关于AI，舆论常常滑向两个极端。

一端相信，AGI终将到来。届时，机器会接管复杂创新，人类将从大量劳动中解放出来。

另一端焦虑于眼前：岗位会不会消失，工资会不会下降，自己会不会成为被API替代的那一个。

但在“技术乐观”与“失业恐慌”之间，还藏着一个更慢、更深，也更容易被忽视的问题：

如果真正具备自主创新能力的AGI迟迟没有到来，而企业已经用AI大幅削减了初级脑力岗位，会发生什么？

答案可能不只是“年轻人更难找工作”。

更大的风险是：新人失去练级场，专家群体又不断退休，人类解决陌生复杂问题的能力，可能出现代际断层。

这不是一个关于明年就业率的预言。

它更像一道必须提前回答的文明风险题。

01

初级岗位，不只是工作

更是一座行业训练营

一名真正能够处理复杂问题的专家，几乎从来不是“毕业即成型”。

工程师先改小Bug，再负责模块，最后才有能力设计系统；

医生先观察、记录、辅助诊断，再逐步建立临床判断；

研究员先清洗数据、复现实验，之后才可能提出原创问题；

咨询顾问、律师、编辑、产品经理，也都有类似的成长路径。

新人从标准化任务起步，在一次次交付、犯错和复盘中，慢慢获得三种能力：

知道规则在什么情况下有效；

知道工具在什么地方会失灵；

知道一个看似正确的决定，可能引发什么连锁后果。

因此，初级岗位有两种价值。

第一种，是今天的产出价值。

第二种，是明天的人才培养价值。

企业最容易计算前者，却很难在财务报表里看见后者。

而AI恰好首先冲击那些标准清楚、重复度高、容易验收的任务：基础代码、资料整理、初稿撰写、报表制作、客服支持、流程运营……

对单个企业而言，用模型和自动化替代一部分新人工作，是完全理性的选择。

模型不需要漫长培训，可以全天运行，边际成本还在下降。

问题在于：

对一家企业理性的降本选择，叠加起来，可能成为整个社会不理性的人才断层。

公开数据已经出现了值得警惕的信号。

Ravio发布的《2025科技就业市场报告》显示，其样本中的入门级岗位招聘率在一年内下降了73.4%，降幅显著高于整体岗位；People、Marketing和Engineering等职能的初级招聘尤其承压。

斯坦福数字经济实验室对美国薪资数据的研究则发现：在AI暴露程度较高的职业中，22—25岁从业者的就业人数相对下降约16%，而同类职业中经验更丰富的劳动者总体更稳定。

2026年，《哈佛商业评论》还记录了一个颇具象征性的案例：一家中型媒体机构在AI转型压力下，取消了约200人的分析师助理项目。短期节省立刻出现，人才梯队变薄的后果却随后才浮现。

当然，这并不意味着所有国家、行业和初级岗位都在同步消失。

美国大学与雇主协会2026年的调查甚至预计，应届毕业生招聘总量仍可能增长。真正值得关注的，不是“入门岗位是否一夜归零”，而是它们的数量、任务结构和培养功能正在发生变化。

岗位也许还在，但新人可能不再从基础任务中完整经历“观察—尝试—犯错—复盘—负责”的过程。

02

为什么“跟着AI自学”

不能完全替代真实历练？

有人会说：没有初级岗位，年轻人也可以上网学习、做模拟项目、让AI陪练。

这些方法当然有价值，但它们缺少一个关键变量：

真实后果。

模拟环境里，一个错误答案最多意味着重新生成一次。

真实项目里，一个错误判断可能造成预算损失、客户流失、系统故障，甚至安全事故。

正是这些带有代价的反馈，迫使人形成风险直觉：

什么时候应该相信工具？

什么时候必须交叉验证？

什么时候数据虽然漂亮，结论却不能落地？

什么时候局部最优，会把整个系统推向更坏的结果？

这类判断力，很难只靠“知道更多知识”获得。

它需要在真实约束中，承担逐渐增加的责任。

如果企业把所有低风险、可标准化的任务都交给AI，却又不重新设计新人的参与方式，那么年轻人面对的就会是一个尴尬局面：

简单任务轮不到他，复杂任务又不敢交给他。

没有第一步，也就很难走到第十步。

03

AI很强，但“很强”

不等于已经解决开放式创新

今天的大模型已经能写代码、分析资料、调用工具，并在不少考试和专业基准中取得惊人成绩。

继续用“它只会复制粘贴”来描述AI，显然已经不准确。

但反过来，因为模型在越来越多基准测试中得分很高，就断言它已经能够稳定承担所有无先例、长周期、高风险的原创任务，同样缺乏证据。

真正困难的问题，往往具有几个共同特征：

目标本身并不清晰；

信息残缺甚至相互矛盾；

没有现成答案可以核对；

决策会改变问题本身；

错误的代价要在很久以后才显现。

这类任务不是单纯的“解题”，而是同时要求提出问题、建立因果模型、设计验证路径，并对现实后果负责。

前沿研究也在不断提醒我们：不要把基准成绩等同于已经获得可靠的通用创新能力。

Epoch AI的FrontierMath使用大量未公开的高难度原创数学题测试模型。模型成绩近年进步很快，这恰恰说明“AI永远做不到某类推理”的断言并不稳妥；但基准不断升级、修订，也说明研究前沿远未被一次性解决。

