被AI淘汰的程序员，扎堆做电工
上月初，AI公司Anthropic发布了一份职业暴露度报告，计算机程序员以74.5%的“观察暴露度”高居榜首。没过几天，OpenAI联合创始人Andrej Karpathy用大语言模型给342个职业打分，程序员又一次拿到AI替代风险的最高等级。
曾经代表高薪和体面的这群人，正被AI一个月一个版本的迭代速度，逼到墙角。
更戏剧的是，为了训练AI，大厂在全球疯狂扩建数据中心。老旧电网要改造，服务器集群的冷却系统也要维护，水电工成为AI时代抢手的人。白领和蓝领，吃香的程度掉了个儿。
为了给自己留条后路，不少担心被淘汰的程序员，打算转行做电工。
金领变蓝领
转行电工半年后，前程序员园子君第一次站上十米高的天车横梁。那一瞬间，他腿软了。
“天车”是电工师傅们的行话，指的是悬挂在车间顶上、离地十米高的一架桥式起重机。平时，需要有人专门上去检修它的电气系统。那天班组人手不够，摇人上天车，圆子君主动举手，去给对面的师傅送一把螺丝刀。
踏上去，他就后悔了。横梁上没有完整的全封闭护栏，脚底下是空荡荡的车间地面，望一眼都觉得头晕。他在脑子里一个劲儿地喊“往前走”，可腿就是不听使唤，软得像踩在棉花上。
“别往下看！往前看！”师傅在对面扯着嗓子吼。
他抓住钢梁边缘，一步步往前挪。短短十几米，走得浑身全是汗。
园子君1998年出生在河北承德，毕业于一所专科学校的电气自动化专业。2018年，通过在AI培训班学习，成功上岸程序员。这些年，他闯北京、下杭州，做过前端开发和软件测试，薪水一路上涨，最高时接近月薪两万。
很快，这种跟随着行业飞速上升的好日子到头了。2022年起，降本增效的风吹遍整个互联网，技术不算过硬的园子君成了第一批被淘汰的人。他被裁员了，之后找工作四处碰壁，连三线城市的相关岗位都对他关闭了大门。
颓废半年后，2023年夏，他决定面对现实，退回到自己曾一心想逃离的老家。凭借过去的毕业证和突击考下的电工操作证，经发小介绍他进入一家生产冷轧板的钢厂，成为一名电工，从区分火线和零线开始学起。
现实给这位前程序员上的第一课，是体能课。电工分“安装”和“维修”两大派系，前者是体力活，后者才是技术活。刚入职的园子君被分去挖坑埋电缆，做最基础的安装工。
第一天上工，他没有戴师傅给的手套，拿着铁锹就开挖。因为没有经验，他的手握在了铁锹杆最下面，离铲头很近，铁锹碰到硬土发出剧烈震动，虎口瞬间发麻剧痛，紧接着就是皮肤破裂的灼烧感。园子君的第一反应是将手赶紧缩回袖子里，免得人前尴尬。
熬过了体力关，还有闲言关。国内的电工行业仍保留着浓厚的“师徒制”色彩。没有师傅领进门，新人哪怕有证也不敢乱动设备。刚入职的半年，他只能跟在两个老电工身后拎工具，干些换灯泡、修开关的杂活。车间里有人嚼舌根，说他“家里有人”，才能混清闲日子。
他憋着火，不知道该怎么证明自己。直到班组缺人，没人愿意去天车，他硬着头皮上了。后来他索性申请调入“天车班”，才算“挣了回来这口气”。
远在西班牙马德里的袁峰，也在未雨绸缪。上个月，他从床底的盒子里翻出一张泛黄的纸，那是他7年前考取的中等职业技术教育毕业证书，专业栏上写着“电气与自动化装置”。在西班牙，这张证书代表着可以合法当电工，无需再考执照。
袁峰吹了吹灰，拍了张端端正正的照片，发在国内的社交媒体。文案有点凡尔赛：“原来毕业证就是电工证啊，程序员当不下去了我就去当电工。”很快，评论区里来了一堆“羡慕，也想有个退路”的同行。
袁峰今年26岁，12岁时随父母移民西班牙。从本地中学毕业后，他查询发现当地非常需要电工，于是放弃普高，进中专学电工。两年的课程一半理论一半实操，上午讲完电压、电流、电路图，下午就直接上手装插座、接空气开关、布线路。
有一节实操课做变压器，同学接线接错了，一通电，“嘭”的一声炸了。周围的人吓得往后跳，老师脸色铁青地训了好半天。从那后袁峰变得格外谨慎。电工这行看起来简单，一不小心就真的会出事。
