來源：Lenny's Podcast，2026年2月，約95分鐘一、他自己怎麼用 AI從去年 11 月到現在沒手寫過一行程式碼。每天 10 到 30 個 PR，全是 Claude Code 出的。早上睜眼第一件事：拿手機打開 Claude iOS 的 code tab，把 agent 派出去跑。同時掛著四五個 agent 平行幹活。他在 Instagram 那會兒就是產出最高的幾個工程師之一。不是本來就寫得少。這一點，從去年11月份到現在還手寫程式碼的同學需要反思了（國央企，保密單位啥的沒辦法的不算），國內用不了claude ios app的也要反思了，不過還不晚，從今天起全部借助 agent,多個agent,另外能搞成skill的節能或者能力的都能搞盡快搞。二、他對程式設計的定調"Coding is largely solved." 至少他自己做的那類活，已經解決了。下一步是 agent 不光寫程式碼，還自己提需求。翻 feedback，看 bug report，讀 telemetry，然後跑來跟你說"這幾個可以修""那幾個可以加"。一到兩年後，學一門具體語言沒啥意義了。就跟現在沒幾個人在乎彙編一樣。年底前 "software engineer" 這個詞會開始退場，換成 "builder"。或者乾脆不分了，人人都是 PM 兼碼農。要立即退出程式設計的行列，不要在古法程式設計了，提升效率，程式語言的學習將沒有意義，這一點挺讓人傷心的，但是不能固步自封啊，前進吧。年底前，軟體工程師將會逐步的，徹底退出歷史舞台，這一點其實有點誇張，borris作為全球最頂級程式設計 agent的負責人，說的激進點沒啥問題，不過明年年底前肯定要退出歷史舞台了。三、資料SemiAnalysis 的報告：GitHub 上 4% 的 commit 是 Claude Code 寫的。這還只是公開倉庫，私有的比例更高。年底可能到 20%。增速不是線性的，還在往上翹。Anthropic 內部工程師產出漲了 200%（按 PR 算）。Boris 之前在 Meta 管程式碼質量， 幾百號人折騰一年也就提幾個百分點。對比之下這個數很離譜。這一點是程式設計師們心裡最痛的一個點，github啊，全球開放原始碼的集中地，後續將會有90%以上的程式碼都是由AI完成，這很難接受，難接受但是很合理。四、這東西怎麼來的剛加入 Anthropic 的時候花了一個月各種瞎搞原型，大部分沒出貨。又花了一個月做post-training，瞭解模型底層。他習慣搞清楚你踩的那層下面那層是什麼。第一個原型叫 Claude CLI。給模型一個 bash 工具讓它自己玩。他隨口問"我在聽什麼歌"，模型自己就用 bash 翻出來了。他自己都沒想到這問題能答。發內部公告拿了兩個 like。沒人覺得終端裡能長出什麼正經程式設計工具。為什麼是終端？因為開始就他一個人。終端最省事。後來發現這歪打正著——模型迭代太快了，別的介面根本跟不上。終端正好是最"裸"的殼。2025 年 2 月對外發，一開始也不算爆款。好幾個月大家才搞懂怎麼用。Opus 4 之後開始真起飛。大牛也一樣要經歷沒人理睬的時刻，但是依然保持熱情，結果一下就爆了，在整個AI發展事上Borris恐怕會像linus一樣留下美名，雖然有很多安妮紡織機的工人會很反感他，開玩笑，繼續往下看。五、產品哲學1. 潛在需求（Latent Demand）老版本：看使用者拿你產品在幹什麼歪門邪道，然後把它做成正經功能Facebook Marketplace 是這麼來的：40% 的群組帖子其實是買賣東西。Facebook Dating 也是：60% 的 profile 瀏覽是異性非好友。Co-work 更典型：一堆非技術使用者用 Claude Code 種番茄、分析基因組、恢復硬碟照片、看 MRI 片子。那就給他們做個正經產品算了。這就是傳統的軟體開發流程啊，使用者需要什麼，我們就去滿足它。新版本（AI 時代）：看模型自己想幹什麼，順著它的勁兒來。別跟它較勁。2. 別給模型套框一年前可能還需要各種編排器、固定工作流。現在給工具和目標就行，讓它自己找路。Claude Code 從頭就定了"模型即產品"。最少的殼，最少的內建工具，讓模型自己決定用啥、按什麼順序。現在claude code的確是最少的殼，最少的內建工具，用著用著模型會自主決定用那個工具，不帶跟你商量的，其實使用者在用的過程中也不斷的完善自己的一堆skills.3. Bitter Lesson通用模型永遠吃掉專用模型。別在小模型、fine-tune、工作流上花太多力氣，下一版模型出來全給你抹平。他的原話："Build for the model six months from now." 前六個月產品可能很一般，模型一上來直接起飛。如果一開始大家就知道，通用模型會吃掉專用模型，很多的資金就可以節省下來，很多創業的小夥伴就可以好好的了，不得不佩服段永平先生的一個神觀點：敢為人後，AI初期，攻城略地很有意義，但是觀察整個行業，在合適的時候出手沒問題，不要一開始就跑馬入場，很可能成炮灰，但是學習，持續的觀察整個行業動態是必須的，前置的。4. 少給資源人少反倒逼著人用 AI 想辦法。一個人扛一個項目，自然就想快點出貨。AI 給你加速，不需要老闆在後面催。後邊一個老闆帶著一個有編碼經驗的老碼農就行了，這也是碼農的福利了，一個碼農要兼PM,設計以及測試（其實增加一個測試skill就可以了），老闆在市場衝鋒陷陣，後邊一個碼農就是一個產研團隊，給老闆提供充足的支援。5. 反饋飛輪內部有個 channel 全是吐槽。Boris 早期是有人反饋幾分鐘內出 PR。讓人覺得自己說了算，反饋就越來越多，飛輪就轉起來了。現在 Claude 自己替他幹大部分。激情四射的Borris!六、安全：三層底層：mechanistic interpretability（機制可解釋性），直接看神經元在幹嘛，追蹤"欺騙神經元"之類的東西。Chris Olah 是這個領域的開創者。中層：evaluations，實驗室環境的安全評估。上層：丟到真實世界，看它在野外的表現。所以產品發佈經常叫 "research preview"，不是噱頭，是在收真實資料。"Race to the top"：把 sandbox 開源了，任何 agent 都能用。想讓行業在安全上捲起來，別比爛。安全是必須要考慮的，AI時代安全比網際網路時代的安全更隱蔽，而且現在在很初期的階段，，前兩天發生了一起使用者用cursor + optus 4.6刪除使用者生產資料庫造成損失的案例，我別的文章有詳細報導。見AI9秒刪庫事件：程式設計師必學的5條安全教訓七、工程師這個角色的去向Cursor 插曲：2025 年中加入 Cursor，兩周走人。原因簡單——他想念 Anthropic 的使命。Cursor 做的事很酷，但他需要工作綁在一個更大的意義上，不然自己待不住。他學程式設計的起點：中學給圖形計算器寫程序，為了數學考試作弊。後來寫了個通用求解器賣給全班，大家一起被抓。老師沒讓他們畢業。從頭到尾程式設計就是工具，不是目的。也承認有人就是愛手寫。隊裡有工程師周末還手搓 C++，就是享受。"以後還會有空間，就像現在還有人寫鋼筆字。"給學生：學校別光盯著程式碼。去學系統架構、產品、設計、商業。以後最搶手的人不是最會寫程式碼的，是能跨好幾個領域、知道到底該造什麼的人。程式設計師同學們，這是個哲人啊，程式設計永遠是工具，不應該是目的，不能贊同更多。或許，以後網路直播手寫程式碼也會成為一個流量的噱頭。還在學電腦沒畢業的孩子們，要去看看這篇文章的原視訊，看看Borris的更詳細的說明，要學架構、產品、設計、商業。後續的人才必須是跨學科的，應該不是說人才，而是普通的打工人也要是跨領域的，一招鮮，吃遍天的時代徹底終結了。八、印刷術這個類比1450 年代以前，歐洲識字率不到 1%。所有文字活全交給抄寫員（scribes）。古騰堡之後 50 年，產出的印刷品比之前一千年加起來還多。成本降了一百倍。200 年後識字率從 1% 到了 70%。沒有印刷術就沒有文藝復興——沒人識字你傳播什麼。有個歷史文獻挺妙的：當時有抄寫員被問到對印刷術的看法，說很高興終於不用抄書了，可以專心做插畫和裝訂（那些更有意思的活）。Boris 把自己跟這個比：不用再折騰配環境、調依賴、修編譯錯誤那些破事了。時間花在跟使用者聊、想方向、跟團隊碰。長期看：程式設計從少數人的手藝變成人人都有的能力，能釋放出什麼？猜不到，但樂觀。短期看：會疼，會有人被淘汰。這是全社會的事，不該一家公司拍板。古騰堡是西方近代印刷術之父，borris舉這個例子就是說明，碼農終於不用手寫程式碼了，終於可以利用自己的頭腦，借助AI做很多自己喜歡做的事情，但是陣痛是不可避免的，長期來看是正向的，積極的。九、對程式設計師說的實在話用最強模型。Opus 4.6 + maximum effort。便宜模型來回修反而更費 token。八成任務先開 plan mode。原理土到掉渣：就是注入一句"先別寫程式碼"。計畫對味了再讓它跑，4.6 下幾乎一把過。給工程師拉滿 token。單人實驗的 token 費遠低過他的工資。