Datawhale分享 

博客：李飞飞，编辑：Datawhale

最近，"AI教母"李飞飞做了一场播客访谈，对谈的是MasterClass创始人兼CEO David Rogier。

两个人聊的问题很直接：AI正在重新划分职场的结构，10年之后，可能只剩下两类工作者。

围绕这个问题，在不改变愿意的情况下，整理了关键观点。

行业里流传着一句话：智能的成本正在趋近于零。

第一次追问：这类说法，是不是第一次出现？

互联网时代也听过类似的话，流量的成本也会归零。事实是流量从来没有真的免费过，带宽、算力、传输，每一层都在花钱，到今天依然是一笔实打实的支出。同一句"成本归零"，换了一个技术名词又讲了一遍。

但从第一遍讲的时候，就没有兑现过。

第二次追问：现实里真的便宜吗？

很多场景里，调用一个足够强的模型去完成一件复杂任务，实际花的钱，未必比雇一个实习生便宜，有时候甚至超过一个正式员工的成本。

价格在下降是真的，但"已经归零"和"正在下降"是两个意思。

第三次追问：这句话建立在什么基础上？

李飞飞的回答是，建立在一个假设上，假设人类智能的深度和边界是已知的。

但事实恰恰相反。体力劳动、认知劳动、情感劳动，人类的活动始终和人类智能深度交织在一起，而人类智能对自然来说，至今仍是一个未解之谜。连边界都没摸清楚，就敢说这个东西的成本要归零，这是在给一个未知量下确定的结论。

就算只看目前AI确实很强的那部分，大语言模型在语言智能上的进展，确实真实，也确实强大，能帮商业分析、帮软件工程、帮逻辑推理。

但语言智能只是人类智能的一个子集。除此之外还有感知智能、空间智能、身体智能、情感智能，创造力到底从哪里来，人类自己都还没搞清楚。

用一个子集的进展去证明整体已经被解决，范畴就出了错。

她的结论很直接：任何在外面声称"智能成本趋近于零"的人，都是不负责任的。

人类的复杂性，不该被一句话打发掉。

二、两种做法，暴露了对AI的误判

如果一个组织真的相信"智能成本归零"，接下来会发生什么？

第一种，把AI当成裁员的依仗。

李飞飞举了产品经理这个岗位。现在很多产品经理自己写代码了，用AI帮忙做vibe coding，一个人就能完成原型，周期一下子被压缩。

而十年前，标准的产品经理更像指挥，不需要写代码，要原型找设计师，要开发等工程师，一条产品管理的生命周期在一家典型公司可能要花上几个月。

但是，自动化思维的管理者看到的是：以后可以少招两个工程师。

李飞飞看到的是：设计师和工程师从"执行者"变成了"专攻最难问题的人"。AI没有替代任何人，它把每个人往上进阶了一个台阶，让大家能去做更复杂的事情。

第二种，把能用AI做一件事当成能把这件事做好。

她特别提到自己不喜欢"vibe coding一个仪表盘"这种做法，因为那样做出来的东西只停在前端，从来没有真正接回后端的实际数据，用一小时挺好看，之后就会因为没接底层数据而失效。

能用AI做一件事，和能把这件事做好，是两回事。很多人把用上工具这一步直接当成了终点，高估了"能做"本身。

三、10年后，职场只剩2类人

David提出一个判断：职场会出现杠铃效应，两头变强，中间被挤掉。

他举了文案撰稿的例子。一个还凑合的文案，现在任何人用大语言模型都能做到差不多的水平。但如果你是世界上最好的文案，前1%的那种，没人能轻易替代你。

第一类，就是这种顶尖的专家。

第二类，David拿自己举例。他现在用的大多数应用，都是自己拿Claude Code或Codex建出来的，包括他整套CEO工具栈。他的待办清单App也是自建的，规则是一件事如果停留超过一天半就必须被移除，逼着自己当场做决定。做一个应用的成本，已经从几个月缩短到一个周末。

这类人能同时做很多事，自己上手，自己造工具，自己定义怎么工作。

中间那些"还凑合"的人，两头都靠不上，空间正在被挤掉。

李飞飞同意这个判断，但加了一层：这两类人看起来做的事不一样，驱动它的是同一种东西，主动性。

专家靠主动性把自己最擅长的事钻研到别人追不上，通才靠主动性给自己造工具、定义工作流。

读到这，很容易冒出一个想法：David是硅谷CEO，他当然能自己造工具，这跟普通人有什么关系。

李飞飞正是在回应这个想法。很多人会把David这种人叫"创业者"，但她觉得这个词被用窄了。硅谷常把它理解成"注册了一家公司、拿了融资"，她不同意。

创业者这个词，很大程度上就是主动性的同义词。你可以是专科医生，可以是K12老师，可以是设计师，都可以有。

中间层的问题也不是缺天赋。从"等着被安排怎么用AI"切换到"我自己上手看看能干什么"，这一步跨出去，就有机会往两类人的方向靠。

跨不出去会怎样？回到前面的那个例子：还凑合的水平，AI现在就能免费给出来。没有人会再为这个水平的产出付钱，中间层不是被淘汰，是这份工作本身不再需要人来做。

四、人还有大把AI追不上的东西

有人会问：万一技术再往前走，人类的判断力、创造力、情感智能，全都被自动化了呢？

李飞飞在访谈里花了一大段讲她自己的研究方向，空间智能。

空间智能拆开是四件事：理解、推理、生成、交互。她举了投篮的例子。一个运动员投篮的瞬间，语言推理在参与其中，你会敏锐意识到球进没进、对比赛意味着什么。同时要看到整个球场、看到其他球员的位置、瞄准篮筐，这是深度空间性的。然后调整身体做出动作，这是深度物理性的。

语言、空间、身体三种智能在投篮的一瞬间同时工作，不是排队进行的流水线。

而这几种智能成熟的时间，差得很远。进化花了超过5亿年才让空间智能成熟起来，语言智能花的时间比这短得多。

今天AI真正加速的，只是人类演化史上最浅的那一层语言技能。大自然耗费五亿年沉淀下来的空间与身体智能，还远没被追上。

她给了一个时间判断：这段差距不会用一百年才补上，可能连五十年都不用，但也绝不是一年之内的事。

人还有大把AI追不上的东西。增强不是一种愿望，是技术发展到这个阶段的一个科学判断。

五、第一步，找一个25岁以下的年轻人

李飞飞的建议很朴素。

去找一个25岁以下的年轻人，你的孩子、侄子侄女，随便谁都行。他们中的大多数，已经在用AI了。

带着纯粹的好奇心，请他们给你看看平时是怎么用的，用AI在做些什么。不需要懂计算机科学，也不需要知道该打开哪个App。让这个你已经信任的年轻人，花一个周末或者一次交流的时间，牵着你的手走一遍。

等你真正了解了它是什么，那个世界就没那么可怕了。

写在最后

回到开头David的那个问题：工业革命自动化了体力劳动，AI要自动化智力劳动了，怎么办。

李飞飞的回答是：这个问题的前提就是错的。工业革命没有自动化劳动，AI也不会。

10年后剩下的两类工作者，不是天赋分出来的，是同一道分叉走出来的两条路。

是被动接受，还是主动介入，人们需要重新设计自己和AI的关系。