斯坦福大學(xué)人工智能專家：71%的人將無法適應(yīng)人工智能時代

本文根據(jù)YouTube頻道「Silicon Valley Girl」在達(dá)沃斯世界經(jīng)濟(jì)論壇錄制的訪談?wù)矶伞Ｊ茉L者是Kian Katanforoosh，斯坦福大學(xué)AI講師、Workera創(chuàng)始人兼CEO，曾與Andrew Ng共同創(chuàng)立deeplearning.ai，累計(jì)幫助超過400萬人學(xué)習(xí)AI。

今年一月，Workera發(fā)布的《2026年AI勞動力預(yù)測報(bào)告》顯示，76%的美國人計(jì)劃在今年學(xué)習(xí)新的AI技能，但"學(xué)了什么"和"學(xué)得有多好"是兩件截然不同的事。Katanforoosh的團(tuán)隊(duì)通過對超過百萬人的系統(tǒng)測評發(fā)現(xiàn)，71%的人嚴(yán)重高估或低估了自己真實(shí)的AI能力水平。這是一個令人不安的數(shù)字，因?yàn)樗馕吨蠖鄶?shù)人正在用錯誤的起點(diǎn)制定職業(yè)規(guī)劃。

你的AI技能是"使用頻率"還是"真實(shí)水平"？

很多人把每天打開ChatGPT等同于AI能力。Katanforoosh直接拆穿了這個誤解。

他把AI能力分成兩個維度：采用度（adoption）和熟練度（proficiency）。采用度指的是使用頻率，你每天用，我每周用，你的采用度更高。但如果觀察各自的提示詞質(zhì)量，差距就出來了："你可能只是在寫簡單的提示詞，而我在做零樣本提示（zero-shot prompt）、少樣本提示（few-shot prompt）、思維鏈（chain of thought），甚至構(gòu)建了一個復(fù)雜的提示詞鏈（prompt chain），讓上一個輸出喂給下一個；我還搭了自己的檢索增強(qiáng)生成系統(tǒng)（RAG）。"

使用頻率高，不等于你用得好。這正是為什么他建議每個人先做自我評估，而不是急著找"最好用的AI工具"。

評估起點(diǎn)，他給出了兩個問題：

第一個問題：你每天都用AI嗎？ 他的判斷很直白："如果不是每天用，在當(dāng)下這個時間點(diǎn)，你大概已經(jīng)落后了。"

第二個問題：你能隨手說出10款你日常接觸的AI產(chǎn)品嗎？ 這不是考驗(yàn)?zāi)阌袥]有下載夠多App，而是考驗(yàn)?zāi)隳芊裨谏詈凸ぷ髦凶R別AI的存在。很多人根本沒有意識到某個推薦算法、某個篩選功能背后就是AI。"如果你數(shù)不出來，你大概落后了。"

放棄"六個月替代論"的敘事

自ChatGPT發(fā)布以來，"X職業(yè)將在Y個月內(nèi)消失"的預(yù)測從未停止。Katanforoosh做了一個冷靜的盤點(diǎn)：幾乎沒有一個實(shí)現(xiàn)了。

"最經(jīng)典的那個說法是，放射科醫(yī)生會消失，司機(jī)會消失。然后你就看到一個梗圖——放射科醫(yī)生開著車去上班。"

他并不是在說AI不會改變職業(yè)結(jié)構(gòu)，而是在糾正一個普遍的認(rèn)知錯誤：人們高估了技術(shù)在短期內(nèi)的沖擊，卻低估了它在長期的重塑力量。

以自動駕駛為例。Waymo和Cruz等公司最早在2014、2015年就大規(guī)模啟動研發(fā)，集結(jié)了頂尖工程師全力攻堅(jiān)，到今天已經(jīng)整整11年，才剛剛看到商業(yè)落地的輪廓。"自動駕駛都花了十年，為什么其他領(lǐng)域不會一樣？"