真跑出好東西再最佳化成本。各種介面都試試。terminal、desktop app、手機端，那個順手用那個。這不是個純終端工具。多開幾個 agent 平行跑。別一次只跑一個。別怕，去玩。泡在工具最前沿，這是唯一不掉隊的方式。這段既是在宣傳自己的產品，雖然不用宣傳也知道你是最強的，也是在告訴大家一個道理，最貴的可能是最便宜的，而最便宜的可能才是最貴的。我喜歡這種自信。十、零碎但有意思的他生在烏克蘭奧德薩，主持 Lenny 也是。倆人訪談中途當場認老鄉。爺爺是蘇聯第一批程式設計師，用打孔卡寫程序。他媽小時候拿打孔卡當塗鴉紙。進 Anthropic 之前在日本的鄉下住了好幾年，鎮子上唯一寫程式碼的、唯一說英語的。會做味噌。白味噌三個月起，紅的要兩到四年。說是他練耐心用的，也是 AGI 之後的退休方案。書單：《Functional Programming in Scala》（他說是最好的技術書，雖然你可能不寫Scala 了）、《Accelerando》（Charles Stross，節奏和現在 AI 這波一模一樣）、《流浪地球》短篇集（說中國視角的科幻跟西方完全不同，看著新鮮）。格言：use common sense。別看到流程就跟著跑，別看到大家都在做就覺得對。聞著不對勁，它就是不對勁。就這些，這是一個頂級極客，也是一個有意思的很自信的人，碼字不易，歡迎大家點贊推薦打賞三連，原視訊細節更多，歡迎去看。 (米斯特太陽)

“大多數人不是被AI取代，而是被會用AI的人取代。”“一個國家不能只“吃碳水”——我們不僅需要資訊產業的人才，也需要製造業、勞動力和技藝工種的強大力量。”“你們現在與所有人站在同一起跑線上，沒有人比你們更有先發優勢。”最近，史丹佛的官方帳號上新了一場圍繞人工智慧的對話——嘉賓陣容超硬核，包含輝達創始人兼 CEO 黃仁勳、國會議員羅·卡納，以及前國家安全顧問、現任胡佛研究所與佛里曼·斯波利國際研究所高級研究員的 H.R. 麥克馬斯特。備註：胡佛研究所，是美國史丹佛大學下屬的公共政策研究機構；首先，關於AI，我們到底做了什麼？黃仁勳的觀點是：“我們實際上重新發明了計算——軟體如何開發、如何編寫、軟體能做什麼、以及它如何被處理。”計算的形態從傳統的“檢索式”變為“生成式”，並如今進一步發展到智能代理系統；資料中心也從“儲存檔案”變成了“生成 token”，過去的資料中心是檔案伺服器，現在本質上是 token 生成器。第二，從產業架構上看，AI 本質上是一個五層結構，包括能源、晶片、基礎設施、模型和最關鍵的應用層。“每一層都有各自的問題、動態和參與者，但我們必須讓每一層都成功。”只有當AI應用廣泛擴散到社會和各行各業時，整個技術飛輪才能真正轉動。第三，有關AI行業的監管問題，在黃仁勳看來，在 AI 這樣快速發展的技術中，意外後果是很難預測的。無論是過早監管還是過度監管，更應該尋求一個中間路徑。“是希望社會完全沒有風險、從而幾乎不承擔任何創新風險、導致產業受限？還是願意承擔一定風險，同時在事後修正問題？我剛才描述的，其實就是兩個不同地區的監管文化，而美國目前大致處於中間。”第四，在就業方面，黃仁勳認為 “AI並不會大規模摧毀就業”；因為任務和工作本質是不同的，AI自動化的是具體任務，而非工作的根本目的，當任務被高效完成後，人類的需求幾乎是無限的，最終將創造比開始時更多的就業崗位。“大多數人不是被AI取代，而是被會用AI的人取代。”第五，是對未來前景的判斷——現在是在校學習、以及即將畢業的最佳時代。在他看來，整個世界正在被‘重設’。因此，所有人都站在同一起跑線，沒有人會更有先發優勢。“一整代人將借助一種前所未有的新技術進入這個行業，而你們正是第一代。這是一個難以置信的機會。”除了上面的這些之外，還有更多“反直覺”的觀點!完整內容放到下面了！計算被重新發明：過去的資料中心是檔案伺服器，現在是 token 生成器H.R. 麥克馬斯特：很榮幸能和兩位先生同台，也感謝大家來參加這場討論。這感覺有點像一個笑話的開頭：一個過氣將軍、一位科技創新者兼 CEO，以及一位來自矽谷的國會議員走進一家酒吧——接下來會發生什麼？那我們直接進入正題吧。顯然有很多內容可以討論，我也很想聽聽你們在這些方面的看法。首先，我想我們都同意，人工智慧相關能力極其強大，對社會有巨大影響，也充滿潛力。它正在改變戰爭的方式，並且在經濟、軍事以及國家安全層面決定我們是否擁有競爭優勢。如果你們也同意（我知道你們同意）我們應該保持這種競爭優勢，那麼問題是：我們該如何做到？黃仁勳，要不你先來。黃仁勳：首先，我覺得有必要先退一步，問一個問題：我們到底做了什麼？我們實際上重新發明了計算——軟體如何開發、如何編寫、軟體能做什麼、以及它如何被處理。從最根本的層面來看，這就是我們所做的一切。當然，計算的形態也發生了變化。過去的雲端運算，本質上是一種“檢索式計算”：所有內容都是預先記錄好的。你寫了一篇文章、設計了某樣東西、錄製了一段視訊或演講，然後把它儲存在雲資料庫和資料中心中。接著根據點選行為、推薦系統和各種演算法，把這些預先存在的內容呈現給你。而今天的計算方式是“生成式”的。它會結合上下文、提示和你的意圖，因為它能夠理解——能夠感知、理解、推理——然後生成內容：寫故事、做總結、寫程式碼等等。所以這種新的計算是生成式的，因此看起來像是“智能”。但如果你打開資料中心、打開電腦“引擎蓋”看本質，你看到的依然是軟體在電腦上運行。這是一種新的軟體形態，很驚人，但從本質上講也沒那麼神秘。它不是外星產物，不是從天而降的東西。我認為第一點是要理解：這種新型計算的出現，改變了整個電腦產業。因為它能力太強，可以做的事情太多，從公司形態到企業地位，再到資料中心的性質都發生了變化。資料中心從“儲存檔案”變成了“生成 token”，我把它稱為“工廠”。你把電力轉化為 token，這其實是在製造東西。過去的資料中心是檔案伺服器，現在本質上是 token 生成器。AI 本質上是一個五層結構黃仁勳：這需要大量計算資源。那問題來了：它能做什麼？我們都很清楚，最新一代 AI 已經從“感知”發展到“生成”，再到現在的“智能體系統”。這一階段的 AI 展現出了極強的能力，而且也確實正在發揮作用。具體對各行各業的影響我們可以稍後再談。首先要理解這項技術本身。從產業角度看，AI 本質上是一個五層結構：最底層是能源，其次是晶片，然後是基礎設施，再往上是 AI 模型，最上層也是最重要的是 AI 應用。這些應用可以是企業軟體、消費軟體、藥物研發、機器人、製造業等等。這五個層級，每一層都有對應的產業、市場和大量公司。最重要的一點是：如果美國想保持領先，就必須在這五個層級上全部取勝。每一層都有各自的問題、動態和參與者，但我們必須讓每一層都成功。最後，也是最關鍵的一點：最重要的是應用層。如果應用層不成功，整個“飛輪”就不會轉動；飛輪不轉，技術就無法規模化，產業也無法規模化。最關鍵的是讓應用真正進入社會、進入產業，讓 AI 被實際使用。如果因為我們自己的某些決定或言論，讓整個國家對 AI 產生恐懼，從而抵制它，用監管把它擋在社會和產業之外，讓發展放緩，那將是非常不幸的。因為這是我們發明、我們引領、我們在各方面都處於領先地位的一場工業革命，卻最終沒有被我們自己充分利用。美國保持領先的比較優勢H.R. 麥克馬斯特：如果總結一下你的觀點，就是要消除 AI 採用的障礙，同時加速技術發展和應用落地。那麼卡納議員，你怎麼看？要保持競爭優勢的關鍵是什麼？你最擔心我們在那些方面可能落後？羅·卡納：首先，我想說能來到這裡是一種榮幸，能和黃仁勳同台更是榮幸。我第一次見到他時，他問我的第一個問題是：“議員，你怎麼理解麥克斯韋定律？”這讓我愣了一下，然後他又用非常簡單的方式解釋了一遍。所以他是一個具有經濟愛國情懷的人，我非常尊重他，即便我們有分歧，我也一直覺得他非常有思想。在我看來，美國擁有比較優勢的第一點，是我們吸引了來自世界各地的人才，他們願意來這裡學習、創新，並參與我們的研究型大學。如果你看 AI 初創公司，其中 60% 是由移民創立的；如果你看 AI 研究人員，72% 本科並非在美國完成，而是來自世界其他地區；其中 38% 是來到美國的中國公民。H.R. 麥克馬斯特：這讓我想起了王安——王安電腦公司的創始人。羅·卡納：是的。所以我認為，不只是吸引全球人才本身重要，更重要的是讓這些來自不同背景的人才彼此交流，這種多元視角的碰撞會產生“化學反應”，催生創新。第二點是我們的研究型大學。全球前20所研究型大學中，我們擁有14所；中國有清華和北大兩所。雖然《自然》雜誌說中國在論文數量上佔據前10中的9席，但我們在研究質量上仍然領先。這不是偶然的，而是因為我們長期對研究型大學進行投入。大家或許還記得，1969年正是在史丹佛，在美國國家科學基金會的資助下，實現了從加州大學洛杉磯分校到史丹佛的 ARPANET 連接，也就是網際網路的起點。因此，我們必須繼續為研究型大學提供資金支援。第三點是學術自由。在我們的國家，你可以從事任何職業，你對戰爭與和平、經濟問題的看法，與博士、國會議員甚至總統同樣重要。人們不會害怕說“你錯了”，不會害怕質疑權威、挑戰傳統。這正是我們的比較優勢，我們必須保持這一點。