当我用 AI 将一天的工作压缩到一小时后，我想起了马克思

“智驾式编程”从振奋到冷静的思考

不久前，我写了一篇关于 AI 辅助编程的文章《AI First 编程：Cursor 深度体验和”智驾式编程“实操》，我将其描述为“智驾式编程”。

在那篇文章中，我总结和展示了 AI 如何将我从繁琐的样板代码和重复性工作中解放出来，带来了数倍的效率提升。一个过去需要花费大半天时间反复打磨的复杂组件，在 AI 的辅助下，可能不到一小时就能构建出功能完备的雏形。就像让一名习惯于手动驾驶的老司机，体验到了 L4 级别自动驾驶的流畅和高效。

前几天 Cursor 还禁止了国内开发者使用高级模型，用一个笑话来讲就是“突发！国内开发者一夜之间效率降低100倍！！！”，本质是现在的互联网先进生产力还不够独立自主，但我相信在大模型如烈火烹油的迭代频率下，再过几年基础模型和 Code Agent 能力的差距一定会逐渐缩小的。

经过了一段时间的振奋期过后，我开始慢慢思考一个更为本质的问题。

作为一名有七年经验的 Web 全栈开发者，我的核心竞争力，有相当一部分是建立在经验和熟练度之上的，也就是我知道如何快速、稳定地构建各种功能，熟悉其中的“坑”与最佳实践。

而到了现在，AI 似乎正在迅速稀释这种基于重复实践所积累的熟练度。当一名初级开发者借助 AI 也能快速达到我过去多年经验积累的工作成果时，我们劳动的本质发生了什么变化？我们工作的核心价值，正在从“如何高效稳定的实现业务需求”，悄悄地转向何方呢？

这个关于价值的困惑，让我联想到了马克思《资本论》中的一些概念。它像一把尺子，帮助我们衡量在不断变化的技术浪潮中劳动的社会意义。这个核心概念就是社会平均必要劳动时间 (Socially Necessary Labour Time, SNLT)。

什么是“社会平均必要劳动时间”？

在深入讨论之前，我们需要准确理解“社会平均必要劳动时间”的定义（后文用 SNLT 指代）。

它并非指你个人完成一项工作所花费的时间，而是指：在现有社会正常的生产条件下，在社会平均劳动熟练程度和劳动强度下，制造某种使用价值所需要的时间。

它是一个社会化的、动态的平均值。其核心影响因素包括：

1. 生产力的发展水平： 这是最关键的变量。蒸汽机、电力、互联网，以及我们今天所谈论的 AI，都是生产力工具的革命性进步。它们会从根本上改变特定工作的正常生产条件。
2. 科学技术的发展与应用： 开源框架（如 React、Vue）、云计算、DevOps 工具链，都曾极大地压缩了软件开发的 SNLT。Cursor 等 AI Copilot 是这个序列中的最新成员。
3. 劳动者的平均熟练程度： 当一项新技术或工具（比如之前的 Git、Python）从少数先锋的玩物普及为行业标配时，整个社会的平均熟练度基准就随之提高了。

在 AI 辅助编程普及之前，从零手写一个功能完备的用户注册组件的 SNLT 可能是 3 小时。你用 2 小时完成，说明你的劳动效率高于社会平均水平；而如果有人花费 5 小时才能做完，那么多出来的 2 小时，从社会价值的角度看，是不被计入的，会被定义为浪费掉的劳动力。

