前言

前段时间在小区家长群里看到一段对话，让我印象很深。

👨 家长 A：「孩子明年上初中了，我打算给他停掉所有补课，全换成大模型陪练，省一半钱效果还更好。」

👩 家长 B：「我家也在试，但 AI 教完了娃自己一个人在房间，连作业都不愿动，最后还是老师管用。」

👨‍🏫 一个老师家长：「你们想清楚 AI 替代的是哪个老师就行了。我自己都觉得有些课 AI 讲得比我清楚——但孩子不是来听课的。」

这场争吵刷屏很久。技术圈里也一样：每次有新模型发布，就有一波声音喊「教师这个行业要完了」。但你只要在公司带过研发团队，就知道**「能力够 ≠ 能落地，能落地 ≠ 能盈利」是三件完全不一样的事**。

这篇我不打算讲教育情怀，也不讲 AI 多厉害多神奇。我想用一个研发总监日常做技术选型时最熟悉的视角——把"AI 替代教师"当一个系统改造问题来分析。把它拆成三层：经济账能不能算过来、工作流哪些能拆、哪部分本质上不可拆。

读完这篇文章，你能搞明白：

• AI 行业自己现在的财务状况：为什么烧钱模式快撑不住了
• Scaling Law 撞墙到底在说什么：为什么模型能力的提升正在变慢
• 教师工作流的可拆解部分：哪些环节 AI 已经能干、哪些还差得远
• 真正不能被替代的部分：学校的本质功能不是讲题，是养人
• 架构师视角的几个工程取舍：不管是教育创业者还是想用 AI 提效的从业者，都用得上的判断框架

不管你是教育行业从业者，还是想搞清楚「AI 浪潮里我的工作还能干几年」的程序员，这篇都是从工程视角给你一个冷静的答案。

开拆！

一、先把问题翻译成系统改造问题

先抛一个底层判断：「AI 能不能替代某个职业」这个问法本身就有问题。在工程上没法回答 yes/no，因为它不是一个布尔值——它是一个工作量分配问题。

我习惯把任何一个「AI 替代 X」的命题，都翻译成下面这套架构师视角的输入输出表：

这四层是叠加的。任何一层算不过来，整个替代方案就立不住。这也是为什么我在公司做技术选型的时候，从来不会先问「这个新工具好不好」，而是先问「我们现有流程拆开看，AI 能塞进去哪些位置」。

回到「AI 替代教师」这个具体问题：

• 经济层：AI 行业自己的成本结构是什么样？这块决定了「免费陪学」到底能撑多久。
• 能力层：当前大模型能不能完整覆盖一个老师的全部任务？还是只能做局部？
• 流程层：教学流程哪些环节 AI 进去最合适？哪些进去反而添乱？
• 关系层：学生最终从一所学校带走的，到底是知识本身，还是别的东西？

接下来的几章，我会按这个顺序把这四层一个个拆开。先从最容易被忽略、但实际上是底层约束的「经济层」开始——AI 行业自己现在的钱袋子情况。这个不搞清楚，后面所有讨论都是空中楼阁。

二、AI 行业自己都在烧不动钱

这一节我要泼一盆冷水，但这盆水是泼向所有「AI 必将替代一切」论调的——AI 这个行业，自己快烧不起钱了。

1. 资本开支正在失控

我列几个公开数据，你感受一下量级：

• 2024 年全球 AI 基础设施的资本开支大约 2000 亿美元
• 2025 年这个数字预计要冲到 3000 亿
• 微软一家承诺砸 800 亿建数据中心
• Meta 计划投 600~650 亿
• 谷歌、亚马逊各自 500 亿起跳

这些钱投在什么地方？不是研发——研发是花在人头和实验上的，那是另一套算法。这是资本开支，是真金白银买 GPU、建机房、铺电网、拉光纤。

这意味着什么？这些大厂不是在赌某条技术路线对不对，他们是在赌整个产业范式会不会成立。

历史上敢这么赌的不多。1870 年代美国铁路热，砸下去几十亿美元（按今天购买力折算几千亿），最后三分之一的铁路公司破产；2000 年电信泡沫，全球光纤建设投资超过 3000 亿美元，结果带宽过剩，一批电信巨头爆雷。

