最近這段時間，“同事.Skill”這個梗，在網上火了。

它的玩法簡單且荒誕：只要你手里有足量離職同事的飛書記錄、釘釘文檔、微信聊天的文本，喂給AI，它就能為你生成一個1:1復刻的"數字分身"——文字風格、工作思路、操作流程一應俱全。

這原本只是打工人的一個黑色幽默玩梗。但這個月，大洋彼岸發生的事情，讓這個梗突然不那么好笑了。

路透社4月21日報道：Meta正在美國員工的電腦上安裝一款名為MCI（Model Capability Initiative）的追蹤軟件，全程采集員工的鼠標移動軌跡、點擊位置、鍵盤輸入，并間歇性截取屏幕快照。目的只有一個——訓練AI智能體，讓它們學會"像人一樣操作電腦"。Meta的CTO安德魯·博斯沃思在內部備忘錄中描繪了一幅未來圖景：由AI來"主要完成工作"，而員工負責"指導、審閱和幫助AI改進"。

而類似的命運，最近也降臨到了藍領工人身上。

差不多同一時期，印度南部古吉拉特邦的紡織車間里，數百名工人被要求戴上特制的頭戴攝像頭環，一邊疊衣服、縫布料、操作縫紉機，一邊采集自己的手部動作視頻。這些數據的買家，是特斯拉、Figure AI等硅谷機器人公司。

工人時薪15—20美元，大約人民幣100塊出頭。但注意，這個價格是工廠把采集到的數據賣給Micro1（數據采集企業）的價格，類似于"原材料出廠價"。

工人從中分到的酬勞幾乎為零，并且一旦拒絕，就會被視為嚴重違反勞動紀律，直接遭到裁員。

于是，工人們用自己的身體，一幀一幀地喂養著那些終將取代自己的機器人。這不是一家兩家的行為——全球已有數千名來自印度、尼日利亞、菲律賓的工人在從事這種"無本體數據"采集，相關的數據標注公司和零工平臺Objectways、Instawork、Generalist AI等，已經形成了一條完整的產業鏈。

Meta的鼠標追蹤和印度的攝像頭采集，看似一高一低，但共享同一個底層邏輯：用傳感器把人的操作軌跡變成訓練數據，喂給AI和機器人，讓它們學會"像人一樣干活"。

它們共同構成了一條美國科技的暗線：不是培養人，而是萃取人。

廉價勞動力的毒藥

這股"煉化"風潮為什么在美國企業中蔚然成風？答案藏在一個非常現實的困境里。

美國"制造業回流"的口號已經喊了好幾年了，但真當工廠要開起來的時候，美國人發現了一個尷尬的事實：國內的熟練工人，越來越少了。

36氪在一篇報道中，曾引用過這樣的數據：美國目前缺少60萬名制造業工人和50萬名建筑工人，未來三年還需新增40萬名汽車維修技師。拿福特來說，福特現在全美有5000個機械師崗位空著，年薪開到12萬美元，大約是美國工資中位數的兩倍，依然招不到人。

面對這種困局，美國副總統萬斯提出了一套看上去自洽的構想。2025年3月，萬斯在華盛頓的"美國活力峰會"上發表了一番演講，核心觀點可以概括為三句話：

第一，廉價勞動力是一種毒藥；

第二，過去四十年，無論是把工廠外遷到低成本國家，還是通過移民系統引入廉價勞力，美國企業都在用最簡單的辦法逃避創新；

第三，未來的制造業回流，不該是回到苦哈哈的血汗工廠，而應該是更自動化、更高科技的制造業。

萬斯還特意拿了個類比來安撫人心：1970年代ATM機出現時，所有人都以為銀行柜員要失業了，但實際上ATM讓柜員變得更高效，金融服務業的從業者反而比以前更多了。他的意思很明確——AI和機器人不是來搶飯碗的，是來"增強"工人的。

這套說辭確實漂亮。但諷刺的是，萬斯說的是"培養高技能工人"，硅谷實際在做的是"蒸餾所有人的動作，然后用機器人替代"。

因為，萬斯嘴上說的是"培養美國高技能工人"，但他的競選資金來自那些最希望用AI替代人類勞動的硅谷資本家。

例如，a16z的馬克·安德森和本·霍洛維茨，當年就是通過砸下超過1億美元政治獻金，直接幫助特朗普-萬斯陣營入主白宮。

而這些資本家要的不是"人機協作"，而是徹底的"去人化"——安德森在他那份《技術樂觀主義宣言》中甚至聲稱"任何對AI的減速都會造成生命的逝去"，把監管者定性為手染鮮血的罪人。

那問題來了：如果美國在"蒸餾"這條路上越走越遠，當AI和機器人煉化了所有的人類勞動技能后，美國能否跳過自己熟練工人不足的短板，憑借技術優勢，填平與中國制造業之間的差距？

