夜雨聆风
AI正在吃掉＂实习生＂
说实话，好久没更新了。
这两个月被各种事情拖着——项目赶进度、家里有事、身体也不太好——公众号就一直搁置着。每次打开后台，看到上次发文日期，都有点愧疚。
直到前天晚上，我刷X的时候看到有人在转Stanford刚发布的AI Index Report。423页。我本来只想随便翻翻，结果翻到第4章的时候，整个人愣住了。
那组数字让我放下手上所有的事，决定今晚必须写点什么。
22到25岁的程序员，就业下降了将近20%。
不是全部程序员。是刚毕业的、还在学怎么写代码的年轻人。与此同时，他们的前辈——那些30岁以上、带过项目、踩过坑的人——就业反而在增长。
这让我想到一个画面。一个老程序员坐在工位上，旁边是一个AI助手。老板走过来说：”我们今年不招应届生了，有这个预算不如再买一个GPU。”
这不是科幻。这是Stanford的报告里写的。
01
Stanford从2017年开始跟踪AI。今年是第九版。
报告里有个词叫”Entry-Level Squeeze”，入门级挤压。我以前没见过这个词。报告的作者可能也觉得需要一个新词来形容正在发生的事。
他们统计了美国最大的几家科技公司。新员工里应届毕业生的比例，从疫情前的15%掉到了7%。腰斩。
创业公司更惨。应届生比例从30%掉到了17%，几乎砍了一半。
我问自己：如果我是今年的应届生，我看到这组数字会怎么想？
我可能会想，我大学四年学的那些东西——数据结构、算法、系统设计——在毕业那天就已经贬值了。不是知识没用，是AI已经会了。而且AI不会要求涨薪，不会请假，不会抱怨加班。
但这里有个更深层的问题。
02
以前的技术革命是替换工具。蒸汽机替换了体力，计算机替换了计算，互联网替换了信息传递。
AI革命不一样。它在替换”学习过程”。
一个年轻人以前怎么成长？先做简单任务，再慢慢接触复杂项目，三年之后可以独立负责模块。这个三年是”学费期”，企业愿意为 inexperience 买单，因为未来的回报可期。
现在呢？简单任务AI做了。那新人从什么开始？
有人可能会说，那就直接做复杂任务呗。
但问题是，复杂任务需要判断力。而判断力来自经验。而经验来自……做简单任务。
你把入口堵死了。
03
报告里还有一个数字让我愣了一下。
Dario Amodei——Anthropic的CEO——去年说了一句话：50%的入门级白领工作会在一到五年内消失。当时很多人觉得夸张。现在看，Stanford的数据在验证他。
但这里有个反直觉的点。
AI没有让”程序员”失业。AI让”初级程序员”失业。资深的、有经验的、能处理模糊需求的人，反而更值钱了。
为什么？
因为AI擅长的是规则明确的事情。写一段排序算法？AI可以。优化一个数据库查询？AI可以。但”这个功能用户到底需要什么”——这种需要理解人、理解场景、理解商业逻辑的事情，AI还不行。
问题是，理解人、理解场景、理解商业逻辑——这些能力是怎么来的？
是通过做了无数简单任务之后，慢慢积累出来的直觉。
现在简单任务没了。
04
Clara Shih在X上发了一条帖子。她在Meta和Salesforce做了20年AI。她说去年秋天，她团队的AI agent开始真正工作了。
“我知道一切都变了。然后我的侄子侄女、表兄弟姐妹开始问我怎么找工作。”
这条帖子有十万人看过。
我想了一下。如果我是她的侄子，我问她怎么找工作，她会怎么回答？
她可能会说，学AI相关的技能。但我可能就是学了AI相关的技能才被替代的。
这是一个悖论。
05
报告里还有一组数据，和就业无关，但放在一起看很有意思。
生成式AI的采用率，三年内达到了53%。快于个人电脑，快于互联网。
但美国只有28%，排全球第24位。
领先的是谁？新加坡61%，阿联酋54%。中国没有具体数字，但民众对AI的乐观度是83%，全球最高。
AI的发源地，采用率反而落后。
我在想为什么。可能是因为美国在监管上更谨慎。也可能是因为美国的企业文化更保守。但更可能的是，美国人看到了AI的代价——那些22到25岁找不到工作的年轻人——所以他们比其他人更警惕。
其他国家可能还没感受到痛。或者感受到了，但觉得这是发展的必要代价。
06
说到代价，报告里还有一页关于环境的。
Grok 4训练一次的碳排放，相当于一万七千辆车开一年。数据中心的功耗，相当于整个纽约州的峰值用电。GPT-4o一年推理用的水，够一千两百万人喝。
这些是脚注。大多数人不会翻到那一页。
但有人在X上问了：”我们为这些突破付出了巨大的能源和水资源代价。这是进步的代价，还是警告？”
