從質疑 AI 路線到預言職場洪水：田淵棟的「費米線」是什麼？
兩個月前，這篇關於田淵棟的文章頗受關注，那時他剛被 Meta 裁員，卻在一週內收到所有大廠的工作機會。讓我印象深刻的不是他的搶手程度，而是他對 AI 路線的三個質疑：大型語言模型真的是正確路線嗎？規模決定一切是不是悲觀的未來？通用 AI 真的能實現嗎？
2026 年年初，田淵棟在知乎發表年終總結。他沒有繼續談那些技術質疑，反而拋出一個更讓人不安的概念：費米線。這個借自物理學的比喻，描述的是 AI 時代人類價值的殘酷現實。從質疑 AI 的能力上限，到思考人類在 AI 時代的生存法則，田淵棟的視角正在從「AI 能做什麼」轉向「人類還剩什麼」。
回顧：一個 AI 科學家的三大質疑
在談費米線之前，有必要回顧田淵棟的三個質疑，這是理解他思想脈絡的關鍵。
第一個質疑是關於大型語言模型。他指出一個驚人的數據差距：大型語言模型需要 10 兆以上詞元訓練，但人類一生只學習約 100 億詞元，中間有 1000 倍的差距。「你怎麼樣去用人類的學習能力去彌補？很難彌補。」這不是說大型語言模型不強，而是說它的學習效率和人類有本質差異。歷史上偉大的科學家沒看過那麼多書，沒接觸過那麼多數據，卻能發現獨一無二的定理和發明。這種能力從哪來？大型語言模型達到了嗎？
第二個質疑是關於「規模決定一切」的信仰。他直白地說這是一個悲觀的未來。為什麼？因為任何模型都可以說塞數據就會有更好結果，這是顯而易見的。他用自動駕駛做類比：一開始進展非常快，大家覺得馬上能取代人，但越往後問題越大。好的洞見和數據越來越難找，進展逐漸停滯。大型語言模型會不會走上同樣的路？
第三個質疑是關於通用 AI 的神話。他用 GPT-o1 從零開始寫了一篇論文，結果發現：沒有領域知識的問題建構缺乏創新性，必須靠研究員指出致命問題，AI 才能在正確方向上深入。「人對數據的獲取能力和深度挖掘能力永遠是超過電腦的。人只需 1 到 2 個樣本就能看到本質，AI 需要幾百上千個。」
這三個質疑有一個共同的潛台詞：AI 有其極限，人類仍有不可取代的價值。但接下來的費米線理論，卻是這個樂觀結論的殘酷補充。
什麼是費米線？先從物理學說起
費米線這個概念，田淵棟借自物理學中的「費米能級」。這是一個聽起來很專業的名詞，但核心想法其實很直觀。
想像一棟大樓，每一層都可以住人。在最底層的住戶最早搬進來，然後逐層往上住滿。費米能級就是「目前住滿的最高樓層」。這一層以下，每層都住滿了人；這一層以上，每層都是空的。
在真實的物理世界，這個概念用來描述材料中電子的分布。電子會優先填滿能量較低的位置，就像住戶會優先住低樓層一樣。費米能級就是電子填滿的邊界線，決定了材料的導電性質。低於這條線，能量位置全部被佔據；高於這條線，位置是空的。田淵棟把這個概念借來描述 AI 時代的人類價值分布。
AI 時代的費米線：人類價值的門檻
傳統的職場邏輯是這樣的：工作經驗累積越多，能力越強，回報也越大。這是一條單調上升的曲線，越老越香，所以大公司有職級制度，職級隨年限晉升。但田淵棟說，AI 時代的邏輯完全不同了。
「職級已經沒有意義，過去的經驗也沒有意義。」他在年終總結中寫道。人的價值不再是按照「本人產出的勞動數量及品質」來評估，而是變成了「你能不能讓 AI 變得更強」。只有當「人加 AI」大於「純 AI」的產出，人才有價值。
這讓投入回報曲線從單調遞增，變成了一個先是全零、再在某個閾值之後才開始增長的曲線。
用白話來說：一開始你的能力比不過 AI，而 AI 的供給只會越來越便宜，所以在很長一段成長期內，你本身是沒有價值的。只有當你強到一定程度，能夠指導 AI、辦到 AI 辦不到的事，你的價值
才開始顯現。
這個閾值，就是田淵棟說的「費米線」。
更殘酷的是，跨越閾值之後的回報差異是指數級的。普通人只會對 AI 的一兩條具體產出花時間修修補補，而厲害的人在看了一些 AI 存在的問題之後，能提出系統性和普遍性的解決方案，結合手上的資源，可以進一步讓 AI 變得更強。這種效應隨著 AI 的廣泛部署，會被幾何級數地放大。「一騎當千」這種小說筆法，田淵棟說，將很快變成現實。
費米線會往上走：低於水位線的職業，可能一夜之間被顛覆
