2026年4月30日，黄仁勋在一个播客上讲了一段话。他没点名，但所有人都知道他在说谁。

"有些CEO一当上CEO就产生了上帝情结——还没等你反应过来，他就觉得自己什么都懂了。"

他说的是Anthropic的CEO Dario Amodei。Amodei此前公开讲过两件事：AI五年内消灭50%初级白领工作；卖芯片给中国等于卖核武器给朝鲜。黄仁勋直接回了一个词："lunacy"（疯了）。

硅谷最有权势的两个人，在AI的未来上站在两个极端。Amodei这边的画风是末日论：AI是浓缩铀，会重创就业市场。黄仁勋那边的画风是繁荣论：AI是蒸汽机，已经创造了50万个岗位。

但你注意到没有——他们争的东西，有一个共同的盲区。

两个人都在争"消失多少个岗位、新增多少个岗位"的数字，从WEF预测的7800万到McKinsey估算的8亿，数据打架得很凶，但这不是重点。重点在于没人讨论那些新岗位到底长什么样？也没人问旧岗位里被AI替换掉的那一部分，本质到底是什么？这两件事，恰好是普通人在关心的问题。他们争的是数字，但答案不在那些数字里，答案藏在AI替你省掉的每一秒枯燥里，在那些你以为是"效率提升"，其实是消失的锻炼机会里。

新岗位长什么样？

这些岗位不是画饼，是现在就能搜到、能投简历的。

不过在讲新岗位之前，先看看谁在消失，这能让你对"AI到底替换了哪类工作"有个手感。正在消失的名单很长：数据录入员替代率95%，电话销售80%以上，客服代表80%，基础翻译85%，簿记和初级会计70%以上，法律文书初筛65%以上。美国劳工统计局预计收银员将减少35万个岗位，银行柜员将减少5万以上。这些岗位有一个共通的特征：输入→处理→输出的标准化闭环，AI从起点到终点全链路都能覆盖。换句话说，只要你的工作是一手接东西、一手交东西、中间不产生任何"判断"——AI就能替你干。

那新冒出来的是什么呢？以下三个方向是目前最值得关注的。

第一类：AI Evaluator，给AI打分的人。

这是目前最被低估、但需求增速最快的一个岗位。

一家公司花几百万部署了AI，然后问题来了：你怎么知道它变好了还是变差了？传统的测试用例不管用，因为同样的输入AI两次可能给出完全不同的答案。于是就有了一个棘手的问题：谁来定"什么叫好"？这个岗位每天干的活很具体，设计测试场景、写评估指标、建一套自动化评测流水线，核心问题只有一个——你怎么测量一个"模糊的好"？

要什么能力呢？高端岗位需要编程底子，但更关键的是对"质量"有一种强迫症般的敏感，能把"感觉不太对"翻译成"在X类问题上准确率低于85%"。做过QA、做过测试、或者在某个领域扎了十年的专家转型最顺。金融、法律、医疗这些强合规行业需求最猛，因为AI在这些领域一旦出错，代价不是"用户体验不好"，是真金白银的损失甚至人命。

薪资方面，美国市场160K到400K+美元，换算过来约人民币115万到290万。国内有参照：2026年春招AI相关岗位平均月薪60,738元，高端AI人才年薪可达140万元。但专门做AI评测的岗位目前极度稀缺，招聘才刚刚起步，这意味着谁先入局谁就吃第一波红利。

有一点值得单说：这个岗位的"可培训性"非常低。你没法给一个刚毕业的大学生发一本《AI评测手册》让他三个月上岗，因为"什么叫好"本身就是一个需要经验积累的判断。这就像一个老编辑改稿子，你说不清他改了哪里，但改完以后就是比原来好。AI Evaluator的护城河不在技术，在判断力的厚度。

第二类：Forward-Deployed Engineer，前沿部署工程师，可以理解成AI的现场翻译。

这个岗位2025年招聘量暴涨了800%，听起来吓人，但原因很朴素：大部分企业买了AI但不知道怎么用。不是AI不够好，是企业的业务流程和AI的能力之间隔着一道墙，墙上没有人开门。

FDE就是那个去现场开门的人。他飞到客户公司，坐在人家办公室里，把AI接进真实的业务流程：写代码对接系统、改工作流让AI嵌进去、教客户的团队学会跟AI协作。整个工作的本质不是技术活，是翻译活：把业务需求翻译成AI能执行的动作，再把AI的输出翻译回人类的业务语言。这就像把一个外国工程师丢进一家中国工厂，他不是来给机器换零件的，他是来让车间主任和外籍师傅互相听懂的。

切入路径很清晰：全栈开发或技术咨询出身的人最顺手，因为这两种人本来就习惯在陌生环境里快速搭建东西。国内已经有类似角色在招人——如果搜"前沿部署""FDE"没结果，试试搜"AI解决方案工程师""AI交付专家"或"客户成功工程师（技术方向）"。不同公司叫法不一样，但本质是同一件事：去现场把AI接进真实世界。薪资美国市场238K到700K美元，换算约人民币173万到508万。