最後一點，在史丹佛也體現得非常明顯，就是技術轉移機制——大學可以與私營部門合作。政府、大學和企業協同運作，這是一種“魔法公式”。在我看來，這些原則讓美國能夠持續在 AI 以及其他技術領域保持領先。H.R. 麥克馬斯特：很好。也就是說，為了保持競爭優勢，我們需要消除應用層面的障礙——這些障礙可能來自情緒或認知層面。同時，你強調了人力資本、科研投入以及學術自由。我想自由市場的力量也是其中一部分——畢竟這裡是胡佛研究所，也是米爾頓·佛里曼的地盤。備註：米爾頓·佛里曼，美國著名經濟學家，芝加哥經濟學派領軍人物1976年諾貝爾經濟學獎得主。監管的意義並不是“幫助我們成功”H.R. 麥克馬斯特：不過，除了科研投入，我們還需要採取一些具體行動來維持競爭優勢，這涉及政府政策以及像 黃仁勳 和你團隊這樣的創新者。那麼你如何看待“經濟治國工具”？比如出口管制、對內外投資的審查、通過對抗經濟脅迫來創造正確的投資激勵，以及放鬆監管、消除阻礙，從能源到應用各個層面維持競爭力。政府在其中應該扮演什麼角色？黃仁勳： 我們的情況與大多數行業有些不同。我會說，電腦產業——也就是計算技術產業——是美國的國家級財富之一。與其他行業不同，這個行業在全球處於領先地位。我現在所處的位置正是計算技術教育的核心地帶，這無疑是國家最重要的資產之一。另一個當然是我們的金融服務業，它是全球經濟的支柱。幾乎所有其他行業都需要補貼，需要保護，但這兩個行業不需要。它們在全球範圍內表現卓越、領先程度之高，往往超出人們的想像。歷史上沒有那家汽車公司曾佔據95%的市場份額，而輝達在中國曾達到95%的市場佔有率。因此，對我們來說，監管的意義並不是“幫助我們成功”，因為這個行業本來就非常成功。問題在於：監管會如何影響我們？首先，我們當然希望美國繼續保持全球領先。我們是一家美國公司，希望美國贏。但關鍵在於，在技術本質下應該如何實現這一點。當我們談論 AI 時，我們到底在談什麼？AI 並不是一個模型，就像電腦並不是一個作業系統一樣。所以，理解 AI 產業的本質非常重要：它如何被培育，才能增強國家安全、經濟安全，並保持產業繁榮？如果政策的目標是強化這些支柱，那就必須先弄清楚我們在監管什麼，以及如何監管，才能保持甚至增強全球競爭力。人們在思考 AI 時常犯的一個錯誤，是把 AI 當作一個“單一事物”。實際上，它是一個由五層構成的產業體系。而且我們與許多競爭對手之間存在相互依賴關係。如果美國想發展 AI，就需要能源產業增長；如果能源產業要增長，我們需要中國；如果基礎設施產業要增長，我們也需要中國。原因在於供應鏈極其複雜，我們在許多核心工業技術上對其存在依賴。因此，我們必須以全域視角思考這些問題，最終目標是讓美國整體勝出，而不是某個單一行業的勝負。21世紀的馬歇爾計畫：實現再工業化H.R. 麥克馬斯特：卡納，我也想問你同樣的問題，不過希望你重點談談你一直倡導的一點：減少我們對中國東南沿海製造業的依賴。你剛才提到，我們在一定程度上確實需要中國來維持競爭優勢，而這某種程度上也是中國通過“雙循環”戰略以及供應鏈控制所刻意塑造的局面。例如在能源領域，我們依賴電池、渦輪等關鍵材料。卡納議員，你認為我們可以運用那些經濟政策工具？短期來看，也許像黃仁勳說的那樣，我們需要維持競爭優勢，比如繼續從中國進口某些元件。但從長期來看，我們是否有辦法削弱中國對我們經濟的“脅迫能力”？羅·卡納：我同意你的看法。我們不能讓中國在稀土、藥物關鍵原材料以及活性藥物成分方面形成全球壟斷。黃仁勳說得對，美國的科技產業和金融產業確實極大增強了我們的比較優勢，也是我們成為全球最大經濟體的重要原因。但我們犯了一個巨大的錯誤——讓工業基礎空心化。我在賓夕法尼亞州巴克斯縣長大，親眼看到鋼鐵產業關閉，也看到整個中西部以及許多地區失去了工廠城鎮和工業基礎。認為我們可以只靠金融和創新，而不需要製造業基礎，這是一個錯誤。這對我們的國家安全是一個錯誤，對社會凝聚力來說也是一個錯誤。我認為，我們今天在政治中看到的憤怒與撕裂，某種程度上正是這一選擇帶來的後果。很多人失去了尊嚴——那些曾參軍作戰、他們的祖輩也曾參軍、共同建設這個國家的人，突然被告知：“你們去別的地方吧，如果你進不了金融或科技行業，那也沒辦法。”而他們會說：“不，我們建設了這個國家。”因此，我認為我們需要一個“21世紀的馬歇爾計畫”，一種新的經濟愛國主義。這不僅僅意味著戰略性關稅——我支援針對傾銷採取關稅措施——但如果你對活性藥物成分徵收關稅，而國內根本沒有相關產業，那關稅只會推高價格。所以我們還需要配套政策，比如設立產業發展銀行。前 MIT 校長 Rafael Reif 在《外交事務》上有一篇很好的文章，提出應當投資新興關鍵技術，幫助其規模化，在美國本土培育新產業——無論是稀土、關鍵礦產、核心原材料、機器人，還是先進鋼鐵等領域——確保我們具備一定程度的自主能力。同時，我也希望像黃仁勳這樣的企業領袖能夠參與進來，幫助我們在俄亥俄州、賓夕法尼亞州、密歇根州等地區實現再工業化。但這次不是回到過去，而是圍繞未來所需的產業，創造新的就業和產業結構。我相信，這可以成為一個跨黨派、跨地區的共同使命，讓勞工、企業、科技界和政府朝著同一個方向努力。AI 產業正成為美國再工業化的引擎黃仁勳： 沒錯。正如議員所說，AI 產業的增長正成為推動美國重新工業化的引擎——包括晶片製造、電腦製造，以及建設各種 AI 工廠。我們正在實現再工業化，正在創造大量製造業相關崗位，比如管道工、建築工、電工，還有精密工具製造人員。他們的薪資正在翻倍、甚至三倍增長，這非常令人振奮。但前提是我們需要一個強勁、繁榮的經濟引擎，讓美國企業有能力在本土進行投資。我們計畫在美國投資5000億美元，用於建設晶片工廠和電腦製造工廠。如果沒有一個繁榮的商業環境，這是不可能實現的。因此，其中一個路徑就是順勢而為，推動製造業多元化，把生產帶回國內，建構更加平衡的經濟結構。一個國家不能只“吃碳水”——我們不僅需要資訊產業的人才，也需要製造業、勞動力和技藝工種的強大力量。現在，隨著產業的繁榮，我們有機會做到這一點。因此，一切有助於維持這個產業繁榮的措施，都是值得去做的。H.R. 麥克馬斯特：或許政府可以做的，是激勵你剛才提到的這些投資，同時營造一個有活力的經濟環境，從而產生資本，讓這些投資成為可能。我認為，卡納議員提到的是全球經濟的一次結構性轉變——很大程度上發生在中國加入 WTO 之後。許多美國人從中受益，比如可以買到來自中國的廉價商品，但也有很多人被落下。AI民主化：推動就業計畫H.R. 麥克馬斯特：你提到了“AI民主化”，黃仁勳也談到了推動 AI 在整個經濟中的廣泛應用，這其實是同一個主題。在你最近的一篇文章中，你提到不應該讓 AI 集中在少數億萬富翁手中（當然不包括在座的各位），而是要讓所有人都能使用它。所以我想問你們兩位：如何讓所有人都參與進來？黃仁勳： 是的，怎麼才能讓所有人都參與進來？H.R. 麥克馬斯特：這也涉及你提到的“悲觀情景”，比如人們失業等問題。你們如何實現所謂的 AI 民主化？如何確保這場巨大轉型不會讓美國人被拋在後面，而是讓大家都能從中受益？羅·卡納：我的出發點是：如果美國成就了你，那你就應該回饋美國。美國對我們三個人都很好，我們都以各自的方式實現了“美國夢”。我很欣賞黃仁勳的一點是，他強調一種“社會契約”——對國家、對社會有回饋的責任。但我們也必須看到，在東聖何塞或我成長的賓夕法尼亞州巴克斯縣，很多人對這個國家的看法是怎樣的。他們看到19位億萬富翁擁有3兆美元財富，佔 GDP 的12.5%，這是“鍍金時代”的三倍財富集中度。而70%的美國人已經不再相信“美國夢”。我們面臨嚴重的經濟不平等，而且說實話，人們並不信任我們。即使 AI 是我們發明的，美國卻是對 AI 最懷疑的國家之一。為什麼？因為人們不信任精英，不信任國會、不信任總統、不信任企業領袖，也不信任媒體。他們覺得我們沒有為他們創造機會。因此，我們有責任去思考，如何讓這場 AI 革命真正惠及所有人。我可以講很多細節，但我認為有兩個關鍵點。首先是就業計畫——對就業的承諾。我前幾天在布朗大學問學生：“有多少人擔心就業？”80%的人舉手。過去，當 William Julius Wilson 討論黑人城市就業問題時，美國關注的人並不多；後來 Deaton 和 Case 研究白人工人階層時，關注多了一些，但仍然不夠；而現在，連布朗大學學生都在擔心這個問題，這說明機會來了。H.R. 麥克馬斯特：比史丹佛還嚴重吧。羅·卡納：史丹佛當然不會承認。但現在我們有機會推動一個最具愛國精神、最積極的就業議程。我們可以通過聯邦政府對年輕人說：“我們會僱傭你，你可以參與社區重建。”你可以修復公園、做心理輔導、參與護理經濟、提升地方政府效率，或者加入聯邦項目，參與“登月計畫”式工程——H.R. 麥克馬斯特：也可以參軍。羅·卡納：當然，也可以參軍，不過那畢竟只佔1%。我希望即使不參軍，也能有一種“回饋社會”的路徑。同時我們可以與企業合作，比如黃仁勳在輝達推動與歷史性黑人大學（HBCUs）的合作項目，讓年輕人獲得技能。關鍵是，我們要把這種不確定和焦慮的時刻轉化為行動。事實上，沒有人真正知道未來那些工作會被替代、那些工作會出現。比如黃仁勳提到放射科醫生的需求反而增加，這是我完全沒有預料到的。