老干妈回应“用AI把600人裁到48人”-人工智能

本期词条：人工智能

过去，很多任务要靠人处理。人工智能让计算机接手其中一部分，它能识别图像、理解语言，也能辅助决策、执行重复操作。说真的，这项技术离日常使用很近，只是名字听起来有点远。

它不是某款具体软件，也不意味着机器突然有了人脑。技术人员把大量数据交给计算机，让它从数据中找出规律，再把这些规律用于新任务。我以前对此没什么感觉，直到看见自动翻译连续把专有名词翻错，才算真正意识到，所谓“机器理解”并非看上去那么顺滑。

机器能做什么

理解人工智能，先要划清两条边界。它不等于机器人，也不等于彻底无人化。机器人是一种硬件形态，可以没有人工智能；人工智能则可以藏在搜索软件、客服系统或手机功能里。说实话，这两条边界经常被混在一起，尤其在产品宣传里，机器人、AI 和自动化几乎总被凑成一伙。

常见技术包括机器学习、深度学习、自然语言处理和计算机视觉。机器学习让程序从样本中寻找规律，深度学习依靠多层神经网络处理复杂模式。有意思的是，自然语言处理和计算机视觉在实际应用中经常与前两者一起出现，很难完全拆开。

这里有个容易混淆的地方，人工智能不保证每次都正确。它更像一个根据过去数据做出判断的系统，训练材料有偏差，模型也可能误解题意。我以前看自动翻译时就发现，同一个词换个上下文，结果会差很多。工具确实有用，但“能运行”和“能理解”之间还有距离。说真的，我宁愿多看一遍，也不愿因为一句听起来聪明的话就相信它。

岗位为什么会发生变化

人工智能为什么会改变工作？核心机制可以拆成收集数据、寻找规律和部署执行。嗯，拆开看并不神秘。

比如公司过去有大量客服工单，每条工单都包含问题类型和常用回答。传统软件需要程序员逐条写规则，机器学习则从这些历史工单中归纳模式。遇到新问题后，系统尝试匹配最接近的处理办法。

这像整理一本厚厚的电话簿。传统办法是每来一个号码，就手工新增一页；机器学习更像先观察号码之间的结构，再推测陌生号码可能属于哪类联系人。它省下的是重复查找，不只是把纸页换成电子版。我倒觉得，这个比喻不够漂亮，但比抽象定义容易看懂。

自动化真正加速，还要算上算力、芯片、数据和算法共同成熟。模型参数增加，硬件成本下降，数据也在积累，机器才逐渐能处理过去难以处理的任务。人工智能并非凭空出现，更像几种基础条件在同一时期汇合后的产物。说实话，这个过程并非某一个天才突然按下按钮造成的。

还有个关键点，AI 通常先替代一部分“任务”，再间接改变整个岗位。客服系统先接走常见咨询，文案工具先生成初稿，视觉系统先筛查图片。岗位没有整齐地从“有”变成“无”，任务却在部门之间重新流动。你想想看，同一个岗位减少一项工作后，腾出的时间未必直接裁人，也可能被拿去处理更多任务。

从1950年到2016年

这个词并不是刚刚出现。人工智能经历过几次热潮，也有过低谷。下面几个节点，能看出它如何逐渐进入现实。说实话，我以前只记住了“图灵测试”，回头补完这段历史，才发现很多如今看似理所当然的机器能力，都是一点点挤出来的。

1950 年，英国剑桥，图灵测试提出。艾伦·图灵发表论文《计算机器与智能》，提出用“模仿游戏”讨论机器能否表现出类似智能的交流能力。这篇论文没有创造机器，却把“机器智能能否被讨论”变成了可研究的问题。

1956 年，美国达特茅斯会议，学科命名。约翰·麦卡锡等人首次使用“人工智能”一词，目标是让机器表示知识、推理和解决问题。会议没有立即得到结果，却让分散的研究有了共同名称。

1997 年，纽约，深蓝击败卡斯帕罗夫。IBM“深蓝”在国际象棋超级计算机挑战赛中战胜加里·卡斯帕罗夫。它依赖专用搜索与计算，并非今天靠大规模数据训练的大模型，却显示机器能够在信息密集型智力任务中达到顶尖水平。

2012 年，多伦多，深度学习在图像识别中取得突破。亚历克斯·克里泽hevsky、伊利亚·苏茨克维和辛顿团队使用深度卷积神经网络，在 ImageNet 图像识别竞赛中显著降低错误率。此后，图像识别的技术路线发生转向。