现在 AI 作为新的生产力要素登场，它就正在重置这把价值标尺的刻度。

AI 时代价值的演变

SNLT 的缩短，并不直接等同于我们工作价值的降低，而是标志着价值焦点的转移。

过去，开发者的大量价值体现在将抽象需求“翻译”成具体、可靠代码的熟练度上。但 AI 正在以惊人的速度接管这部分“翻译”工作。

因此我们劳动的价值，正在向这条价值链的上游，即“翻译”之前的环节集中，这些环节的工作价值先比 SNLT 依然很高，AI 短期内还难以完全接管：

• 定义问题与抽象建模的能力： 对 AI 提出一个模糊的需求，和给出一个结构清晰、边界明确、逻辑严谨的指令，产出的结果天差地别。将复杂的业务场景分解、抽象为清晰的技术模型，这种能力是价值的源泉。
• 系统设计与架构决策的能力： AI 可以生成一个独立的模块，但决定模块之间如何通信、数据如何在系统中安全高效地流转、如何保证整个系统的可扩展性和长期稳健性，这些架构层面的权衡与决策，是更高维度的劳动。
• 知识的整合与创新应用的能力： 将业务逻辑、用户体验、工程实践、团队协作等多领域知识融会贯通，形成一个整体性的解决方案，并有效指挥 AI 去执行。

从打工人个人来讲，这其中有危险也有机遇，危险在于目前所有的工作稳定性都在降低（结合社会环境更是如此，强如花旗、微软都在裁员），机会在于我们可以从部分繁重的劳动中解放出来，去从事更具创造性更具附加价值的工作 。

这些转变也让我们有必要重新审视自己的努力与成长方向。在未来，努力可能不再是深夜里在重复劳动中肝头发，而是在有限的时间内借助 AI 主动进行高效的深度学习和系统性思考。成长也需要从单纯地追求代码实现的熟练度，转向构建更宏观的知识体系和解决复杂、模糊问题的能力。

价值与价格

为了更加清晰地理解上文中提到的价值演变过程，我们有必要区分两个核心概念：价值（Value） 和 价格（Price） 。

在日常话语中，我们常常将它们混用，但在经济学视角下它们是两回事。价值是内在的、由社会平均必要劳动时间决定的基准；而价格是我们每天在市场上看到的、围绕价值波动、受到供需关系影响的货币数字。

下面的表格可以帮助我们直观地对比二者的区别，尤其是在 AI 辅助编程的背景下：

技术变革首先冲击的是内在的价值，而市场上的价格会因各种因素（如先发优势、信息差）而滞后调整。我们个人或企业在短期内能抓住的，正是价值与价格之间的短暂缺口。

浅谈剩余价值论

理解了 SNLT，我们其实已经触及了马克思经济学说的另一个核心，也就是剩余价值论的基石。

当一个开发者率先使用 AI，用 15 分钟完成了 SNLT 仍为 2 小时的任务时，他实际上在 15 分钟内创造了相当于 2 小时的社会价值。这中间的差额，就是技术进步带来的“超额利润”或“超额剩余价值”。

而这部分新产生的巨大价值归属于谁，就引出了剩余价值论的核心。在典型的雇佣关系中，企业购买的是员工的劳动力（比如一天8小时的工作时间），而员工在此期间借助 AI 创造的全部价值则归属于企业。

员工获得的是作为其劳动力价格的工资，工资决定于劳动力再生产所花费的必要劳动时间，而工资所对应的价值通常远小于员工实际创造的总价值，超出的部分则被企业占有。

注意：这里讨论的是内在的价值不是外在的价格

随着技术扩散，当所有人都用 15 分钟完成工作时，SNLT 本身就会被拉低到 15 分钟，这个“超额剩余价值”便会消失，融入新的社会平均水平。但只要劳动力作为商品存在，剩余价值的生产和占有关系依然是理论所描述的常态。

这个过程引发了进一步的思考：

• “使用价值”与“价值”： AI 生成的代码与人手写的代码，只要功能一致，它们的使用价值（对用户的用处）就是相同的。但它们凝结的价值（由 SNLT 决定）却截然不同。
• “具体劳动”与“抽象劳动”： 我们每天编写代码是形式各异的“具体劳动”，但只有被社会平均水平承认的那部分，才能转化为无差别的人类“抽象劳动”，并构成价值。AI 也在让我们清晰地看到，哪些“具体劳动”正在被快速地标准化和商品化。

总结

回到最初提到的问题本质，AI 带来的效率革命，最终会沉淀为整个社会新的、更高的生产力基准线。

马克思的理论，在一百多年后的今天依然为我们提供了一个冷静而深刻的分析框架。它并非在制造焦虑，而是帮助我们理解技术变革之下，价值衡量的底层逻辑。