法律文书，而是每一份文书最后都有一个署名的人在承担后果。AI 把"写"的成本压低了，把"签"的价值抬高了。

在场型和许可型的职业也是同样的逻辑。美国劳工统计局 2025 年 8 月发布的 2024 到 2034 年就业预测，把执业护士（nurse practitioner）列为增速最快的细分职业，十年增长约 40 到 41%，新增约 12.8 万个岗位，2024 年中位年薪 129,210 美元；医疗支持类职业整体预计增长 12.4%，是所有大类里最快的。中国国家卫生健康委 2026 年 5 月公布，截至 2025 年底全国注册护士 606.2 万人，比 2020 年增加约 135 万，每千人口注册护士从 3.34 人升到 4.32 人。同一时期，中国 2026 年一季度的招聘需求里编辑岗位下降 29%、客服下降 23%、视觉设计下降 21%。同一个劳动市场，同一段时间，需要执照、需要到场、需要对病人负责的岗位在扩张，纯信息处理的岗位在收缩。

下面这张表把"技能"和"责任"拆开看。同一个职业里往往两者都有，AI 压的是左边那一列。

这条原则有两个明确的反例，本书不回避。第一，责任型职业的岗位总数也可能缩水。一个律师在 AI 辅助下能做过去三个律师的活，行业的总岗位数未必增加。本书的说法是相对价值：责任型职业缩得比信息型职业慢，不是不缩。第二，许可制度本身可能改变。如果监管机构在基准线或快线上允许 AI 直接承担某些签字责任，比如某类低风险处方或标准合同的自动审批，那么对应岗位的护城河会变窄。这是 2027 年以后的事，证据等级 C，但选职业的人应当把它列入自己每年复核一次的指标。

最后一句话是本书给选技能的人的检验标准：这件事出了错，谁坐牢。如果答案是"没人"，那这件事的价格会一直往下走。如果答案是一个具体的人，那个人的位置就是你要占的位置。

四、把信任当资产管理

真人的信任在变贵，因为伪造它的成本在变便宜。3 秒钟录音可以克隆一个人的声音，一张照片可以换脸，一段文字可以模仿一个人的写作风格。原来"听起来像他"就是证据，现在不是了。凡是零成本可生成的东西，都不再是信号。这条原则的意思是，把那些还不能被零成本生成的东西当作资产去积累和保护：可核实的履历、真实的作品、长期的关系、家人之间的暗号。

损失数据先摆出来。美国联邦贸易委员会（FTC）2026 年 3 月发布的 2025 年消费者投诉数据，冒充类诈骗损失 35 亿美元，是 2020 年的近三倍，投诉量约 100 万件，比上年增加 19%；其中冒充政府损失约 9.2 亿美元，冒充企业近 10 亿美元。美国联邦调查局网络犯罪投诉中心（IC3）2025 年年报：全年 1,008,597 件投诉，损失 208.77 亿美元，比 2024 年增加 26%；60 岁以上受害人 201,266 件，损失 77 亿美元；明确标注涉及 AI 的投诉 22,364 件，损失约 8.93 亿美元。中国公安部 2026 年 7 月的通报称，2025 年一季度全国 AI 换脸拟声类诈骗案件环比上升 45%，受害人中老年人占 38%。这三组数字有一个共同点：它们都在涨，而且涨得比 AI 之外的诈骗快。

一个企业级案例说明信任被伪造后有多贵。2024 年 1 月，工程公司奥雅纳（Arup）香港办公室的一名财务人员收到一封自称来自英国总部首席财务官的邮件，要求执行一笔机密交易。他起初怀疑是钓鱼，但随后参加了一个视频会议，会上的"首席财务官"和几位"同事"看起来、听起来都是他认识的人。他随后分 15 笔向 5 个账户转出 2 亿港元，约 2,560 万美元。会议里除他以外的每一个人都是深度伪造。香港警方 2024 年 2 月通报此案，公司 5 月承认身份，截至 2025 年初无人被捕、款项未追回。这个案子里唯一能拦住损失的动作，是给总部打一个电话核实，而那个动作在转账之后才发生。