2026年发布的研究级数学基准Soohak中，领先模型在挑战集上的最好成绩约为30.4%；在识别题目是否不成立、该不该拒绝作答的测试中，没有模型超过50%。

这揭示了一个比“会不会算”更重要的问题：

面对未知，系统是否知道自己不知道？

因此，更严谨的判断不是“AI绝对不能创新”，而是：

我们尚不能确认，现有路径一定会通向能够稳定处理开放式未知问题的AGI。

而社会的人才培养机制，不能建立在“它迟早一定会来”的假设上。

04

真正危险的，是两条趋势同时发生

把前面的逻辑连起来，悖论就出现了：

AI最先接管标准化、低风险、可重复的初级任务；

企业因此减少新人岗位，或削弱岗位中的训练内容；

年轻人失去循序渐进的实战路径；

资深专家随着时间退休、转岗和流失；

如果AI又迟迟不能稳定解决无先例的复杂问题；

社会最终可能同时缺少“足够成熟的机器”和“足够成熟的人”。

短期看，这是就业结构调整。

长期看，它可能是一场能力供给危机。

过去的自动化，也曾替代大量工作。但这一轮生成式AI的特殊之处在于：它进入的正是许多脑力职业的入门区。

被自动化的不只是产出流程，也可能是人成为专家之前必须经历的学习流程。

这就像一支球队为了节省成本，取消青训，只在市场上购买成名球员。

前几年，成绩也许更好。

十年以后，所有球队都会发现：可买的成熟球员越来越少。

05

两种未来

取决于AGI是否真的跨过那条线

第一种未来，是AGI真正出现。

它不仅能调用已有知识，还能在陌生环境中提出假设、持续实验、理解因果，并可靠地承担开放式复杂任务。

如果这条路线实现，人才断层的风险会被大幅改写。机器本身将成为新的探索者，人类教育和工作的意义也会重新定义。

第二种未来，是AI长期停留在“极强工具”阶段。

它擅长压缩知识、重组方案、处理大量有参照的问题，却始终不能独立承担最艰难、最模糊、最需要长期责任的决策。

与此同时，人类又因为追求效率，拆掉了培养复杂问题解决者的阶梯。

几十年后，当社会面对新型公共卫生危机、能源系统转型、气候工程、生物安全或复杂金融风险时，真正稀缺的也许不再是算力，而是那些有能力判断“模型答案为什么不能用”的人。

我们无法确定哪一种未来会到来。

但风险管理的基本原则，从来不是只为最乐观的情形下注。

06

不该拒绝AI

而要重建“AI时代的练级场”

解决办法不是强行保留所有低效流程，更不是为了训练新人而拒绝技术进步。

真正需要保留的，不是旧岗位的名字，而是人才成长所需要的反馈、责任和进阶机制。

对企业：把培养能力写进组织设计

企业可以继续自动化基础工作，但应重新拆分任务，让新人参与AI结果的验证、异常分析、客户沟通和复盘。

与其让新人重复生产初稿，不如让他们学习判断：

哪里可能出错？

证据是否充分？

结果会影响谁？

什么情况必须升级给资深人员？

同时，对医疗、金融、安全、基础设施等高风险场景，应保留清晰的人类审核链条。

对教育：从“交作业”转向“承担后果”

学校需要建设更接近真实世界的项目环境。

让学生面对模糊需求、有限预算、跨学科协作和不断变化的条件，而不是只完成答案已知的作业。

评价标准也要从“有没有正确答案”，转向“能否定义问题、核验证据、解释取舍、承担结果”。

对年轻人：不要只训练AI最擅长的能力

未来更有韧性的能力，大致来自两个方向。

一是人机协同能力：会搭建工作流，也会验证结果、识别幻觉、发现漏洞。

二是开放式问题能力：能在目标模糊、信息不足、责任真实的环境里持续做判断。

简单说：

不要只做AI的操作员，要努力成为AI结果的审稿人、系统的设计者和现实后果的负责人。

结语

AI正在快速提高人类处理“已知问题”的效率。

这是一场真实的生产力革命。

但效率的背面，也可能藏着一种不易察觉的代价：

当基础任务都交给机器，而新的成长路径尚未建立，谁来成为下一代直面未知的人？

一个文明不能只拥有复用旧答案的工具。

它还需要源源不断的人，敢于走进没有地图的地方，并有能力为自己的判断负责。

所以，AI时代真正值得追问的，不只是：

“哪些工作会被替代？”

还有：

当旧的练级场消失以后，我们准备在哪里培养下一代破局者？

你认为AGI最终会实现吗？

如果初级岗位持续减少，年轻人又该如何获得真实的成长经验？

欢迎在评论区聊聊。

资料来源与编辑说明(引用文章和数据来源已加粗)

Ravio,The Tech Job Market Report 2025：https://ravio.com/tech-jobs-report-2025

Stanford Digital Economy Lab,Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence：https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/

Harvard Business Review,Your Talent Strategy Has to Keep Up with Your AI Transformation：https://hbr.org/2026/06/your-talent-strategy-has-to-keep-up-with-your-ai-transformation

NACE,Job Outlook 2026：https://www.naceweb.org/research/reports/job-outlook/2026/

Epoch AI,FrontierMath：https://epoch.ai/frontiermath

Ma et al.,Soohak: A Mathematician-Curated Benchmark for Evaluating Research-level Math Capabilities of LLMs：https://arxiv.org/abs/2605.09063

本文讨论的是一种需要提前防范的条件性风险，而非断言AGI永远不会实现，也不主张所有初级岗位将消失。不同国家、行业和岗位受到AI影响的程度并不一致，相关数据应结合样本范围理解。