每一次「机器抢饭碗」，饭桌最后都变大了

Maor Shlomo 不会写前端代码。他也不会做 UI 设计，不懂 DevOps，没有投资人的电话号码，银行账户里没有能烧半年的现金。

2025 年初，他在以色列的公寓里打开电脑，把一个产品想法喂给了 AI 编程助手。他想做一个平台，让不会写代码的人也能快速搭建商业应用。这个想法不新鲜，市场上已经有好几家做类似事情的公司了，各个都有几十人的团队和几百万美元的融资。

他一个人干了三周。AI 帮他写代码，帮他做界面，帮他跑测试。他负责决定产品该长什么样、解决什么问题、先做什么后做什么。

产品叫 Base44。上线后第一个月就有了付费用户。到第五个月，单月利润 189,000 美元。第六个月，Wix 开出了大约 8000 万美元的收购价。

一个人。六个月。零员工。零融资。

如果你在 2020 年跟任何一个创投圈的人说这件事，他会觉得你在讲段子。一个不会写代码的人，没有团队，没有钱，六个月做到近百万美元年化利润然后被上市公司八位数收购？这个叙事里缺了太多东西：至少要有一个技术合伙人吧？至少要融一轮天使吧？至少要有个像样的办公室和三五个工程师吧？

这些”至少”在 2025 年全部失效了。

整个舆论场在激烈争论”AI 会不会抢走你的工作”。与此同时，一群人已经悄悄地把 AI 当成了杠杆，撬开了一扇扇以前被资本、人力和技术门槛焊死的门。

这两件事同时发生，让人不得不重新想一个问题：AI 对就业的影响，到底是一个减法故事，还是一个加法故事？

答案藏在过去两百年的历史里。

织布机砸了两百年，饭桌越来越大

1811 年 3 月的一个夜晚，英格兰诺丁汉附近的一家袜厂被砸了。工人们用锤子和斧头把新到的编织机捣成碎片。他们自称是”卢德将军”的追随者——一个可能从未存在过的虚构领袖。在接下来的两年里，类似的暴力事件蔓延到了兰开夏和约克郡的纺织工厂。英国政府出动了上万名士兵镇压，人数比同期在伊比利亚半岛对抗拿破仑的兵力还多。

卢德分子的恐惧很具体：机器织布的速度是人手的十几倍，织工就要饿死了。

他们错了吗？短期看，没错。大量手工织工确实在那几年里丢了饭碗，工资暴跌，生活困苦。但把时间轴拉到整个 19 世纪，发生了一件奇怪的事。

机器让棉布的生产成本暴跌。棉布价格跟着跌。价格跌了，原来穿不起棉布的人穿得起了，原来只有一件衬衫的人买三件了。全球对棉布的需求爆发式增长。纺织厂越开越多，越开越大。曼彻斯特、利物浦、谢菲尔德这些城市的人口在 19 世纪增长了 10 倍。涌进城的人不是去失业的——他们去工厂、去码头、去铁路、去做那些在农村时想都想不到的工作。

纺织工人这个”岗位”确实被机器重塑了。但纺织产业链创造的就业总量，远远超过了被机器替代的那些手工岗位。英国在工业革命期间的总就业人口不是减少了，是翻了倍。

这个模式在一百年后又出现了。

1899 年，电力在美国制造业的主要动力来源中占比不到 5%。到 1919 年，50%。到 1929 年，75%。三十年间，蒸汽机被电动机全面替代。

这次的恐惧对象换成了”电”。大量依赖蒸汽动力的工人、矿工、锅炉操作员感到威胁。煤炭行业开始长期萎缩。

但电气化带来的不只是动力替换。电让工厂的车间布局从围绕一根中心轴的笨重结构变成了灵活的流水线——每台机器可以有自己的电动机，想放哪放哪。这个看似微小的变化彻底改变了制造业的组织方式，亨利·福特的流水线就建立在电气化的基础上。

更深远的影响在工厂之外。电催生了一整批在蒸汽时代不可能存在的行业：家用电器（冰箱、洗衣机、吸尘器）、广播电台、电影院、电梯（让摩天大楼成为可能）、霓虹灯广告业。每一个新行业都是一个新的就业池。1920 年代的美国，城市中产阶级作为一个社会阶层整体性地崛起。这个阶层里的大部分职业——家电销售员、广播节目制作人、电影院经理、电气工程师——在 1890 年都不存在。

