最不容易被 AI 抢走的工作，也许是写作
文章摘要
作者 Murat Demirbas（布法罗大学分布式系统教授，博客 Metadata 的主理人）在这篇文章里提出了一个逆向判断：当程序员们正手忙脚乱地重构自己的工作方式、在「5 倍生产力」的新指标下疲于奔命、被 agent 生成代码的认知负债压得喘不过气时，写作这个行当反而出奇地毫发无伤。
他的出发点是一种非常直接的体感：LLM 生成代码已经相当强，但它们吐出来的散文简直令人绝望——永远是同一种机械节奏，同一批陈词滥调，同一套用滥了的词汇。作者说，把自己那些「支离破碎却有灵魂」的文字交给模型「润色」，换回来的是一坨塑料感十足、没有灵魂的词语泥浆；这些文字传达不出任何真正的理解和洞见。他认为我们所有人都在对 AI 写作产生一种生理性的反感，它被困在恐怖谷里，而且可能会困很久。
支撑这个判断的有三条论证。
第一，散文能力已经触顶。 这不是因为大厂没努力。图像、语音、视频模型都靠堆参数和算力迅速变好了，唯独文本模型在表达力、深度和真实感上撞了墙。如果能靠零边际成本征服营销、文案和出版业，AI 实验室不可能不想要。
第二，写作是一个「棘手问题」（wicked problem）。 按系统论的定义，棘手问题没有明确的问题表述、没有清晰的终止规则、没有客观正确的解。作者沿这条「棘手度光谱」把各领域排开：数学在最左端，规范简洁、验证二元且自动化，反馈闭环完美，所以 AI 能快速攻克；代码依赖形式逻辑与测试反馈，编译器、单元测试、模型检查器能即时抓错，验证基本是机械的；法律和金融这类结构化领域有监管框架和经验数据作边界；而写作站在光谱的最远端——没有明确规范，没有 ground truth，成功的终极标准是「在另一个人脑子里产生共鸣」。
第三，写作可能是一个 AI-complete 问题。 编程是单心智与确定性编译器的交互，散文却是受「心智理论」（Theory of Mind）支配的双心智问题：你必须实时模拟读者的内在状态，追踪读者已经知道什么，逐句管理他们的认知负荷，预判一个论证会如何落地。LLM 没有针对某个具体读者的活跃心智模型，只是在庞大数据集上优化下一个词的统计概率；它无法共情，没有人类的亲历经验，更没有任何「切身利害」（skin in the game）。
结尾作者搬出李嘉图的比较优势：即便 AI 在打字速度和产量上有绝对优势，人类的稀缺认知资源仍应投向机会成本最低处——把它烧在通用重复任务上，如今机会成本已经无限高。于是「人类的工作量证明」（human proof-of-work）成了终极的代价高昂的信号（costly signal），就像孔雀的尾巴或麋鹿的角，昂贵、无法伪造。当 AI 泥浆淹没网络，经济价值就完全转移到真实的人类嗓音上。不同于技术人员，作家们什么都不用改就能捕获这份红利——好作家一直在「棘手前沿」上和沟通的固有复杂性搏斗。文章最后留了一句反转：也许编程本身正在变成一种创意写作，变得更有主张、更偏架构。
HN 评论精华
讨论 205 条，共识远没有作者乐观。
「文案已死，但那是底层的事」：curuinor 开门见山——日常商业文案已经不是奄奄一息，是被一枪爆头了；只有精英文学写作因为是零和游戏所以永恒（大家都有 LLM，谁也没有信号优势）。这句话把整个讨论岔进了一条关于「股票交易是不是零和」的长支线，phyzix5761、quickthrowman、AndrewDucker 等人辩了十几层——衍生品是零和，股权因为分红、回购、分拆并不是；期货虽零和但双方买到的是「确定性」。这条支线几乎是整个帖子里最热闹的，也基本跑题了。
最扎心的反驳来自 muvlon：作者说的道理可能都对，但它救不了那些已经失业的写作者。「人类能分辨差异、能对 AI 文本产生生理反感」是不够的，还必须有足够多的机构愿意为这个差异掏钱。从他的观察看，并没有。企业产出的大量文字，其散文质量根本不是「承重结构」，那些文字存在只是为了占据一块版面、乍一看显得专业，就像电梯音乐——够撑过一趟电梯就行。
