我們還能留下什麼工作？——ICML 2026 主題演講要點
我們還能留下什麼工作？——ICML 2026 主題演講要點
TL;DR – 演講的主張
- AI 是一項普通的、放大效應的技術——它會改變我們的工作方式，但不會瞬間取代我們。
- 沒有任何實驗室的里程碑會讓工作全消失——即使實現遞迴自我改進（RSI），其經濟影響也會在數十年內逐步展開。
- 工作將從「建造」轉向「評估」與「判斷」——人類的高價值角色將是指導 AI，而非執行可驗證的任務。
1. AI 作為普通技術的框架
講者提出 AI 作為普通技術（AI‑NT）框架，將 AI 視為類似電力的工具：一種需要 發明 → 創新 → 擴散 → 適應 的變革性技術。前三個階段發展迅速（能力成長、商品化、早期採用），適應階段——重新組織企業、培訓、制定法規與勞動市場調整——則緩慢，往往需要數十年。這與歷史上從蒸汽工廠轉向電動組裝線的例子相呼應。
"當電力出現時，工廠並不是僅僅把蒸汽鍋爐換成發電機，而是重新規劃了整個生產布局。AI 也需要同樣的組織大改。」
2. 遞迴自我改進不會瞬間取代勞工
即使某家公司打造出能自行改進架構的 AI，其影響仍有限：
- 在低端，它類似 AutoML——自動化超參數搜尋，已相當普遍。
- 在高端，則需要取代整個全球 AI 研究社群的創造力，遠超目前的能力。
講者強調 創造力、判斷力與表徵品質 仍是瓶頸。當前 AI 在可驗證任務（精度、速度）上表現優秀，但在 一致性、魯棒性、校準與運營安全 等關鍵自動化維度上仍落後。
"過去 24 個月內，可靠性僅提升了五到十個百分點，儘管能力增長顯著。」
3. 能力‑可靠性鴻溝
對三家前沿 AI 公司的基準測試顯示：
- 能力（原始精度）急速飆升。
- 可靠性（一致性、魯棒性、校準、安全）僅有微幅提升。
含意：將 AI 作為全自動工作者部署仍不安全；人類指導的協作代理（human‑in‑the‑loop）仍是更實際的方案。
4. 案例研究：軟體工程
「決策‑執行‑交付」三層結構
| 層級 | 說明 | AI 影響 |
|---|---|---|
| 決策 | 需求、規劃、領域理解 | 難以壓縮——仍是人類的強項 |
| 執行 | 程式撰寫、除錯 | 可壓縮——代理可加速，但僅佔總工作量約 ⅓ |
| 交付 | 整合、測試、問責 | 難以壓縮——需要判斷與領域專業 |
因為 執行 層縮小，決策 與 交付 層擴大，導致 規格、架構與部署後治理 的工作增多。
生產力悖論
採用程式碼代理的公司資料顯示 人員數量沒有減少。瓶頸不在寫程式，而在 理解問題、協調團隊與維護系統——這些仍是 AI 尚未能自動化的任務。
5. 歷史類比——「勞動量」謬誤
- 自動櫃員機 反而提升了出納員的就業。
- 放射科 在 AI 輔助下就業增加，因為更便宜的影像檢查刺激了需求。
- 法律工作 隨著 AI 讓提起訴訟更容易而擴大。
- 翻譯 即使達到接近人類的水平，市場對多語內容的需求仍持續增長。
這些例子說明 Jevons 悖論：讓任務變便宜往往會創造更大的需求。
6. 工作的未來：從划槳到掌舵
講者使用海事隱喻：
- 划槳 = 執行可驗證、可重複的任務（程式撰寫、資料輸入）。
- 掌舵 = 決定方向、評估安全、對齊價值觀。
當 AI 接管「划槳」時，人類的努力將集中於評估、治理與策略方向——這門學科講者稱為 AI 代理評估。此領域已與模型建構區隔開來，且不易被自動化。
"評估就是我們『掌舵』的方式；若缺少評估，我們就成了沒有舵的船，由 AI 推進。"
7. 對學術與產業的啟示
- 會議 應將更大比例的時段分配給評估研究（可能高達 50%）。
- 基準測試 已不足；我們需要 成本高、判斷密集的安全、魯棒性與社會影響評估。
- 企業 IP 正在轉變：評估流水線將成為有價值的專有資產。
- 同行評審自動化 是陷阱，會把研究方向的控制權交給 AI。
8. Hacker News 討論的反思
| 討論者 | 主要觀點／批評 |
|---|---|
| zkmon | 質疑「工作」的定義，認為若 AI 滿足基本需求，人類或許根本不需要工作。 |
| Metricon | 預測軟體領域會出現 醫療類比：從「護理師」(低程式碼使用者) 到「醫師」(AI 增強的架構師)。 |
| doubtfuluser | 表達 AI 疲勞，對演講語氣持懷疑，感到被 AI 生成內容燒盡。 |
| chopete3 | 總結要點：工作轉向評估、RSI 不會瞬間失業、可靠性是瓶頸、歷史技術採用往往提升就業。 |
| skybrian | 提出 任務創造——為 AI 發明新問題——可能在市場飽和後成為限制因素。 |
| jppope | 主張 新、難的問題永遠會出現，AI 無法完全消除工作。 |
| ilaksh | 質疑數十年時間表的樂觀，認為目前的可靠性指標已在快速提升。 |
| subygan | 指出「財富優先」與「技能優先」的敘事並非互斥，創造財富往往需要技能培養。 |
| kkhs | 強調軟體開發已是抽象層，核心工作（理解使用者需求）仍會持續。 |
| burningChrome | 提到世代阻力（Gen Z/A）對 AI 的抗拒，根據調查有 44% 的 Gen Z 員工承認會破壞 AI 計畫。 |
整體而言，討論反映了 對 AI 引發失業的必然性持懷疑、對 社會不平等 的關切，以及 需要新技能組合 的共識。
9. 個人實務建議
- 投入時間學習 AI 增強的工作流程——講者每週約 10 小時實驗，並將這些時間再投資於新技能。
- 避免黑盒依賴——了解模型輸出、校準信心，保持控制權。
- 遵守「依賴螺旋」法則：在把任務交給 AI 前先精通該任務，以防技能退化。
- 聚焦於評估、判斷與領域專業——這些是人類獨有的價值所在。
10. 共生超智慧的願景
講者描繪未來 AI 如同 心靈的起重機，放大人類潛能而非取代。只要保有人類的 控制、判斷與創造力，我們即可達成對社會有益的 共生超智慧。
結論：AI 將重塑工作，但變革是漸進的，主要受可靠性與評估挑戰所驅動，而非單一突破。最具韌性的職涯路徑是培養 策略思考、領域專業與 AI 評估 能力，將自己定位為日益自主系統的人類「掌舵」角色。