科技

AI在悄然重塑社會的入口

10月05日 12:45 新浪網 tech-auto-hilite

前陣子，兩位哈佛經濟學博士生Seyed M. Hosseini和Guy Lichtinger操刀發了篇論文，經衛夕指北編譯，在國內流傳很廣，論文中一個觀點就是下圖：AI對初級人員的衝擊要比高級人員大。

那這裏的初級和高級，除了崗位級別之外，還有什麼含義呢？

通常來講，初級更加職能單一，而高級崗位的內涵更加綜合，而不是簡單地更快更多。

前者已經在AI的射程內，而後者因為綜合，需要更高級別的通用智能和邊界條件，暫時還處在被滲透階段。

而不管滲透到了什麼程度，它都說明：AI在悄然重塑我們社會的入口。

我們的「新手村」先碰到挑戰了。

過去，一個畢業生進入職場，通常會從這些基礎、重覆但必要的任務開始。

這個過程不僅僅是為了完成工作，它更像一種隱性的「學徒製」——在實踐中熟悉行業規則，理解複雜項目的流程，建立對業務的體感，並在資深同事的指導下，將書本知識轉化為真正的職業技能。

這個「新手」階段是職業生涯成長的必要土壤。過去每個人都經歷過。

然而，AI的出現像一台巨大的抽水機，正在抽幹這片土壤，把它沙漠化。

當一家公司可以用極低的成本，讓AI完成90%的初級工作時，僱傭一個需要支付薪金、需要耗費心力去培養、且效率遠低於AI的人類新手，在商業邏輯上變得越來越不划算。（情懷恐怕無法對衝這種本質性變化）

這就會產生嚴重問題：當通往高級的第一級台階被抽掉時，未來的年青人將如何開啟他們的職業生涯？

這不是一個簡單的就業問題，而是結構性的問題。

它直接拷問著我們整個教育體系的根基。

過去的核心假設就是社會能提供足夠多的「學徒」崗位（背後包含著時間和資源的投入），來完成從「學生」到「專業人士」的蛻變。

如今，這個假設沒了。或者說在AI發展的背景下快沒了。

能力的水位

隨著AI水平的提升，上面說的初級崗位顯然會變成動態擴展的概念。

初級崗位的消亡，並非故事的全部。

本質含義是對人類核心能力要求的急劇抬升，不斷的抬升。

這是一種反向擠壓。相當於能力的需求側在不停拔高。

當AI能完成所有標準化的、有明確路徑的任務時，人類的價值便只能存在於那些非標準化的、需要開闢路徑的領域。

過去，人的能力結構像一個金字塔，底層是紮實的信息處理和執行能力，中層是分析和管理能力，頂層是戰略和創新能力。

而現在，AI正在「削平」這個金字塔的底層。

這意味著什麼？

這會引發一系列衝擊。比如：

「解決問題」的能力不再稀缺，「定義問題」的能力成為核心。AI可以基於給定的數據和目標，提供最優解。但什麼才是真正值得解決的問題？在商業的無人區，如何洞察一個尚未被滿足的需求？在科研的邊界，如何提出一個能夠開啟新範式的假設？這種源於深刻洞察力、同理心和想像力的「提出問題」的能力。

單一領域的深度，必須讓位於跨領域的整合能力。現代世界的複雜挑戰，無論是設計一款智能硬件（涉及硬件、軟件、供應鏈、美學、用戶體驗），還是應對氣候變化（涉及科學、政治、經濟、社會學），都不是單一學科知識能解決的。人類的獨特價值在於能夠像一位交響樂團的指揮家，將不同領域的知識、工具（包括AI）和人才，將其整合在一起，創造出和諧而宏偉的樂章。

純粹的智力必須與強大的心力相結合。在一個充滿不確定性的世界里，引領一個團隊、開創一項事業，需要的不僅僅是聰明的頭腦，更需要堅韌不拔的意志、承擔風險的勇氣和凝聚人心的領導力。這些源於人性深處的品質，是算法無法模擬的。

問題是，上面這些沒有是一個初級人員能做的。這就是被抬升的能力水位。

這對教育提出了一個幾乎不可能完成的任務：

教育體系必須在校園內就讓學生完成過去需要在職場花費數年才能完成的「初級崗位實踐」，並在此基礎上，直接培養出具備整合、創新和領導能力的「準高級人才」。

差不多相當於要求駕校不僅要教會學員開車，還要讓他們在畢業時就擁有F1賽車手的實戰經驗和戰略頭腦。

傳統教育的「不可能三角」

面對如此挑戰，我們沿用幾千年的、基於「人」的教育模式，可能不靈了。

過去模式的核心是「教師授課-學生聽講-有限實踐」，它在知識傳遞上或許有效，但在培養上述高階能力時，卻陷入了一個「不可能三角」：教育的規模化、實踐的保真度和教師的人力成本。