第三类：Agentic Workflow Architect，AI的管家。

这个岗位的背景很具体：当一家公司部署了多个AI agent，一个分析数据、一个写报告、一个跟客户交互，麻烦就来了。这几个agent谁先干活？数据怎么在它们之间传递？其中一个把数据传错了，谁来发现？这就好比你有三个实习生，一个查资料、一个写PPT、一个发邮件，但你一转身他们就开始各干各的，最后邮件发出去的数据是错的，PPT里引用的段落是前一天的版本。

Agentic Workflow Architect干的就是设计多agent协作规则，监控信息传递，防止agent出现"行为漂移"。行为漂移是个术语，大白话就是agent跑着跑着就跑偏了，做的事跟最初设定的目标越来越远。

这个岗位要的不是深度编程能力，是系统工程思维，要对整个业务流程有整体感。做过运营管理、供应链、项目管理的人天然适合，因为他们最清楚一个环节堵了怎么堵全身，那种痛是刻在骨头里的。入门可以从LangChain、CrewAI这类agent框架开始，国内搜"AI流程编排""Agent开发"就能找到学习路径。薪资美国市场140K到210K美元，约人民币102万到152万。

注意到这三个岗位的共性没有？AI Evaluator判断AI做得对不对，FDE把AI接进真实世界，Agentic Workflow Architect在多个AI之间指路——这三个恰好是AI最不擅长的三件事，没有一个岗位要求你比AI聪明，它们要求的，是AI没有的东西。

旧岗位里被替换掉的，本质是什么？

新岗位在长出来，这是事实。

但老岗位里丢掉的那些东西呢？你可能会说，既然有新机会，转型不就完了吗。

更重要的是，那些新岗位需要的核心能力——判断AI对不对、听懂客户没说出口的话、设计复杂的协作——恰好是在旧岗位的枯燥练习里长出来的。如果练习场没了，新岗位由谁来填？

那些"老岗位"不只是一个发工资的地方，它们是新手长出判断力的唯一土壤。AI替换掉的，表面上是任务，实际上是这片土壤本身。

第一个被断了的新手村：影像科住院医的"看一万张正常片"。

一个普通的放射科住院医，前三年在干什么？看胸片。

肺炎、气胸、肺结节，这些当然也看。但占据绝大多数时间的，是看正常的片子，没有病变的那些。一千张正常胸片里夹着几例异常，你要把异常从正常里挑出来。这可能是全世界最枯燥的训练之一，但在这一千张、一万张地看过去之后，他的眼睛会发生一种化学级别的东西：一张胸片扫过去，0.3秒，大脑里就亮起一个警报，那个密度不对，那块轮廓不正常。

不是大脑在分析，是眼睛先亮，脑子后跟上。

这不是知识点，靠背书学不会。这叫"正常感"被磨到了极敏感，稍微偏离正常的，一秒就察觉。就像你天天走一条路回家，路边有一排树，你不会刻意数它们，但某天少了一棵，你走到那个位置就会觉得"不对"。

而现在AI进了影像科。2025年，四川一家三甲医院的影像科主任公开发了一篇文章：把患者资料输入DeepSeek，30秒就能出一份全面的诊疗方案，条理清晰程度堪比资深主任医师。《柳叶刀》的一项研究显示，AI检测乳腺癌的准确率94.5%，放射科医生88%。在效率上，AI工具能把医生日阅片量从120例拉到400例，报告时间缩短60%。还有一项研究更直白：AI能自动识别出28%被专家标注为正常的胸片，对异常片的检出灵敏度高达99.1%。

不同研究中的具体数值因测试集和模型版本有所差异，但趋势高度一致：AI在"识别正常"和"检出异常"两个维度上，都已经达到或超越人类平均水平。

如果AI已经能筛掉将近三成正常片，那新人去哪看这三成？

AI替掉了最枯燥的那部分工作。但那个"0.3秒察觉异常"的眼力，恰好是从这些最枯燥的部分里长出来的。Nature Medicine还发现了一个更残酷的细节：当AI出现误判时，58%的医生会不自觉地跟着错误走，这个比例跟经验年限无关。换个说法，过度依赖AI以后，连资深医生的判断力都在退化，更不用说那些还在长判断力的住院医了。

第二个被断了的新手村：客服的"通话地狱"。

你网购了一条裙子，跟客服说"颜色不对"。你不是真的要退货，你想说的是"这颜色差到让人觉得被侮辱了"。

做了三年的老客服，能从打字节奏、用词选择、沉默时长里听懂这句话。她的耳朵是在几千个难缠客户的电话里磨出来的。AI替她接了那些电话，效率更高，态度更好，永不疲倦。但以后去哪磨耳朵？这就像一个做了十年的水管工，你告诉他"现在有一种永不漏水的新材料，不需要你修了"，他省下的是体力活，丢掉的是手指一摸管壁就知道水压对不对的那种直觉。