我們需要保持謙遜，但同時可以利用這個時刻推出一個積極的就業議程，讓人們參與國家建設，賦予國家新的使命感。這是對 AI 與技術焦慮的一種建設性回應。黃仁勳： 我對大家說：“搬來加州吧，別離開。雖然稅很高，但沒關係，天氣很好。”羅·卡納：而且還有一位優秀的國會議員。“任務”≠“工作”：工作沒有消失，只是“任務被自動化了”黃仁勳： 沒錯，一位非常優秀的議員。首先，我認為“AI 會摧毀就業”的敘事對美國沒有幫助。這並不真實。事實上，每一項技術、每天的進步，都會改變過去的工作形態。H.R. 麥克馬斯特：你能舉個例子嗎？剛才卡納提到了，你之前講過放射科醫生的例子，能再說說嗎？我覺得這是一個非常好的案例。黃仁勳： 在 AI 革命初期，有一位非常聰明、極具影響力的電腦科學家，也是現代 AI 的奠基人之一，他曾說：十年之後，最不該選擇的職業就是放射科醫生。因為在十年內，AI 將徹底改變放射學，會滲透到其中的每一個環節，實現掃描解讀的自動化，放射科醫生將變得過時。十年之後，他在一件事上完全說對了：AI 的確已經全面滲透到放射學的每一個方面。現在幾乎所有放射影像分析都由 AI 輔助完成，AI 處理的掃描數量也大幅增長。但他完全說錯的一點是：放射科醫生的數量反而增加了。那為什麼會這樣？從表面看完全說不通——既然放射科的任務已經被自動化了，為什麼還需要更多醫生？原因其實很簡單。一個人的“工作目的”和“具體任務”是相關的，但並不相同。拿我自己舉例，如果兩者完全一樣，那別人可能會說，我的工作就是“打字和說話”。而這兩件事，AI 已經可以做到遠超人類水平。但我卻比以往任何時候都更忙。所以第一點是要區分“任務”和“工作的本質”。更有意思的是，我們當初其實做了一件有害的事情：當我們告訴那些想從事放射學的人“這個行業已經沒有未來”時，選擇進入這個領域的人數下降了。結果現在呢？我們比以往任何時候都更需要放射科醫生，卻供給不足。放射科醫生的真正職責是幫助診斷疾病、與患者和醫生協作。AI 讓他們可以接收更多患者、進行更多檢查、提高醫療質量。醫院因此賺得更多，於是會僱傭更多放射科醫生，以擴大服務能力。這就形成了一個“飛輪”。但這個飛輪成立的前提，是我們必須有足夠的放射科醫生、軟體工程師等人才。有人說 AI 會消滅所有軟體工程師的工作。但現實是，在輝達，我們已經全面使用“智能體 AI”。每個工程師都在用它。你會觀察到兩點：第一，會用 AI、會使用智能體系統的工程師，是最受歡迎、最成功的工程師；第二，工程師比以前更忙了。為什麼？以前有一個想法，需要花時間去寫程式碼；現在有想法，幾乎可以瞬間實現。於是公司立刻等著你提出下一個想法，你始終處在關鍵路徑上。現在的情況是：你的 AI 助手會不斷“騷擾”你——不停發消息問：“下一步做什麼？這個已經完成了，接下來呢？”你被 AI 反向“微管理”，結果反而更忙。但與此同時，公司可以做得更多——更快、更大規模、甚至去嘗試以前從未想像過的事情。問題的根本誤區在於：有人認為像輝達這樣的公司，一年“必須”寫出比如10億行程式碼，只要完成了這個目標，任務就結束了。如果 AI 能自動完成這10億行程式碼，那麼原本需要1萬人，現在只需要1000人，那剩下9000人就不需要了。但事實是，這10億行程式碼只是我們在既定時間和人力下“能做到的上限”。而我真正的願景，是寫出1兆行程式碼。有了 AI 助手，我們可以探索更大的空間、做更好的工作、更高效、更低成本。所以工作沒有消失，只是“任務被自動化了”。當然，有一些工作本身就是高度重複、上下文不變的，這類工作確實可能受到影響。但總體來看，正如歷次技術革命一樣，雖然過程不均衡，但我相信最終會創造更多就業機會。在這場工業革命結束時，就業人數會比開始時更多。“去神秘化”：讓 AI 偏向勞動者H.R. 麥克馬斯特：我原本後面想問一個關於勞動力適應的問題。卡納，你在這方面也思考很多，要不要接著說說？羅·卡納：當然。我認為黃仁勳所說的某種“富足邏輯”在一定程度上是對的。凱恩斯曾預測，他的孫輩每周只需要工作15小時。他關於生產力和產出的提升是對的，但他錯在低估了人類的慾望——我們不會滿足於貴族式生活，我們想要室內自來水、想要坐飛機、想要智慧型手機。人類的需求幾乎是無限的，這確實會創造更多就業。問題在於，從工業革命到每一次技術變革，即使最終創造了大量就業，中間過程也伴隨著嚴重的不平等、就業衝擊，以及弱勢群體無法受益。所以我認為，我們需要在“技術應用階段”就進行設計：讓勞動者擁有更多所有權、議價權，能夠分享生產率提升帶來的收益，而不是全部流向資本方——尤其是在 AI 天生偏向資本的情況下。我們還需要關注初級崗位、可能被自動化替代的人群，思考如何避免出現比如400萬卡車司機失業，或年輕人連續三四年找不到工作的情況。這需要政府、企業和大學的協同努力。我並不是 AI 悲觀主義者，也不是盲目加速主義者，我是“AI民主化”的支持者——我希望這項技術為所有人服務。黃仁勳： 毫無疑問，讓所有人都參與進來，是最重要的事情。事實上，大多數人不太可能被 AI 取代，而更可能被“會使用 AI 的人”取代。因此，我們必須確保每個人都會使用 AI。另外也有很多例子，比如有人原本是木匠，但借助 AI，現在可以成為建築設計師——你只需要描述想法，AI 就能生成出非常出色的設計和圖紙。黃仁勳： 他們甚至可以成為室內設計師。也就是說，AI 可以提升他們的技能水平、服務能力以及業務層級，讓他們能夠提供更多價值。所以我認為，首先我們必須讓人們明白：AI 並不是一種神秘到無人能用的技術，而是一種人人都應該會用的工具。它之所以成為歷史上採用速度最快的技術，就是因為它非常容易使用。因此，我們需要降低使用門檻，去“去神秘化”，讓人們不再害怕它，從而利用這項工具去提升自己、賦能自己。“前沿模型保護”和“開源”相結合H.R. 麥克馬斯特：好的，我們稍後會更多討論 AI 對各個行業的影響以及它的潛力。但在此之前，我們先談談風險。我們知道這是一個競爭性領域，也知道潛在對手和敵對國家正在將 AI 應用於戰爭。同時，人們也希望對其進行監管，設立一些“護欄”。最近我們也看到了圍繞 Anthropic 與國防部門合作的一些爭議。羅·卡納：“爭議”其實是一個比較委婉的說法，本質上更像是被國防部長施壓。H.R. 麥克馬斯特：好吧，是這樣。但無論如何，當你和國防部簽合同時，也應該清楚那意味著什麼。如果要對某項技術進行監管，就需要競爭中的各方都參與進來。但這確實是一場競爭，我不認為所謂的“侵略軸心”會加入我們制定的任何規則。從安全形度來看——無論是國際安全還是國家安全——你們認為在應對 AI 被濫用或危險使用方面，什麼樣的規範和機制是合理的？羅·卡納：首先，我認為我們需要“前沿模型保護”和“開源”相結合。比如中國有 Qwen 模型，他們並沒有把最先進的模型完全開源，但推出了成本更低的版本並廣泛推廣。我不希望美國的模型在全球範圍內失去標準地位。黃仁勳： 被全球採用，對吧。羅·卡納：是的。但我們可以設定一種標準：當模型訓練使用了大量算力、或者屬於前沿模型時，就要在出口管制和開源方面進行限制。但同時，我們仍然要在某些開源模型上競爭，這樣才能讓美國標準在全球範圍內佔據主導，而不是把市場讓給中國或其他模型。第二點，我們不能陷入“逐底競爭”。我認為美國的 AI 應該是“高品質的 AI”。當歐洲或亞洲購買我們的 AI 時，他們應該知道這是安全的，知道智能體不會做出失控行為，不會進行監控或侵犯隱私，美國的 AI 應該體現美國價值觀。就像過去人們說“買美國貨”，意味著質量可靠。我希望 AI 也是這樣——美國提供最好的產品。這就需要合理的監管，不是沒有監管。你看，每次我坐飛機，我都很慶幸有監管存在。我不希望生活在一個完全沒有監管的世界。如果航空和核能可以被監管，那麼 AI 也可以。但監管方式必須既保證安全，又不扼殺創新。“過早監管”：意外後果很難預測H.R. 麥克馬斯特：很好。黃仁勳，我想請你從另一個角度談談，比如“過度監管”的風險。歐洲模式似乎在促進創新方面並不成功。另外，最近也有一些關於安全漏洞工具的爭議。這些對你來說是擔憂嗎？還是你認為這是自由市場和美國倫理在發揮作用？黃仁勳： 我認為，我們應該像今天監管應用那樣，嚴格監管具體應用、行業和使用場景。但要警惕“過早監管”。不同國家在監管上的文化不同。有些國家傾向於在問題發生之後再監管；有些國家則傾向於在任何風險發生之前就提前監管。這兩種方式各有風險。你必須決定：你願意承受那種後果？是希望社會完全沒有風險、從而幾乎不承擔任何創新風險、導致產業受限？還是願意承擔一定風險，同時在事後修正問題？我剛才描述的，其實就是兩個不同地區的監管文化，而美國目前大致處於中間。從技術監管角度來看，那個國家發明了技術、擁有這個產業，就有權決定是否給予本國產業“先發優勢”。但在“先發優勢”和“限制他人進入”之間，你必須仔細權衡其影響。現實是，我們依賴很多國家。例如 ASML 並不是美國公司；再比如我們的能源產業，很大程度依賴來自中國的技術和礦產資源。因此，我們必須認識到這是一個相互依賴的世界，而不是一個簡單的零和博弈。不能把世界簡化成“我要把所有東西都留給自己”。別人也有資源。