把信任当资产管理，落到操作上是三件事。第一，建立不可伪造的验证通道：家人之间一句只有彼此知道的暗号，公司里一条"涉及转账必须回拨已知号码"的规则。这些动作几乎不花钱，第 17 章和第 19 章会写成条目。第二，积累可核实的信号：作品有可追溯的版本记录，履历上的每一项都能找到第三方证明，账号有长期的、一致的历史。当简历和作品集都能一键生成时，雇主和合作方会转向那些生成不了的东西，比如一个人五年里在同一个社区的持续贡献。第三，保护自己的声音和脸。《民法典》第 1019 条禁止利用信息技术手段伪造他人肖像，第 1023 条规定声音保护参照肖像权；北京互联网法院 2024 年的"AI 声音侵权第一案"确认了这一点。把自己的语音样本和正面照片随意授权出去，等于把资产送人。

"可核实的作品"值多少钱，2026 年有了一个法院批准的市场价。Bartz 诉 Anthropic 案 2026 年 7 月 20 日获最终批准的 15 亿美元和解，覆盖约 48.2 万部被用于训练的图书，折合每部约 3,100 美元。这个数字的含义不在于普通人能拿到多少，而在于它确认了一件事：有明确作者、可以追溯来源的真实作品，在一个满是生成内容的市场里是有定价的资产，而没有来源的内容不是。第 16 章会写你的数据、声音和肖像值多少钱以及怎么保护。

这条原则在三条线上都成立，并且在慢线上已经充分成立，因为伪造工具的门槛在 2024 年就已经降到了几十元。反方证据是：验证技术也在进步，内容凭证（C2PA）、平台的 AI 标识、国家反诈中心 App 的 AI 内容识别功能都在铺开，中国 2025 年 9 月起 AI 生成内容强制标识。这些会降低一部分伪造的效果，但不会消除它，因为标识可以被剥掉，而且诈骗者不会主动给自己的内容打标。

五、用 AI，但不把判断外包

把 AI 当有 12 小时耐心的实习生，不当有执照的医生。这条原则不反对用 AI，恰恰相反，本书假设读者每天都在用。它反对的是一个具体的动作：把不可逆决定的最后一步交给模型。机制是两层的。第一层是模型会错，而且错得很自然，让人看不出来。第二层更隐蔽：有证据表明，人在拿到模型建议之后，自己的判断会变差，而不是更好。

先说第一层。2026 年发表在《npj 数字医学》上的一项医生主导的红队研究，让四个公开可用的聊天机器人（Anthropic 的 Claude、谷歌的 Gemini、OpenAI 的 GPT-4o、Meta 的 Llama-3）回答 222 个患者口吻提出的初级保健问题，涵盖内科、妇科、儿科，共评估 888 条回答。有问题的回答比例从 21.6%（Claude）到 43.2%（Llama）不等，可能造成严重伤害的"不安全"回答从 5%（Claude）到 13%（GPT-4o 和 Llama）不等。这些模型在医学考试上的分数都很高。考试分数高和给一个具体的人安全的建议，是两件事。

再说第二层，这一层的证据更值得反复读。Goh 等人 2024 年 10 月发表在《美国医学会杂志·网络开放》上的随机试验，把 50 名医生随机分成两组，一组可以用 GPT-4 加常规资源做诊断推理，另一组只用常规资源。结果是用 GPT-4 的医生得分 76%，不用的 74%，差别没有统计学意义；而 GPT-4 单独作答得 92%。医生拿着一个比自己强的工具，成绩没有提高。2025 年《自然医学》发表的一项预注册随机研究更进一步，1,298 名普通人评估医疗场景，有模型辅助的人的表现明显不如模型单独作答。原因不完全清楚，可能是人不知道该问什么、不知道该信哪一部分，也可能是有了工具之后自己反而不认真想了。同样的现象在编程上也出现了：METR 2025 年 7 月的随机试验中，16 名有经验的开源开发者在自己熟悉的代码库里完成 246 项任务，允许用 AI 工具时反而慢了 19%，而他们事后自认为快了 20%。

