文章标题:AI 时代的职业选择
正文: 假设你是一名刚毕业的大学生,正在选择职业。或者假设你已经有了一份职业,正在思考应该把精力集中在什么方向上。你该如何做出这个决定?
当你做出长期的职业决策时,你是在押注经济的未来。你想在一个备受重视的领域工作,因此考虑未来什么会备受重视就很重要。AI 已经改变了这一点,并且有望进一步改变它。因此,从某种意义上说,职业决策就是对未来 AI 能力的押注。要想拥有成功的职业生涯,你应该专注于那些你认为 AI 不太可能很快实现自动化的任务。
需要说明的是,我认为最有可能的情况是,AI 在不久的将来会在所有具有经济价值的任务上超越人类。一旦到了那一步,就完全有可能用资本替代劳动力,这意味着一个人对世界产生影响的唯一决定因素将是他拥有多少钱。Rudolf Laine 在这里详细探讨了这一概念。这个想法在流行文化中被称为永久底层阶级,指的是那些钱较少、将被排除在成功之外的人。在这样一个未来里,人们可能会找到非经济的方式来娱乐自己,类似于人们在不再参与经济时已经在玩的地位游戏。
如果你有抱负,你大概会觉得这样的未来很黯淡。虽然仅凭这一点并不足以否定它,但值得问一问是否还有其他可能性。如果这没有发生,工作会是什么样子?你应该把时间集中在哪里?AI 能力有可能会停滞,就像过去那样。如果这样的停滞真的发生,剩下的工作将变得更有价值。举个例子,1880 年,51% 的美国人从事农业工作。今天这一比例不到 2%,很大程度上是因为自动化。这并没有导致大规模失业;相反,经济扩张到了有足够多新工作岗位来支撑那些先前因农业自动化而失去工作的人的程度1。
1880–2025 年美国从事农业的劳动力占比图2
如果 AI 在某个能力水平上停滞,大多数人应该能够找到有报酬的工作,从事剩下那组无法自动化的任务。那些任务可能是什么?
信号的层级
《哥德尔、艾舍尔、巴赫》是一本极具先见之明且引人入胜的书,它的思想与现代 AI 有着惊人的相关性。以 Douglas Hofstadter 对“祖母细胞”的描述为例:
由于在视觉皮层中发现了可被日益复杂的刺激触发的细胞,一些人不禁怀疑,事情是否正朝着“一个细胞,一个概念”的方向发展——例如,你会有一个“祖母细胞”,当且仅当你的祖母进入视野时它才会放电。
将其与 Golden Gate Claude 对比:
我们发现,Claude 的神经网络中存在一种特定的神经元组合,当它遇到这个最著名的旧金山地标的提及(或图片)时就会被激活。
我们不仅能识别这些特征,还能调高或调低它们的激活强度,并识别出 Claude 行为中相应的变化。
很难相信这些段落相隔 40 多年!
在《蚂蚁赋格》中,Hofstadter 讨论了一个名为“Aunt Hillary”的有意识的蚁群,它 paradoxically 与一只食蚁兽是朋友。食蚁兽正在解释更高层次的思想如何从蚂蚁的原始行为中产生。
食蚁兽:好吧。让我们从最底层开始。当蚂蚁需要完成某件事时,它们会组成小“团队”,黏在一起完成一项杂务。正如我之前提到的,小群的蚂蚁不断地组成又解散。那些真正存在了一段时间的就是团队,而它们不会散掉的原因,是真的有事情需要它们去做。
Achilles:我明白了。我猜想这些“团队”是介于单只蚂蚁层级和蚁群层级之间的某一层结构。
Anteater:正是如此。存在一种特殊的团队,我称之为“信号”——而所有更高层级的结构都建立在信号之上。事实上,所有更高层的实体都是协同运作的信号的集合。更高层级上的团队,其成员不是蚂蚁,而是更低层级上的团队。最终你会到达最低层级的团队——也就是信号——而在它们之下,是蚂蚁。
这是关于意识思维如何在人类中产生的一个类比:简单的神经元构成最低层级,而有意识的推理构成最高层级。类似的理论可以解释现代 AI 系统:最低层级是权重与偏置的矩阵乘法,最高层级是涌现出的智能行为。
神经网络的内部机制几乎和人类心智一样难以研究。我们可以精确地建模底层,也可以直接与模型交互来观察顶层,但理解中间层真的很难。尽管 Anthropic 在这一领域处于领先地位,但这项研究要赶上 AI 的能力,还有很长的路要走。
能力层级
LLM 只能通过生成 token 来与世界交互,所以从某种意义上说,它们与我们、工具、互联网以及彼此之间的所有交互都发生在抽象的最高层。而人类则可以通过许多不同的方式与环境交互,这些方式似乎分布在不同层级上,其中一些远低于意识思维的层级。
低层级的人类行为类似于不自主的反射。许多反射可以在脊髓中单个神经元的层面上被完全机械地理解。像心跳和呼吸模式这样的不自主活动没有那么简单,但我们仍然可以在神经元和信号化学物质的层面上理解它们。
中层级的人类行为可能包括行走、抓取物体或认路。从某种意义上说,我们对这些现象了解得最少,因为它们太复杂,无法在神经元层面理解,但又太基础,无法通过内省来理解。
高层级的人类行为包括我们认为是智能的那些事情:共情他人、想出点子、解决数学问题。但即使在这些高层级行为之中,也存在着清晰的层次结构。在抽象的最高层,很容易理解我们在做什么:例如,我可以向你解释如何解一元二次方程,或者如何写一个 python 函数。但存在一些中高层级,在那里我们大脑的内部运作不太容易被触及。我能解释如何想出一个笑话、如何欣赏音乐、如何写出有说服力的文字吗?也许从某种意义上可以,但更难。
我们通常认为最高层级的行为需要最多的智能或教育。因此,看到 AI 最先掌握这些能力,令人感到意外。为什么会这样?
