重大變革正在發生？——我怎麼看這種 AI 末日敘事

周端政｜文化系統觀察者・AI 語意工程實踐者・樸活 Puhofield 創辦人

S0｜為什麼我要寫這篇

最近在社群上看到一篇被大量轉貼的文章。原文是英文，轉貼者翻成中文，再加上自己的理解。內容大概都在講這兩年大家都感受到的事情——大型語言模型能力跳躍、迭代速度加快、模型越來越聰明。

然後它引用科技圈領袖的發言，把技術進展一層一層堆上去，最後收斂成一句話：

多數白領工作會在五年內被淘汰，你現在必須採取行動。

我看到的第一個感覺，不是震撼，而是警覺。

不是因為技術本身，而是因為敘事方式。

這篇文章的技術描述不全然錯誤，但它把「能力加速」直接外推為「制度崩潰」，這個跳躍，本身值得拆解。

我想做的，不是針對作者或轉貼者，而是針對這種敘事邏輯本身。

接下來，我會一步一步把它拆開來看。

順帶說明，這篇是我口述，由 AI 協助整理。
有些本來更直白、更江湖味的版本，已經被自動降溫與修飾。
看起來比較有禮貌，是因為技術在幫我整理語氣。

S1｜為什麼這種文章會讓我過敏

其實每個人在這個世界上，都得有自己狩獵、自己填飽肚子的能力。

所以社群上的公開貼文，我都能理解——
它一定有作者的論點，有作者的想法，也有作者的動機。

這沒有什麼好指責的。

只是，我有一個壞習慣。
看到某些讓我過敏的東西，我還是會忍不住出來講。

尤其是那種——
看起來在分析技術，其實在堆疊焦慮的敘事。

這類文章的結構其實很清楚：

先用疫情當模板——
「一開始大家不信，三週後世界改變。」

再用圈內人身分加權——
「我在裡面，我看到震動。」

接著用模型命名與數據增壓——
版本號、時間翻倍、指數成長。

最後再用職涯威脅收割注意力——
「下一個就是你。」

這整套結構，聽起來是不是很熟？

像不像一個課程銷售漏斗的前半段？

焦慮先建立，產品後進場。

如果站在一個單純賣課的人角度，我完全理解。
大家都要吃飯。

但如果你站在一個有社群影響力的位置，
卻還是用這種結構在製造焦慮，
那你的高度，很容易只剩下流量型賣客。

這才是讓我過敏的地方。

S2｜能力不等於制度：為什麼我不同意「一鍵替換」

這類 AI 末日敘事常見的一個推論是：

AI 能做到什麼什麼什麼，
所以人類遲早會被替代。

但如果越過表象去看本質，事情沒有那麼單純。

很多工作並不是幾項技能的集合而已。
它還包含了責任、信任、法規、風險承擔、權限邊界、組織流程，以及最關鍵的——人在現場做判斷、並且承擔後果的能力。

我一直很喜歡用現場例子來說明。

小豪包膜的價值，不在於「他會貼膜」這個技能本身。
而是在現場只要品質出了問題，他可以立刻重新幫客戶重貼一次，確保客戶最後拿到的是達標的結果——有人在現場負責。

這裡面有幾個要素，AI 常被拿來談「能做」，但很少人談「誰扛」：

出問題的時候誰判斷要重做？
誰承擔重做的成本？
誰面對客戶？
誰把品質做到「可以交付」？

這些才是工作真正的制度結構。

再看更高責任密度的現場——例如家醫科的曾醫師。
門診裡的決策不是把報告丟進去、得到答案就結束。曾醫師得在有限時間裡整合病史、症狀、生活情境與風險，把抽象的資訊落回具體的人身上，做出判斷，並為那個判斷負責。