毕业实习时，他去到一家大型商场做维修电工。每天穿着工服，拎着工具箱满商场跑，到手只有1千多欧元。为了拿到更高的薪水，他进入一所两年制、可半工半读的大专学习编程，早上干电工，下午学代码。毕业后顺利拿到一家公司的安卓开发岗Offer，转正后一直做程序员到现在，年薪从2.1万欧元上涨到3.5万欧元，学历也从中专上升到了硕士。
今年开始，袁峰感觉到寒意。他的手机里，时不时就会弹出“某家AI大厂的编程工具又迭代了新版本”“硅谷巨头疯狂在裁员”“某科技大厂砍掉了整个项目组”的消息。
看到这些新闻，他总忍不住胡思乱想，AI替代程序员的大砍刀，不定哪天就会落到自己头上。
那张7年前的旧证书成了他的定心丸。在西班牙，蓝领和白领的收入差距并不大，资深独立电工月入四五千欧不是难事。有消息称，欧盟要装几千万个热泵，正缺大量持证电工，他的“后路”值钱了。
风一吹，“龙门”碎了
成为程序员后，园子君一度认为自己“鲤鱼跳过了龙门”。
承德是一座重工业城市，传统行业多，新兴产业少。园子君的爷爷是钢厂电工，父亲也是。到了他这一代，虽没接班一说，但似乎也没有别的路。
表哥改变了他的人生轨迹。表哥自小叛逆，高一辍学去了北京。谁都没想到，几年后，这个亲友眼中的“混世魔王”通过学习IT，成了一名的程序员，收入比在老家安稳度日的“好孩子”高出一大截。
园子君看到了另一种人生的可能性。他开始在B站上看视频自学PHP、Java、前端，周末跑去电影院兼职做场务，一个月能挣一千多。一点一点，积攒自己的“梦想基金”。
2018年夏天，他终于凑够了两万块的IT培训班学费，在北京五方桥的培训基地度过了最紧绷的一段时间。这种培训班一般新手和有基础学员混在一起，通常半年才能“出师”。课堂上老师讲得飞快，园子君跟不上。为了能早日上岸，他通宵抄同学笔记，靠着苦熬两个月便拿到了过关证。
那时候的互联网，就像一架飞速上升的电梯。从培训班出来后，园子君进入杭州一家物流公司的前端岗位实习，工资四千，是老家当电工同学的两倍。转正后薪水再次翻番，变成七千。
这家公司里，不少程序员都和园子君一样非科班出身，专业五花八门，甚至有学中文和新闻的。他们的代码大都写得很稚嫩，但只要上车，就能随着行业上升。
之后，因技术实在有限，园子君从开发转到了软件测试岗，他用“公司重视质量管控”安慰住了自己。后面也经历了几次跳槽，但月薪依旧稳步上涨，他以为日子会一直向上攀升，终于摆脱了父辈“抡大锤”的命运。
开始嗅到不对劲是2022年。这一年，腾讯一口气关停10多个业务，阿里巴巴收缩战线，有人刚拿到offer还没来得及入职，就被告知岗位消失了；有人在公司干了五六年，一夜之间被优化；有人前一天还在熬夜写代码，第二天工位就空了。
园子君先是团建时听闻同行裁员，随后新闻里小米、爱奇艺的裁员接踵而至。最后，雷劈到了自己头上。当时，他在杭州一家地图公司刚干了不到半年，项目就整体被砍，赔偿金仅有一个月工资。
领导告诉他，这与个人能力无关，是整个业务线在公司战略中失去了存在的理由。他试着重新找工作，但行业已经变天了，即便退到二三线城市投简历也都石沉大海。他甚至还去面试过环境检测员，月薪两千多，依旧没拿到Offer。
园子君躲到了姐姐家，一个多月时间几乎没出门，彻夜打游戏。积蓄很快见底，身上只剩不到一万块钱。他不敢面对那个不再是白领的自己，变得极其易怒。
有次在路上开车，突然从斜刺里闯过来一个外卖小哥。换做以前，园子君会理解同情这位和自己一样辛苦的打工人，但这次他突然就压不住邪火，和对方当街互骂了起来。和家人之间，也不断发生冲突。有一次，父亲拔掉了他正在烧水的热水器插头，他控制不住怒气，和父亲大声争执起来，气头上失控地推了父亲一把，父亲踉跄了好几步。
园子君懵了。他知道自己不对，但控制不住，只好寻求心理医生的帮助。经过大半年的调整，他接受了现实，回到老家和父辈一样做起电工。
