这一章对准两件多数人眼里「没技术含量」的事：开车和一堆体力活。有个别扭的事实：机器先咬走的是写诗、下棋、读片这些引以为傲的脑力活；而叠衣服、通下水道、把老人扶上轮椅这些「三岁小孩都会」的活，机器至今笨手笨脚。这不是偶然，背后有条很硬的规律。
一个反直觉的老现象：越「本能」的事，机器越难
先给它一个名字：莫拉维克悖论（Moravec's paradox，讲的是一件怪事——人类觉得「高级、烧脑」的推理和下棋，对机器反而容易；人类觉得「简单、不用想」的看和动，对机器反而极难）。
让机器算积分、下棋、背下整部法典，早是小菜一碟。可让它像两岁孩子那样把散落一地的积木捡起来、躲开桌角放进盒子——这事到今天都战战兢兢。推理容易，感知和运动难。为什么？看和动，进化替我们打磨了几亿年；抽象推理，才玩了几万年。
你「不费吹灰之力」就能接住抛来的球、认出一张脸、闭着眼摸到口袋里的钥匙——这「不费吹灰之力」是个天大的错觉：背后是几亿年进化压进你神经和肌肉里的一套本事，只是跑得太自动，你感觉不到它在运转。而算术、下棋恰因为「新」、还没进化出专门硬件，才得吭哧吭哧地想、才觉得「烧脑」——可这种能一步步写清楚的东西，正是机器的主场。
把这悖论接回第四章那条线就通了：叠衣服、认路、扶人之所以难，正因为它们大量长在默会知识（你会做却说不清、写不进例子的那种本事）里——手上那把劲、脚底那点感觉，喂不进数据。觉得它「简单」，只因做得太顺，忘了有多难写下来。
开车：95% 很无聊，5% 要命
最典型的例子是开车。为什么写诗、翻译早被咬得七零八落，而让车自己在马路上跑，攻了这么多年还没封顶？
开车的绝大部分——姑且叫它 95%——相当无聊、重复：跟前车走、并线、看红灯停绿灯行、保持在车道中间。这些动作规规矩矩，能摊成海量「看到这个路况→该这么操作」的例子，正是第四章说的好食材。所以 demo 常惊艳——晴天、熟路，开得比不少人还稳。
问题全出在剩下那一小撮上。请出本章第二个主角：长尾（long tail，指那一大堆各自概率极小、几乎不会碰上，可品种多到加起来又常常发生的罕见情况）。它长什么样？
- 卡车掉下一个沙发，横在快车道正中间；
- 一个人从两车中间毫无预兆地窜出来横穿马路；
- 暴雨里积水反光，车道线糊成一片，什么都看不清；
- 信号灯坏了，交警在路口用手势指挥，而这手势你从没在任何教材里见过。
单拎任何一件，你这辈子可能都碰不上一次。可它们的种类无穷无尽——沙发之后是床垫，床垫之后是滚落的西瓜，永远有下一个。加起来，「碰上某种没见过的怪状况」经常发生。要命的是：恰恰这 5% 决定生死。前 95% 再顺，长尾里错一次，就是一条命。
为什么长尾这么难啃？第四章那条线就是答案：长尾里每一件都是「第一次遇到」，周围没有可供插值的邻居。模型学开车靠的是在海量见过的路况之间连线取中间。可「横在路中间的沙发」训练里几乎没有类似的点，只能硬着头皮外推——外推在生死关头，飘一点就是灾难。
再叠上第六章那条线——错了要人命，担责极重。写错一句诗没人受伤，认错一张脸大不了重来；可路上判断错一次，撞的是活人。两条线一叠，就明白那句想不通的话：
自动驾驶「最后 5% 比前 95% 还难」。demo 惊艳，是它把 95% 的重复动作学得很好；迟迟封不了顶，是那 5% 的长尾里全是「第一次」，每个「第一次」都可能要命。这不是工程师不努力，是这件事的形状本来如此：长尾越厚、每件越罕见、错了后果越重，封顶越慢。
关键区分：环境被人管着的，早就输了
别急着得出「体力活都难、都安全」的结论——那是另一个坑。真正决定难不难的不是「体力还是脑力」，而是环境可不可控：
- 结构化物理环境：环境被人为固定住，意外被提前掐掉。最典型的是工厂流水线——零件永远从同一位置、同一角度、同一节奏送来，灯光恒定，没人乱窜。这种地方，机械臂几十年前就把人干趴下了。
- 开放物理环境：没人替你固定，意外无穷无尽。你家客厅、马路、一栋老房子墙里那截谁也不知道怎么走的水管——每一处都在源源不断地制造长尾。
同样是「用手干活」，流水线上的活早被咬光，因为它结构化、长尾被削平；而通一根老房子的下水管难得要命，因为它开放、每根管子堵法都不一样。这条线不是「体力 vs 脑力」，是「环境越不可控、长尾越厚的体力活，越难被咬」。
诚实两面：别断言「永远」，也别低估「顽固」
第一面：机器人在实实在在地进步，别断言「永远做不到」。那些介于流水线和纯开放世界之间的封闭、半封闭场景会被相对快地吃下来：仓库搬货分拣、高速货运的干线段（路直、封闭、没有行人乱窜、长尾薄）、园区里跑固定路线的接驳车。共同点是——有人把环境收拾干净、长尾压薄了，它们会较早松动。
第二面：开放世界的「最后一公里」会比很多人预期的顽固得多。高速干线也许先通，但货送到老小区、爬上没电梯的六楼、敲开一扇门——这段路全是长尾，再叠上「错了要赔钱」的重担责，格外难啃。别被高速那段顺畅的 demo 骗了，以为整件事快成了。
还有个更狠、最反直觉的推论：取代的先后，跟薪水高低几乎没关系。照护失能老人、上门修疑难水电、做一件复杂的手工修复——这些常被归为「低薪体力活」的事，长尾极厚（每个老人、每处故障、每件旧物都不一样），又死死要求第七章那条线——真身在场（得有一双真手在现场应付图纸上没画的意外）。它们很可能比某些「高薪白领活」更晚被取代；反过来，坐在写字楼里、活儿高度可数据化的高薪岗位，可能先被咬走。谁先谁后，不看它挣多少、体不体面。
把这一刀钉死
这一章拿开车和体力活替全书钉死一个主张：别用「体力/脑力」「高级/低级」去判断一件事会不会被 AI 取代——那把尺子是坏的。
难不难被咬走，不看「高级还是低级」，看它落在那五条线的哪一侧：能不能被数据描述、有没有对错信号、错了谁担责、要不要真身在场、是解题还是重新出题。开车和体力活只是把它演到极致。
可这又逼出一个更让人发慌的问题：机器把活儿咬走之后，剩下的人是被替掉，还是被抬起来了？下一章讲「互补」——机器咬走一部分，怎么反而把人剩下的那部分变得更值钱，哪些是真、哪些是安慰。