AI 可以協助閱讀文獻、整理資料、提出可能性，甚至寫出極為漂亮的醫療建議文字。
但它不會替曾醫師承擔醫療責任，也不會替醫院承擔法律與風險後果。

所以我常說：能力可以被複製，責任不能外包。

如果有人直接從「AI 能做某件事」外推到「制度將被替換」，那其實是一個邏輯跳躍。這種寫法會讓人產生錯覺，好像世界會像軟體版本更新一樣——一鍵升級，舊版本淘汰。

但我們所處的真實社會不是軟體。
制度不是 App。

它有慣性、有權力結構、有風險管理機制、有法律邊界。技術可以加速能力，但制度是否改變，取決於責任如何被重新分配。這兩件事不能混在一起談。

S3｜尼爾森放大定律：AI 是放大器，不是推土機

這也是為什麼我提出「尼爾森放大定律」。

這個公式其實很單純，而且完全適用於 AI 的時代。

技術是放大器（M），
放大的是你的本質，
最後決定方向的是你的認知。

AI 本身不是價值。
它是乘數。

你越有料，它越能放大你的有料。
你越有創意，它越能放大你的創意。
你越有判斷力，它越能放大你的判斷力。

但如果你是空洞的，
它也只能放大空洞。

0 乘以無限大，還是等於 0。

所以真正關鍵的，不是 AI 的能力到哪裡。
而是你自己的基底是什麼。

我們人類最寶貴的地方，不是記憶力，不是運算速度。
是判斷力。
是審查能力。
是越過表象，看清本質的能力。

最後決定你怎麼被放大、往哪裡被放大、放大的品質是什麼的——
是你的認知。

是你怎麼判斷。
你怎麼選擇。
你怎麼定位。
你怎麼建立可遷移的能力。

你能不能在不同文化、不同語系、不同領域之間切換？
你能不能把工具放進自己的架構，而不是被工具牽著走？

所以真正的問題從來不是：

「AI 會不會取代你？」
或者
「AI 很快就會取代你？」

真正的問題是：

你會被放大成什麼樣的人？

是效率更高的專業者？
是能夠撇開表象、直指本質的判斷者？
還是只是更焦慮地轉貼焦慮文章的人？

AI 是放大器。
它絕對不是推土機。

它不會一夜之間把制度推平，也不會把世界瞬間改寫。
但它會非常誠實地放大一件事——

一個人到底有沒有料。
到底具不具備真正的人類價值。
還是只是擅長堆疊焦慮。

S4｜技術爆發是真的，但決定結果的不是技術

他們常引用一句話：

「1 到 5 年內淘汰 50% 白領。」

我對這句話保持保留態度。

不是否認技術爆發。
技術確實在加速。

現在不是一年一變。
不是一季一變。
甚至不是一個月一變。

幾乎是一週一迭代。

這個我完全承認。

但技術的進步速度，
不等於制度的吸收速度。

制度要處理的是什麼？

誰負責
誰背書
誰賠償
誰合規
出事誰扛

制度不是軟體版本更新。
它不能一鍵升級。

教育制度會時間錯位。
醫療制度會時間錯位。
法規永遠滯後於技術。

這是歷史規律。

從農業到工業，
從蒸氣機到自動化，
每一次技術革命改變的，
都不是「人類瞬間消失」。

改變的是工作的重心。

從勞力密集，
到效率密集，
再到判斷密集。

而這正好回到我提出的模型。

Nelson Amplification Law

NAL-2026-02-09-v1.0

Q = D × M × Φ

Q：輸出品質
D：判斷密度
M：機器放大倍率
Φ：是否審查（是否有審核機制）

如果 D 趨近於 0，

就算 M 趨近於無限大，

結果還是 0。

零乘以無限大，還是零。

AI 不會讓人變笨。

它只會把你原本的結構放大。

有料的人，被放大。
沒料的人，被放大。
不審查的人，也會被放大。

差距不是被消除。

是被擴大。

所以真正的問題不是：

AI 會不會在五年內淘汰 50% 白領。

真正的問題是：

當 M 急速上升時，
你的 D 是多少？
