AI 现在离普通人的日常生活有多远？
答案很直接：几乎可以按“四舍五入的误差”来算。
Nathan Lambert 刚结束在新英格兰的婚礼假期回到线上，发现这几周完全不碰 AI 也毫不费力。他唯一用上 AI 的地方是搜索，以及给婚宴宾客做一张好看的座位表。日常生活里真正占分量的部分——家庭、食物、交通、娱乐——目前都还没有被 AI 直接改变。
普通人能接触到的触点，要么边缘，要么只有边际好处（做点好玩的图、搜索更好用），要么干脆让人困惑：很多人听说过 OpenAI–HuggingFace 那件事，却不知道该把它当成什么。负面联想反而更具体——成瘾的社交媒体算法、朋友的朋友沉迷 AI 聊天机器人、铺天盖地的数据中心争论。作者提醒，今天对 AI 上心，是极少数人主动选择的状态，不是普遍现实。
类比普通人今天与 AI 的触点像小区公告栏里贴的一张通知：你路过会看到，但不会因为它改变今天的安排。
如果日常收益这么薄，那些把它比作工业革命的人，究竟漏算了什么？
为什么这次“革命”不像前两次工业革命？
漏算的是收益的形态：前两次工业革命把好处做成普通人直接买得到、用得上的实物；AI 的潜在好处却太间接，很难被感知，也很难被归因。
前两次工业革命塞给普通人的是实物。第一次在 18 世纪末带来更便宜的衣物、厨具、读物和新的谋生方式；第二次在 19 世纪末带来缝纫机、防腐食品、室内管道、摄影、更好的照明、自行车和电气化。这份清单今天大多数人还在天天用，而且全都摸得着。
AI 被期待带来的却是新科学发现、罕见病的先进疗法，甚至持续的经济富足。风险恰恰是“太间接”。如果一个人是从家庭医生口中听到“有新药能治好你”，他凭什么把这份功劳记给 OpenAI 或 Anthropic？医生、老师、传统软件都在替 AI 交付成果，AI 自己始终待在幕后，这种落差就是归因断裂。作者借纳维-斯托克斯千年难题说明同一件事：事件本身无法核实，但普通美国人根本不会在意是谁解出来的。工业革命的商品不需要中间解释，便宜的衣服、室内的自来水，直接送进生活。
他的长期判断同样不客气：50 年后，普通美国人的住房、家电、人际关系和车辆大概还是老样子——自动驾驶会继续扩散，但它的轨迹与 LLM（大语言模型）的创新相当独立。这不等于 AI 不重要：他认为这一阶段真正在做的是打地基，建一套会在几十年里持续复利的基础设施和流程；今天一次重大的数学突破，放到复利旅程的后段看会小得惊人。
类比归因断裂像餐厅食客夸菜好吃，却不知道后厨换了一台新烤箱——烤箱改善了一切，但没人会感谢烤箱。
三次技术扩散：普通人到底拿到了什么
| 维度 | 第一次工业革命（18 世纪末） | 第二次工业革命（19 世纪末） | 今天的 AI |
|---|---|---|---|
| 普通人拿到什么 | 更便宜的衣物、厨具、读物，以及新的谋生方式 | 缝纫机、防腐食品、室内管道、摄影、照明、自行车、电气化 | 好玩的图片、更好用的搜索等边际好处 |
| 收益形态 | 可直接购买和使用的实物 | 可直接购买和使用的实物 | 间接：科学发现、罕见病疗法、经济富足 |
| 谁把好处送到手上 | 市场：买得到就感觉到了 | 市场：买得到就感觉到了 | 中间人：医生、老师、软件代收 |
| 归因难度 | 低：生活自己变了 | 低：生活自己变了 | 高：受益者未必知道该谢谁 |
收益间接只是第一道难题；更棘手的是，这些收益眼下主要落在谁身上？
谁在受益，谁被落在后面？
答案是：受益仍集中在少数人，主要是知识工作者。作者的原话是，今天的 AI 主要是服务精英的工具。他的依据是知识工作大约占美国经济的一半，而 AI 对知识工作的意义正在变得“像电力一样基础”——或者很快就会如此，因为他预期未来 18 个月内 agent（AI 智能体，能自主执行多步任务的系统）会有快速改进。
问题不在于 AI 强，而在于一种如此有生产力、又如此具颠覆性的工具只带半个社会上车。科技经济在繁荣，生活的其他部分却停滞，这种反差很难不被看出来。
要理解这层风险，得知道“恩格斯停顿”：1790 到 1840 年，英国工人阶级工资停滞，人均 GDP 却在技术剧变中快速扩张。作者的推论很硬：如果 AI 行业自己都承认这是最接近的类比，那么没有受益的人反弹就是合理的。
他还引用 Doug O'Laughlin 的判断：科技行业可能在巨大成功期里人数反而收缩，而知识工作产出爆发；而这些本来就是美国经济中最成功的部门，AI 的品牌因此很容易被打上“不是公共品”的标签。作者的担心是，这种本能反弹会拖住 AI，让它重演美国核电那样的警示故事。