逻辑都是一个：先拼基础设施，再想怎么赚钱。这种玩法的最终结局，通常不是「商业模式想出来了」，而是「钱烧完了，剩下的产能被活下来的人捡漏」。

2. 推理成本正在吃掉收入

你随便找一个大模型实验室的工程师聊聊，他们会告诉你一个公开秘密：推理成本一直在吞噬收入。

一个用户问三句话，你的 GPU 就跑满，订阅费一个月二十美元——这跟传统 SaaS 完全是两个生意。SaaS 的边际成本趋近于零，AI 服务的边际成本永远是正的，而且和用户使用量正相关。

这是个非常致命的财务模型问题。当你发现「每多一个用户就多一份亏损」的时候，你的恐慌不是来自技术，是来自一年级数学。

3. 商业模式还在靠融资续命

OpenAI 2024 年收入大约 16 亿美元，估值 1500 亿。这个估值对应的是投资人的期待——它要在某一年挣到 150 亿到 300 亿美元。但同时它的训练成本、推理成本、人才成本都在同步上涨。收入增速很漂亮，但利润率大概率是负的。

这就引出本章的关键论点：「AI 替代教师」这件事，前提是 AI 公司能持续提供低成本服务。但如果 AI 公司自己都在烧钱续命，免费陪学、免费答疑、免费规划这些场景，要么涨价，要么消失。

教育是一个对价格极度敏感的行业。家长们今天用大模型陪学，是因为它「便宜或免费」。一旦推理成本必须从订阅费里赚回来，所有「替代老师」的应用层产品都要重新算账。

这是工程上最容易被忽略的一层约束——经济基础决定上层应用。

三、Scaling Law 撞墙：模型变聪明的速度在变慢

2020 到 2024 年，整个 AI 行业的主基调就是：堆算力、堆数据、堆参数。GPT-3 是 1750 亿参数，GPT-4 据说过万亿。每升一代都让所有人兴奋半年，然后下一代再融十倍的钱。

但你仔细回想一下：从 GPT-4 到现在，进步速度是不是明显慢下来了？

这不是错觉。Ilya Sutskever 离开 OpenAI 的时候有句话特别关键——「预训练时代结束了」。这句话当时被很多人当成 OpenAI 内斗的花边新闻，但它的真实含义其实非常严肃：

互联网上高质量的人类文本数据，快用完了。

1. 数据撞墙：合成数据救不了模型

有人会说，数据不够可以合成啊，让大模型自己生成训练数据。这个思路本身没错，但有个根本性的问题——合成数据的本质是模型在吃自己吐出来的东西。

Google DeepMind 在 2024 年发表过相关研究：当模型用自身生成的合成数据反复训练，几轮之后就会出现所谓的「模型崩溃」（model collapse）。具体表现是：

• 输出风格越来越平庸
• 不同 query 之间的回答越来越趋同
• 整体内容越来越像「所有训练数据的平均值」

这个现象很容易理解——本质上是信息上的近亲繁殖。第一代还能看，第二代开始有问题，第三代往后就彻底废了。

你当然可以用各种工程手段延缓，比如用另一个模型来筛、雇真人来标、混合真实数据。但这些操作的代价是：你的数据生产成本并没有降低，只是从「爬网页」变成了「人工标注 + 验证管线」。

2. 经济学天花板，比技术天花板更先到

我个人的判断是这样的：Scaling Law 没有死，但它已经撞上了经济学天花板。

技术上你当然可以一直堆算力、堆参数，但每多投入一美元，换来的智能提升正在急速下降。这不是模型架构的问题，是数学问题——信息熵不会因为你多买了十万张 H200 就变小。

3. 这一层约束对教育替代意味着什么

把这个判断套回到「AI 替代教师」上：

• 如果模型能力还在指数级跃升：那今天聊的「替代」可能 3 年内就发生
• 但实际情况是模型能力在线性甚至次线性增长：今天的 AI 距离能完整接管一个老师所有职责，差的不是「再大一点参数」，而是「跨过几个本质性的能力门槛」

这些门槛包括：长程规划（一个学期的教学进度安排）、个性化诊断（哪个孩子卡在哪个具体的认知盲点）、情绪识别（孩子是真不会还是装不会）。这些不是堆算力能堆出来的能力。