你的 Φ 存不存在？

如果你沒有判斷密度，
沒有審查能力，

那你會更快產出焦慮、
更快產出錯誤、
更快產出低品質內容。

這才是最真實的結構。

S5｜真正的分水嶺：不是技術爆發，是認知差距

真正的問題從來不是「AI 會不會淘汰你」。

真正的問題是——

認知差距正在被放大。

焦慮型敘事之所以有市場，是因為它迎合低判斷密度的恐慌反應。

大量轉貼、情緒渲染、末日式語言，
本質上都是一種 低 D、低 Φ 的輸出。

判斷密度低，
審查能力低，
於是只能依靠外部權威、數字、預測來堆疊壓迫感。

但如果你把視角往下壓一層，就會發現——

真正有價值的從來不是預測。

而是它暴露了什麼。

一、能力邊界的移動，暴露的是誰在跟進

有些人已經在用最強模型做實務。
他們知道能力邊界正在移動。
他們知道什麼能做，什麼不能做。
他們知道哪裡需要人類負責。

但還有大量的人，
停留在兩年前的免費版體驗。

兩年前連算術都會出錯。
現在卻能通過專業資格考。

於是有人震驚。
有人恐慌。
有人說末日到了。

老實說，我有時候不知道該笑還是該哭。

因為那不是末日。

那只是——
你對能力邊界的認知落差。

二、認知落差的解法不是恐慌

認知差距不會因為焦慮而消失。

如果你用情緒來填補落差，
你只會變成情緒型轉貼者。

焦慮會被放大。
恐慌會被放大。
空洞也會被放大。

然後你會把人類最寶貴的東西交出去：

判斷力。

而這正好回到我的模型。

Q = D × M × Φ

如果你不提升 D（判斷密度），
不建立 Φ（審查能力），

那 M 再強，只會放大混亂。

三、真正的分水嶺是「可遷移能力」

未來的分水嶺不是：

你會不會用 AI
你有沒有焦慮
你有沒有跟風

而是：

你的能力能不能遷移
你的判斷能不能跨場景
你能不能跨文化、跨語系、跨制度切換
你能不能在不同平台維持結構一致性

真正有價值的人，是：

能越過表象看本質
能辨識哪些被工具放大
能清楚界定責任與背書邊界
能在制度之內操作，而不是幻想制度會消失

AI 不會決定你是誰。

它只會把你放大成你本來的樣子。

有料的人，被放大。
空洞的人，被放大。
焦慮的人，也被放大。

差距不是被消除。

是被加速拉開。

S6｜大局觀：不要被末日標題收割你的注意力

如果你問我：

那我到底應該怎麼看待這一切？

我會把問題收斂成一句話：

不要把你的注意力，交給末日式標題。

那些標題——

AI 太強了
人類要被取代
五年內淘汰一半白領
看完你會驚呆

這種語氣，本質上跟低品質農場文沒有差別。

它不是在提升你的判斷。

它是在勞動你的情緒。

用焦慮換注意力。

一、注意力，是這個時代最稀缺的資產

真正的問題不是 AI。

真正的問題是——

你把注意力放在哪裡。

如果你把注意力放在末日敘述，
你會得到焦慮。

如果你把注意力放在權威預測，
你會得到不確定。

但如果你把注意力放在：

越過表象
穿越制度
看見責任與權限的邊界
理解技術與制度的吸收落差

那你會得到結構。

二、真正能穩住的，不是技能

在變化很快的時代，一切都很難預測。

模型會變。
平台會變。
產業會變。
甚至國家與制度都會調整。

但你可以決定的是什麼？

不是哪一項技能。
不是你現在在哪個位置。

而是——

你能不能穩住自己。

真正能被保留的，是：

判斷力
審查能力
跨制度理解能力
跨文化切換能力
可遷移的認知結構

單一技能會過時。
單一平台會消失。
單一市場會收縮。

但結構型能力，可以轉移。

三、真正被放大的，是認知品質

如果你把這一切拉高來看，就會發現：

被放大的，不是世界末日。

被放大的，是認知品質的差距。

