最近这段时间，“同事.Skill”这个梗，在网上火了。

它的玩法简单且荒诞：只要你手里有足量离职同事的飞书记录、钉钉文档、微信聊天的文本，喂给AI，它就能为你生成一个1:1复刻的数字分身——文字风格、工作思路、操作流程一应俱全。

这原本只是打工人的一个黑色幽默玩梗。但这个月，大洋彼岸发生的事情，让这个梗突然不那么好笑了。

路透社4月21日报道：Meta正在美国员工的电脑上安装一款名为MCI（Model Capability Initiative）的追踪软件，全程采集员工的鼠标移动轨迹、点击位置、键盘输入，并间歇性截取屏幕快照。目的只有一个——训练AI智能体，让它们学会像人一样操作电脑。Meta的CTO安德鲁博斯沃思在内部备忘录中描绘了一幅未来图景：由AI来主要完成工作，而员工负责指导、审阅和帮助AI改进。

而类似的命运，最近也降临到了蓝领工人身上。

差不多同一时期，印度南部古吉拉特邦的纺织车间里，数百名工人被要求戴上特制的头戴摄像头环，一边叠衣服、缝布料、操作缝纫机，一边采集自己的手部动作视频。这些数据的买家，是特斯拉、Figure AI等硅谷机器人公司。

工人时薪15—20美元，大约人民币100块出头。但注意，这个价格是工厂把采集到的数据卖给Micro1（数据采集企业）的价格，类似于原材料出厂价。

工人从中分到的酬劳几乎为零，并且一旦拒绝，就会被视为严重违反劳动纪律，直接遭到裁员。

于是，工人们用自己的身体，一帧一帧地喂养着那些终将取代自己的机器人。这不是一家两家的行为——全球已有数千名来自印度、尼日利亚、菲律宾的工人在从事这种无本体数据采集，相关的数据标注公司和零工平台Objectways、Instawork、Generalist AI等，已经形成了一条完整的产业链。

Meta的鼠标追踪和印度的摄像头采集，看似一高一低，但共享同一个底层逻辑：用传感器把人的操作轨迹变成训练数据，喂给AI和机器人，让它们学会像人一样干活。

它们共同构成了一条美国科技的暗线：不是培养人，而是萃取人。

廉价劳动力的毒药

这股炼化风潮为什么在美国企业中蔚然成风？答案藏在一个非常现实的困境里。

美国制造业回流的口号已经喊了好几年了，但真当工厂要开起来的时候，美国人发现了一个尴尬的事实：国内的熟练工人，越来越少了。

36氪在一篇报道中，曾引用过这样的数据：美国目前缺少60万名制造业工人和50万名建筑工人，未来三年还需新增40万名汽车维修技师。拿福特来说，福特现在全美有5000个机械师岗位空着，年薪开到12万美元，大约是美国工资中位数的两倍，依然招不到人。

面对这种困局，美国副总统万斯提出了一套看上去自洽的构想。2025年3月，万斯在华盛顿的美国活力峰会上发表了一番演讲，核心观点可以概括为三句话：

第一，廉价劳动力是一种毒药；

第二，过去四十年，无论是把工厂外迁到低成本国家，还是通过移民系统引入廉价劳力，美国企业都在用最简单的办法逃避创新；

第三，未来的制造业回流，不该是回到苦哈哈的血汗工厂，而应该是更自动化、更高科技的制造业。

万斯还特意拿了个类比来安抚人心：1970年代ATM机出现时，所有人都以为银行柜员要失业了，但实际上ATM让柜员变得更高效，金融服务业的从业者反而比以前更多了。他的意思很明确——AI和机器人不是来抢饭碗的，是来增强工人的。

这套说辞确实漂亮。但讽刺的是，万斯说的是培养高技能工人，硅谷实际在做的是蒸馏所有人的动作，然后用机器人替代。

因为，万斯嘴上说的是培养美国高技能工人，但他的竞选资金来自那些最希望用AI替代人类劳动的硅谷资本家。

例如，a16z的马克安德森和本霍洛维茨，当年就是通过砸下超过1亿美元政治献金，直接帮助特朗普-万斯阵营入主白宫。

而这些资本家要的不是人机协作，而是彻底的去人化——安德森在他那份《技术乐观主义宣言》中甚至声称任何对AI的减速都会造成生命的逝去，把监管者定性为手染鲜血的罪人。

那问题来了：如果美国在蒸馏这条路上越走越远，当AI和机器人炼化了所有的人类劳动技能后，美国能否跳过自己熟练工人不足的短板，凭借技术优势，填平与中国制造业之间的差距？