在這種相互依賴的體系中，我們需要具備全域視角、成熟度、平衡感和細緻判斷，同時具備長期思維。認為“切斷一切聯絡而不會有後果”，是有些天真的。H.R. 麥克馬斯特：所以你的意思是，不要先行動再思考，而是要先考慮後果。黃仁勳： 我的意思是，在 AI 這樣快速發展的技術中，意外後果是很難預測的。H.R. 麥克馬斯特：這確實是監管中的一個核心問題。我聽過一個比喻：試圖監管 AI，就像要求萊特兄弟在繼續研發飛機之前，先寫好波音707的維修手冊一樣。“中間路徑”：不能只由資本決定一切H.R. 麥克馬斯特：但政府顯然仍然有角色——正如你提到的，需要與私營部門合作，我也會加上高校的角色。最後我想請你們從宏觀層面談談：政府、企業、大學，以及國際合作，各自應該扮演什麼角色？你們也提到我們依賴國際夥伴。我們把範圍收回到美國國內來看：公共部門、私營部門以及高校，在維持我們討論的核心——競爭優勢方面，各自扮演什麼角色？羅·卡納：這是關鍵中的關鍵。在我看來，我們應該在全國範圍內推動就業項目，讓高校、社區學院與產業合作，並由政府提供資金支援，使人們能夠理解技術、瞭解不同的職業機會——無論是技校、四年制大學，還是非四年制路徑，都可以獲得高薪工作。我們當然要繼續資助科研，同時向全球人才開放大學體系，而不是自我限制。更廣泛地說，黃仁勳提到我們無法“脫鉤”，我也同意。但問題在於，過去30到40年的“無約束全球化”，實際上是資本在對國家說：“你不重要，我們想去那裡就去那裡。”這種模式對美國並不奏效，對很多地方也不奏效。人們開始意識到：不能只由資本決定一切，我們需要產業、社區，以及一定程度的自給能力。但與此同時，我們也不應該走向另一個極端——把美國變成一個內向的國家，拒絕移民、拒絕國際合作。我們可以一方面看到中國在稀土等領域的壟斷並進行再平衡，同時也不希望與中國陷入冷戰，還可以在氣候變化、AI 或全球貧困問題上合作。我希望看到的美國，是一個更加自立、能夠修復被“掏空”的地區，同時又充滿自信的國家——在多元價值觀、解決氣候變化和全球貧困、制定 AI 規則等方面引領世界。一個多種族、充滿信心、願意與世界互動的美國。我們之所以變得“驚弓之鳥”，是因為發展方式出了問題。但如果我們在全國範圍內實現更均衡的發展，我相信我們可以再次成為真正的全球領導力量，而不是陷入出於恐懼的孤立主義。黃仁勳： 我同意議員的看法。我認為我們需要找到的，是一種“中間路徑”，而不是走向兩個極端。既不能完全放任貿易毫無約束，也不能在沒有長期思考的情況下保護產業。我們需要社會穩定，需要一個平衡的生態、平衡的產業結構和經濟結構。我們認識到不能完全自由貿易，也同樣認識到“脫鉤”是不現實的。所謂脫鉤，其實是一個非常不理性、缺乏認知的想法。“美國夢”的信念正在消失黃仁勳：世界是在中間地帶運行的。一旦我們接受這一點，就能更理性地思考：我們會與很多國家共存。我們會與中國競爭，但不是“反中國”。我們必須警惕從“反中國”滑向“反華人”的危險。一旦發生這種滑坡，就會損害我們最重要的國家資產——那就是，美國是一個讓全世界都想來的地方。“美國夢”這個概念是獨一無二的，沒有所謂的“塔希提夢”或其他國家的類似說法。人們之所以來到這裡，是為了實現美國夢——就像你我一樣。要維持這一點，我們不能對任何種族或國家抱有敵意。我們需要讓所有人都感到被歡迎。這樣一來，正如你一開始提到的，大學體系、思想自由等優勢才能真正發揮作用。我自己就是美國夢的一個例子。我是第一代移民，如果你在百科上搜尋“美國夢”，可能會看到我的照片。因此，我們必須保護並培育這一點。而要做到這一點，就不能走極端：既不能完全放任，也不能完全脫鉤，更不能敵視所有人。我們可以自信地與所有人競爭。我對競爭很瞭解——競爭並不需要仇恨。我們不需要反對任何人，也可以贏。這就是美國，這就是我們的產業，我相信我們可以做到。羅·卡納：我認為這個國家正渴望這種聲音——一種更宏大的願景。黃仁勳和我都實現了美國夢，當然他的財富後面多了幾個零，但我們都實現了。但我認為，我擁有的同樣非常珍貴——作為1.1萬名國會議員之一，代表世界上最偉大的國家，並且代表這個地區（全球三分之一財富來源於此）發聲，這是巨大的榮譽。我成長於一個來自印度的移民家庭，我的祖父曾參與甘地的獨立運動。我在中產階級家庭長大。在70年代和80年代，儘管我上的是公立學校、背負了很多貸款，但我始終相信：在美國你可以做任何事情、成為任何人。但如今，這種信念正在消失。一方面是因為很多人缺乏醫療、托育等基本保障，以及去工業化的影響；另一方面，是因為我們變得越來越恐懼，被教導去彼此對立。我希望大家能從這場討論中帶走一個信念：我們依然可以相信“美國夢”——一個多種族的美國，一個讓來自世界各地的人都能實現夢想的國家。這正是我們的使命，也是我們要努力建設的美國。不要重蹈工業革命時期的覆轍：讓工人受益H.R. 麥克馬斯特：這幾乎已經是一個完美的結尾了。不過我還是想請你們做個收尾發言，也可以結合剛才提到的內容。我們討論的是如何恢復信心，以及如何在 AI 技術及其應用上保持競爭優勢。你們能否談談，這些技術所帶來的前景是什麼？另外，也給在場的史丹佛學生一些建議：他們現在應該學習什麼？應該去追求那些經歷，才能抓住這些巨大的機會？羅·卡納：AI 能做的事情非常驚人。它可以幫助我們攻克罕見疾病，因為我們將擁有前所未有的技術能力；它會推動 mRNA 技術的重大突破——就像我們已經繪製了 DNA 基因組一樣，借助 AI，我們甚至可能繪製 mRNA，這不僅在新冠疫苗中已經有所體現，還可能帶來對無數疾病的治癒。它還能夠推動美國的再工業化，也能讓教育更加普及，不僅是在美國，而是在全球範圍內。因此，沒有理由去反對技術發展。但我希望我們不要重蹈工業革命時期的覆轍——當時英國在60年間成為最富有的國家，但工人階級卻沒有受益，反而不平等加劇。在今天這種憤怒、撕裂以及全球化衝擊的背景下，我們無法承受這樣的結果。所以問題是：我們如何在推動 AI 發展的同時，把“工人階級”和被忽視的人群放在首位，確保他們擁有經濟安全？因為歸根結底，美國的使命不僅僅是技術進步。美國最終的使命，是成為一個團結的、多種族的民主國家，讓“美國夢”惠及每一個人。這應該成為我們的“北極星”，然後我們再反過來思考技術應該如何服務於這一目標。我一直強調的一點是：矽谷應該思考“這個地區能為美國做什麼”，而不是“美國能為矽谷做什麼”。整個世界正在被“重設”：把握好先發優勢H.R. 麥克馬斯特：謝謝。黃仁勳，最後請你總結一下。黃仁勳：現在是在校學習、以及即將畢業的最佳時代。我經常聽到相反的說法，但在我看來，未來充滿了非凡的機會。舉個例子，如今的初創公司數量比歷史上任何時候都要多。更多的創業公司、更多的行業、更多的應用，正在解決那些我們過去認為根本無法解決的問題。借助 AI，我們第一次真正開始理解語言，甚至開始理解“生物機器”的語言。我們正在以前所未有的規模去理解各種科學領域和複雜問題，這一切就在眼前。這是讀書的最好時代，也是畢業的最好時代，因為整個世界正在被“重設”。全球最大的產業——電腦產業——正在被重設，而所有行業都建立在電腦產業之上，因此每一個行業都在被重設。你們現在與所有人站在同一起跑線上，沒有人比你們更有先發優勢。這是一個可以擁抱人類有史以來最強大技術的完美時機。這項技術是個性化的，每個人都可以通過瀏覽器使用它，它是可獲取的，而且已經被廣泛使用。你們可以把它用於自己的職業發展、用於實現夢想、用於解決重大問題。我無法想像你們不感到興奮，但我確實聽到有些人對未來感到擔憂。我想告訴你們，我所看到的，是一個歡迎你們的行業——它正在尋找那些精通 AI 的畢業生。無論是用 AI 做市場行銷、金融分析、工程設計，還是軟體開發，我們都在尋找會使用 AI 的人才。一整代人將借助一種前所未有的新技術進入這個行業，而你們正是第一代。這是一個難以置信的機會。我們這些已經在行業中的人，正期待著你們的加入，一起建構未來。謝謝。H.R. 麥克馬斯特：好的。卡納、黃仁勳，非常感謝你們。非常感謝。兩位傑出的美國人。非常感謝你們的分享。黃仁勳： 謝謝，這次討論非常精彩。謝謝。 (51CTO技術堆疊)