电没有消灭工作。电把”做事”的成本降低了，于是人们做了更多的事，于是需要更多的人来做那些新冒出来的事。

第三次恐慌发生在互联网时代。

1995 年 Newsweek 发了一篇著名的文章，预测互联网不会对经济产生实质影响。这个判断在当时看起来有道理——互联网上能做什么？看看网页？发发邮件？

五年后，互联网泡沫破了。大量 .com 公司倒闭，几十万人失业。”互联网不过是骗局”成了主流叙事。

再过五年，Facebook 上线。再过两年，iPhone 发布。再过几年，一个叫”App 经济”的东西从零开始长了出来。到 2020 年，仅苹果 iOS 生态就在美国直接支撑了超过 210 万个就业岗位。全球应用经济体的估值超过 6 万亿美元。

App 开发者、社交媒体运营、搜索引擎优化师、Uber 司机、外卖骑手、直播电商主播、播客制作人、线上心理咨询师、远程自由职业者——2007 年之前，这些职业不存在。它们不是从旧职业里”转型”来的，是完全从无到有地冒出来的。

到 2023 年，近 6400 万美国人以自由职业者或零工工人的身份在赚钱，占整个劳动力的 38%。”零工经济”本身就是互联网催生的一个全新就业形态——一个在 1990 年完全无法想象的形态。

三次技术冲击，三次恐慌，三次同样的结局。

模式清晰得几乎令人不安：新技术出现 → 特定岗位确实受到冲击 → 短期内部分人失业 → 新技术降低了做事的成本 → 更多人做更多事 → 新的职业类别从市场膨胀中自然生长出来 → 五到十年后就业总量超过冲击前的水平。

有一种声音会说：AI 和以前的技术不一样。以前的技术替代的是体力或者某个特定的认知任务，AI 替代的是通用认知能力。这次的冲击面更广、速度更快，历史类比可能不适用。

这个担忧值得认真对待。但即使是最谨慎的经济学家——比如 2024 年诺贝尔经济学奖得主、MIT 的 Daron Acemoglu——也没有预测 AI 会导致长期大规模失业。他的担心更多是转型期的摩擦：速度太快，技能再培训跟不上，某些群体会在短期内承受不成比例的代价。关键变量不是”技术会不会消灭岗位”（会的），而是”新创造的岗位会不会比消灭的多”。

历史上每一次，答案都是多了。

那问题就变成了：这个规律背后到底有什么机制在驱动？为什么效率提升带来的结果总是更多就业，而不是更少？

为什么省下来的人力从来没有”省下来”

“AI 将消灭数亿岗位。”

打开任何一个新闻客户端，这个判断都能在三屏之内找到。McKinsey 说 2030 年前全球有 8 亿个工作岗位受影响。Goldman Sachs 说 3 亿个全职工作可被自动化。世界经济论坛说到 2030 年，9200 万个现有岗位将被技术取代。

恐慌的声量极大，但有一组数据被淹没在了标题里。

同一份世界经济论坛 2025 年《未来就业报告》，在宣布”9200 万岗位将被替代”的同一页上，还写了另一个数字：1.7 亿个新岗位将被创造出来。净增 7800 万。这个数字相当于德国的全部劳动力人口。

大多数报道只引了前半句。

这种选择性失明之所以一再发生，是因为人们缺少一个框架来理解”效率提升为什么不会减少工作”。160 年前，一个英国经济学家提供了这个框架。

1865 年，William Stanley Jevons 盯着煤矿的数据报表发现了一件怪事。蒸汽机的热效率在过去几十年里大幅提升，按常理推断，同样的产出需要烧更少的煤，全国煤炭消耗应该下降才对。结果恰恰相反：煤炭消耗量暴涨了。

原因很简单。效率提升让蒸汽动力变得更便宜，更多行业因此用得起蒸汽机了。纺织厂用，矿井用，铁路用，轮船用。每个行业都扩大了产能，雇了更多工人，烧了更多煤。效率节省下来的那部分成本，被新涌入的需求吃得一干二净，然后还溢了出来。

经济学家后来把这个机制命名为 Jevons 悖论。它描述的反弹效应在 AI 时代正在一字不差地重演。

AI 让认知劳动变便宜了。写一份法律合同的摘要、做一套财务模型的初稿、翻译一篇技术文档、生成一版产品原型图，这些过去需要专业人士花数小时完成的任务，现在可以在几分钟内由 AI 完成。