工业皇冠上的明珠

在回答这个问题之前，我们要回答一个更底层的问题：在工业化的进程中，人这个因素，是不是越少越好？

很多人对制造业有一种直觉化的理解：“人”在工业体系中，是不稳定的、不标准的、不高效的。

整个工业进步的历史，似乎就是不断把人这个不稳定因素排除出去的历史——从流水线到数控机床，从自动焊接到无人仓库，每排除一点人的因素，效率就提升一截。从这个逻辑出发，美国人现在蒸馏印度工人的做法，似乎走在“正确”的方向上。

但这里有一个至关重要的区别：制造业中不标准的因素，其实分成了两类。一种是低级的非标，另一种是高级的非标。

低级的非标，是流水线工人手抖了、螺丝拧歪了、焊点偏了一毫米。这种不标准确实是生产的敌人，自动化和机器人的首要任务就是消灭它们。

一条全自动的汽车焊装线，几百个焊点一次成型，精度±0.1毫米，任何一个人类焊工都做不到这个稳定度。印度纺织车间里那些被摄像头采集的叠衣服动作，本质上也属于这类——重复性高、标准化强、判断含量低。蒸馏它们，技术上没有太大障碍。

但高级的非标，恰恰是工业皇冠上的明珠。

以ASML的极紫外光刻机为例。每台光刻机价值超过2亿欧元，包含超过10万个零部件，光学系统由蔡司提供的上百片透镜组成，每一片的精度要求是原子级别的。但即便如此，当一台光刻机运到晶圆厂之后，它并不能直接开机就干活。

从安装、调试到达成量产所需的良品率，中间需要经历一个漫长的过程。这个过程中，真正起决定性作用的，不是机器本身，而是一小批高级工程师和资深技师。

他们要根据现场的温度、湿度、洁净度、前道工序的微小偏差，不断调整曝光参数、对准算法、套刻补偿。这些判断，相当一部分依赖的不是教科书上的公式，而是十几年甚至几十年积累下来的经验直觉。

台积电在亚利桑那州建厂时遇到的困难，很大程度上就是这个问题。工厂盖得起来，设备搬得过去，但那批能把良品率从60%拉到95%以上的资深工程师，不是花钱就能在美国本土批量招到的。

这不是光刻机一个领域的事情。在精密化工的配方调试中，在航空发动机涡轮叶片的单晶铸造中，在高端碳纤维复合材料的铺层和固化中，都存在同样的现象：标准化的流程只能走到80分，最后那20分，要靠人——靠少数掌握了高级非标能力的人；

原因在于，这些制造环节涉及的变量之多、耦合关系之复杂，远远超出了当前任何自动化系统的建模能力。以单晶涡轮叶片铸造为例，合金熔体的温度场分布、晶体生长速率、真空炉内的微量气氛变化，彼此之间存在高度非线性的交互影响。任何一个变量的微小波动，都可能导致晶界缺陷或枝晶偏移。

教科书上有公式，但公式处理的是理想状态；而现场永远不是理想状态。

这也就意味着一个反直觉的事实：越是自动化程度高的产线，对少数关键人的高级判断的依赖反而越强。他们的判断力，是蒸馏不出来的。

所以，如果万斯那套技术驱动回流真的落地，美国制造业不但不会减少对人的依赖，反而会更需要控制工程师和高级技师。而这，恰恰是美国最缺的东西。

无法蒸馏的判断力

正因为高端非标无法被蒸馏，所以中美两国在知识图谱化这条路上，玩的其实是完全不同的两种游戏。

其实，如果我们把蒸馏这个互联网黑话翻译成制造业的语言，它真正的名字叫知识图谱化——把老师傅脑子里的经验、判断和诀窍，变成结构化的数据、规则和模型，存进系统里，让新人也能用、让机器也能调。

这件事，中美都搞了好多年了。但结果天差地别。

先看中国这边。三一重工是一个经典样本。作为全球最大的混凝土机械制造商之一，三一面临的核心挑战是离散型制造——品种多、批量小、工艺调整频繁。过去，一条桩机产线换产品型号，要靠老师傅凭经验调参数，一调就是大半天。

针对这种情况，三一的做法是，通过工业互联网平台，把几十年积累下来的工程机械设计Know-how和老师傅的焊接经验，例如操作中的焊接路径、送丝速度、电弧电压等关键参数，沉淀成研发端的知识图谱和生产端的工艺优化模型。

之后，三一的北京桩机工厂入选了世界经济论坛的灯塔工厂，产能提升了123%。

海尔的COSMOPlat走的是另一条路。它不只是为自己的冰箱洗衣机生产线服务，而是把海尔多年来在大规模定制上积累的制造经验云化、软化，做成一个开放的工业互联网平台，向外赋能中小企业。纺织服装、化工、建材……各行各业的中小工厂，可以在上面调用模块化的制造经验和工艺方案；