Anthropic 正式發佈 Claude Opus 4.7，核心升級落在複雜任務執行、高畫質視覺理解和更穩的長鏈路工作流上。對普通使用者來說，最直接的變化是更聽指令、更會看圖、產出更接近成品，同時也要注意Token也會燒得更快了。4月16日，Anthropic正式發佈Claude Opus4.7，並將它定義為當前可廣泛使用的最強Claude模型。性能不如此前曝光的新一代Claude Mythos Preview那麼炸裂，但比普通使用者能真正用到的Opus 4.6強了太多，除了Agentic搜尋能力略有下降外，實現了全面碾壓！官方給出的本次升級的關鍵詞：複雜任務、更強視覺、更穩的長鏈路執行，以及更少需要人工參與。只要還在用大模型寫文件、讀截圖、做演示、整理材料，Opus 4.7帶來的體驗變化，很難繞開。本次更新最大的亮點，是Opus 4.7的視覺能力大幅提升，在測試中從Opus 4.6約50%的分數，直接飆升到接近滿分！而這，補上了AI目前最大的視覺短板，或許已經不知不覺地邁過了替代人類工作的那道最重要的檻！GPT-5.4 Thinking是這樣評價它的對手Claude Opus 4.7發佈給打工人帶來的影響的：本次升級的關鍵在於複雜任務的完成度Anthropic 把 Opus 4.7的核心升級點放在了高級軟體工程和長時間任務執行上。使用者已經可以把過去需要密切監督的高難度編碼工作交給它處理，它會更嚴格地執行指令，也會在回報結果前主動想辦法驗證輸出。API發佈說明裡，Anthropic也把它稱為當前最強的通用可用模型，面向複雜推理和代理式編碼場景。大模型競爭的焦點，正在從答得像不像，轉到做得完不完。只會寫一段漂亮答案，已經不夠了。能不能把一份長文件改乾淨，能不能把一套資料串起來做成可交付物，能不能持續幾十分鐘甚至更久不跑偏，這才會決定它在日常工作裡能不能真的替人扛起一片天。這能夠從 Opus 4.7的官方發佈重點裡直接看出來。純程式設計只是開胃菜SWE-bench Multilingual測的是模型修復真實GitHub issue的能力，覆蓋多種程式語言。Opus 4.7拿80.5%，Opus4.6拿77.8%，漲2.7個百分點。單看這個數，似乎只是一次常規迭代。但同一張圖右邊那組資料更有意思，後面回頭講。1M token 裡的長任務GraphWalks 是OpenAI做的長上下文基準，把一張有向圖用邊列表塞滿1M token上下文，讓模型做圖遍歷。兩種考法：一種Parents，給一個節點讓模型找出所有直接指向它的父節點；另一種是BFS廣度優先搜尋，從起點出發一路找到特定深度可達的節點，對 Agent 跑多步驟長任務是硬指標。在Parents 1M 這趴，Opus 4.7從71.1%提到75.1%，4個百分點的常規改進。而到了BFS 1M，Opus4.7則從41.2%一口氣幹到58.6%，拉開17.4個百分點。換個場景再看。Vending-Bench 2讓模型模擬經營一台自動售貨機，測長時間工作流裡的決策連貫性。Opus 4.6最終餘額8,018美元，Opus 4.7做到10,937美元。同一台售貨機，同一個時間窗口，Opus 4.7多掙了36%。Agent 的眼睛換了代ScreenSpot-Pro測的是Agent的螢幕定位能力。給模型一張VSCode、Photoshop、AutoCAD這類專業軟體的高解析度桌面截圖加一條自然語言指令，讓它定位到具體的UI元素。在高解析度螢幕裡，目標 UI 元素往往只佔整張圖的0.07%，極考驗精細視覺。同樣低解析度不帶工具，Opus 4.6拿57.7%，Opus 4.7拿69.0%，拉開11.3 個百分點。切到高解析度，Opus 4.7不帶工具就達到了79.5%。疊加工具呼叫，跑分直接來到87.6%。視覺能力在一些測試（如XBOW的基準測試）中，Opus 4.7相比Opus 4.6得分直接翻倍，從54.5%躍升到接近滿分98.5！這造就了Opus 4.7相比4.6在電腦使用（Computer Use）能力的天壤之別！回到前面留的那張程式設計圖。SWE-bench Multimodal這項，Anthropic 是用內部實現的測試harness跑的。測的是前端JS軟體 bug，任務裡帶著UI截圖、效果圖一類的視覺素材，模型要結合圖片和程式碼一起幹活。從Opus 4.6的27.1%做到Opus 4.7的34.5%，一口氣提了7.4個百分點。Opus4.7的程式設計升級，重點是讓模型看懂螢幕。眼睛換代了，腦子才能幹更複雜的活。GPT-5.4 和 Gemini3.1 Pro都沒扛住前面全是自比，現在來看看跟老對手們怎麼打。GDPval-AA是Artificial Analysis基於OpenAI GDPval資料集做的評估。它覆蓋了44種知識工作職業、9大GDP核心行業，任務來自資深職業人士（平均14年經驗）的真實交付物。AA版本讓模型在agent loop裡幹活，用盲測兩兩對比打 Elo 分。Opus 4.7拿1753，Opus4.6 拿1619，GPT-5.4拿1674，Gemini 3.1 Pro 拿 1314。Opus 4.7高出 GPT-5.4 79 分，高出 Gemini 3.1 Pro 439 分。OfficeQA Pro 是 Databricks 做的企業級推理基準，語料是近 100 年的美國財政部公報，8.9 萬頁 PDF、2600 萬個數字。模型要精準找到文件、解析表格和正文、跨文件做分析推理。在這裡，Opus 4.7 的跑分高達 80.6%，而 Opus 4.6 隻有 57.1%，GPT-5.4 和 Gemini 3.1 Pro 更低，分別是 51.1%和 42.9%。換句話說，Opus 4.7 是 GPT-5.4 的 1.6 倍，是 Gemini 3.1 Pro 的 1.9 倍。躍升最炸的是生物學翻到最後一張，Structural Biology，生物分子推理。Opus 4.6 隻有 30.9%。而Opus 4.7 直接衝到了 74.0%。一次版本迭代，從三成到七成半，2.4 倍。堪稱是所有 benchmark 裡躍升最誇張的一項。普通使用者最先感受到的是三大變化第一個變化，指令遵循能力更強了。Anthropic 寫到，Opus 4.7的指令遵循能力大幅提升，過去很多模型會鬆散理解、漏掉細節，Opus 4.7則更傾向於逐條照著執行。代價是，舊提示詞有時會出現意料之外的結果，使用者需要重新調整寫法。對普通使用者來說，這會直接減少提示詞玄學，寫需求、定格式、列限制條件，會更有用。第二種變化，Claude看圖會更細。Opus 4.7 支援長邊最高 2576像素的圖像輸入，大約375萬像素，超過此前 Claude 模型的三倍。官方專門點了幾個場景，密集截圖、複雜圖表、精細結構圖、需要像素級參考的任務。放到現實使用裡，這對應的就是看懂一頁密密麻麻的資料截圖，識別產品原型細節，從複雜流程圖裡抽資訊，讀一張高解析度海報或報表時少丟細節。第三種變化，輸出結果會更容易接近可交付的成品。Anthropic提到，Opus 4.7在介面、幻燈片、文件這些專業任務上更有審美，也更有創造性。它在基於檔案系統的記憶上做得更好，能跨多輪、多會話記住關鍵備註，減少重複交代背景。對經常拿模型潤色材料、整理項目、反覆改同一份內容的人來說，這種提升會比跑分的提升來得更直觀。這次發佈安全也被擺在了同樣重要的位置Anthropic 在一周前剛剛公佈 Project Glasswing，專門談到了前沿模型在網路安全方向的風險與收益。Opus 4.7 成了這套新思路下第一個公開部署的模型，官方強調，它的網路安全能力弱於 Mythos Preview，並且上線時帶有自動檢測和攔截高風險網路安全請求的護欄。合規安全研究人員則可以申請加入新的Cyber Verification Program。從安全評估看，Opus 4.7與Opus 4.6的整體安全畫像相近，在誠實性和抵抗惡意提示詞注入上更強，在某些細項上也存在小幅走弱。Anthropic的結論是，它整體上「較為可靠且值得信任」，距離理想狀態還有空間。這說明，Anthropic沒有把發佈包裝成一次毫無代價的全面躍升。誰會立刻受益誰又要多留一個心眼最先受益的人群很清楚，開發者、分析師、法務、研究人員，以及所有高頻處理文件、表格、演示材料的人。官方早期測試反饋裡，很多合作方都提到同樣幾件事，複雜工作流更穩了，錯誤恢復更強了，文件推理、程式碼審查、資料分析、長上下文任務都有明顯提升。需要多留一個心眼的地方也已經寫在官方說明裡。更高解析度圖像會燒掉更多Token，使用者用不到這些細節時，最好先壓縮圖片。Opus 4.7還換了分詞器（Tokenizer），同樣的輸入可能會多出大約1.0到 1.35倍Token，高Effort 下輸出Token也會增加。對直接在Claude應用裡聊天的普通使用者，這更多會體現在額度和響應體驗上。對使用龍蝦和Hermes Agent這類API的使用者和團隊客戶，這就是實打實的成本變數。好在價格方面，Opus 4.7和4.6與4.5保持了一致，沒有漲價，但這個價格本身其實就已經足夠昂貴了...Anthropic想傳遞的訊號已經很清楚了從Opus 4.7這次發佈能看出，Anthropic眼下押注的方向已經很明確，長任務執行、視覺理解、工具協同、少監督交付，這幾項能力正在被打包成下一階段的大模型主戰場。官方同步上線的 Xhigh Effort（思考程度介於 high 和 max 中間）、Task Nudgets 公測，以及 Claude Code 裡的 /ultrareview，也都圍著這個方向在轉。除了官網公告外，Claude也公佈了Opus 4.7的系統卡，長達232頁，裡面公佈了更多值得關注的細節，限於篇幅再次我們不作展開。對普通使用者來說，對Claude Opus 4.7更直接的感受會是，交代清楚以後，它更容易把事情做對，看圖更細，寫出來的東西更能直接拿去用。大模型從會聊天走向會幹活，這一步又往前挪了一大截。真正能幹好活的最強生產力模型，從Opus 4.6，變成了Opus 4.7。 (前瞻經濟學人)