这种日子，并没有他少年时想象的那般乏味。尤其是进入“天车班”后，生活竟变得惬意起来。在天车这种高空封闭空间里，管理人员的视线难以触及，只要设备不坏，这里就成了天然的“监管盲区”。
高空作业次数多了，恐惧感随之消失。园子君每天背着工具包上去，在电器室里铺上纸壳，守着变频器睡觉。没人监控，没人催促，有活干活，没活一个人待着。目前他月薪七千，在四线城市足以体面。
“代码的每一个场景都是非标的，你永远不知道下一个Bug在哪儿；但电工的逻辑就那几种，物理定律是写死的，学会了，心里就稳了。”在园子君看来，做电工比程序员轻松得多。
被时代抛起又重重摔下的痛感，不止园子君在遭受，远在美国的杜心也正经历着。
杜心国内211本科毕业，赴美国读了T30的计算机硕士。毕业后拿到了亚马逊的offer，但出于不想卷绩效，想平衡生活和工作的考虑，她选择进入一家曾被称为“养老大厂”的公司。
AI出现前，杜心的工作还算清闲，早九晚五，准点上下班。今年起，为了配合印度组的时差，早6晚11成了常态，无休止的会议填满了她的日程。她猜测AGI或许就在2026年底或2027年初实现。
换一家公司继续做程序员，这条路在她眼中已近乎死胡同。美国H1B工作签证的门槛被大幅抬高，2025年9月，特朗普政府通过行政令规定：企业为境外直接入境的移民成功申请H1B签证，需缴纳10万美元费用。这意味着，对于一家企业来说，招聘一个需要从境外申请H1B的程序员，成本陡增。
杜心无法继续坐以待毙，她开始找工作，许多公司却连面试机会都不再给。
袁峰的工作目前还算稳定。他所在的安卓开发组，负责给南美区域的大学做校园App，与银行和高校合作，功能涵盖学生卡、交学费、查成绩、NFC开门等。他从实习生起在这个项目上干了快六年，是第一批进来的人，对项目代码了如指掌。
但没人能在AI时代独善其身。去年年底，他想跳槽，面了至少五家公司，结果全是第一步和HR聊完就没下文了。其中有一个职位投递人数超过两百人。据西班牙求职平台InfoJobs报告，IT岗位竞争比在五年内上涨了数倍，热门初级岗位的投递/录用比已超过100:1。
他忽然理解了新闻里说的“寒冬”。不是没工作，是太多人抢太少的工作。AI就像一个无声的竞争者，不需要睡觉，不需要工资，写代码的速度还比人类快。
摇晃的退路
“AI时代电工最吃香”这个说法，最初源于黄仁勋的一次发言。
2026年1月，英伟达CEO黄仁勋在达沃斯上说，AI数据中心建设会让电工、水管工、建筑工人需求大增，很多岗位能拿六位数美元年薪。“AI的尽头是算力，算力的尽头是电力”也作为段子，在中文互联网上流传。
实际上，AI基建热潮之前，电工这行就已经缺人了。这几年，随着新能源充电桩的大量铺陈和老旧电网改造，有证的电工在国内一直很抢手。不少地方的人社部门开了免费培训班，从学电路原理到上手接线、查故障，快的一个月，慢的三个月。培训完只要考取了特种作业操作证，还能申请政府补贴，算下来实际花费可能也就几百块钱。
在美国，电工中位年薪已经6.8万美元左右，资深加上加班和私活，轻松破10万，比不少初级程序员还高。
杜心没有被这些数据冲昏头脑，她没打算立刻去当学徒。在美国持证电工需要4到5年的学徒期，攒够8000个工时的现场实践，并且得通过州政府的严格考试。对于三十岁、有房贷、背着H1B压力的她来说，成本太高。
她想走一条中间路线，不做纯体力电工，也不做纯码农。她发现网上电工课大多只讲理论，实操却需要贵设备，很多转行的人没条件动手。于是计划做一个2D沙盒模拟系统，把接线、模拟故障这些实验搬到线上，再配个AI教练实时指导。她想帮跟她一样焦虑的白领，降低转行电气行业的门槛。
电工行业也不是铁饭碗。园子君2024年被钢厂裁了。公司降本，工资高的先走，赔了两万。德国的蒂森克虏伯钢铁公司也计划到2030年裁掉1.1万人，电工占了相当比例。