所以从经济和能力的双重约束来看，「十年内完全替代教师」这件事，第一不可能（因为算力跟不上），第二即便可能（成本会贵到普通家庭用不起）。

但这不代表 AI 在教育里没用——恰恰相反，AI 已经在替代教师工作流的某些环节了。下一章我们就把教师的工作流摊开看看。

四、把教师的工作流拆开看：哪些 AI 能接管

前面三章在做一件事：给 AI 这个工具划能力边界和成本边界。从这一章开始，我们换到工作流视角，看老师每天到底在干嘛、哪些环节 AI 可以塞进去。

老师不是只有一份工作。我把一线中小学老师的日常拆成 8 个子任务，每个评估一下 AI 当前的接管程度：

1. 第 1~4 项：AI 接管程度其实已经很高

这四项的共同特点是：任务边界清晰、输入输出可结构化、不依赖物理空间。这正是大模型最擅长的领域。

知识讲解尤其明显。我自己用 DeepSeek 帮娃讲过一道初二数学题——它会把思考过程一步一步写出来，还接受追问、能换三种思路解释同一道题。坦率说，这水平比县城里大多数普通中学老师讲得清楚。

作业批改更不用说，客观题批改产品化已经五六年了。主观题批改略难，但只要把评分标准结构化输入给模型，结果也比想象中好。

2. 第 5 项：个性化学习路径——AI 还在路上

这一项是教育 AI 创业者讲故事最多的方向。理论上 AI 可以根据每个学生的答题记录、错题分布，定制一条最优学习路径。

但实际跑过的产品都知道，这个事的难点不在算法，而在数据闭环。一个学生的认知盲点，需要长达数月甚至数年的跟踪才能识别清楚。这个数据要怎么收集？谁来标注「孩子今天为什么这道题做错」是真不会、走神还是粗心？这些问题到今天都没有干净的解法。

3. 第 6~8 项：AI 进不来的三个领域

这是本章我最想讲的——有些事不是 AI 不够强，是它本质上不该做。

• 课堂管理：班级里有 30 个孩子，3 个在打闹、2 个在传纸条、1 个在哭。这种实时多模态、强物理空间约束、需要权威介入的场景，目前没有任何 AI 形态能进去。
• 情绪疏导：孩子被同学欺负了哭哭啼啼跑来找老师，他要的不是「分析问题」，而是被真人看见、真人安慰。AI 哪怕语音再像真人，孩子也知道那是个程序。
• 同伴关系协调：这个最关键。学校里最值钱的不是老师，是同学组成的小社会。班级氛围、小组合作、同伴互相影响——这些东西的本质是人类社会性的实物投影，AI 根本不参与这个游戏。

4. 工作流拆解的结论

你现在看到了：说「AI 替代教师」是个伪命题。准确的说法是：

AI 会替代「教师工作流里的某些环节」——尤其是 1、2、3、4 这几项纯知识传递的环节。但 6、7、8 这几项「人和人之间的关系」环节，AI 在可见的未来都进不去。

这意味着教师的角色会重构，但行业不会消失。下一章我们看一个已经发生了的真实替代案例——口语外教。这个案例特别有教育意义，因为它示范了「AI 替代某个垂直岗位」是怎么发生的、被替代的人是哪种人、活下来的人是哪种人。

五、已经发生的替代样本：口语外教那一战

前面讲的都是判断，这章给一个已经在发生的真实样本——口语外教这个细分领域，正在被 AI 切得只剩骨头。这是一个非常好的"教师替代"前哨战。

1. Cambly 用户的真实流失

Cambly 是国内用户比较熟悉的线上口语平台，几年前几乎一统江湖。但从 2024 年下半年开始，圈子里能看到的一类真实用户反馈是这样的（以下引文均为公开社区里能看到的用户原话）：

「之前我每年在 Cambly 上花几千块，每周三节口语课。但从 ChatGPT 的 Real Time 语音模式出来之后，课时砍到一周一节，今年甚至在考虑彻底不续订了。」

替代发生的关键节点是 OpenAI 的 Realtime API。在那之前，AI 语音对话有明显的延迟和机械感，跟真人差远了。Realtime 出来之后，对话的流畅度直接逼近、甚至在某些维度超过了 Cambly 上中等水平的真人外教。

2. 国内免费替代品的崛起

更狠的是国内 App。圈子里实测下来的一类反馈：很多免费的国产 AI App 在「英语口语陪练」这个场景下，已经达到了甚至超越 ChatGPT 早期语音的水平。除了「不能随意打断 AI 插话」这个体验上的小瑕疵，其他基本可用。