第三个被断了的新手村：程序员的"屎山"。

每个程序员都有一段爬"屎山"的日子，维护别人三年前写的、注释里全是@TODO的老代码。痛苦至极，但你熬过来以后，会获得一种无法传授的本事：一眼就能看出一个函数是在"干活"还是在"埋雷"。

现在GitHub Copilot重写模块比你读还快。入职两年的工程师，可能从没真正爬过一座屎山。代码写得很干净，但少了一样东西——闻到坏代码的那种直觉。

还有一个群体容易被忽略：中层管理者。

AI能生成周报、能分配任务、能预测项目风险，但AI不会在开完一个烂会之后，凭直觉知道"这个项目要黄了"，然后在没人明说的情况下，悄悄启动Plan B。那种"闻出项目要出事"的嗅觉，同样是在无数次烂会里长出来的——在无数次被上级骂"为什么没有提前发现"、在无数次半夜改方案、在无数次替团队背锅之后。

AI替他们写了周报，但写不出"我闻到了危险"的那种身体警报。

把三个案例放在一起看，它们共同指向的不是"学习路径被断了"，而是更深一层的东西。

看一万张正常胸片，是为了长出异常感。AI替你筛掉了那些正常片——你的眼睛，慢慢钝了。

接几千通难缠电话，是为了长出听弦外之音的耳朵。AI替你接了所有电话——你的耳朵，慢慢聋了。

爬一座座屎山，是为了长出闻坏代码的嗅觉。AI替你重写了所有模块——你的嗅觉，慢慢没了。

这不是失业的问题，这是"不用则废"的问题。当人不再被迫去面对困难，那些需要时间和挫折才能长出来的判断力，会悄悄萎缩。就像一支从来不打仗的军队，装备再好，枪口也会慢慢往下垂。

AI替你省掉的每一秒枯燥，都在暗中标好了价格——那是你未来判断力的价格。

AI不能替代什么？

把前面两件事放在一起看，答案就出来了。

第一，被骂过才懂的"弦外之音"。

客户说"方案还不错"，AI判定为正面评价。做十年的老销售知道，这句话的意思是"我看了三页就关了，但不想得罪你"。

这层翻译不是学出来的，是碰过几百次壁长出来的。AI算得出"正确"，算不出弦外。

第二，失败过才有的"手感"。

AI能分析一百个项目的成败数据，但它不会凌晨三点醒过来，想"如果当时选了另一条路呢"。

后悔腐蚀人，也让人下一次做出更精准的判断，那种判断带着身体记忆的重量。AI没有后果，所以没有后悔，所以没有那种知道下一脚踩下去是什么感觉的手感。

第三，说"别这么做"的底气。

AI能给方案、给论据、给风险评估。但它不会在会议室里站起来说："不对。这个方向我试过，不行。"

这句话背后不是数据，是摔过之后长出来的骨头。AI能说"风险系数高"，但说不出"我知道，因为是我自己摔的"。

那我怎么办？

第一件事：用AI，但不把脑子交给它。

让AI写代码，但你必须读它写的每一行。让AI回客户，但你必须听它回的每一句话。让AI做初稿，但你必须是那个定稿的人。

原则只有一条：AI是你的执行层，你不是AI的橡皮图章。每件AI替你干的事，你必须有能力判断它干得好不好，而这个判断力，恰好来自你没有被AI省掉的那些练习时刻。

第二件事：故意保留一点低效。

有些时候故意不用AI，自己从头做一遍。不是为了省时间，是为了长出AI也没有的直觉。

比如给一份方案列大纲——AI能三秒给你一个完美的。但故意不用。自己对着空白文档，把一团乱麻的想法一根一根抽出来、排顺序。这个过程不产出什么看得见的成果，但它练的恰恰是那根"从混沌里理出结构"的神经。AI给你的大纲再完美，也替代不了你在空白页面上挣扎的那二十分钟。

第三件事：把你的判断力变成产品。

你不能跟AI比搜索、比归纳、比初稿。但你可以比一件事：你做过的事AI没做过，你犯过的错AI不会犯，因为它没有后果。把这些经历过后果的判断，提炼成你自己的一套方法。这是AI永远生成不了的东西。

第四件事：眼光放向新岗位。

你的护城河不是死守旧岗位，是看清旧岗位里哪些能力能迁移。

客服做久了，你知道"真正让人满意的是什么"，这恰好是AI Evaluator最需要的能力。项目管多了，你知道"一个环节堵了怎么堵全身"，这恰好是Agentic Workflow Architect的起点。

黄仁勋和Amodei争的是"消失多少个、新增多少个"的数字。

但数字从来不是答案。

答案不在数字里，在身体上——在那双不再需要看正常胸片的眼睛，在那对不再需要听难缠电话的耳朵，在那些不需要爬屎山就能写代码的手指头里。

AI替你省掉的每一秒枯燥，都在暗中标好了价格。

算法能算出正确的答案。算不出"对过、也错过、然后知道什么叫对"的人。