直觉判断是：需要的人更少了。

但 Jevons 悖论的反弹效应比直觉更诚实。当做一件事的成本暴跌时，三件事会同时发生：现有的买家会做更多（以前一个季度做一次财务分析，现在每周做一次）；以前买不起的人会进场（以前请不起律师的个体户，现在可以用 AI 法律工具处理合同）；全新的用例会凭空冒出来（以前没人会给每一封客户邮件做情感分析，现在可以了）。

这三条通道共同推动的需求膨胀，往往远远超过效率节省的那一点点缩减。

看看最经典的那个案例。1969 年，纽约 Chemical Bank 安装了第一台 ATM。直觉判断：一台机器能干柜员的活，柜员这个职业要完了。但波士顿大学经济学家 James Bessen 追踪了之后几十年的数据，发现了相反的结果：ATM 让单个银行网点的运营成本降低了 → 银行发现开新网点变便宜了 → 于是大量开设新网点 → 柜员的总就业量反而增加了。柜员的工作内容确实变了，从数钱变成了做客户关系和产品交叉销售。技能升级了，工资也涨了。

同样的故事发生在超市收银台（扫码机普及后收银员反而增加）、法律事务所（电子发现软件出现后律师助理反而增加）、会计行业。1979 年 VisiCalc 上市时，所有人都预言电子表格会消灭会计师。现实呢？美国减少了 40 万个会计文员，但增加了 60 万个正式会计师——因为企业开始运行更多的财务模型，需要更多人来解读结果（BBC / NPR Planet Money）。

真正的模式是：机器降低了某项活动的成本 → 这项活动的总市场规模膨胀 → 新的、更复杂的人类工作从膨胀的市场中长出来。

省下来的人力，从来没有真正”省下来”过。它被重新投入到了那些以前做不起、做不了、甚至想都没想过要做的事情里。

这个机制在 AI 身上格外猛烈。因为 AI 降低的不是某一个行业的某一种工序成本（像 ATM 只降低了银行现金处理的成本），而是一种通用认知能力的成本。写作、编程、分析、翻译、设计、推理——这些能力贯穿几乎所有行业。当它们的成本同时暴跌，被解锁的需求规模不是某个行业的局部膨胀，是整个经济体的系统性膨胀。

那这种膨胀具体长什么样？新的工作到底从哪里冒出来？

四条正在长出来的新路

至少有四条路径已经在现实中跑出了轮廓。

门槛粉碎。 Shlomo 的故事不是孤例。同一时期，挪威一个 20 岁的法学院退学生 William Lindholm，用无代码平台搭了个”送蛋糕获客”平台 Daymaker，一行代码没写，五个月后月入 11 万美元。奥地利开发者 Peter Steinberger 业余时间做了个 AI agent 项目 OpenClaw，60 天拿下 14.5 万 GitHub stars，三个月后被 OpenAI 收购。

这些故事的共同点不是”天才创业”。共同点是：AI 把过去需要一支 10 人团队花三个月才能完成的产品开发流程，压缩成了一个人花几周就能跑通。

Sam Altman 2024 年说他和一群科技 CEO 在赌”第一个一人十亿美元公司会在哪一年出现”。Anthropic 的 Dario Amodei 给出的概率是 70-80%，时间窗口：2026 年。Y Combinator 2025 年冬季批次里，独立创始人占比已经从历史的 5-10% 上升到了 15-20%。YC 合伙人 Jared Friedman 的原话：”最小可行团队正在缩小。以前需要 5 个工程师的事，现在 1 个工程师加 AI 工具就够了。”

创业的人力门槛被砸碎了。过去做一个软件产品至少需要凑齐前端、后端、设计、产品经理和一个懂运营的人。光工资就要烧几十万。这个门槛把 99% 的人挡在了外面。现在 AI 把这些角色的执行层全部或部分覆盖了，一个有想法、懂业务的人就可以把产品推上线。超过 3040 万美国人已经以 solopreneur 身份在运营生意，合计经济产出 1.75 万亿美元。这个群体在 AI 工具加持下的膨胀速度，是当下就业市场最容易被忽略的增量。