加布裡埃爾·彼得松的童年與許多Z世代並無二致：收集寶可夢（Pokemon）卡牌、在《我的世界》（Minecraft）中搭建虛擬世界，對大學和職業的焦慮似乎還很遙遠。但到了高中時期，在瑞典一個約5,000人口的小鎮長大的他，漸漸對單純“玩遊戲”失去了興趣，而是好奇遊戲背後的運行機制。這種好奇心迅速演變為對創業、軟體以及人工智慧的深度痴迷——在他看來，這將是下一輪重大的技術變革。加布裡埃爾·彼得松沒有大學學歷，甚至沒有高中畢業證，但他成功入職OpenAI。他的秘訣很簡單：主動證明自己能勝任這份工作。圖片來源：Courtesy of Gabriel Petersson/Sigil Wen & Extraordinary.com podcast彼得松沒有遵循“完成高中學業、攻讀電腦科學專業、再逐步進入科技公司”這一傳統路徑，而是選擇了徹底跳出體制。在高三那年，這位當時才17歲的少年輟學，與幾位夥伴共同創辦了電商資料初創公司Depict.ai。這些合夥人後來分別進入Lovable和樂高（Lego）等公司任職。五年後，這一大膽選擇得到了回報。22歲的彼得松已在ChatGPT母公司OpenAI擔任研究員（隸屬於正在逐步整合的Sora團隊），年薪達到六位數。他也因此成為一種樸素理念的另類“代言人”：只要你願意展示實幹能力，學歷鴻溝是可以跨越的。一個二十出頭的年輕人如何在沒有任何學歷的情況下進入矽谷在沒有大學學歷，甚至連高中畢業證都沒有的情況下，想進入矽谷最炙手可熱的公司，需要一套截然不同的求職策略。對彼得松而言，關鍵在於：在別人開口要簡歷之前，就先證明自己能勝任這份工作。結束在Depict的工作後，彼得松加入了由Y Combinator支援的AI初創公司Dataland，並於2021年搬到紐約。按大多數標準來看，他的事業正蒸蒸日上。直到他去了一趟舊金山。彼得松表示：“我至今還記得第一周的感受。我興奮到睡不著覺……在那裡，無論你走到那裡，都能看到人們在討論程式設計、討論創業，談論的都是我最感興趣的話題……我當時完全被震撼到了。”這次旅行徹底重塑了他的職業目標。但一個顯而易見的挑戰擺在面前：一個高中輟學生，如何與常春藤盟校或頂尖工程項目出身的佼佼者競爭？他的答案是徹底放棄在“學歷”上的競爭，轉而用“能力證明”來取勝。彼得松沒有只通過傳統管道投遞簡歷，他制定了一套“主動出擊”的求職打法。方法很簡單：簡要介紹自己，真誠表達對公司的興趣，最關鍵的是展示一個專門為對方開發的作品。他表示：“你可以這樣說：‘我對貴公司特別感興趣，所以我做了一個小項目，開發了一個與你們業務相關的網站。通過這種方式，我可以直接證明自己的綜合能力，而不是和別人拼背景。”這套策略幫助他順利入職Dataland，隨後他又在矽谷AI研究機構Midjourney再次驗證了這一方法。當時，他通過傳統管道投遞的申請屢屢碰壁，其中就包括早期被OpenAI拒絕的一次經歷。於是他進一步加碼：連續一周每天工作16個小時，為Midjourney打造了一個定製網站，並附上一段視訊演示，詳細講解程式碼實現。這次努力最終奏效——Midjourney在2023年聘用他擔任軟體工程師。彼得松補充道：“我用視訊演示自己做的產品，既展示了理解能力，也展現了溝通能力。他們能看到這個人是靠譜的。相比任何‘替代性指標’，這種方式能讓我更全面地證明自己。”在Midjourney的經歷為他打開了下一扇門。一位朋友將他引薦給OpenAI的研究團隊——正是那家一年前拒絕過他的公司。這一次，他有備而來。2024年12月，他成功入職。他表示，這段經歷讓他明白了一個道理：當你的實力已經今非昔比，再次挑戰曾經拒你於門外的機會，往往會帶來不同的結果。彼得松：只要具備正確心態，Z世代也能拿下理想工作對彼得松而言，在Midjourney和OpenAI的經歷不僅僅是兩份工作，更驗證了一個他如今反覆向年輕人傳遞的觀點：在一個越來越看重學歷的招聘環境中，頂級職業機會並不只屬於少數人。他認為，即便是在全球最具影響力的公司工作的人，也並非看起來那麼“遙不可及”。彼得松表示：“只要把自己放在合適的環境中，做對的事情，任何人都可以參與競爭。”他還指出，許多年輕職場人會陷入一個誤區——在同一崗位上停留太久，從而限制了自身發展。彼得松在23歲之前就已經在近六家公司工作過，他認為，職業生涯早期應該優先追求“學習速度”，而不是穩定性。在許多年輕人進入職場並擔心AI會取代自己目標崗位的時代，彼得松堅信：對於那些願意擁抱技術、而不是恐懼它的人來說，機會依然俯拾皆是。而且，在科技行業歷練後，他指出，即便是那些頂尖人才“也做不到洞悉一切”。（財富中文網）

“我學的專業有用嗎，我想去的崗位未來會不會被AI取代？”我想這幾年每個學生或多或少都思考過這個問題。最近《華爾街日報》寫了一篇文章，稍微收集了一下現在的美國大學生應對AI的方式。總結是：一些美國大學生現在不捲了，已經開始學修空調和木工了。他們主動避開那些可能會被AI取代的白領職位，進入職業學校，選擇暖通管道和土木建築之類的藍領工作。有一些美國大學生選擇應對挑戰，削尖腦袋和最聰明的人一起卷，比如申請最熱門的人工智慧專業，儘早開始使用vibe coding。也有人直接輟學加入創業浪潮，skip上大學一步到位。在國外也開始有人相信學門手藝至少穩定，學修空調比讀大學強。精英化的美國人，似乎現在也開始對大學祛魅了。前幾天，有網友發起投票，問學電腦和做醬香餅那個更有前途？網友投票結果是大家認為做醬香餅小販前途碾壓學電腦。這當然只是一個玩笑，不過全世界的大學生這幾年應該都感受到了類似的壓力。時代的車輪滾滾向前，AI就像懸在我們頭上的達摩克利斯之劍，永遠也不知道是你先畢業，還是行業先被AI端走。有一群美國大學生看到情況這麼嚴酷，決定先不上學了，擁抱藍領工作吧。22歲的萊德3年前讀電腦本科的時候覺得AI還在起步階段，智能很低，表現得笨笨的，行業還安全。但到了去年，AI的進展實在太快，像Open AI、Anthropic、Google這些大公司推出的新模型能力突飛猛進，AI agent智能體和具身智能也是一天一個樣。但在大學的學習效率實在太低了，他非常擔心自己會失業。他說：“起初我拒絕接受，但最終還是得面對現實。”所以他就做出了一個決定，從大學輟學，去技校學怎麼做一個電工。像他這樣的年輕人不在少數，根據美國國家學生資訊交換中心的資料，這幾年來注重職業培養的社區大學入學人數激增，從2020年以來增加了近20%。其中一個熱門專業是“暖通空調和銲接”，現在美國年輕人確實覺得上大學還不如學裝空調。面對全美高中生的暖通空調獎學金非常豐厚，最高達到15萬美元更神奇的是，美國有十幾家的職業學校是和美的（Midea）合作培養的技術人員。是的你沒看錯，就是那個美的，中國的白色家電巨頭，正在幫助培養未來的美國藍領。能想像嗎？一位美的的產品經理拉姆斯在職業學校對一群眼神清澈的美國大學生說：我們不用擔心AI，因為AI不能給人上門裝空調啊。We don’t have to worry about AI,because AI can’t install an HVAC system.根據調查，技工行業的平均工資能和一些本科生媲美。美國高中生在校園實驗室學習暖通暖通空調工人的工資年薪中位數是6萬美元，和2023年大學文科專業畢業的本科生年薪中位數大致一樣。收入最高的10%的空調技師年收入超過9.1萬美元。拉姆斯還提到現在空調工人短缺，工人們的工資還會繼續漲。上職業學校還有個好處是學費便宜，不用背學貸，美國大學學貸一般有3-4萬美元，如果讀碩士或者學醫學法金額更高，還個十到二十年是很常見的。很多高學歷人士到中年了依舊被學貸困擾。上職業學校的經濟壓力要比大學小得多。一般來說，職業學校的學費只有大學的四分之一左右，培養時間只需要兩年，快的學校甚至十個月就能給發文憑。根據美國勞工統計局的報告，職業學校和社區大學的畢業生失業率僅為2.1%，而大學畢業生的失業率則高達15.3%。現在在高中裡，也有很多學生會去選修需要動手能力的實操課。威斯康星州米德爾頓高中共有2300名學生，其中有25%的學生都選了建築、製造和木工課程。更誇張的是，現在一些職校火到上學名額要靠搶。2024學年，加州的貝克斯菲爾德學區一所新職業學校的招生名額被搶爆了，2500個名額吸引了6200名學生申請。與此同時，人工智慧專業成為時下大學裡最炙手可熱的專業。南佛羅里達大學新成立的人工智慧與安全學院在第一個學期就招了超過3000名學生。但那些學電腦專業的人卻面臨著前所未有的掙扎。十年前，電腦毫無疑問是前途最為光明的專業之一。21歲的米拉什回憶說，當時人人都在說，只要你會程式設計，努力學習，拿到一個電腦專業的學位，你就一定能拿到起薪六位數的工作。微軟公司一位高管布萊德在2012年表示，電腦專業畢業生起薪超過10萬美元，外加1.5萬美元的入職獎金和價值5萬美元的股票期權。然而過期福利猶如砒霜，時代紅利也是如此，等到米拉什畢業時，環境早就和2012年大不一樣了。米拉什去年5月從普度大學畢業，她花了一年時間苦苦尋找科技行業的工作和實習機會，只有一家公司給她打電話約面試，到8月份，她還是沒有找到任何工作。根據《Captain Compliance》的一篇文章顯示，最近電腦專業的學生找工作越來越困難了，初級工程師的市場相當飽和。