100 多块订阅 ChatGPT Plus 你可能还要犹豫，免费 App 你不用都觉得亏。当替代品的价格趋近于零的时候，所有靠"标准化口语陪练"为生的从业者都要重新算账。

3. 哪种外教先被替代

Cambly 上有一类外教特别危险——业内常见的踩坑模式是这种类型的外教先撑不住：

• 三板斧型：一上课就是 “where are you from / what do you do / why you use Cambly”。三个问题问完，30 分钟课时浪费三分之一
• 东南亚白人型：以英语母语为唯一卖点，靠线上平台密集授课为生。一天连轴转，课程毫无热情，应对学生的模板高度同质化
• 不会教只会聊型：自己毫无想法，得学生自己去 Engoo 上找文章，读完之后讨论问题

这三类外教共同的特征是：他们做的事情，正好是 AI 现在最擅长的——结构化对话、即时反馈、标准化纠音。所以他们最先被打掉。

4. 哪种外教活下来了

但 Cambly 上还有一批「精英外教」生存得很好——他们有几个特征：

• 每次对话都能给学生带来除英语以外的额外价值（行业洞察、生活方式、跨文化体验）
• 课程不可标准化——学生要的是「跟这个特定的人聊」，不是「跟一个英语母语者聊」
• 课时表很满，不开放预约，时间稀缺，学生反而要抢

这些人活下来了。因为他们提供的不是「英语陪练」这个商品，而是「一段不可替代的人际关系」。

5. 把这个样本套回到教师身上

口语外教的故事，几乎可以一字不差地套到中小学老师身上：

• 那种「照本宣科、毫无激情、把课讲得像录音机」的老师 → 会被 AI 替代
• 那种「能根据具体学生调整教学方式、给学生情感支持、塑造班级氛围」的老师 → 不仅活得很好，价值还会被进一步抬高

所以不是所有老师都会被替代，而是「教学模式标准化、可拆解、可远程化」的那部分老师会被替代。这个判断对程序员朋友也成立——重复劳动型的代码工被 AI 替代，思考型架构型的工程师反而更值钱。

六、真正不能替代的部分：学校不是知识传送机

前几章我都在算账、拆流程。这一章我想停下来，回到一个根本问题——孩子去学校到底是为了什么？

如果你的答案是「学知识」，那这场讨论从一开始就跑偏了。

1. 学校的真正功能：组建一个小社会

圈子里有个非常清醒的观点我特别认同：孩子去学校上课，真正重要的不是老师，而是老师和学生组成的小群体、小社会。

在这个小社会里，一个孩子学会的远不止知识：

• 如何完善自己的人格——通过和同龄人摩擦、被欺负、欺负别人、和好、决裂的循环
• 如何自律——不是因为 AI 给你定了学习计划，而是因为「同桌都在写作业你不写很难看」
• 如何和集体相处——这件事 AI 永远教不了，因为 AI 本身就不在集体里
• 如何正确认识自己——通过和不同性格、不同能力、不同背景的同学的横向比较

知识的学习，反而不是学校最主要的产出。

2. 一个亲历者的观察：自学有上限

圈子里有一段我印象很深的真实分享，能回答「AI 自学能不能取代上学」这个问题：

「我高中在一个非常普通的县中上学，月考时少考语数外其中一门也能拿第一。老师基本教不了我什么新东西，绝大多数时候是我自学。

但我每天还是会去上课。上数学课的时候我学英语，上英语课的时候我学地理。

如果让我一个人待在宿舍里，我反而学不进去——没有氛围，没人陪，长期下来心情会很压抑，学习效果差得多。

我去上学，要的不是老师，而是学校的环境和集体。」

这段话戳中了 AI 替代教师论的死穴：人是社会性动物，没有社会环境，知识传递的效率会断崖式下降。

DeepSeek 可以把一道数学题讲得比县中老师清楚 10 倍。但如果一个孩子每天独自在房间里跟 DeepSeek 学习，三个月不到就会出问题——不是知识层面的问题，是心理和动力层面的问题。

