第四章结尾留下一个判断：AI 不是又一支「更好的笔」，而是对瓶颈本身的替换。这个说法要站得住，得先回答一个更一般的问题——历史上那些真正改写世界的技术，到底改写了什么？把它们排成一排看，答案惊人地一致：每一次革命，都是把某种原来很贵的东西，变得近乎免费。
三场革命，三次成本塌方
蒸汽机压扁了动力。在那之前，干活的力气来自人和牲口的肌肉——贵、会累、总量有天花板。蒸汽机让「推一个活塞」的成本塌到接近煤价。后果不是「工厂省了钱」这么简单，而是整个文明重新围绕廉价动力设计：铁路、轮船、摩天楼的电梯，全是肌肉时代想都不会想的用法。
计算机压扁了计算。1950 年代，「计算员（computer）」还是一种职业，一群人拿着纸笔算弹道表。晶体管让一次算术运算的成本一路掉到今天几乎为零。后果同样不是「账房先生失业」，而是没人预料到的东西：电子游戏、数码摄影、手机里的滤镜——当计算免费，人们会把计算浪费在纯娱乐上。
互联网压扁了分发。把一份信息送到一万个人手里，过去要印报纸、铺有线电视；互联网时代边际成本趋零。后果不是「送信更快了」，而是 Wikipedia、短视频、开源社区——全是「分发免费」之后才可能长出来的形态。
大白话：每次革命的剧本都一样：某样贵东西变免费 → 老行业先拿来省钱 → 然后出现一批用它「浪费」着玩的新物种 → 世界被重写。判断一场革命多大，不用看技术多炫，看它压扁的成本原来有多贵。
轮到 AI：它压扁的是什么
现在把 AI 放进这个序列。它压扁的不是动力，不是计算，不是分发——那些早就扁了。回到第二到第四章的那道乘法题，被锁死的因子是「变异」：产生一个像样的候选，过去必须等一个掌握技能的人想清楚、做出来。AI 压扁的正是这个成本：给出一个像样答案的成本。
「像样答案」这个词值得掰开。它包括一段能跑的代码、一张能用的图、一封得体的邮件、一个法律条款的初稿、一种解题思路——也就是第四章说的，那些「人会做但说不清规则」的技能活。经济学家阿格拉沃尔（Ajay Agrawal）在《权力与预测》里把 AI 概括为「让预测变便宜的机器」，说的就是这个：预测——大白话讲，「根据已知信息，填出那个大概率的空白」——正是所有技能活的公共内核。写代码是预测「这段逻辑该怎么写」，画画是预测「这里该放什么颜色」，回邮件是预测「对方想看到什么话」。
这就是对第一章问题的第一个完整回答：跟没有 AI 的时代比，变的是「产生一个像样候选方案」的价格——从人的几小时、几天，塌缩到几秒钟、几分钱。进化机器里那个生锈的变异零件，第一次被换成了一个电动的。
别小看「只是初稿」
一个常见的反驳是：AI 给的答案经常不对、要用还得人改。没错——但这恰恰没抓住重点。进化机器从来不要求变异是完美的，它只要求候选便宜且足够多，筛选交给选择环节。一副牌洗十次出好牌的概率低，洗一万次呢？当产生候选的成本掉三个数量级，哪怕九成都被筛掉，剩下的「存活者」数量也远超过去。生物进化就是这么干的：绝大多数突变无用甚至有害，没关系，选择会处理。
所以 AI 的答案质量争议，在进化框架里是个伪问题。真正的问题是：这台机器现在每分钟能洗多少次牌？以及——谁来当那个挑牌的人？后者是第七章的主题。在那之前，还有一个技术层面的问题值得讲清楚：为什么这台「预测机器」偏偏在 2020 年代才出现？为什么早十年，同样的想法就不灵？