锯齿状前沿
这一现象通常被描述为锯齿状前沿(也称为锯齿状智能或尖刺状智能)。AI 系统在一些“难”任务上已经变得非常擅长,比如国际象棋、数学和竞技编程,但在“简单”任务上却落后于人类,比如使用网页浏览器、通过视觉认路,或者把一项任务从头到尾完成。
图片来自 X 上的 Tomas Pueyo。

AI 时代的职业
在这张图中,人类智能的前沿被描绘成一个圆。任务的难易完全是从人类视角来评判的。实际上,人类智能本身是非常尖峰化的。抓握、行走、说话这类人类行为,从任何客观标准来看都非常复杂;它们需要身体内众多系统的协调运作、常识、模糊识别,以及其他在计算机中一直难以开发出来的能力。从信息论的角度看,乘法是微不足道的。然而人类在学会乘法之前很久,就已经学会走路、说话和捡东西了。Hans Moravec 在《Mind Children》中对此评论道:
让计算机在智力测试或下跳棋时表现出成年人水平相对容易,而要让它们在感知和移动方面具备一岁婴儿的技能,则困难甚至不可能。
人类智能的尖峰可能实际上是困难的,但人类擅长它们,是因为这些能力通过进化在低层次上被编入了我们的大脑。这也意味着它们不那么容易被我们的意识所触及,我们对其难度视而不见,因此我们对哪些任务困难的直觉可能非常错误。

图片来自 xkcd。讽刺的是,这个例子有点过时了。
考虑到这一点,机器智能的进展就合理多了!机器当然会先掌握国际象棋,然后才能在我们进化出来执行的任务上达到人类水平。当我们重画这张图,反转人类和机器的视角时,未来似乎更加模糊不清。
尖峰在哪里?
哪些人类优势将最能抵御变化?很多人对此发表过意见,尤其是风投。我想这说得通,因为他们大量思考经济的未来。
体力工作似乎比纯智力工作更安全,因为机器人技术的进展不如语言 AI 那么快。即使在知识工作中,有些工作似乎也比其他工作更安全;例如,销售比工程更难自动化,因为人们不喜欢和聊天机器人说话或阅读它们的输出3。许多需要某种“品味”的工作似乎更有韧性。Marc Andreessen 说风投可能是仅存的最后几种工作之一,因为它需要人的触感(我觉得这不太有说服力)。
这些人描述的都是更低层次、更不抽象、更本能的工作。这类任务价值的上升在职场中已经很明显。当我阅读一个程序的业务逻辑时,我已经不太能看出它是人写的还是 AI 写的,但如果我使用界面,我常常能感觉到其中是否倾注了人的用心。我从不纠正 Claude 所写代码的逻辑正确性,但我常常根据我感觉到的东西来纠正它:这会让用户恼火吗?这个设计看起来或感觉起来笨拙吗?加载时间在哪里是可接受的,在哪里是令人沮丧的?这个功能会如何影响一个由人组成的组织?如今,我为公司带来的主要价值来自对使用产品的用户的共情,而不是编程语言的语义。幸运的是,我进化出了共情能力!
在一个我们与机器竞争的经济未来中,我们应该在更接近我们低层次编程的任务上发挥比较优势。如果 AI 没有吞下所有任务,剩下的人类任务将需要共情、体力行动或对人类行为的预测等本能技能。
脚注
文章标题:Careers in the Age of AI
正文:
- 你可能会说,这些工作岗位转移到了发展中国家,但尽管按美元价值计算,美国是农产品的净进口国,我们却是热量的净出口国。此外,农业从业人员减少的同样趋势在全球范围内都存在(尽管程度没那么剧烈)。显然,自动化是这里的驱动因素。↩
- 1948 年之前的统计口径为 10 岁及以上人口,1948 年之后则为 16 岁及以上的就业平民。1999 年至 2000 年之间的下降部分反映了 BLS 对行业分类方式的变更。来源:Lebergott(1966),1880–1940;BLS Current Population Survey 年度平均值,1948–2025。↩
- 随着机器开始做出比人类更多的购买决策,这种情况可能会改变。↩