3. 自学是一种「性格能力」，不是「学习能力」

这是本章我最想强调的一点。自学不是一种知识技能，是一种性格能力。

绝大多数人，如果没有学校的强制环境、没有老师盯着完成学习计划、没有同学之间隐性竞争的氛围——他们一分钟主动学习的时间都不会有。

AI 可以教一个人怎么思考一道题，但AI 永远没办法对抗一个人的懒惰。它不能强迫你坐在书桌前学两个小时，它只能在你坐下来之后辅助你。

而这种「强迫一个人坐下来」的能力，恰恰是学校和老师最重要的价值所在。

4. AI 替代论的常识性盲点

很多关于 AI 替代教师的讨论，存在一个底层盲点——他们默认人类是纯理性的学习机器。只要给最优质的内容、最个性化的路径、最即时的反馈，学习效果就一定最好。

但人不是这样工作的。人的学习动力来自：

• 同伴的压力
• 老师的认可
• 集体的归属感
• 现实社会关系网络的反馈

把这些全部抽掉，只留下一个 AI 老师，得到的不是更高效的学习，而是更高比例的辍学和心理问题。

除非有一天人类自己变得不需要感情、不需要社会归属、只需要充电——但那一天来了，讨论的就不是 AI 替代教师，而是人类被替代了。

七、从架构师视角看几个工程取舍

写到这里我想换一个视角——抛开教师这个具体场景，从纯架构师视角谈几个工程取舍。这些不只对教育创业者有用，对任何想用 AI 改造一个传统行业的同行都用得上。

1. 不要用 AI 强行替代「人际接触面」

这是最容易踩的坑。很多创业者拿到融资就开始喊「AI 客服替代真人客服」「AI 教练替代真人教练」「AI 心理咨询替代真人咨询师」。

我的建议：只要这个岗位的核心价值是「让用户感觉被一个真人看见」，就不要全部替代。AI 可以打头阵处理 80% 的标准化场景，但最后那 20% 高情感价值的接触面，必须留给真人。

否则你以为省了人力成本，实际上你砍掉的是「用户最后一条情感反馈通道」。短期省钱，长期失血。

2. 把 AI 定位成「副驾驶」而不是「主驾驶」

这是我自己日常做技术选型时反复使用的一条原则。AI 应该是放大人类生产力的工具，不应该是替代人类决策的角色。

具体到教育产品，意味着：

• ✅ AI 帮老师批改作业、生成讲义、分析学情 → 副驾驶
• ✅ AI 帮学生答疑、整理笔记、定制练习 → 副驾驶
• ❌ AI 替代老师全程上课，没有真人介入 → 主驾驶（不要做）
• ❌ AI 直接给学生做心理疏导，不需要真人参与 → 主驾驶（不要做）

副驾驶模式的好处是：容错空间大。AI 错了，真人能纠错；AI 不会的部分，真人补上。整个系统的鲁棒性比纯 AI 方案高一个量级。

3. 警惕「单点突破，整体劣化」

很多 AI 产品的设计陷阱是：在某一个指标上做到极致，但牺牲了整体体验。

举个例子，有些 AI 学习产品宣传「答疑准确率 99%」，但真正用起来你会发现：

• 孩子不愿意持续打开
• 学完之后留存差
• 家长看不到学习的「过程感」

为什么？因为他们只优化了「单题准确率」这一个指标，没有优化「学生持续使用动力」。这是一个典型的局部最优陷阱。

架构师视角的破解办法：定义产品时一定要列出至少 3 个核心指标，至少其中一个必须是「持续性指标」（留存、复购、活跃天数），不能全是「质量类指标」。

4. 想替代某个岗位前，先把这个岗位的「不可观察价值」找出来

每个岗位都有一些不可观察的价值——表面上看是 A，实际上还在交付 B、C、D。

老师表面上是「讲知识」，实际上还在交付：

• 课堂秩序
• 心理关怀
• 同伴关系协调
• 进度推动
• 家长沟通

如果你只盯着「讲知识」这一项做替代，结局是替代成功了但用户跑光了——因为他们要的从来不只是知识。

所以架构师的第一步永远是：把目标岗位的「全部交付物」列清楚，再决定哪些可以被 AI 接管，哪些不行。这个步骤如果跳过去，后面所有产品设计都是空中楼阁。

八、给技术人和教育从业者的几条实操建议

最后给一些可执行的建议。我把读者分成两类——技术人/AI 从业者，和教育行业从业者，分别说几句。

1. 给 AI 工程师/创业者：不要把"完全替代"当成第一目标

如果你在做教育 AI 产品，第一版上线之前先回答两个问题：

• 你这个产品里，AI 的角色是「副驾驶」还是「主驾驶」？如果是主驾驶，赶紧改架构。
• 学生使用一周之后，有没有主动场景能让真人介入？如果没有，留存数据会很难看。