他的預(yù)判是，接下來十年，配音演員、翻譯、客服等崗位會看到明顯變化，但那種"六個月內(nèi)顛覆"的敘事，對絕大多數(shù)職業(yè)來說是不成立的。大規(guī)模的裁員潮，有相當(dāng)一部分被包裝成了"AI替代"，實(shí)際上是疫情期間過度招聘之后的結(jié)構(gòu)性收縮——公司在縮減編制，但喜歡用AI做擋箭牌。"Meta的元宇宙團(tuán)隊(duì)被裁，跟AI有什么關(guān)系？"

讓AI在公司里真正好用，關(guān)鍵在上下文

"語言模型的價值，很大程度上藏在上下文里。"

Katanforoosh分享了Workera內(nèi)部的做法。他們是Anthropic的重度用戶，全體工程師使用Claude Code Max。他們把公司里重要的"運(yùn)作方式"寫成了一系列文件，Anthropic把這類文件叫做"skills"（技能文檔）：招聘流程怎么跑、品牌規(guī)范是什么、用什么字體、配色方案是哪些、文案語氣怎么定……

這些文件不是給人讀的，是給AI讀的。

過去，工程師做完一個網(wǎng)頁或產(chǎn)品界面，必須找市場團(tuán)隊(duì)反復(fù)核對字體對不對、色調(diào)是否符合品牌。現(xiàn)在不需要了：工程師直接讓AI對照那些文件自檢，市場團(tuán)隊(duì)無需介入日常執(zhí)行，可以把精力放在更高階的事上——"我們要不要換字體？要不要調(diào)整品牌方向？"而不是每天說"改一下這個字體，再改一下這個字體。"

這是一種效率重構(gòu)。溝通成本不是靠壓縮會議時間來降低，而是把判斷標(biāo)準(zhǔn)編碼進(jìn)系統(tǒng)。

他還提到，Workera的組織結(jié)構(gòu)正在變平：他們的AI負(fù)責(zé)人主動從管理職（manager）退回到個人貢獻(xiàn)者（individual contributor）的角色，理由很簡單——更貼近一線，更有掌控感，效率更高。工程師與產(chǎn)品經(jīng)理、設(shè)計(jì)師的黃金比例也在變化，從過去的"八個工程師配一個PM和一個設(shè)計(jì)師"，縮減到"兩個工程師配一個PM和一個設(shè)計(jì)師"，每個小團(tuán)隊(duì)反而擁有更大的責(zé)任邊界。

95%的AI智能體（Agent）無法在生產(chǎn)環(huán)境中運(yùn)行

"Demo很容易做，生產(chǎn)系統(tǒng)非常非常難。如果你能看出一個Demo和一個真正跑在生產(chǎn)環(huán)境里的系統(tǒng)的區(qū)別，你就知道差距有多大了。"

麻省理工學(xué)院的一項(xiàng)研究顯示，只有5%的AI智能體能夠真正部署在生產(chǎn)環(huán)境中。Katanforoosh用Workera的實(shí)際案例解釋了那剩下的95%在哪里斷掉的。

他們?yōu)镾erviceNow做了企業(yè)級部署，讓全員接受AI智能體驅(qū)動的技能評估，最終拿到一張"AI駕照"認(rèn)證。為了讓這件事能跑起來，他們需要應(yīng)對以下問題：

模型服務(wù)商可能崩潰——他們建了一個模型路由層，OpenAI掛了立刻切到下一個最優(yōu)模型。

多語言不等于多文化——讓AI用日語做評估不是簡單的翻譯，日本用戶看了原版會說"文化邏輯完全不對"。

界面連接可能斷鏈——智能體有時會找不到某個按鈕，就此卡死。

評分可能失準(zhǔn)——如果系統(tǒng)給了你150分而你覺得應(yīng)該是200分，你可以提出異議，人工專家會在四個工作日內(nèi)復(fù)核并更正，這個校正反饋會持續(xù)喂回系統(tǒng)，讓智能體越來越準(zhǔn)。