"实习生"这个比喻可以再具体一点。一个好的实习生做三件事：把材料整理好、把可能的选项列全、把你没想到的问题提出来。你不会让实习生签合同、开处方、决定要不要做手术。对模型也一样。让它读完一份 40 页的体检报告并列出所有异常项和对应的常见原因，这是实习生的活；让它决定你要不要停掉正在吃的降压药，这不是。区分的标准不是任务难不难，是错了之后能不能改回来。

这两层证据合起来，给出一条可操作的规则。模型可以做的事：整理信息、列出可能性、起草、翻译、解释一份检查报告上的术语、提醒你忘了问的问题。模型不能做的事：替你决定要不要做手术、要不要辞职、要不要签这份合同、要不要把钱转出去。凡是不可逆的决定，第二意见必须来自一个能对结果负责的真人，理由回到第三条原则。第 31 章会具体写"把检查报告喂给模型时问什么、不问什么"。

反方证据是明确的：在很多任务上模型确实比多数人强，上面那项试验里 GPT-4 单独作答就比医生高 16 个百分点。所以"不外包判断"不是"不听模型的"，而是要自己负责最后那个决定，并且知道模型在什么地方会错。到基准线上，模型的错误率会继续下降，而人的自动化偏见不会自动消失；到那时这条原则的重点会从"模型会错"转移到"人会懒"。前一个问题会被技术解决，后一个不会。

六、储备决定你能等多久

裁员通过"不招人"发生，找下一份工作的时间在拉长。这两句话合在一起，决定了储备金在 AGI 时代的权重。原书把 6 个月生活费的应急储备列为"高"性价比，本书在基准线上把它提到"极高"，理由不是储备金的收益变了，而是没有储备时的代价变了。

美国的数据最完整。美国劳工统计局 2026 年 3 月的数据，失业者平均失业时长 25.3 周，失业 27 周以上的长期失业者 180 万人，占全部失业者的 25.4%，一年前是 150 万人、21.3%。到 2026 年 8 月，长期失业者 190 万人，占比 27.0%，同月整体失业率只有 4.1%。这是一个失业率不高、但一旦失业就很难回去的市场。纽约联储 2026 年二季度的数据，应届大学毕业生失业率 5.6 到 5.7%，高于整体的 4.1 到 4.3%，就业不足率 42%，也就是每 10 个刚毕业的人里有 4 个在做不需要大学学历的工作。斯坦福的《金丝雀》报告解释了为什么：企业对 AI 的反应是少招人，不是多裁人。于是在职的人感觉不到变化，而离开岗位的人发现门关上了。Challenger 公司的裁员报告里，2026 年 5 月有 38,579 人的裁员被归因于 AI，占当月 40%，创单月纪录；2026 年 3 到 7 月，AI 连续五个月是美国企业声明裁员的第一大原因；1 到 8 月累计 116,175 人的裁员被归因于 AI，占全部裁员的 22%，仍是年内第一大原因。

中国的数据口径不同，方向一致。16 到 24 岁不含在校生的青年失业率 2026 年 3 月 16.9%，5 月 15.6%；2026 届高校毕业生 1,270 万人，创新高。2026 年一季度编辑、客服、视觉设计三类岗位的招聘需求分别下降 29%、23%、21%。这些岗位恰好是过去二十年应届生进入白领劳动市场的主要入口。入口收窄，意味着一个人从失去工作到找到下一份的间隔在变长，而不是失业的概率在变大。

储备的作用在这里是买时间。一个有 6 个月储备的人，可以等一个对的岗位，可以花三个月学一项技能，可以拒绝一份明显在走下坡路的工作；一个只有 1 个月储备的人，必须接受第一个出现的机会，而在一个入口收窄的市场里，第一个出现的机会往往是最差的那个。储备把"被动接受"变成"主动选择"，这正是本书第五种资源"选择权"的核心。在原书的世界里，找工作的中位时长可以预期为 2 到 3 个月，6 个月储备是充分的；在基准线上，如果长期失业占比继续向 30% 走，6 个月是下限而不是舒适区。