门槛粉碎的逻辑很像 Shopify 对实体零售业做的事。Shopify 没有”消灭”零售，它把”开一家店”的门槛从几十万降到了几百块，于是全世界冒出了几百万家以前不可能存在的微型电商。AI 对知识工作做的，是同一件事的高维版本。

全新职业类别。 2023 年之前，”prompt engineer”这个词在任何一本职业指南里都找不到。2024 年，这个岗位的招聘信息同比增长了 135.8%。”Agentic AI”相关岗位更夸张，2023 到 2024 年增长了 985%。

AI 训练师、AI 伦理审计员、AI 安全工程师、AI 可解释性专家——这些岗位在 2020 年以前几乎不存在，现在已经是招聘市场上增长最快的类别之一。BLS 预测 2024 到 2034 年数据科学家岗位将增长 33.5%，是所有职业平均增速的十倍。

但直接岗位只是冰山一角。更大的就业池在间接层面。AI 让个性化教育成为可能，让”AI 辅助教学产品经理”“教育数据分析师”“学习路径设计师”这些岗位从无到有地冒出来。中国在这方面的速度尤其快。2024 年，人社部一口气新增了 19 个职业类别，其中就包括”生成式人工智能系统应用员”。行业报告预测到 2030 年中国 AI 人才缺口将达到 400 万。

宁夏吴忠的数据标注产业基地是一个有意思的缩影。在中国西北的内陆城市里，年轻人坐在电脑前给图像画框、给语音打标签、给文本做分类。这是一种完全由 AI 产业链催生的新型制造业——数据的制造业。它没有出现在任何一份”AI 将消灭的岗位”清单上，因为三年前这个工作根本不存在。

产能乘数。 PwC 2025 年《全球 AI 就业晴雨表》有一组数据值得反复咀嚼：AI 暴露度最高的行业（金融服务、软件出版），2022 年以来生产力增长从 7% 飙升到 27%，接近四倍。人均营收增长是低暴露行业的 3 倍。同样数量的员工，在 AI 加持下，正在产出比以前多得多的价值。

如果每个人都变得更高效了，不是应该需要更少的人吗？

回到 Jevons 悖论。当软件开发变便宜了，企业不会停在”用更少的人做一样多的事”这个点上。它们会做更多的事。以前因为开发资源不够而搁置的项目被启动了。以前觉得市场太小不值得做的产品被做出来了。市场的总蛋糕变大了，更大的蛋糕需要更多的手来切。

NVIDIA 的 Jensen Huang 在 GTC 2026 上透露了一个数字：NVIDIA 内部每个人类员工对应 100 个 AI agent，75,000 名员工配了 750 万个 agent。他的判断是：”未来每家公司的 IT 部门就是 AI agent 的 HR 部门。”换个角度理解：AI agent 不是在替代人，它们是在被人管理、调度、整合。管理 AI 本身就在成为一种新的、需要大量人力的工作。

市场解锁。 最后一条路径最容易被忽略，但可能影响最深远。

有大量的需求，不是因为人们不想要，而是因为以前的人力成本太高，没人做得起。个性化医疗就是一个典型。给每个病人制定专属的治疗方案，考虑基因组数据、病史、生活习惯、药物相互作用——在纯人力时代，这是顶级医院 VIP 服务的专属。AI 把这种分析的成本降低了几个数量级。当个性化医疗的成本降到普通诊所可以承受的水平，一个全新的服务市场就被打开了。而这个市场需要大量的人——健康数据分析师、AI 诊断校准员、个性化方案沟通师。

类似的逻辑在教育、法律服务、心理健康、小语种内容中同时发生。以前只有英语和中文用户能享受高质量的语音助手。AI 的多语言能力正在把这项服务扩展到印地语、孟加拉语、斯瓦希里语的使用者。每一种语言的适配背后，都是一批做本地化测试、内容审核、文化适配的新岗位。

四条路放在一起看——门槛粉碎让更多人可以创业，新职业类别从零到一地冒出来，产能乘数让市场总量膨胀，市场解锁让过去做不起的事变成可行——它们共同指向一个违反直觉但有充分历史证据支撑的判断：AI 创造的就业岗位，大概率会比它消灭的多。