TFNA 接着补刀：他做过出版、翻译和编辑（并且「刚好及时跳槽到更稳的行当」），令人震惊的是连真正「承重」的文本也扛不住降本压力——一些体面出版社出的、要读者花真金白银买的书，编校投入已远不如从前；如果是引进版，就是机翻加最低限度的译后编辑。debugnik 提供了西班牙的具体例证：奇幻小说译本里 “fall” 被译成「掉落」而实际是「秋天」，专有名词时译时不译，语法性别因缺上下文而错乱。而出版社不受惩罚，因为热门 IP 不可替代，读者不愿错过作品和粉丝圈，所以「用钱包投票」实际等于抵制，很难发生。
关于「模型为什么写不好」的技术分歧是另一条主线。enraged_camel 认为原因很简单：RLHF 没把写作当重点，因为钱在代码这边；所以作者结论可能对，但理由不同——除非写作本身变得值钱，实验室不会投资源。swatcoder 反对：这不是训练问题而是信息论问题，不可克服——模型要把短而模糊的 prompt 膨胀成长而具体的散文，只能靠统计假设填空，于是每个模型都必然有一种隐含嗓音，而流行模型的嗓音必然变得令人厌倦、俗滥。代码逃过一劫不是因为训练，而是因为代码受益于陈词滥调（样板、模式）。famouswaffles 则坚持强化学习起了很大作用，指令微调带来的「神经质」至今没解决。ilaksh 认为只是还没轮到：迟早会有人认真做风格引导和「人性化」，把 “not X, not Y, but Z” 这类已成把柄的句式训掉——「写作者们如此笃定它不会变好，有点奇怪」。
最有价值的第一手实验来自 spijdar：过去一年半，他每隔半年就试一次让前沿模型尽可能自主写一部长篇小说。Gemini 2.5 那次，文字紫得发腻、俗套连篇，客观说不好，但主观上还挺有味道。上周用 GPT-5.6 跑，产出了 11 万字且状态、情节线、背景细节的连贯性「惊人地好」，远超旧模型——但他就是不喜欢那个文风。GPT-5.6 会死死钉在「同意权」「认识论」这类概念上，写到最后所有叙述和对话都变成了「agent 腔」，尽管 prompt 明确说这是小说。更妙的是模型对自己的批评相当准确：稿子已经变成一部「以同意权为中心的医疗、法律与后勤流程文」。他还展示了每章计划文件的字数膨胀曲线（1304 → 10605），说明顶层 agent 在反复压缩后逐渐忘掉散文，一门心思做连续性对账。svachalek 点破机理：LLM 的全部输出也是它的输入，在自生成文本上续写，风格只会越来越机械。
shahar2k 提了一个元问题：作者能分辨好坏文字，就假设所有人都能——「我是视觉艺术家，生成式艺术对我而言明晃晃地显眼……但对我身边很多人不是，包括一些艺术从业者」。david-gpu 反问这是不是幸存者偏差（没被你识破的那些，你自然以为是人做的）。mc32 给了更冷的判断：即便今天有人能分辨，随着 AI 文风成为主流，它就会变成新的正常文风——九世纪的文学读起来跟今天不同，当时却完全正常。99954bb63ccc 则援引 Gell-Mann 失忆效应：专家能看出自己领域被做砸了，外行看不出，然后这些人又去别的领域信誓旦旦。
最锋利的方法论批评来自 tptacek：他认可这篇文章的方向，但指出它和大量「AI 与知识工作」的文章共享同一个逻辑缺陷——假定 AI 必须无人协助地独立产出可用成品才算颠覆一个行业，也就是把问题设成「氛围出货」。而 AI 今天最有效的形态并不是 vibing，而是给一个熟练操作者当副驾驶：他不需要 agent 替他建整个系统，即便最终几乎每一行代码都出自 agent 之手，他全程都在做决策。写作同理。
其他值得记的：bigstrat2003 认为最安全的其实是律师，因为立法者本身就是律师，一旦感到威胁就会立法禁止 AI 用于法律事务（monocasa 补充：初级岗位和 paralegal 照样被清空，人才漏斗会断）。ThrowawayTestr 说最安全的是屏幕后面做不了的工作，他是技师，短期内没有机器人能取代他；ElProlactin 冷冷回了一句：如果大批屏幕后的白领失业，整个劳动力市场都要承受后果——美国人对蓝领高薪有幻觉，高蓝领工资本身就依附于白领的就业与薪资，「一小时收 200 美元修个漏水」在别的国家根本不成立。deepwoods 提供了最贴地的个人处境：给他改稿的那位同事被裁后没有补人，公司期待他用 AI；AI 很好，但没到位，于是他每天都要决定是花时间把文字做对，还是回去干他真正拿薪水的活。