储备金怎么算，本书用一个简单口径：每月必须支出（房租或房贷、伙食、社保自缴部分、水电通讯、必需的医药与育儿）乘以预期找工作的月数，再加一次意外医疗的自付上限。不算旅游、不算订阅、不算换手机。一个月必须支出 6,000 元的人，6 个月储备是 3.6 万元，12 个月是 7.2 万元。这笔钱应该放在随时能取、不会亏本金的地方，它的任务是买时间，不是赚钱。

储备不只是钱。它还包括医保和社保不断缴、一项在岗位之外仍然有人愿意付费的技能、以及一到两个不在同一家公司的收入来源。第 8 章会写失业保险金的领取条件和各地标准，第 14 章会写储备金放在哪里。本章只强调一件事：储备的价值随失业时长的方差上升，而失业时长的方差在 2026 年正在上升。这在三条线上都成立，在慢线上收益最小，在快线上则是个人能做的少数几件事之一。

反方证据是，过度储备有机会成本。把两年生活费放在活期里，在通胀环境下每年损失购买力，而且这笔钱本可以用来学习或投资。本书的回答是，储备的目标不是最大化，是覆盖"从失去收入到恢复收入"的最坏合理时长。对多数人来说，那个数字在 2026 年是 6 到 12 个月，超出的部分应当按第 14 章的框架处理。

七、别为正在变便宜的东西付高价

AI 课程、AI 炒股软件、AI 概念理财、AI 伴侣的高价订阅，这些东西的共同点是，它们卖的是边际成本趋近零的产品，收的却是稀缺品的价格。原书有一整节"不要浪费钱"，本书把它扩成第 13 章，因为 AI 时代的新增智商税品类足够多。这条原则是那一章的总纲。

先看美国的执法案例，因为它们有法院文件。2025 年 5 月，美国联邦贸易委员会与 Ecommerce Empire Builders 及其所有人达成法院命令，该公司宣称能帮消费者建立"AI 驱动的电商帝国"，培训课程售价近 2,000 美元，"代运营"店铺售价数万美元，宣传"有可能赚到数百万美元"；法院命令永久禁止其销售商业机会，并交出资产用于退款。2024 年 6 月起诉的 FBA Machine 案，被告以"AI 软件"保证网店赚钱为名，涉案金额超过 1,500 万美元，2025 年的和解同样是永久禁业。2026 年 3 月，Air AI 及其所有人因为向小企业主做出虚假的增长承诺和退款保证，被禁止营销商业机会，1,800 万美元的金钱判决因无力支付大部分中止，实际支付 5 万美元用于消费者救济。最后这个数字说明一件事：等到执法机构介入，钱通常已经没了。

中国这边的数据来自消协和投诉平台。中国消费者协会 2026 年 5 月的分析称，技能培训领域的消费纠纷呈现"营销套路化、风险金融化"的特点，平均涉诉金额超过 7,000 元；"风险金融化"指的是机构诱导学员用分期贷款付学费，课没上完、贷款还得继续还。2025 年 3 月央视和央广的调查报道，在黑猫投诉平台以"AI 课程"为关键词能搜到近 1,600 条投诉，退款难、虚假宣传、承诺收益无法兑现是三大类；有博主自称清华博士，宣称 199 元的课程能让学员"三周从小白变大神"，也有机构宣称与多家大型科技企业合作、"学完直接进企业做 AI 相关工作"。四川省消委会 2025 年三季度的报告，教育培训投诉占总量 7.35%，AI 创作类新型技能培训是"重灾区"。2026 年 3 月《南方日报》仍在报道"AI 教培虚假宣传退款难"，说明这个市场没有自我清理。