工業皇冠上的明珠

在回答這個問題之前，我們要回答一個更底層的問題：在工業化的進程中，"人"這個因素，是不是越少越好？

很多人對制造業有一種直覺化的理解：“人”在工業體系中，是不穩定的、不標準的、不高效的。

整個工業進步的歷史，似乎就是不斷把人這個"不穩定因素"排除出去的歷史——從流水線到數控機床，從自動焊接到無人倉庫，每排除一點人的因素，效率就提升一截。從這個邏輯出發，美國人現在蒸餾印度工人的做法，似乎走在“正確”的方向上。

但這里有一個至關重要的區別：制造業中"不標準"的因素，其實分成了兩類。一種是低級的非標，另一種是高級的非標。

低級的非標，是流水線工人手抖了、螺絲擰歪了、焊點偏了一毫米。這種不標準確實是生產的敵人，自動化和機器人的首要任務就是消滅它們。

一條全自動的汽車焊裝線，幾百個焊點一次成型，精度±0.1毫米，任何一個人類焊工都做不到這個穩定度。印度紡織車間里那些被攝像頭采集的疊衣服動作，本質上也屬于這類——重復性高、標準化強、判斷含量低。蒸餾它們，技術上沒有太大障礙。

但高級的非標，恰恰是工業皇冠上的明珠。

以ASML的極紫外光刻機為例。每臺光刻機價值超過2億歐元，包含超過10萬個零部件，光學系統由蔡司提供的上百片透鏡組成，每一片的精度要求是原子級別的。但即便如此，當一臺光刻機運到晶圓廠之后，它并不能直接開機就干活。

從安裝、調試到達成量產所需的良品率，中間需要經歷一個漫長的過程。這個過程中，真正起決定性作用的，不是機器本身，而是一小批高級工程師和資深技師。

他們要根據現場的溫度、濕度、潔凈度、前道工序的微小偏差，不斷調整曝光參數、對準算法、套刻補償。這些判斷，相當一部分依賴的不是教科書上的公式，而是十幾年甚至幾十年積累下來的經驗直覺。

臺積電在亞利桑那州建廠時遇到的困難，很大程度上就是這個問題。工廠蓋得起來，設備搬得過去，但那批能把良品率從60%拉到95%以上的資深工程師，不是花錢就能在美國本土批量招到的。

這不是光刻機一個領域的事情。在精密化工的配方調試中，在航空發動機渦輪葉片的單晶鑄造中，在高端碳纖維復合材料的鋪層和固化中，都存在同樣的現象：標準化的流程只能走到80分，最后那20分，要靠人——靠少數掌握了"高級非標"能力的人；

原因在于，這些制造環節涉及的變量之多、耦合關系之復雜，遠遠超出了當前任何自動化系統的建模能力。以單晶渦輪葉片鑄造為例，合金熔體的溫度場分布、晶體生長速率、真空爐內的微量氣氛變化，彼此之間存在高度非線性的交互影響。任何一個變量的微小波動，都可能導致晶界缺陷或枝晶偏移。

教科書上有公式，但公式處理的是理想狀態；而現場永遠不是理想狀態。

這也就意味著一個反直覺的事實：越是自動化程度高的產線，對少數關鍵人的"高級判斷"的依賴反而越強。他們的判斷力，是蒸餾不出來的。

所以，如果萬斯那套"技術驅動回流"真的落地，美國制造業不但不會減少對人的依賴，反而會更需要控制工程師和高級技師。而這，恰恰是美國最缺的東西。

無法蒸餾的判斷力

正因為高端非標無法被蒸餾，所以中美兩國在"知識圖譜化"這條路上，玩的其實是完全不同的兩種游戲。

其實，如果我們把"蒸餾"這個互聯網黑話翻譯成制造業的語言，它真正的名字叫"知識圖譜化"——把老師傅腦子里的經驗、判斷和訣竅，變成結構化的數據、規則和模型，存進系統里，讓新人也能用、讓機器也能調。

這件事，中美都搞了好多年了。但結果天差地別。

先看中國這邊。三一重工是一個經典樣本。作為全球最大的混凝土機械制造商之一，三一面臨的核心挑戰是"離散型制造"——品種多、批量小、工藝調整頻繁。過去，一條樁機產線換產品型號，要靠老師傅憑經驗調參數，一調就是大半天。

針對這種情況，三一的做法是，通過工業互聯網平臺，把幾十年積累下來的工程機械設計Know-how和老師傅的焊接經驗，例如操作中的焊接路徑、送絲速度、電弧電壓等關鍵參數，沉淀成研發端的知識圖譜和生產端的工藝優化模型。

之后，三一的北京樁機工廠入選了世界經濟論壇的"燈塔工廠"，產能提升了123%。

海爾的COSMOPlat走的是另一條路。它不只是為自己的冰箱洗衣機生產線服務，而是把海爾多年來在大規模定制上積累的制造經驗"云化、軟化"，做成一個開放的工業互聯網平臺，向外賦能中小企業。紡織服裝、化工、建材……各行各業的中小工廠，可以在上面調用模塊化的制造經驗和工藝方案；