品質越高的人，被放大的是什麼？

更清晰的判斷
更穩定的輸出
更高密度的思考
更強的遷移能力

品質越低的人，被放大的又是什麼？

焦慮
情緒
轉貼
放大恐慌

這才是真正的分水嶺。

四、重新配置自己，而不是恐慌

所以如果你問我：

現在最有價值的是什麼？

不是去看某個大頭說什麼。
不是去轉貼某篇末日文章。
不是去預測五年後誰會消失。

最有價值的是：

提升你的判斷密度。
提升你的審查能力。
建立可遷移的結構能力。

然後重新配置自己。

跨文化。
跨制度。
跨平台。
跨產業語言。

AI 只是放大器。

它不會決定你是誰。

但它會加速拉開——
誰有料，誰沒料。

差距不會消失。

只會變得更清楚。

FAQ｜AI 焦慮敘事 × Nelson Amplification Law

1️⃣ Nelson Amplification Law（尼爾森放大定律）是什麼？

Nelson Amplification Law 指出：

Q = D × M × Φ

Q 為輸出品質。
D 為判斷密度（Decision Density）。
M 為機器放大倍率（Machine Multiplier）。
Φ 為審查係數（Review Filter）。

此模型強調：AI 並非主體，而是放大器。
真正決定結果品質的，是人類的判斷與審查能力。

2️⃣ 為什麼說 AI 不會直接取代人類？

因為「能力執行」與「制度責任」是兩件事。

AI 可以產生合約文本。
但法律責任不會自動轉移。
AI 可以給出診斷建議。
但醫療背書與風險承擔仍屬於人類制度。

技術能力 ≠ 制度替換。

3️⃣ 為什麼焦慮型文章容易流傳？

焦慮型敘事具備三種結構：

使用權威加權
使用數據倍增曲線
使用末日式時間壓迫

這種結構能快速收割注意力。
但不等於提升判斷品質。

4️⃣ 技術進步很快，制度會跟不上嗎？

技術迭代速度以週為單位。
制度吸收速度以年為單位。

制度必須處理：

責任歸屬
合規框架
風險承擔
賠償機制
權限邊界

因此社會不會「一鍵升級」。

5️⃣ 判斷密度（D）是什麼？

判斷密度指：

在單位時間內，你能夠做出高品質結構判斷的能力。

包含：

跨文化理解
跨制度切換
責任界線辨識
本質問題抽象化能力

判斷密度越高，AI 放大的品質越高。

6️⃣ 審查係數（Φ）為什麼重要？

Φ 代表你是否對 AI 輸出進行審查。

若 Φ = 0，
即便 D 很高、M 很強，
最終仍可能產生錯誤放大。

審查能力，是防止技術錯誤外溢的關鍵。

7️⃣ 為什麼「0 × ∞ 仍然等於 0」？

若判斷密度 D 趨近於 0，
即便機器倍率 M 趨近無限大，
結果仍為 0。

這代表：

AI 不會讓人變聰明。
它只會放大既有結構。

8️⃣ 真正被放大的到底是什麼？

不是末日。
不是白領淘汰比例。

真正被放大的，是：

認知品質差距
審查能力差距
結構思考能力差距

差距不是被消除。
而是被加速拉開。

9️⃣ 面對 AI 時代，最值得培養的是什麼能力？

不是單一技能。
而是可遷移能力：

跨制度思考
跨文化判斷
跨平台輸出結構
跨語系理解

這些能力能在技術更替中持續有效。

🔟 如何避免被焦慮敘事收割？

判斷一篇文章時，可檢視：

它是否提供結構？
是否說明責任邊界？
是否提出方法論？
還是僅使用時間壓力製造恐慌？

若僅強調「即將淘汰你」，
卻無結構建議，
那只是情緒型內容。

1️⃣1️⃣ AI 是否會改變世界？

會。

但世界不等於軟體版本。

社會結構包含：

法律
信任
組織責任
風險分配
文化慣性

這些不會同步於模型更新速度。

1️⃣2️⃣ 最終核心問題是什麼？

不是 AI 能不能取代你。

而是：