为什么这是原则而不只是消费提醒。因为它背后有一个可以推广的判断方法：看你付钱买的东西，它的边际成本在往哪个方向走。一门 AI 课程的内容，模型本身用几分钟就能生成，头部实验室的官方文档免费，前沿模型的个人订阅每月约 20 美元，开源模型的权重可以免费下载。在这样的供给下，一门几千元的课卖的不可能是知识，只能是焦虑。同样的逻辑适用于"AI 选股"（如果模型真能稳定选股，卖软件的人为什么要把它卖给你）、"AI 概念代币"、"AI 情感咨询"和"生物年龄检测"。判断的问题只有一个：这个东西的供给曲线是在向零移动，还是在向稀缺移动。向零移动的，别付高价。

反方证据是存在的。有些付费产品确实值得：一个能对结果负责的真人顾问、一份有方法说明的独立评测、一个把模型接进你的工作流的工程服务。它们贵的部分是责任、核实和在场，也就是本章第三、四条原则里"正在变贵"的东西。所以这条原则不是"不付费"，而是"付费买稀缺的部分，不为可复制的部分付溢价"。在快线上，可复制的部分会变得更便宜、更快，这条原则只会更成立。

什么没变

写到这里需要把比例说清楚。这本书讲的是变化，但如果按条目数算，原书 608 条里，本书判断在 AGI 时代权重发生明显变化的不到五分之一。其余的照旧。

不变的第一组是身体。系安全带、戴头盔、装烟雾报警器、不吃野生蘑菇、电动车不进楼道、量血压、35 岁以后查血糖、不酒驾、儿童安全座椅、窗户限位器、救生衣、老人练平衡。原书第 1 节这 13 条以及后面关于烟、酒、运动、睡眠、疫苗、筛查的全部 A 级条目，效应量没有一条因为 AI 而改变。第二条原则已经说了，它们的相对价值在上升。本书第 4 章不重写它们，只写 AI 带来的新健康风险与新工具。

不变的第二组是法律的基本结构。帮信罪、侵犯公民个人信息罪、编造传播虚假信息罪、诽谤罪，这些罪名在 AI 出现之前就有，AI 只是给了新的作案工具和新的被抓方式。原书关于"境外内容只看不转""不出租银行卡""不替人跑分"的条目一字不改。本书第 18 章写的是这些老罪名在 AI 场景下的新判例。

不变的第三组是钱的基本算术。复利、费率、分散、不借高息贷款、不押单一资产、储备金。原书关于指数基金费率、信用卡、网贷、保险的条目照旧。本书第 14 章讨论的是在自动化情景下劳动收入与资本收入的分化，以及把"选择权"纳入资产配置，但它建立在原书那些算术之上，不替代它们。

不变的第四组是关系。原书说婚姻是风险池，说孤独与死亡率的关系，说家人之间要把大事讲清楚。AI 伴侣的出现没有改变 Holt-Lunstad 那组荟萃分析的效应量，只是增加了一种替代品。第 5 章、第 21 章会写这种替代品的证据，结论仍然回到真人。

有一条原书的隐含前提确实变了，本章前面已经反复讲：把"知道"当作稀缺资源的前提。原书第 9 节"学什么划算"和第 10 节"十八岁之后有哪几条路"在本书里是重写篇幅最大的两章，因为学历作为筛选信号、信息处理作为入门岗位，这两个前提在 2026 年已经能在数据里看到松动。除此之外，一个读者如果只做原书的 A 级条目，再加上本书标"全情景"和"极高"性价比的条目，他的处境在三条线上都不会比 2026 年更差。这本书能给的保证只有这么多，也不应该给得更多。