传统电工的需求正在被挤压，懂PLC编程、变频器调试的复合型才是真正稀缺的。当所有人都涌入这个赛道时，“最后一块自留地”也会变成下一个内卷战场。
园子君后来换了两家单位，做过杂七杂八的维修，目前在做脱硫脱硝设备的维修，同时也在小红书做自己的账号（园子君）。收入虽然不如以前，但足够稳定，入职第一天公司就交了五险一金，他心里踏实。当年那个表哥，转行做起了奢侈品回收，已经财富自由。
作为一个重工业城市工人家庭的第三代，园子君知道，电工不是答案，只是另一条需要继续走下去的路。他每天早上7点出门，驱车40公里去上班。有时候他会想起当年在杭州的日子，念头刚刚在脑海中打转他便下意识甩掉，眼前的设备还等着他修好。
杜心不知道早6晚11的日子还要过多久，裁员的消息不知道哪天会来。她每天上班前，仍会下意识检查手机有没有程序员岗位的推送。
习惯比选择更诚实。但至少，她已经在想下一步了。
这份中美AI竞争最权威报告，并没说出全部真相
前几天，斯坦福大学人本人工智能研究院（HAI）发布的《2026年AI指数年度报告》，是当前全球范围内最具系统性和数据密度的AI领域综合评估文献之一。这份长达数百页的年度报告，覆盖了从研发管线、技术性能到经济影响、公共政策的全景图谱，其数据来源横跨Epoch AI、OpenAlex、GitHub、Hugging Face、Cloudscene等多个独立数据库，分析框架严谨、引用链条完整，在学术圈和政策圈的影响力毋庸置疑。
然而，正因其权威性，对它的批判性阅读才更为重要。
报告在中美AI竞争这一核心议题上提出了一个标志性判断——“中美AI模型性能差距已实质性闭合”（The U.S.-China AI model performance gap has effectively closed）。简单说，就是差距已经可以忽略了。
这个结论本身并无问题，甚至可以说是对当下事实的准确描述。但问题在于，报告围绕这一结论所搭建的论证结构，存在若干逻辑上的不周延之处；而更关键的是，这份报告受限于其方法论框架和数据覆盖范围，对“中国AI模型为什么能追平，以及凭什么可能超越”这个问题，留下了大量未被讲透的空间。
一、评价标尺的局限：“用户偏好”≠“客观能力”
先看报告的核心论据。报告以LMArena的Elo评分体系作为中美模型性能比较的主要标尺。数据显示，2025年2月，DeepSeek-R1以1400分一度逼平美国顶尖模型o1的1405分，差距仅0.4%；截至2026年3月，Anthropic的Claude Opus 4.6以1503分领先中国最佳模型Dola-Seed-2.0 Preview的1464分，差距2.7%。报告据此得出“差距闭合”的判断，逻辑上是站得住脚的。但这里存在一个方法论层面的深层问题：Arena排行榜本身的可靠性正在被质疑。
报告自身也引用了Singh等人2025年的研究，指出Arena的排名可能部分反映的是对平台本身的适应性优化，而非模型的通用能力。如果评价标尺本身可能存在系统性偏差，那么基于该标尺得出的“差距闭合”结论，其置信度就需要打一个折扣——但报告在表述上并未对此做出充分的限定。更深层的问题在于，Arena的Elo评分本质上测量的是“用户偏好”而非“客观能力”。
用户在盲测中选择偏好的输出，这种评价方式天然偏向流畅性、风格化和指令遵从度，而非推理深度、专业准确性或长链条任务完成率。中国模型在这些软性维度上的进步是真实的，但如果我们关注的是AI在科学发现、工程实践和复杂决策中的实际效用，Arena并不是最合适的衡量工具。
报告在专业领域基准测试如SWE-bench、FrontierMath、CorpFin等上的数据呈现，主要以模型名称排列而非按国别分组，这使得读者难以直观地判断中美模型在这些更硬核的评估维度上的相对位置。这不是一个疏忽，而是一种分析框架上的选择，但这种选择客观上遮蔽了中国模型在多个专业领域已经进入第一梯队这一事实。