2016 年，韩国首尔，围棋对决成为标志。谷歌 DeepMind 开发的“阿尔法狗”与李世石对战。它结合深度学习、蒙特卡洛树搜索等方法，在复杂决策领域展示了学习与计算结合的力量。今天的大语言模型虽然架构和应用不同，仍延续着“数据训练模型、模型辅助决策”的路线。

我后来把这条时间线整理成一张表。1950 年讨论的是机器能否表现智能，1956 年，“人工智能”正式有了名称。到了 1997 年，深蓝依靠专用计算达到顶尖水平；2012 年，ImageNet 竞赛让深度学习改写图像识别路线。2016 年，阿尔法狗又把学习与搜索结合起来。说真的，单看这些年份容易觉得一路顺，其实中间也有过热潮和低谷。

这几十年间，技术路线几次变化，名字却一直沿用。人工智能更像一个长期容器，而不是一次性完成的发明。这一点挺有意思，名称没怎么变，装进去的东西却换了好几轮。

老干妈回应

2026 年 10 月 26 日，老干妈回应称，“用 AI 把 600 名工人裁到 48 人”系不实信息，公司从未发布此类内容。这里能确认的只有公司公开否认，不能据此反推公司的实际用工变化，也不能替事件补上更多细节。说真的，看到这种说法，至少不能急着往结论上走。

这条消息适合作为入口，却不适合作为结论。AI 会影响岗位，但一项未经核实的裁员数字，不能直接充当技术效果的证据。我看到这种整齐得近乎顺口的数字，第一反应仍然是去找原始表格。

核对岗位变化

面对“AI 裁员”“岗位消失”之类的说法，我通常会先核对工作内容。如果工作主要包含分类、录入、检索等重复任务，就更容易被自动化影响。若其中还包含复杂沟通、责任判断和现场处置，技术更多是辅助工具。我倒觉得，与其笼统问一个岗位会不会消失，不如先看每天究竟做了哪些事。

再看模型使用的数据。训练样本是否覆盖真实场景，来源是否清楚，数据有没有过时或明显偏差，都会影响输出。我自己用语音转写时遇到过专有名词识别错误，这提醒我，自动化准确率不能只看宣传演示。有意思的是，演示通常很短，核对材料却要做很久。

还要看岗位究竟消失了，还是被重新组合。同一岗位减少重复环节后，可能新增审核、数据治理等职责，也可能出现系统运维和业务衔接等任务。比较岗位数量时，还要区分短期调整与长期结构变化。说真的，我也不敢只凭某次调整就判断整个行业，接下来还要看更多数据。

最后得追一下数字的出处。员工总数、统计口径、时间范围和原始出处缺一项，所谓“裁到多少人就该留下多少”都难以成立。面对耸动的数字，我宁可慢一步，也不把口号当数据。核查麻烦归麻烦，总比事后发现连分母都找不到省事。

技术先改变任务

我第一次看到“600 人裁到 48 人”这种说法，第一反应是想找原始表格。裁的是哪个岗位？统计口径是正式员工，还是把外包也算进去？时间跨度又有多长？

AI 确实会改变工作，但技术影响通常不会像一句宣传词那样整齐。很多演示只展示机器完成得很好的部分，真正落到组织里，却会冒出责任、隐私和异常处理这些细碎问题。我倒觉得，比争论“AI 会不会取代人”更实用的问题是，哪些任务正在被机器接走，谁来检查它的错误，以及节省下来的时间最后去了哪里。

我也曾在整理会议录音时发现，转写快了，核对专有名词却更费神。说真的，效率从来不是按一下按钮就能完整交付的，这事我自己也还在摸索。

人工智能留下的，不只是机器替代劳动的想象，还有一条更持久的线索，技术先改变任务，任务再重组岗位。判断技术影响，需要数据，也需要边界。

说真的，人工智能让机器从数据中学习规律，再据此完成一些智能任务。这句话听起来有点干，但至少没有把事情说得太神。

信源列表

- 艾伦·图灵，《Computing Machinery and Intelligence》，1950 年 

- 约翰·麦卡锡等，《A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence》，1955 年 

- IBM 公开资料，《Deep Blue’s 1997 Chess Match》 

- Alex Krizhevsky、Ilya Sutskever、Geoffrey E. Hinton，《ImageNet Classification with Deep Convolutional Neural Networks》，NeurIPS 2012 

- Google DeepMind 公开论文，《Mastering the game of Go with deep neural networks and tree search》，2016 年 

- 老干妈 2026 年 10 月 26 日公开回应（本条热点官方摘要）