如果費米線是固定的，故事還不會那麼可怕。但田淵棟指出，這條線會一直往上走。「低於費米能級的職業，可能在一夜之間就被顛覆掉。」他用洪水做比喻：「就像一場洪水或者地震一樣，前一天還是歲月靜好，後一天整個行業被端掉了。」
這條水位線上升的速度，和它能獲取到的、比它更強的數據量成正比。如果大模型的訓練過程沒有特別大的突破，像自動駕駛一樣越往上有用數據越少，進展會趨緩，頂尖的人還能保有護城河。但如果找到新的合成數據手段，或者新的訓練算法，那就不好說了。
田淵棟用他在 Meta 幫忙 Llama 4 的經歷來說明這種無奈。那段時間他經常在加州時區晚上 12 點接到東部時區同事的消息，倫敦的朋友們更是永不下線，熬夜到凌晨四五點是常態。但這些辛勤勞動最終達到的結果，是看到大模型達到甚至超越人類日常作事的水準。
「這應該說是一種陷入囚徒困境之後的無奈。」工程師加班開發 AI，AI 變強後取代更多工程師，剩下的工程師要更努力開發 AI。這是一個自我加速的循環。
從三大質疑到費米線：思想演進的邏輯
回過頭看，田淵棟的三大質疑和費米線理論其實是一體兩面。三大質疑說的是：AI 有極限，人類在創造力、洞見、少樣本學習上仍有優勢。這是從 AI 能力的角度分析。費米線說的是：就算 AI 有極限，這個極限也已經高到足以取代大部分人。能力在 AI 之上的人會極度稀缺，其他人的價值歸零。這是從人類價值的角度分析。
兩個結論並不矛盾。是的，頂尖科學家仍然能做出 AI 做不到的洞見；但這也意味著，不是頂尖科學家的人，價值正在快速縮水。
田淵棟在年終總結中特別提到他對可解釋性研究的堅持。他認為不管 AI 走到哪裡，最終都需要可解釋性來救場。如果 Scaling 成功達到了 AGI 甚至 ASI，全體人類的勞動價值降為零，我們需要可解釋性來確保 AI 不作惡。如果 Scaling 失敗，我們需要可解釋性來找出下一條路。
這是他給自己找到的「費米線之上」的位置：不是寫更多程式碼，不是訓練更大模型，而是理解 AI 為什麼有效、什麼東西會讓它失效。
「等到我們能從梯度下降的方程式裡，直接推導出大模型特徵湧現的必然性，可解釋性才算真正從生物式的證據收集走向物理式的原理推導。」他用物理學發展史做類比：現在 AI 領域有很多第谷（收集數據），一些開普勒（提出假說），但還沒有牛頓（發現原理）。他想當那個牛頓。
遍地神燈：當 AI 都想證明自己有用
田淵棟在年終總結最後，提出了一個有趣的意象：遍地神燈時代。傳統故事裡，阿拉丁神燈是稀缺的，人們千辛萬苦才能得到一盞。但 AI 時代正好相反，每一個 AI 都像是一個神燈，能力超群，渴望著實現別人的願望，以此來證明自己的價值。
「在這種環境下，真正稀缺的不再是實現願望的能力，而是『願望』本身，以及將願望化為現實的那份堅持。」
這帶出了他對如何保持獨立思考的建議。戰術上，我們需要學會不停審視 AI 的答案，挑它的毛病，找到它無法解決的新問題。未來的新價值將來源於三個方面：新的數據發現、對問題全新的深入理解、新的路徑包括可行的創新方案及其結果。
戰略上，每個人都將面臨從「員工」角色向「老闆」或「創辦人」角色的轉變。這種轉變的核心在於「目標感」。如果心中有一個堅定的目標，並願意動用一切手段去達成它，主動思考就是自然而然的結果。
他甚至說，如果將來的孩子立志要去土衛六開演唱會，或者想在黑洞邊緣探險，千萬不要打壓這樣看似荒誕的志向。因為這份宏大的願望，或許正是讓他們始終屹立於費米線之上的關鍵。
從離開 Meta 到創業：一個科學家的選擇
田淵棟最終沒有加入那些搶著要他的大公司。「雖然最後有不少 offer，大家能想到的知名公司也都聯繫過我，但最後還是決定趁自己還年輕，去當一家新創公司的聯合創辦人。」細節他暫時不公開，但這個選擇本身就很說明問題。
大公司能給他穩定的環境和優渥的待遇，但他選擇了更高風險、更高自主權的路。這符合他自己說的「從員工到創辦人」的轉變。也許對他來說，真正能讓自己站在費米線之上的方式，不是在別人的框架裡做研究，而是定義自己的問題、追求自己的願望。
他在總結中還提到，這次波折為他接下來的小說創作提供了非常多的新素材。「所謂『仕途不幸詩家幸，賦到滄桑句便工』，生活太平淡，人生就不一定有樂趣了。」這是一個很田淵棟的態度。被裁員這種事，對大多數人來說是危機，對他來說是素材。費米線這種冷酷的理論，他寫得像是在描述物理定律，沒有抱怨，沒有焦慮，只是陳述事實，然後想辦法應對。