二、透明度偏差：不透明带来的“估算错觉”
还有一个容易被忽略的逻辑问题存在于报告对“透明度”的论述中。报告在第一章反复强调，美国前沿实验室如OpenAI、Anthropic、Google正变得越来越不透明——训练代码、参数量、数据集规模、训练时长等关键信息不再公开披露。
报告将此视为阻碍外部研究者复现和审计的障碍，这一判断完全正确。但报告没有追问的是：这种不透明对中美比较本身意味着什么？当美国模型的训练计算量只能通过间接方法估算，而中国模型如DeepSeek-V3反而公开了详细的训练信息时，报告图表中“美国模型训练计算量远高于中国”的视觉印象，实际上可能部分来自估算方法对不透明模型的高估。
报告在脚注中提到Epoch AI对训练计算量的估算方法包括“基于硬件规格推算”和“基于基准性能反推”，这些间接方法对于未披露信息的模型存在较大的不确定性区间。但在正文的图表呈现中，美国模型和中国模型的数据点被放在同一坐标系中，未做任何不确定性标注，给读者造成了一种精确对比的错觉。
三、数据采集的不对称：被低估的中国AI生态
接下来看报告在研发管线分析中的逻辑链条。
第一章详细追踪了“显著AI模型”的国别分布，2025年美国发布50个、中国发布30个。这个数据来自Epoch AI的人工遴选数据库，筛选标准包括“前沿性突破”、“历史意义”、或“高引用率”等。报告也承认这并非所有AI模型的普查，而是一种基于专家判断的策展。问题在于，Epoch AI作为一个主要由西方学术圈运营的数据库，其对“显著性”的判断标准是否对中国模型存在系统性的低估？
中国的AI模型生态如魔搭社区、百度飞桨等活跃于国内平台，而非Hugging Face或GitHub的项目，这些模型在Epoch AI的筛选网络中天然处于低可见度的位置。报告在开源软件部分也坦承，中国开发者大量使用Gitee和GitCode等国内平台，而这些平台的数据并未被纳入分析——报告甚至在脚注中明确标注了这一点。这意味着，“美国50个vs中国30个”这一看似清晰的数量对比，实际上可能建立在不对称的数据采集基础之上。报告的诚实之处在于它没有掩饰这一局限，但其不足之处在于它没有对这一局限的潜在影响做出定量或定性的修正。
四、基础设施的误判：集约化模式的优势被忽视
在算力和基础设施维度上，报告提供了一个极具冲击力的数据点：美国拥有5427个数据中心，是排名第二的德国（529个）的十倍以上，中国仅449个。但报告自己也提醒，数据中心的数量并不等于计算容量或利用率。
事实上，中国的数据中心建设采用了与美国截然不同的集约化模式——更少但更大、更集中、更面向AI训练优化的超大规模设施。腾讯、阿里巴巴、字节跳动的智算中心单体算力密度，在全球范围内处于领先水平。将“数据中心数量”作为AI基础设施实力的代理指标，其实质是用美国的基础设施范式去度量中国的基础设施投入，这在方法论上是有偏差的。
五、被遗漏的结构性优势：效率、应用与人才
报告在论述中国AI发展时，还遗漏了几个关键的结构性优势。第一是效率路径的范式意义。DeepSeek-V3的训练碳排放仅597吨二氧化碳当量，而同期美国模型Grok 4高达72816吨，两者相差超过120倍。报告将此数据呈现在环境影响章节中，但并未将其与中美竞争叙事打通。
事实上，DeepSeek-R1引入的GRPO训练方法，通过对比一组生成输出而非依赖独立评审模型来训练推理能力，所代表的不仅仅是一种技术创新，而是一种资源约束驱动的效率范式。在芯片禁令的压力下，中国模型被迫走向用更少资源做更多事的路径，而这种路径一旦走通，其可扩展性反而可能超过美国式的暴力堆算力模式。报告承认DeepSeek-R1的发布引发了美国科技股超过一万亿美元的市值波动，但对这种效率优势的长期战略意义缺乏深入分析。