副驾驶定位的产品有一个隐藏好处——用户期待值低。AI 出错了不会被骂得很惨，因为「反正后面有真人兜底」。这给你巨大的容错空间和迭代窗口。

2. 给教育行业从业者：你要担心的不是 AI，是「不会用 AI 的同行」

AI 不会替代老师，但会用 AI 的老师，会替代不会用 AI 的老师。这是一个非常重要的区分。

具体到一线老师怎么用 AI 提效，我给三个方向：

• 批改阶段：客观题用 AI 批，把时间省下来；主观题用 AI 给初评，自己复核
• 备课阶段：用 AI 生成讲义初稿、生成多版本练习题，自己只做最后一公里的精修
• 答疑阶段：把课后答疑外包给 AI，自己专注课堂讲授和个性化辅导

这三件事做完，一个老师的有效时间能多出 30%~50%。这些时间可以用来做「AI 真做不了」的事——和学生一对一谈话、设计班级活动、研究教学方法。

3. 给程序员朋友：AI 时代的反脆弱能力

我在带研发团队时，经常被问「AI 这么厉害，写代码这个行业还能干几年」。我的答案是：

AI 不会让程序员失业，但会让「只会按需求写代码」的程序员失业。

什么样的能力反而越来越值钱：

• 理解业务、把业务翻译成系统设计的能力——这件事 AI 短期内做不了
• 跨多个领域做工程取舍的能力——成本、性能、安全、可维护性的平衡
• 带新人、带团队、推动跨部门协作的能力——纯人际接触面，AI 进不来

这三项能力的共同点是：它们都是依附于「具体的人 + 具体的组织 + 具体的关系网」。这些维度 AI 抽象不掉。

4. 给所有人：用 AI 不等于「让 AI 做决定」

最后这条最重要。这两年技术圈最常见的翻车案例不是 AI 不够强，而是人对 AI 的角色定位错了——把 AI 当神，自己不动脑子。

AI 给你的所有输出，都需要一道「真人审核」。这道审核不是质疑 AI 的智商，而是给你的决策加一道安全阀。AI 错了你能兜住，AI 对了你也理解了为什么对——这才叫真正的"用 AI"。

总结

回到开头那个问题：AI 有没有可能在十年内完全替代教师这个行业？我的答案是不可能，但答案背后的理由比命题本身重要。给你 5 条核心要点：

1. 经济基础不允许：AI 行业自己都还在烧钱续命，"免费替代教师"这件事在商业模式上立不住。一旦推理成本必须从订阅费里赚回来，所有低成本替代场景都要重新算账。
2. 能力曲线在变缓：Scaling Law 已经撞上经济学天花板，模型变聪明的速度远不如前几年。十年内"AI 能力跨过完整接管老师所有职责的门槛"基本不可能。
3. 替代的是工作流，不是岗位：AI 已经在替代教师工作流的某些环节（讲题、答疑、批改），但不会替代教师这个完整岗位。被替代的是"教学模式标准化"的部分老师，不是所有老师。
4. 学校的核心价值不是知识传递：而是同伴关系、集体氛围、强制学习环境、人际反馈回路。这些维度 AI 在可见的未来都进不去。
5. 真正的危险不是 AI，是不会用 AI 的同行：会用 AI 的老师会替代不会用 AI 的老师。这条对程序员一样适用——会用 AI 当副驾驶的程序员，会替代只会按需求写代码的程序员。

最后送一句：别再讨论"AI 会不会替代 X 行业"了——这个问法层级太粗。换个问法：「我所在行业的工作流，哪些环节 AI 已经能做了？哪些是 AI 短期内做不了的？我应该把自己的精力集中在哪一类」。这个问题答出来，你就知道未来十年怎么活了。

写在最后：欢迎在评论区聊聊你所在行业的 AI 替代率——你觉得自己的工作有多少比例已经被 AI 接管了？哪些部分你觉得 AI 永远做不了？