但历史模式和增长路径都是预判。值得看看 2024-2025 年的数据到底画出了一幅什么样的画面。

恐慌的音量和现实的数据，对不上

先看恐慌一侧的弹药。

2025 年，美国约有 55,000 个岗位被直接归因于 AI 裁员。Stanford 数字经济实验室追踪到，15 家最大科技公司的初级岗位招聘 2023 到 2024 年下降了 25%。22 到 25 岁的年轻人在 AI 暴露岗位上的就业，从 2022 年底到 2025 年中下降了 13%。这些数字是真的，背后是真实的人在经历真实的困难。

但它们在整体就业数据里占的比重极小。AI 直接导致的裁员仅占 2025 年美国全部失业的 4.5%。Goldman Sachs 的估算更保守：即使把当前所有 AI 用例全面推广，美国仅 2.5% 的就业会面临替代风险。

再看另一侧。

AI 相关岗位的数量在以完全不同的速率增长。2025 年 Q1，美国有 35,445 个 AI 相关在招岗位，同比增长 25.2%。AI 工程师岗位同比增长 143.2%。Prompt 工程师增长 135.8%。招聘信息里提到”AI”的频次 2025 年同比增长 56.1%，而这已经是在 2024 年 120.6% 增长的基础上。

PwC 那份覆盖六大洲近 10 亿条招聘广告的分析给出了一个关键发现：在 AI 暴露度最高的行业中，即使是那些”最容易被自动化”的岗位，就业数量也在增长。增速比低暴露行业稍慢（38% vs 65%），但方向是一致的：都在涨。

如果 AI 真的在大规模消灭岗位，高暴露行业的就业数据不应该是这个样子。

工资数据提供了另一个视角。AI 技能岗位的工资溢价在一年内从 25% 翻到了 56%。工资在 AI 暴露度高的行业增长速度是低暴露行业的两倍。在英国，拥有 AI 技能的薪资溢价（23%）甚至超过了拥有硕士学位带来的溢价（13%）。一项技术如果真的在让工人贬值，它不会同时让掌握这项技术的工人变得更贵。

当然，这组数据里有一个不能忽略的暗面。增长的是需要 AI 技能的岗位，萎缩的是不需要 AI 技能的岗位。AI 技能岗位招聘量同比增长 7.5% 的同一时期，全部岗位的总招聘量同比下降了 11.3%。技能迁移的窗口期存在真实的压力：不学习新技能，你面对的就业市场确实在缩小。

这和历史上每次技术冲击的模式完全一致。卢德分子的痛苦不是假的，但纺织业的长期膨胀也不是假的。电气化时代的煤矿工人确实失业了，但家电工厂需要的工人更多。关键变量始终是同一个：转型期有多长，再培训的速度能不能跟上替代的速度。

WEF 的数据给出了一个具体的时间框架：到 2030 年，净增 7800 万个就业岗位。但这 7800 万的前提是 86% 的雇主需要的技能正在快速变化——AI 暴露岗位中，雇主要求的技能变化速度比一年前快了 66%。

数据画出的画面不是”AI 消灭工作”，也不是”万事大吉”。它画出的是一个正在高速重组的劳动力市场：旧岗位在收缩，新岗位在膨胀，膨胀的速度目前快于收缩的速度，但中间的技能鸿沟是真实的、紧迫的。

恐慌叙事抓住的是收缩的那一半。乐观叙事抓住的是膨胀的那一半。两者都是真的，但净效应在数据上是正的。

你该准备的不是简历，是工具箱

回到 Maor Shlomo。

一个人，六个月，从零到 8000 万美元退出。他不是天才程序员，不是含着金钥匙的创二代。他只是比别人早了半步去理解一件事：AI 把”做出一个产品”的成本降到了接近于零，但”发现一个值得解决的问题”的能力依然稀缺。

他做的事情是找到了一个具体的痛点（非技术人员想快速搭建应用），然后用 AI 当杠杆，以一个人的体量撬动了过去需要一个团队才能撬动的市场。

这个故事里藏着一个对大多数人更有用的信号。

AI 时代的就业逻辑正在发生结构性位移。过去，你的价值主要由你”会做什么”决定——会写代码，会做设计，会做财务分析。这些是技能，是可以被训练、被复制、被自动化的。当 AI 能在几分钟内完成一版可用的代码、设计稿或财务模型时，纯粹的”执行技能”的溢价会被压缩。

但 AI 不擅长的事情正在变得更值钱：判断哪个问题值得解决、在模糊的信息里做取舍、把 AI 的输出整合进一个有现实摩擦力的场景里、在不确定的情况下做出决定并承担后果。