我們當然可以在學校里引入更多的項目製學習、案例分析和商業競賽。但這些實踐的「保真度」是低的。

一個商業案例分析，無論多麼詳盡，也無法模擬真實市場中瞬息萬變的競爭、供應鏈的意外中斷、團隊內部的人事糾紛以及決策者在巨大壓力下的博弈。

一個由老師設計的項目，其邊界和目標通常是清晰的，這與真實世界中模糊、開放式的挑戰截然不同。

要想提高保真度，唯一的辦法是讓學生進入真實的企業環境，也就是我們所說的「實習」。但如果初級崗位持續減少，實習機會顯然也會越來越稀缺，無法「規模化」。

也不可能為每一個學生都配備一位經驗豐富的導師，手把手地帶領他們經歷一個完整的產品週期。維繫這種模式的人力成本是天文數字。

更深層次的問題在於，傳統教育的「原子單位」是教師。

一位教師的精力、視野和經驗都是有限的。

他可以傳授一個學科的知識，卻無法模擬一個由不同角色構成的真實公司的運作邏輯；

他可以指導一個小組的討論，卻無法構建一個牽動上百個變量的動態市場環境。

「人」作為教育的載體，其本身的局限性，決定了它無法成為培養應對AI時代複雜挑戰的柱蠆式。

我們需要考慮，依靠增加更多的老師、改革一些課程、引入一些實踐項目，這些修修補補的改善，可能無法解決AI帶來的衝擊。

破局之路：智能原生的虛擬學校

邏輯上行得通的方案，看起來需要超越「基於人」的模式。它需要一種全新的、系統的、可擴展的「實踐環境」。

這個環境，和我們過去說的《無人公司》是通的。這不是一個簡單的模擬經營遊戲，而是一個大規模、高保真、強對抗的社會經濟活動模擬器。

在其發展的初期，它肯定不是一個包羅萬象的統一世界，而更可能是一系列並行的、針對不同專業方向的虛擬行業集群。

它是一個虛擬的世界，但遵循著真實的商業和物理規則。在這個世界里，學習不再是獨立的環節，而是和實踐交織在一起。

這個模型的形態是怎樣的？

比如（純粹願景示意圖，否則需要很多系統研究，這裏是一個方面，也不全面，畢竟不是所有教育工作都和經濟相關）：

1. 分軌並行的虛擬產業：在早期階段將構建多個並行的、高度專業化的虛擬產業環境。例如，會有一個專注於「新消費品牌」的模擬世界，它內置了完整的電商平台、社交媒體營銷工具鏈和柔性供應鏈系統；同時，也會有一個專注於「硬科技產品」的模擬世界，它提供了先進的物理引擎、數字孿生接口和虛擬研發實驗室。每個「世界」都是一個自洽且高度仿真的產業沙盒，讓學生可以沉浸在特定領域的真實挑戰中。

2. 以「公司」為學習單位：學生不再以「班級」為單位，而是自由組隊，創建自己的虛擬「公司」。他們將扮演CEO、CTO、產品經理、市場總監等真實角色，共同決定公司的戰略方向、研發產品、組織生產、進行營銷，並為最終的成敗負責。他們的「成績單」，就是公司的財報、市場份額和產品影響力。

3. 任務驅動的「即時學習」：知識的學習不再遵循預設的課程表。當一個「公司」決定要開發一款智能音箱時，團隊成員們會發現自己需要學習電路設計、自然語言處理、供應鏈管理、市場定價策略等一系列知識。此時，系統會像一位「AI導師」，推送最相關的理論知識、工具教程和經典案例。學習的動機不再源於考試的壓力，而是解決眼前真實問題的渴望。

4. 應對複雜挑戰：「無人公司」模型遠不止於商業模擬。它可以與現實世界的數字孿生技術、物聯網和柔性製造相連接。一個團隊可以在虛擬空間里，用CAD工具設計一款無人機的硬件，通過物理引擎進行無數次的飛行和壓力測試，優化其空氣動力學性能，並最終通過3D打印或小型機床，製造出真實的原型機。（真做和銷售是學習成長的必需反饋）

所有這些都用於輔助實現一個目標：

他們要操盤的是橫跨軟件、硬件、服務的複雜產品，這正是未來最有意義的綜合能力。

在這個模型中，學生們在大學四年的時間里，可能完整地經歷了一家公司的從0到1、從1到N，甚至是壯大與衰敗的全過程。

他們犯下的每一個錯誤，都會在系統的數據中得到即時、精準的反饋，這種「低成本無風險試錯」的價值，是真實世界無法提供的。

小結：超越「傳授」，擁抱「孵化」

學習這事，如果確實是在實踐中學得更快，那我們無疑需要一個虛擬的教具。

正如我們前面說過多次的：

低信息量、低智能水平下的方式無法應對高信息量、高智能的挑戰，如果這一理論成立，可能蘊含著一定的必然性。

「基於人的教育解決不了AI帶來的問題」，這句話並非否定教師的價值，而是指出我們必須重新定義教育。

在AI時代，教育者的角色，可能需要從一個「知識的傳授者」，轉變為「環境的設計者」和「意義的引導者」。

上述正是這種新範式的一個可能的雛形。它將教育從一種線性的、基於「教與學」的模式，轉變為一種網狀的、沉浸式的「孵化」模式。（更高級版本的個性化推薦）

它不再試圖將知識「灌輸」給學生，而是創造一個足夠複雜、足夠真實的環境，「孵化」出學生應對未來挑戰所需要的綜合能力、堅韌心性和協作精神。