资料来源

1. Brynjolfsson E, Chandar B, Chen R (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, August 2026 update. <https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/>
2. Bloomberg (2025 年 5 月) 对 Klarna 首席执行官 Sebastian Siemiatkowski 的采访；Klarna 公司 2024 年 2 月关于 AI 客服承接 230 万次对话的新闻稿。<https://www.klarna.com/international/press/>
3. Ekelund U 等 (2019). Dose-response associations between accelerometry measured physical activity and sedentary time and all cause mortality: systematic review and harmonised meta-analysis. BMJ 366:l4570. <https://doi.org/10.1136/bmj.l4570>
4. Cappuccio FP 等 (2010). Sleep duration and all-cause mortality: a systematic review and meta-analysis of prospective studies. Sleep 33(5):585-592. <https://doi.org/10.1093/sleep/33.5.585>
5. Mata v. Avianca, Inc., 678 F.Supp.3d 443 (S.D.N.Y. 2023). <https://www.law.berkeley.edu/wp-content/uploads/archive/2025/12/Mata-v-Avianca-Inc.pdf>
6. Charlotin D. AI Hallucination Cases Database（截至 2026 年 8 月 11 日收录 1,871 起）。<https://www.damiencharlotin.com/hallucinations/>
7. U.S. Bureau of Labor Statistics (2025). Employment Projections: 2024-2034 Summary. <https://www.bls.gov/news.release/archives/ecopro_08282025.htm>
8. 国家卫生健康委员会 (2026 年 5 月 11 日). 关于护理事业发展情况的介绍：截至 2025 年底全国注册护士 606.2 万人。<https://www.nhc.gov.cn/wjw/gongb/list.shtml>
9. Federal Trade Commission (2026). Consumer Sentinel Network Data Book 2025：冒充类诈骗损失 35 亿美元。<https://www.ftc.gov/news-events/data-visualizations>
10. FBI Internet Crime Complaint Center (2026). 2025 Internet Crime Report. <https://www.ic3.gov/AnnualReport/Reports/2025_IC3Report.pdf>
11. 科技日报 (2026 年 7 月 24 日). 公安部：多措并举应对"AI 换脸""深度伪造"等新型技术犯罪。<https://www.stdaily.com/web/gdxw/2026-07/24/content_553161.html>
12. 香港警务处 2024 年 2 月关于 2 亿港元深度伪造视频会议诈骗案的通报；Arup 2024 年 5 月声明。<https://www.cnn.com/2024/05/16/tech/arup-deepfake-scam-loss-hong-kong-intl-hnk>
13. Large language models provide unsafe answers to patient-posed medical questions (2026). npj Digital Medicine. <https://www.nature.com/articles/s41746-026-02428-5>
14. Goh E 等 (2024). Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Network Open 7(10):e2440969. <https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2825395>
15. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study (2025). Nature Medicine. <https://www.nature.com/articles/s41591-025-04074-y>
16. METR (2025 年 7 月 10 日). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. <https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/>
17. U.S. Bureau of Labor Statistics (2026). The Employment Situation, August 2026；Table A-12 Unemployed persons by duration of unemployment。<https://www.bls.gov/news.release/pdf/empsit.pdf>
18. Federal Reserve Bank of New York (2026). The Labor Market for Recent College Graduates, 2026 Q2. <https://www.newyorkfed.org/research/college-labor-market>
19. Challenger, Gray & Christmas (2026). Job Cut Announcement Report, May 2026 与 August 2026. <https://www.challengergray.com/wp-content/uploads/2026/06/Challenger-Report-May-2026.pdf>
20. Federal Trade Commission (2025 年 5 月、2025 年 8 月、2026 年 3 月). 关于 Ecommerce Empire Builders、FBA Machine、Air AI 的诉讼与和解新闻稿。<https://www.ftc.gov/news-events/news/press-releases/2026/03/air-ai-its-owners-will-be-banned-marketing-business-opportunities-settle-ftc-charges-company-misled>
21. 央视网、央广网 (2025 年 3 月 28 日). AI 网络培训课调查：课程良莠不齐、维权成本高退费难。<https://news.cctv.com/2025/03/28/ARTIT5TPSV6tgRwSVz2ahPtb250328.shtml>
22. 中国消费者协会 (2026 年 5 月). 技能培训领域消费提示与投诉分析（平均涉诉金额超过 7,000 元）。<https://www.cca.org.cn>
23. 国家统计局 (2026). 2026 年 3 月、5 月分年龄组城镇调查失业率。<https://www.stats.gov.cn>
24. 《中华人民共和国民法典》第 1019 条、第 1023 条（2021 年 1 月 1 日施行）。<http://www.npc.gov.cn>