他們普遍需要耗費6-12個月的時間，投遞上百份簡歷，而且需要和那些之前被裁員的，有多年工作經驗的人進行競爭同一個崗位。一些學電腦的畢業生在描述畢業找工作的過程，簡直是被那些大科技公司PUA了，感覺前途一片慘淡，讓人心碎，摧毀靈魂。扎克·泰勒是2023年畢業的，主修電腦科學，畢業於俄勒岡州立大學。這所大學在U.S.News排名第143，學校本身不差，但扎克的運氣實在是差了點。作為一個勤奮的卷王，他已經申請了5700多次工作，僅有13次面試機會，至今沒找到全職工作。他去年去一家公司實習，沒能轉正，今年去麥當勞想找一份兼職的工作，也被拒絕了。現在扎克已經回了老家，靠著領失業金生活。他說找工作是他經歷過最痛苦，最讓人沮喪的事情之一。很多畢業生找工作時都挺努力，但現實很冷感，一些科技公司對他們理都不理。有人描述這個過程就像你在往上爬的時候被抽走了梯子，很茫然。高盛在報告裡指出，去年一年AI在美國每個月淨減少1.6萬個崗位，主要受到影響就是入門級員工和Z世代的員工。2025年全年，超過10萬名在科技行業工作的人失業。這裡存在一個生產力的悖論：AI的發展越快，越不需要初級白領/工程師。大學生往往需要先成為初級工程師，才有可能積攢經驗成為高級工程師。現在別說初級工程師保不住工作，全球大裁員還在提速。根據《日經亞洲》報導，今年第一季度全球科技行業裁員人數預計在7.8到8萬人，開啟裁員的公司包括Meta、亞馬遜、甲骨文、戴爾等等。在科技行業之外，還有金融機構如花旗集團，時尚品牌如Nike和Lululemon，餐飲和食品品牌棒約翰和喜力啤酒等開啟裁員計畫。其中很多公司發裁員公告時都會提到“降本增效”“業務調整”“重組團隊”“使用人工智慧提升效率”等關鍵詞。壓力更大的是這群40多歲面臨裁員的中年人。他們大多已經成家，有孩子要養，還有房貸車貸要還。有一位摩根斯坦利的前副總裁瓦萊麗·洛克哈特去年3月被裁員。去年她家水管壞了，一度家裡連洗澡的熱水都沒有，在網上眾籌修自己家的水管。她家主要是她一個人工作，靠著存款、失業補助金還有退休金帳戶生活，房貸成了她生活的最大負擔。瓦萊麗說她從失業後申請了550次工作，只有25封郵件回覆她，她多次進入最後一輪面試，但都沒拿到offer。7個月之後，她找到一份臨時工作，終於把家裡的水管修好了。現在仍在尋找全職工作。在AI的面前，不管那個年齡層的人可能都會受到影響，無論是年輕人還是中年人。當AI可以替代你的工作時，在薪酬之外工作的意義到底是什麼，或許才是更需要思考的問題吧。 (INSIGHT視界)

你好，我是傑哥。最近，波士頓諮詢公司（BCG）亨德森研究所發佈了一篇重磅報告《AI Will Reshape More Jobs Than It Replaces》（《AI 將重塑更多的工作，而不是取代》）。這份報告基於美國勞動力市場的微觀建模，分析了AI（尤其是agentic AI）在未來2-3年內對工作的真實影響。這份報告核心結論很直白：AI不會像很多人擔心的那樣“搶走”大量工作，而是會重塑 50%-55% 的崗位，讓工作內容、技能要求和生產方式發生明顯變化。真正被完全取代的崗位，預計在5年後或更長時間裡只會佔 10%-15%。這份報告用任務級自動化潛力、替代與增強動態、需求可擴張性三個維度，幫我們看清AI時代的工作圖景。今天我們就用最親民的方式，把報告核心內容講清楚，看看普通職場人和企業領導者該怎麼應對。AI 對工作的真實影響：重塑遠大於取代報告把美國約 1.65 億個崗位（對應1500多種角色）分成六大類，核心邏輯是：AI先看某個任務能不能自動化，再看是替代人還是增強人，最後看需求會不會因為效率提升而擴大。Amplified Roles（增強型角色，佔5%）：AI大幅提升生產力，需求同步擴張，崗位數量可能不減反增。人仍是價值創造核心，薪酬可能因競爭力上升而上漲。典型例子是軟體工程師和部分律師。Rebalanced Roles（再平衡型角色，佔14%）：AI把重複性工作自動化，崗位保留但內容向更高價值任務傾斜。技能要求提高，需要大量再培訓。內容行銷和學術研究就屬於這一類。Divergent Roles（分化型角色，佔12%）：AI替代部分任務，但整體需求可擴張。初級崗位減少，高級崗位可能增加或要求更高技能。保險銷售代理和IT支援技術員是典型代表。Substituted Roles（替代型角色，佔12%）：AI 直接替代核心任務，且需求增長有限，崗位數量會減少。部分金融分析師和呼叫中心代表屬於此類。Enabled Roles（賦能型角色，佔23%）：AI 嵌入日常工作，改變做事方式，但崗位本質不變。臨床助理和實驗室技術員會用 AI 輔助記錄和分析，但核心仍需人來完成。Limited-exposure Roles（低暴露型角色，佔34%）：AI短期內影響很小，工作高度依賴人際互動、實地操作或複雜判斷。醫生和教師就屬於這一類。總體來看，未來 2-3 年有 50%-55% 的崗位會被重塑（包括增強、再平衡、賦能以及部分分化和替代型角色中未被完全取代的部分），而真正被淘汰的只有 10%-15%。這意味著大多數人不會“失業”，但幾乎所有人都會面臨“工作方式大變”的挑戰。為什麼 AI 更傾向於“重塑”而非“取代”？報告強調三個關鍵因素：任務自動化潛力：只有 40% 以上任務可被AI自動化時，角色才會被重點關注。目前 43% 的崗位達到這個門檻。替代 vs 增強：如果工作需要情感判斷、人際互動或複雜決策，AI更可能增強人而不是完全替代。需求可擴張性：AI降低成本後，如果市場需求能擴大（比如軟體開發），崗位可能不減反增；如果需求固定（如呼叫中心常規諮詢），才可能出現崗位減少。軟體工程師就是最好例子：AI能快速生成程式碼，但系統設計、架構權衡、業務理解仍離不開人。隨著需求擴張，崗位反而更需要高階人才。對企業和職場人的實際啟示報告給企業領導者的建議非常務實：把人才戰略嵌入競爭戰略，別只盯著短期降本。重點不是簡單裁員，而是重新設計流程、角色和績效指標。把再培訓、轉崗和能力建設放在首位，幫助員工從“執行型”轉向“判斷型”。講好 AI 故事：讓員工相信 AI 是幫手而不是威脅，才能激發主動擁抱變革的積極性。對普通人來說，關鍵是主動學習 AI 工具、提升判斷力和系統思維能力。報告特別提到，初級崗位可能先受衝擊，但高階技能和經驗反而會更值錢。持續學習、擁抱變化，才能在重塑中找到新機會。這份 BCG 報告用資料和案例告訴我們：AI 時代的工作不是“少”了，而是“變”了。適應快的企業和個人，會在生產力提升中獲得更大份額；慢一步的，則可能面臨技能過時和角色調整的壓力。最後你所在行業或崗位，已經感受到 AI 帶來的變化了嗎？最擔心還是最期待什麼？歡迎在評論區分享，一起討論怎麼更好地準備這場“工作重塑”。關注公眾號【AI資訊風向】，回覆 666，即可獲取這份 AI 行業報告。AI 技術正以前所未有的速度發展，它將如何塑造我們的未來？讓我們拭目以待。 (AI資訊風向)

“一名25歲青年，家屬報案稱他被騙往國外，即將從虹橋機場登機，請迅速找到當事人勸返。”上海市公安局國際機場分局虹橋候機樓治安派出所民警蔣佳明仍然記得3月17日下午110指揮部門的那通緊急來電。此時，距離飛機起飛還有不到40分鐘。“要趕在飛機艙門關閉之前找到他！”蔣佳明說。儘管對候機樓的地形很熟悉，她仍不敢懈怠，和同事戴昊晟一起趕到目標航班的登機口。所幸，這個年輕人還沒登機。但面對民警，他十分抗拒，說自己是去國外工作的，不需要幫助。“昨天才入職，今天就告訴你要出國工作，不覺得很奇怪嗎？”戴昊晟問。在簡單的交流中，戴昊晟瞭解到，年輕人是在網上找到的工作，找工作時說的是在國內上班，但剛剛入職，公司就要求他出國“接管一個緊急項目”。“既然入職了，肯定要辦個手續吧，對方跟你簽勞動合同了嗎？”蔣佳明問。年輕人搖搖頭。“那出國工作，對方幫你辦工作簽證了嗎？”蔣佳明再問。年輕人還是搖搖頭。戴昊晟和蔣佳明對了個眼神，根據他們的辦案經驗，這些不正常的情況背後多半就是詐騙。但這個年輕人認為，出國打工，說不定是一個發展的機會。兩名民警知道，硬攔不是辦法，要讓他自己意識到危險。蔣佳明從簽證說起：“出境工作必須先辦工作簽證，不然到了那裡，你就是非法務工，如果被當地的執法部門發現，不僅要遣返，可能還要被罰款和拘留。”聽到這兒，年輕人沉默了。蔣佳明趁熱打鐵：“你剛剛入職，對方就讓你接管項目，是不是不太合常理？即便單位要派人出去工作，也要派一個熟手去吧？不然怎麼知道你能不能勝任這個工作？”“那我現在該怎麼辦？”年輕人沉默半晌，開口問道。“你應該跟我們走，我們是人民警察，是來保護你的。”最終，這個年輕人退了飛機票，和兩名民警一起往派出所走。路上，他給那家公司的聯絡人打了個電話：“我不去了。”“你還年輕，很多事情不太明白，但是一定要提高安全意識，別讓家裡人擔心、自己吃虧。”民警耐心地和年輕人溝通。聽說他是學電腦的，蔣佳明還給他推薦上海公安機關的“803反詐”智能體：“有什麼不明白的就問它，幫你分辨一些電信詐騙相關的風險。”年輕人點點頭，買了從上海回江蘇的火車票，“不去國外了。”“記得給家裡人報個平安。”年輕人離開派出所時，兩位民警仍不忘囑咐。此時，年輕人本來要乘坐的那班飛機已經起飛。 (人民網)