他們還做了一件反直覺的事：主動在某些環(huán)節(jié)撤掉AI。早期他們把所有交互都設(shè)計(jì)成隨機(jī)性的（stochastic，即非確定性）對話，但收到用戶反饋說，實(shí)時語音對話讓人壓力很大，有些人其實(shí)更想安靜地看一道選擇題，慢慢想，不需要AI實(shí)時在場。于是他們開始區(qū)分：哪些場景用隨機(jī)性交互來深入理解人的推理過程，哪些場景用確定性流程來降低焦慮、提升體驗(yàn)。

"第一次部署一定是一團(tuán)糟，第二次好一點(diǎn)點(diǎn)，然后你就慢慢建立起這種在細(xì)節(jié)里找問題的直覺。"

大學(xué)學(xué)位在縮水，但"樞紐城市"的優(yōu)勢在擴(kuò)大

Katanforoosh認(rèn)為，除非是頂尖院校，否則大學(xué)的傳統(tǒng)四年本科模式正在失去價值。但他說的不是學(xué)歷本身沒用，而是大學(xué)的課程內(nèi)容與職場所需技能之間的錯位正在加劇。"我在法國讀書的時候，培養(yǎng)的體育教育老師數(shù)量是就業(yè)崗位的兩倍。這種浪費(fèi)不應(yīng)該存在。"

他的替代方案是一個分工模型：大學(xué)教持久技能（critical thinking、problem solving、AI literacy、communication），公司教易腐技能（特定工具的使用、特定行業(yè)的操作流程）。員工入職不是用七年時間從初級慢慢熬到合伙人，而是公司提供快速的內(nèi)化路徑，讓人在六個月內(nèi)具備獨(dú)立作戰(zhàn)能力。這件事Workera正在幫一些企業(yè)推進(jìn)。

與此同時，他指出了一個結(jié)構(gòu)性不平等：AI原生人才高度集中在少數(shù)樞紐城市，尤其是舊金山。"你在舊金山出去吃個飯，隨便聊都會聊到語音AI、聊到自動駕駛，你不費(fèi)力氣就在學(xué)習(xí)。如果你在樞紐之外，你會發(fā)現(xiàn)所有門檻都更高。"

不過他的判斷是，這種集中會在十年內(nèi)擴(kuò)散。過去軟件工程師的知識也曾高度集中，后來因?yàn)樵诰€教育、信息流通，以及大量工程師離開樞紐城市去創(chuàng)業(yè)，技術(shù)逐漸向全球蔓延。AI領(lǐng)域的脈絡(luò)與此一致，只是時間需要等待。

2026年的三步走

節(jié)目結(jié)尾，主持人要求他給25到40歲的受眾提煉三個可執(zhí)行的行動。他的答案是：

建立基礎(chǔ)——找?guī)组T基礎(chǔ)課認(rèn)真上完。

評估自己——不要只知道學(xué)，要知道自己處于什么水平。"斯坦福的學(xué)生之所以比YouTube上看同樣課程的人進(jìn)步快，不是因?yàn)檎n程內(nèi)容不同，而是因?yàn)樗麄兩磉呌性贠penAI、Meta、Google實(shí)習(xí)的朋友，他們知道標(biāo)準(zhǔn)是什么，知道差距在哪。"評估替代了這個生態(tài)。

養(yǎng)成學(xué)習(xí)習(xí)慣——每天早晨花五分鐘，看你信任的AI領(lǐng)域人士發(fā)的內(nèi)容。一周之后你可能感受不到太大變化，但堅(jiān)持下去你會發(fā)現(xiàn)自己真正站在了信息前沿。

他引用了一個他認(rèn)同的判斷："一件事堅(jiān)持一天，你可能已經(jīng)進(jìn)入了全球前X%；堅(jiān)持一周，你在前10%；堅(jiān)持一個月，你在前1%。但要進(jìn)入前0.1%，你必須把它變成持續(xù)五到十年的習(xí)慣。"