这些案例有一个共同的前提条件：它们都发生在一个完整的、正在运转的工业体系内部。

知识图谱化不是凭空发生的。你要蒸馏老师傅的经验，首先得有老师傅可蒸馏。

你要把工艺参数建模，首先得有一条真实的产线在跑。

美国的情况则截然不同。

以波音为例：这家曾代表美国制造业巅峰的企业，过去二十年，将787机身制造外包给全球十余家供应商，自身沦为系统集成商，而非制造商。

虽然短期成本降下来了，但长期的人才流失，导致波音面临了严重的经验断层——工人记录在案的质量问题增加了超过30%。

尽管波音也采取了一些知识蒸馏的措施，像通过AR头显展示操作流程、以及设计工艺3D化等，但问题是：AR/3D化解决的是：“标准情况下该怎么做”，却没有解决“不标准情况下怎么办”；

2024年1月，一架737-9 MAX从波特兰起飞后舱门插件脱落，导致全球346架同型飞机被迫停飞检查；

最后的原因，其实很荒谬——仅仅是因为固定门塞的4个关键固定螺栓缺失了，而负责维修的新人却忘了检查和提交工单。

AR虽然会提示“这里要拧螺丝”，但当这个步骤被跳过、被重做、被外包时——系统是不会“警觉”的，只有人会。

这就是中美差距的核心所在：中国的知识图谱化是完整工业体系内的增量优化——老师傅带教、产线运转、供应链协同，使萃取的知识能即时验证迭代。

美国的知识蒸馏则是空洞化体系中楼阁，人才断代、产线外迁，即便采集万小时操作数据，也难以在缺乏整体生态的环境下，进行自我校准。

一个制造业体系的溃败，终归是系统问题。它不是蒸馏了一些技术工人，将人变成Skill，就能挽救的。

被蒸馏的人，去向何方

说了那么多技术，最后老局想回归“人”这个最关键的因素，当老师傅真的被蒸馏之后，他们的命运会怎样？

这个问题的答案，取决于他身处怎样的国家。

在美国的锈带——从匹兹堡到底特律，从扬斯敦到弗林特，答案早已写好了。上世纪80年代开始的去工业化浪潮中，钢铁厂关了，汽车零部件厂搬去了墨西哥，化工产线转移到了亚洲。那些曾经在车间里干了一辈子的技术工人，在新的经济结构中变得毫无用处。只能被迫转行去开出租、当保安、进超市当收银员，收入腰斩甚至更多。

而更多的工人，干脆退出了劳动力市场。靠阿片类药物来麻醉自己，每日生活在绝望中，万斯自己的那本《乡下人的悲歌》里，写的就是这些人。

而在中国，老师傅被数字化之后的去向，呈现出一幅截然不同的图景。

中国的制造业体系仍然庞大而完整，这意味着老师傅的知识被数字化之后，他们本人并没有被一脚踢开。恰恰相反，随着产线智能化程度的提升，企业对能调教系统的资深技师的需求反而在增加。

以宁德时代动力电池产线为例，在部署小墨人形机器人产线时，工厂特别邀请拥有20年装配经验的老师傅参与系统调试。这些技师将手工装配时的压力感知、扭矩控制等隐性经验转化为AI模型参数，同时负责机器人异常工况的判断与调教，使产线切换效率提升40%。

而这类资深工艺顾问的岗位需求，较数字化转型前增长了65%，老师傅的时薪也比传统产线提高了3倍。

这意味着，一个在产线上摸爬滚打了二三十年的老师傅，即使他的知识、技能已经被写进了机器人程序，他本人依然是抢手货。

两种命运的分叉，不是因为一个国家比另一个国家更慈悲。

它的根子在于：一个国家的工业体系是否还在。如果一个国家早已去工业化，工厂关了、供应链散了、那么当一个技术工人被替代之后，他就真的无处可去了。

但如果一个国家的工业体系依然健全，工厂还在运转，产线还在升级，新的制造场景还在不断涌现，那么老师傅即便从这条线退下来了，也能通过返聘、做顾问、参与新产线调试等方式，还能重新融入生产体系。

他的经验不会完全无用，不会彻底过期，因为总有新的问题需要他的判断。他不是被抛弃了，而是换了一个位置继续发光。

美国现在做的事情，从Meta的MCI到印度工厂的摄像头采集，看上去很先进，但实际上只是在用技术幻觉掩盖结构性的空洞。

而一个国家是否愿意让老师傅有尊严地融回生产体系，本质上折射的是这个国家是真的把制造业当成命脉，还是只当成一个可以随时抛弃、又想随时召回的成本中心。

这不是一个技术问题，这是一个关于国家道路选择的问题。

虎嗅/ 雪球/ 腾讯新闻