PwC 的报告里有一个容易被忽略的细节：在 AI 相关招聘中，设计能力已经超越了纯技术能力，成为雇主最需要的技能。这里的”设计”不是画图，是系统性地理解用户需求、定义问题边界、规划解决方案的能力。Autodesk 2025 年 AI 就业报告的原话：人类中心的思维（human-centered thinking）在 AI 开发中的需求正在快速上升。

AI 越强，”理解人”的能力就越稀缺。

面对这个变化，焦虑是自然的。但焦虑之后更有用的动作是三件事。

把 AI 当成产能放大器。 你今天的工作里，一定有大量的重复性认知劳动——写报告、做数据清洗、整理会议纪要、翻译文档、画原型。把这些交给 AI。省下来的时间不是用来休息的，是用来做那些 AI 做不了的事：和客户面对面聊需求、在三个矛盾的方案里做判断、跨部门协调一个没有人负责但所有人都受影响的问题。

学习驾驶 AI。 最大的陷阱是花大量时间去学 AI 已经能做的事情。更有杠杆的投入是学习如何指挥 AI：怎么拆解一个复杂任务让 AI 能处理，怎么判断 AI 的输出哪里可信哪里不可信，怎么把多个 AI 工具编排成一个能跑通的工作流。Jensen Huang 说未来每家公司的 IT 部门就是 AI agent 的 HR 部门。管理 AI，本身就是一种新的、高价值的工作。

去碰那些 AI 降低了门槛的机会。 以前想做一个副业产品但因为不会写代码而放弃了？以前想做一个小语种的在线课程但因为制作成本太高而搁置了？以前想给自己所在行业做一个垂直工具但因为需要一个团队而没启动？AI 正在把这些门槛一个接一个地拆掉。3040 万美国 solopreneur 和中国各地正在冒出来的 AI 一人企业，都是这个趋势的注脚。

两百年的数据和当下的现实指向同一个判断：AI 会消灭一些工作，然后创造更多的工作。净效应是正的。但这个”正”不会自动落到每一个人头上。它落在那些愿意拿起新工具、学会新技能、走进新市场的人头上。

Shlomo 没有等到所有人都认为 AI 创业可行之后才动手。他在别人还在争论”AI 会不会取代程序员”的时候，已经用 AI 做完了产品、上了线、收了钱、拿到了八位数的支票。

他拿起的不是一份更好的简历，是一个更大的工具箱。

附：本文引用的资料来源

WEF Future of Jobs Report 2025：170M 新岗位 / 92M 消失 / 净增 78M https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/
PwC 2025 Global AI Jobs Barometer：56% 工资溢价 / 4 倍生产力增长 / 38% 就业增长 https://www.pwc.com/gx/en/news-room/press-releases/2025/ai-linked-to-a-fourfold-increase-in-productivity-growth.html
AI 岗位增长数据（Veritone / Autodesk / BLS）：https://novoresume.com/career-blog/ai-job-creation-statistics
ATM 与银行柜员（James Bessen / AEI）：https://www.aei.org/economics/what-atms-bank-tellers-rise-robots-and-jobs/
VisiCalc 与会计师（BBC / NPR Planet Money）：https://www.bbc.com/news/business-47802280
Jevons 悖论与 AI（MindStudio）：https://www.mindstudio.ai/blog/jevons-paradox-ai-human-work-demand
一人公司与独立创始人（Forbes / Taskade）：https://www.forbes.com/sites/sandycarter/2026/04/04/openai-called-the-one-person-ai-startup-and-three-founders–proved-it/
英国纺织业与工业革命：https://www.worldhistory.org/article/2183/the-textile-industry-in-the-british-industrial-rev/
美国电气化历史（Smithsonian）：https://americanhistory.si.edu/explore/exhibitions/american-enterprise/online/corporate-era/generating-change
iOS App 经济就业（Apple Newsroom）：https://www.apple.com/newsroom/2020/09/ios-app-economy-creates-300000-new-us-jobs-as-developers-adapt-during-pandemic/
零工经济（Investopedia）：https://www.investopedia.com/terms/g/gig-economy.asp
中国 AI 就业与人才缺口（Global Times）：https://www.globaltimes.cn/page/202502/1328588.shtml
美国 Solopreneur 数据（CNBC）：https://www.cnbc.com/2025/09/22/how-to-start-business-ideas-income-opportunities.html