這些案例有一個共同的前提條件：它們都發生在一個完整的、正在運轉的工業體系內部。

知識圖譜化不是憑空發生的。你要蒸餾老師傅的經驗，首先得有老師傅可蒸餾。

你要把工藝參數建模，首先得有一條真實的產線在跑。

美國的情況則截然不同。

以波音為例：這家曾代表美國制造業巔峰的企業，過去二十年，將787機身制造外包給全球十余家供應商，自身淪為"系統集成商"，而非制造商。

雖然短期成本降下來了，但長期的人才流失，導致波音面臨了嚴重的"經驗斷層"——工人記錄在案的質量問題增加了超過30%。

盡管波音也采取了一些知識蒸餾的措施，像通過AR頭顯展示操作流程、以及設計工藝3D化等，但問題是：AR/3D化解決的是：“標準情況下該怎么做”，卻沒有解決“不標準情況下怎么辦”；

2024年1月，一架737-9 MAX從波特蘭起飛后艙門插件脫落，導致全球346架同型飛機被迫停飛檢查；

最后的原因，其實很荒謬——僅僅是因為固定門塞的4個關鍵固定螺栓缺失了，而負責維修的新人卻忘了檢查和提交工單。

AR雖然會提示“這里要擰螺絲”，但當這個步驟被跳過、被重做、被外包時——系統是不會“警覺”的，只有人會。

這就是中美差距的核心所在：中國的知識圖譜化是完整工業體系內的增量優化——老師傅帶教、產線運轉、供應鏈協同，使萃取的知識能即時驗證迭代。

美國的"知識蒸餾"則是空洞化體系中樓閣，人才斷代、產線外遷，即便采集萬小時操作數據，也難以在缺乏整體生態的環境下，進行自我校準。

一個制造業體系的潰敗，終歸是系統問題。它不是蒸餾了一些技術工人，將人變成Skill，就能挽救的。

被蒸餾的人，去向何方

說了那么多技術，最后老局想回歸“人”這個最關鍵的因素，當老師傅真的被"蒸餾"之后，他們的命運會怎樣？

這個問題的答案，取決于他身處怎樣的國家。

在美國的銹帶——從匹茲堡到底特律，從揚斯敦到弗林特，答案早已寫好了。上世紀80年代開始的去工業化浪潮中，鋼鐵廠關了，汽車零部件廠搬去了墨西哥，化工產線轉移到了亞洲。那些曾經在車間里干了一輩子的技術工人，在新的經濟結構中變得毫無用處。只能被迫轉行去開出租、當保安、進超市當收銀員，收入腰斬甚至更多。

而更多的工人，干脆退出了勞動力市場。靠阿片類藥物來麻醉自己，每日生活在絕望中，萬斯自己的那本《鄉下人的悲歌》里，寫的就是這些人。

而在中國，老師傅被"數字化"之后的去向，呈現出一幅截然不同的圖景。

中國的制造業體系仍然龐大而完整，這意味著老師傅的知識被數字化之后，他們本人并沒有被一腳踢開。恰恰相反，隨著產線智能化程度的提升，企業對能"調教"系統的資深技師的需求反而在增加。

以寧德時代動力電池產線為例，在部署"小墨"人形機器人產線時，工廠特別邀請擁有20年裝配經驗的老師傅參與系統調試。這些技師將手工裝配時的壓力感知、扭矩控制等隱性經驗轉化為AI模型參數，同時負責機器人異常工況的判斷與調教，使產線切換效率提升40%。

而這類"資深工藝顧問"的崗位需求，較數字化轉型前增長了65%，老師傅的時薪也比傳統產線提高了3倍。

這意味著，一個在產線上摸爬滾打了二三十年的老師傅，即使他的知識、技能已經被寫進了機器人程序，他本人依然是搶手貨。

兩種命運的分叉，不是因為一個國家比另一個國家更"慈悲"。

它的根子在于：一個國家的工業體系是否還在。如果一個國家早已去工業化，工廠關了、供應鏈散了、那么當一個技術工人被替代之后，他就真的無處可去了。

但如果一個國家的工業體系依然健全，工廠還在運轉，產線還在升級，新的制造場景還在不斷涌現，那么老師傅即便從這條線退下來了，也能通過返聘、做顧問、參與新產線調試等方式，還能重新融入生產體系。

他的經驗不會完全無用，不會徹底過期，因為總有新的問題需要他的判斷。他不是被拋棄了，而是換了一個位置繼續發光。

美國現在做的事情，從Meta的MCI到印度工廠的攝像頭采集，看上去很先進，但實際上只是在用技術幻覺掩蓋結構性的空洞。

而一個國家是否愿意讓老師傅有尊嚴地融回生產體系，本質上折射的是這個國家是真的把制造業當成命脈，還是只當成一個可以隨時拋棄、又想隨時召回的成本中心。

這不是一個技術問題，這是一個關于國家道路選擇的問題。

▲見證中國科技奔赴星辰大海

專注產業鏈分析和案例寫作

關注AI、互聯網、汽車、消費電子

半導體等前沿科技產業

入駐媒體平臺

36Kr/ 觀察者網風聞社區/ 網易

虎嗅/ 雪球/ 騰 訊新聞