我不知道答案。但我知道，当我们讨论AI的时候，我们通常只讨论它能做什么，很少讨论它消耗了什么。
就像我们只看到外卖很方便，没看到外卖骑手在雨里闯红灯。
07
还有一个趋势。
模型的透明度在下降。Stanford有一个”基础模型透明度指数”，去年58分，今年40分。越强的模型，披露的信息越少。
OpenAI不再公开GPT-4的训练数据。Google不再说Gemini用了多少参数。Anthropic对Claude 3的细节语焉不详。
你可以理解他们。竞争太激烈了，透露太多等于给对手送情报。
但问题是，当AI的能力超越人类的理解能力，而制造者拒绝告诉你它是怎么工作的时候，你怎么信任它？
你不可能理解一个比你聪明的东西。这是定义决定的。但你至少可以知道它是怎么被训练的、用了什么数据、有什么已知的缺陷。
现在这些都不公开了。
08
报告的最后几页是关于教育的。
五分之四的美国学生已经在用AI做作业。只有一半的中小学有AI使用政策。只有6%的老师觉得这些政策是清晰的。
这意味着什么？
意味着教育系统还没反应过来。学生已经在用AI写论文、做数学题、准备考试了，学校还在讨论”要不要禁止ChatGPT”。
禁令没有意义。就像当年学校禁止计算器一样。最后计算器成了标准工具。
真正的问题不是”用不用AI”，而是”怎么用AI还能学到东西”。
如果一个学生用AI写了一篇论文，但他从头到尾参与了选题、找资料、修改、定稿，他学到了什么？
他可能学到了怎么和AI协作。这可能比他亲手打字更有价值。也可能没有。我们不知道，因为没有人研究过。
09
让我回到开头那组数字。
22到25岁的程序员，就业下降20%。
我在想，这些人现在在哪里？
有些人可能转行了。做了销售、运营、产品经理——任何AI暂时还替代不了的工作。
有些人可能在考研。晚三年进入职场，希望三年后情况会好一点。但三年后可能更糟。
有些人可能在创业。做自己真正想做的事，而不是给大公司当螺丝钉。这是好事。但创业成功率本来就很低，没有经验的年轻人成功率更低。
还有些人可能在送外卖、开网约车、做自媒体。不是这些工作不好，而是他们大学四年学的技能——那些曾让他们觉得自己有未来的技能——突然没用了。
这种感觉，可能比失业本身更难受。
10
Stanford的报告不是末日预言。它是一份体检报告。
诊断出了问题：年轻人正在失去入口，AI的能力在加速，社会的适应速度在落后。
但治疗方向是开放的。
对企业来说，可能需要重新思考人才结构。如果AI做了简单任务，那新人的培养路径是什么？ mentorship 能不能替代 hands-on experience？
对教育来说，可能需要重新设计课程。如果四年学的技能一毕业就过时，那大学应该教什么？怎么学习？怎么判断？怎么和AI协作？
对个人来说，可能需要接受一个事实：职业生涯不再有清晰的阶梯。你可能需要做很多不同的事，不断切换，不断重新学习。
这不是坏事。上一代人一份工作做到退休，那是一种特定的历史条件下的产物。可能本来就不正常。
但切换需要资源。时间、金钱、心理能量。年轻人有时间和心理能量，但没有金钱。中年人可能有金钱，但没有时间和心理能量。
每个阶段都有每个阶段的难。
11
最后我想说说那个22岁的程序员。
他可能今年毕业，投了五十份简历，收到三个面试，零个offer。
他可能在家待了三个月，每天刷LeetCode，做着”等我刷够题就能进大厂”的梦。
他可能不知道，大厂已经不招LeetCode做得好的人了吗？AI做LeetCode比人快十倍。
大厂招的是能定义问题的人。能判断一个功能值不值得做的人。能在模糊的需求里找到方向的人。
但这些能力，不是刷题刷出来的。
这些能力，以前是通过做简单任务慢慢积累的。现在简单任务被AI做了。
所以他卡住了。
12
我在报告里翻到最后一页，看到Stanford的结语。
“AI的能力正在快速进步，但我们衡量和管理它的能力没有同步进步。”
这句话可以翻译得更直白一点：
AI跑得比我们快，而且越来越快。我们还没有学会怎么跟它一起跑。
那组数字——22到25岁程序员下降20%——只是差距的开始。
后面可能还有更多的数字。更多的行业。更多的年龄段。
Stanford给了我们数据。但怎么用这些数据，是我们的事。
不是AI的事。
数据来源：
-
Stanford HAI AI Index Report 2026，2026年4月13日发布 -
X/Twitter社区讨论 -
The Next Web, IEEE Spectrum, AI Automation Global等