在应用落地的速度和规模方面，报告提到中国Apollo Go在2025年完成了1100万次完全无人驾驶出行，同比增长175%，而美国Waymo的周出行量约45万次。简单换算，Apollo Go的年化出行量是Waymo的约四到五倍。但报告将这一数据点放在了自动驾驶技术进展的叙述中，而非中美竞争分析的框架内。类似的遗漏还出现在工业机器人安装量（报告在摘要中提到中国领先但未在前两章展开）、AI在制造业和供应链中的渗透率等维度上。
中国AI的比较优势，很大程度上不在于“模型能力的峰值”而在于“从模型到产品到大规模部署”的全链条速度，而这恰恰是当前报告的分析框架——以基准测试和论文计量为核心——难以捕捉的。
有关开源生态的战略纵深，报告记录了一个值得深思的数据趋势：在Hugging Face的模型下载份额中，美国开发者的占比从2020年的超过70%下降到2025年的不足25%，而中国开发者和“无国别标注”用户的份额持续上升。阿里巴巴的Qwen系列、DeepSeek系列、智谱的GLM系列，在全球开源社区中的影响力已经与Meta的Llama形成了正面竞争。
报告在组织维度的数据中显示，2025年阿里巴巴发布了11个显著模型，仅次于OpenAI的19个和Google的12个，超过了Anthropic和Meta。但报告并未将这一趋势放进中美竞争的分析框架中讨论其战略含义：中国企业正通过开源模型在全球范围内建立开发者生态和技术标准影响力，“模型数量”和“基准评分”之外的一种全新竞争维度正在形成。这种通过开源输出技术影响力的路径，与中国在5G标准制定中的经验一脉相承，但报告对此完全没有触及。
除此之外，报告详细记录了一个引人注目的趋势：流入美国的AI研究人员自2017年以来下降了89%，仅过去一年就下降了80%。但报告在人才部分的数据来源Zeki并不覆盖中国，这意味着我们看到了美国人才吸引力的衰退，却无法看到中国人才池的扩张。中国每年培养的STEM博士数量已超过美国，且中国在全球高被引AI论文Top 100中的份额从2021年的33篇增长到2024年的41篇，首次逼近美国的46篇。清华大学在Epoch AI的累计显著模型榜中与斯坦福并列第一（各26个）。
如果把这些散落在报告各处的数据点串联起来，呈现的图景远比“差距闭合”更具冲击力，它指向的是一种可能的“交叉”（crossover），而非仅仅是“追平”。
六、投资数据的误导：被低估的中国政府投入
报告在投资数据上的处理方式也有不小的问题。报告指出2025年美国AI私人投资达2859亿美元，是中国124亿美元的23倍以上。但报告自己也在脚注中承认，仅看私人投资“可能低估了中国的AI总支出，因为中国有政府引导基金”。这种将核心修正条件放在脚注中的处理方式，在学术写作中并不罕见，但对于一份面向政策制定者和媒体的报告而言，其效果是使正文中“23倍差距”的数字获得了远大于其实际信息量的传播力。
中国政府通过国家大基金、地方政府AI产业基金、国有企业研发投入等渠道注入AI领域的资本规模，目前缺乏可靠的公开估算，但多个独立来源认为其量级远超私人投资的口径。报告对此的处理，称不上是误导，但确实构成了一种系统性的低估。
结语：未被讲透的竞争真相
综合来看，斯坦福AI指数报告的核心判断“中美AI差距已经闭合”是准确的，但这份报告并没有完整地解释这个故事。
中国AI的竞争力不仅来自模型性能本身的追赶，更来自效率范式的突破、应用落地的加速、人才厚度的积累、以及国家战略与产业生态的深度耦合。在一个Arena评分差距仅2.7%的世界里，决定下一阶段竞争格局的变量，很可能不是谁的模型在基准测试上多得几分，而是谁能更快地将模型能力转化为产业价值和社会效用。在这些真正决定胜负的维度上，中国不仅不亚于美国，而且在多个关键方向上正在建立结构性优势。遗憾的是，这些维度恰恰是斯坦福这份以基准测试和学术计量为核心方法论的报告，最不擅长捕捉的。