反弹会以什么形式出现？这些困难里，有多少其实和 AI 本身无关？
两个结构性问题，和一个行业自己贴上的负面标签
因为 AI 撞上的反弹，很大一部分不是它自己制造的。作者把眼下的困难归成两个结构性问题，再加上一个行业自己贴上的标签。
第一个问题是早期正面影响太间接：好处要经过医生、软件和其他中间人才能落到普通人身上，功劳很难记到 AI 头上。
第二个问题是政治反弹与西方社会对大型科技公司的旧账深度纠缠。这一条尤其像时机问题——如果 AI 的指数增长发生在大科技平台（Google、Meta）成长阵痛几十年之后，数据中心恐怕根本不会升到今天这样的政治中心位置。AI 恰好出现在公众对大型科技信任度最低的时候，于是继承了所有反科技情绪。
第三条加剧因素来自行业自己：不断宣讲末日与大规模失业，等于给 AI 贴上“负面、不安全技术”的标签，让前两个问题都更难解。作者认为，只要解决其中任何一个，压力都会显著缓解，行业也能获得更多时间去说明“为什么人们应该接受现状被改变（主要是经济层面的改变）”。他承认头部人物已经开始处理这个问题，但公众要真正接受这条大趋势，还差得远。作者没有给出行动清单，下面那两条路径是顺着他的判断往下推的结果，不是已经确定的分岔。
类比AI 继承了反科技情绪像新来的学生恰好坐在一个刚被全班讨厌过的同学旁边，于是连带着被讨厌——不是因为他做了什么，而是因为时机。
AI 的两条路径：像电力一样渗透，还是重演核电的停滞
- 条件解决归因断裂，让好处广泛分配结果AI 像电力一样逐步渗透所有行业，普通人从灯泡、家电式的应用里直接感到好处可以怎么做投资有形的 AI 产品（机器人、自动驾驶），把应用做到中小企业和非知识工作者也用得上
- 条件好处持续间接、分配继续倾斜结果AI 重演美国核电的警示故事：技术成功，发展却被政治阻力拖住可以怎么做警惕公众信任持续流失，主动调整叙事和利益分配机制
如果时间尺度真是几十年，那到底是哪一种 AI，会先让普通人真有感觉？
那要等多久，什么才会让普通人真正感觉到？
不是下一次模型发布，而可能是机器人——以及任何把模型能力变成看得见、用得上的服务的具身应用。作者把当下称为“50 年扩散过程的第一个五年”，并按这个尺度把后面的路分成三段。
第 0 到 5 年，也就是现在，是基础设施建设期：AI 在普通人的账本里还是舍入误差，好处间接且集中在知识工作者，政治反弹刚刚开始；ChatGPT 这类应用普及得很快，但深度集成才刚起步。
第 5 到 20 年是扩散加速期：agent 的改进推动知识工作深度集成，机器人和自动驾驶可能开始提供有形的好处，归因断裂随之缓解。
第 20 到 50 年才是广泛普及期：采用率从接近 0% 走到 90% 以上，深度集成在企业里、充当个人助理的 AI 成为常态，普通人的日常生活才明显改变。作者说，如果给 AI 100 年去渗入社会，它的影响一定会像几个世纪前的工业革命那样明显；问题在于社会不会给这份耐心——几百万双眼睛盯着，行业没有慢慢来的空间。这三段是他按历史类比划出的框架，不是精确时间表。
他把赌注押在最“具身”的方向上：如果大规模生产大语言模型带来的智能爆发外溢到机器人，让日常生活中的机器人加速落地，人们会很快抓住有形的好处；自动驾驶在他看来也有类似可能，尽管它一直沿着独立轨迹发展。这里有个反讽——很多人这些年一直在努力说明，LLM 与过去一二十年的 AI 进展非常不同；而如果最终是机器人和自动驾驶来拯救（或彻底盖过）大语言模型的公众形象，会相当好笑。
他的宏观判断是：扩散的故事会比反对它的斗争长得多。今天关注这件事的年轻一代，一生中会看到强大的 AI 从事实上 0% 的采用率走到 90% 以上。落点也很清楚：技术必须继续推进——好处会惊人，但绝不是理所当然，而“如何让好处被广泛分配”还有大量硬活要干。
类比五十年扩散像电力从发明到家家户户都用上花了几十年——早期只有工厂用，普通人根本感觉不到，直到灯泡和家电出现。
五十年扩散的三段路：现在才走到第一段
- 第 0–5 年（现在）
基础设施建设期AI 是舍入误差；好处间接、集中在知识工作者；政治反弹开始；ChatGPT 级应用普及，深度集成刚起步
- 第 5–20 年
扩散加速期智能体改进推动知识工作深度集成；机器人和自动驾驶可能提供有形好处；归因断裂开始缓解
- 第 20–50 年
广泛普及期采用率从接近 0% 走到 90% 以上；企业深度集成与个人助理成为常态；普通人日常生活显著改变
