被取代的从来不是「人」，是任务——那条分界线到底画在哪
导读 · 从这里进门机器从没取代过一个「人」，它取代的是动作。先搞清这句话，排行榜就不用背了。
把「取代人」拆成「取代任务」：历史上机器咬走的从来是动作不是人，这本书要找的是那把刀落在哪。
读 → 02 第二章 · 一个岗位不是一件事，是一捆任务把任何职业拆成任务清单，你会发现 AI 咬的是清单里的某几条，而不是整根——这是全书的解剖刀。
读 → 03 第三章 · AI 到底在「学」什么从预测下一个词到会写代码，讲清它的本事其实是「在海量例子里插值」——先看清能力，才谈得上边界。
读 → 04 第四章 · 分界线一：这件事能不能被数据描述有没有大量「输入—输出」的例子可学，是第一条硬线。为什么下棋、翻译先倒下，而「第一次遇到的问题」它接不住。
读 → 05 第五章 · 分界线二：有没有一个说得清对错的信号反馈信号清晰（赢棋、编译通过）就学得快；信号模糊或滞后十年（教育、育儿）它就抓瞎。为什么。
读 → 06 第六章 · 分界线三：错了，代价谁来担同样一句「建议」，在聊天里和在手术台上重量不同。责任无法外包给模型，是它接不了终点的原因。
读 → 07 第七章 · 分界线四：要不要一具真身在场照护、维修、庭审、握手——物理在场与「这个人对那个人」的关系，机器为什么补不上。
读 → 08 第八章 · 分界线五：是执行问题，还是重新定义问题AI 极擅长「把问题解出来」，极不擅长「意识到该换个问题」。这条线区分了熟练工和真正的判断者。
读 → 09 第九章 · 战场·写代码：被咬走的是打字，不是设计从工程师现场看：样板代码、查文档被吃掉，而拆需求、定架构、担线上事故的那部分反而更值钱。
读 → 10 第十章 · 战场·看病与打官司：诊断 vs 担责读片、检索判例这类可数据化的一刀先掉，但下最终决定、面对病人和当事人的那一刀留在人手里——照分界线看就顺理成章。
读 → 11 第十一章 · 战场·画画与写作：风格能仿，意图仿不了为什么「像某种风格」瞬间被复制，而「为什么要做这一件」——意图与承担——它给不了。创意里到底哪部分贬值。
读 → 12 第十二章 · 战场·开车与体力活：最后 5% 的悖论越是「看起来简单」的物理世界任务，长尾意外越多，反而最难封顶。为什么开车比写诗更晚被攻克。
读 → 13 第十三章 · 经济学的另一半：替代的同时在互补AI 让一种技能贬值，几乎总会让另一种升值（谁会用、谁来把关、谁担责）。谁升谁贬是有规律的，不是运气。
读 → 14 第十四章 · 一张能自己用的判断表把五条分界线合成一个可套用的检查清单：给任意一件事/一个岗位打分，你自己就能估它会被咬掉几成。
读 → 15 第十五章 · 那你该往哪儿站不是「学 prompt」这种口水：按分界线，能力结构该往「定义问题、担责、真身在场、跨任务判断」这几侧挪——给工程师和普通人各一条实路。
读 →