我们还能剩下什么工作？——ICML 2026 主旨演讲要点
我们还能剩下什么工作？——ICML 2026 主旨演讲要点
TL;DR – 演讲的主张
- AI 是一种普通的、放大效应的技术——它会改变我们的工作方式，但不会瞬间取代我们。
- 没有任何实验室的里程碑会消灭工作——即使实现了递归自我改进（RSI），其经济影响也会在数十年内逐步展开。
- 工作将从构建转向评估和判断——人类的高价值角色将是引导 AI，而不是完成可验证的任务。
1. AI 作为普通技术框架
演讲者提出了 AI 作为普通技术（AI‑NT）框架，将 AI 类比为电力：一种需要 发明 → 创新 → 扩散 → 适应 的变革性工具。前三级阶段进展迅速（能力增长、产品化、早期采纳），而 适应阶段——组织重构、培训、监管和劳动力市场的调整——则缓慢，往往需要数十年。这与历史上蒸汽工厂向电动装配线转变的例子相呼应。
“当电力到来时，工厂并不是简单地把蒸汽锅炉换成发电机，而是重新组织了整个生产布局。AI 也需要同样的组织性大改造。”
2. 递归自我改进不会瞬间取代工人
即使某家公司构建出能够自行改进架构的 AI，影响也有限：
- 在低端，它类似于 AutoML——自动超参数搜索，已经相当普遍。
- 在高端，则需要取代整个全球 AI 研究社区的创造力，这远超当前能力。
演讲者强调 创造力、判断力和表征质量 仍是瓶颈。当前 AI 在可验证任务（准确性、速度）上表现出色，但在 一致性、鲁棒性、校准和运行安全 等维度仍落后——这些是可靠自动化的关键。
“过去 24 个月里，可靠性仅提升了 5 到 10 个百分点，尽管能力有了显著提升。”
3. 能力‑可靠性鸿沟
对三家前沿 AI 公司的基准对比显示：
- 能力（原始准确率）大幅飙升。
- 可靠性（一致性、鲁棒性、校准、安全）仅有微小提升。
含义：将 AI 作为完全自动化的工人部署仍不安全；人类引导的协作代理仍是更实际的选择。
4. 案例研究：软件工程
“决定‑执行‑交付”三明治模型
| 层级 | 描述 | AI 影响 |
|---|---|---|
| 决定 | 需求、规划、领域理解 | 难以压缩——仍是人类优势 |
| 执行 | 编码、调试 | 可压缩——代理加速，但仅占总工作量约 ⅓ |
| 交付 | 集成、测试、责任追究 | 难以压缩——需要判断和领域专长 |
由于 执行 层被压缩，决定 与 交付 层相对扩大，导致 更多的规格制定、架构设计和部署后维护工作。
生产率悖论
采用编码代理的公司数据显示 员工人数并未减少。瓶颈不在写代码，而在 理解问题、协调团队和维护系统——这些任务 AI 仍无法自动化。
5. 历史类比——“劳动总量”谬误
- ATM 的出现并未削减出纳员，反而增加了就业。
- 放射科 在 AI 辅助后就业增长，因为更便宜的成像推动了需求。
- 法律工作 随着 AI 让提起诉讼更容易而扩展。
- 翻译 即使达到接近人类的水平，市场对多语言内容的需求仍在扩大，岗位保持稳定。
这些例子体现了 Jevons 悖论：让任务更便宜往往会创造更大的需求。
6. 工作的未来：从划桨到掌舵
演讲者使用海事隐喻：
- 划桨 = 执行可验证、可重复的任务（编码、数据录入）。
- 掌舵 = 决定方向、评估安全、对齐价值观。
当 AI 接管了“划桨”工作，人类的精力将集中在评估、治理和战略方向——演讲者称之为 AI 代理评估。这一领域已经与模型构建区分开来，且不易被自动化。
“评估就是我们‘掌舵’的方式；没有它，我们就像一艘没有舵的船，被 AI 推动前进。”
7. 对学术界和产业的启示
- 会议 应分配更大比例的议题给评估研究（可能约 50%）。
- 基准测试 已不足以衡量，需要 成本高、判断重的安全、鲁棒性和社会影响评估。
- 企业 IP 正在转移：评估流水线将成为有价值的专有资产。
- 同行评审自动化 是陷阱，会把研究方向的控制权交给 AI。
8. Hacker News 讨论的反驳点
| 评论者 | 主要观点 / 批评 |
|---|---|
| zkmon | 质疑“工作”的定义，认为如果 AI 能满足基本需求，人类可能根本不需要工作。 |
| Metricon | 预测软件行业会出现 医学类比：从“护士”（低代码用户）到“医生”（AI 增强的架构师）层级。 |
| doubtfuluser | 表达 AI 疲劳，对演讲语气持怀疑，感到被 AI 生成内容压垮。 |
| chopete3 | 总结要点：工作转向评估，无突发的 RSI 导致失业，可靠性是瓶颈，历史技术采纳提升了就业。 |
| skybrian | 提出 任务创造——为 AI 发明新问题——可能在市场饱和后成为限制因素。 |
| jppope | 认为 新、难的问题会不断出现，AI 不会彻底消除工作。 |
| ilaksh | 质疑关于数十年时间线的乐观，称当前可靠性指标已在快速提升。 |
| subygan | 指出 “财富优先 vs. 技能优先” 的叙事并非互斥，财富的积累往往需要技能提升。 |
| kkhs | 强调软件开发已经是抽象层，核心工作（理解用户需求）仍会存在。 |
| burningChrome | 提到代际阻力（Gen Z/A）对 AI 采纳的抵触，引用调查显示 44% 的 Gen Z 员工承认会破坏 AI 项目。 |
整体来看，讨论体现了 对 AI 引发失业的必然性持怀疑态度，关注 社会不平等，并 认识到新技能需求 的必要性。
9. 个人实用建议
- 投入时间学习 AI 增强的工作流——演讲者每周约花 10 小时实验，并将时间再投入到新技能上。
- 避免黑箱依赖——理解模型输出，校准置信度，保持控制权。
- 遵循“依赖螺旋”法则：在把任务交给 AI 前先掌握该任务，以防技能退化。
- 专注于评估、判断和领域专长——这些是人类独有的价值所在。
10. 共生超智能的愿景
演讲者设想未来 AI 如同 思维的起重机，放大人类潜能而非取代。只要保持 人类的控制、判断和创造力，我们就能实现一种惠及全社会的 共生超智能。
结论：AI 将重塑工作，但转变是渐进的，受可靠性和评估难题驱动，而非单一突破。最具韧性的职业道路是发展 战略思维、领域专长和 AI 评估 能力，成为日益自主系统中人类的“掌舵”部分。