当美国开始“蒸馏”人类：一场关于制造业的灵魂之战星海情报局

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。