如何避免被AI取代工作
约有半数人担忧工作将被人工智能取代。a 这种担忧并非空穴来风：当前人工智能已能完成GitHub上的真实编程任务、生成逼真的视频、比人类更安全地驾驶出租车，并实现精准的医疗诊断。b 未来五年内，人工智能将继续快速进步。最终，大规模自动化与工资下降确实可能成为现实。
但人们往往忽视的是，人工智能在压低其能完成的技能价值的同时，却在提升其不能完成的技能价值。随着人工智能的发展，自动化将创造巨量财富，剩余的这些不能被轻易完成的任务将成为经济增长的瓶颈，工资（平均水平）在下降前反而会先上涨。正如我将阐述的，自动取款机实际增加了银行职员的就业——直到网上银行进一步自动化了该岗位。
最佳策略是学习那些会因人工智能而增值的技能，乘上这股自动化的浪潮。那么这些技能是什么呢？以下是这篇文章的预览：
随着AI的进步，最可能增值的技能
| 技能 | 价值所在 | 培养路径 |
|---|---|---|
| 运用AI解决实际问题 | 随着AI能力提升，能有效引导AI的人将更具影响力。AI无法处理的复杂环节将成为瓶颈。 | • 在现有工作中运用前沿AI工具 • 加入AI应用初创企业或利用AI解决实际问题的机构 |
| 个人效能 | 生产力、社交能力与快速学习能力适用于所有岗位，并能放大其他技能价值。 | • 借助AI导师快速掌握新技能 • 与具备这些能力者共事 • 培养相关习惯 |
| 领导力技能 | 管理、战略制定与研究品味属于AI难以驾驭的复杂任务，但AI赋予领导者前所未有的影响力。 | • 寻求导师指导 • 在小型成长型组织任职，争取小规模的管理岗位；或启动副业项目 • 研习并实践最佳实践（详见全文链接） |
| 传播与品味 | 内容创作将被自动化，但鉴别力以及与受众的信任关系将愈发珍贵。 | • 聚焦人格化的内容创作 • 建立真实的受众联结 • 与具备审美品味的伙伴合作 |
| 政府事务执行力 | 公民希望决策由真人做出，因此掌握政府事务执行力仍至关重要（即便许多公务员岗位会消失）。 | • 通过标准路径进入策略领域：幕僚职位、实习、研究员、政府职位及其他与成功从业者并肩的岗位 |
| 复杂物理技能 | 机器人技术落后于知识工作，尤其在不可预测环境中的专业作业领域。 | • 在新兴领域寻求学徒机会（如数据中心建设） • 从基层岗位起步逐步晋升 |
若能结合AI所需领域的知识——包括机器学习、网络与信息安全、数据中心及发电厂建设、机器人研发与维护，以及（相对较少）可能随经济增长大幅扩展的领域——这些技能将尤为珍贵。
相比之下，以下技能的未来前景则更加不确定：
- 编程、应用数学和STEM学科
- 常规白领技能：对既定知识的记忆与应用、常规文书撰写、行政事务和翻译
- 视觉创作（如动画制作）
- 更常规的体力技能（如驾驶）
此趋势对整体劳动力市场的影响及演变速度尚难预判。若需推测，我认为在金融、科技、法律、政府、医疗及专业服务等白领领域，初级岗位将面临挑战，而监督 AI 智能体的经理阶层将扩大。（不过短期内，入门级岗位薪资甚至可能上涨。）小型团队和个人将能完成远超以往的工作量。需要亲身在场的工作（如警察、建筑工人、教师、外科医生）将相对不受影响（收入大致与GDP同步增长），至少在机器人技术赶上之前如此。
若要提一条实用建议，那就是学会部署人工智能来解决实际问题。你可能在现有工作中就能做到，但特别值得考虑的职业资本选择是加入快速发展的人工智能应用初创企业。这不仅能深化你对人工智能的理解，还能让你快速掌握通用生产力技能和领导力。
本文后续内容将：
- 阐释为何自动化反而能提升不容易被轻易自动化的工种的薪资水平
- 运用现有研究、经济理论、近期数据以及对 AI 工作原理的理解，识别出最有可能因 AI 而增值的技能类型。简而言之，这些技能的特点是：(i) AI 难以掌握；(ii) 与 AI 的部署互补；(iii) 其产出多多益善；(iv) 他人难以学习。
- 运用这些分类来识别最有可能升值的具体工作技能，并阐述每项技能的入门方法。
- 最后，就如何进行自我定位给出一些思路：避免长期培训和常规的白领工作；优先选择小型或成长型组织中的职位；开展个人项目；学习将人工智能应用于你所做的任何事；并通过增加储蓄和投资心理健康来增强自身的韧性。
为何自动化往往不会降低工资
1990年代中期，银行开始出现自动取款机。当时人们以为这会使大量柜员失业。c
而事实也的确如此：每家分行的柜员数量从 21 人降至 13 人。
然而，这也大幅降低了银行分行的运营成本。为此，银行纷纷开设更多网点。在随后的二十年间，柜员总就业人数反而持续增长，只不过他们现在的工作重心从点钞转向了与客户沟通。
尽管人们普遍认为自动化会降低工资和就业，但这个例子说明了这种看法在两个方面可能是错误的：
- 自动化确实会降低被自动化的技能（如点钞）的薪资水平，但往往会提升其他技能（如客户沟通）的价值，因为这些技能会成为新的瓶颈。
- 部分自动化能提高员工生产效率，从而使雇主愿意雇用更多人，增加特定岗位的就业。在本案例中，生产效率的提升意味着更少的银行柜员就能为相同数量的客户提供更优质的服务。
但这个故事还有一个最后的反转：如今，柜员的就业人数正在下降。
因此，虽然部分自动化增加了就业，但网上银行所实现的更彻底的自动化确实减少了就业。这也是一种常见的模式。
实际上，存在两种相互竞争的力量：人工智能工具能提升人类劳动者的生产力，通常增加就业；但若人工智能开始全面取代人类工作，则会减少就业。自动化程度中等时，难以预测哪种力量会占上风；而自动化彻底时，后者往往占据主导。
工业革命时期的英国，纺织业实现了高度自动化。但这使该行业生产力大幅提升，纺织制造业就业人数反而激增——直到数代之后才再度下滑。
如今，秘书、行政人员、呼叫中心员工、收银员、电话营销员、特效师和动画师的就业岗位已急剧萎缩——人工智能或许正助推着这一长期趋势。
然而，2023 年数据科学领域的就业量仍增长了 20%，尽管人工智能在快速统计分析和可视化方面表现优异。d迄今为止，人工智能或许使数据科学家更具价值，而非取代他们。（这种局面能持续多久仍有待观察。）
一项分析发现，人工智能确实降低了对翻译人员的需求，但翻译的净就业人数仍在增长。这可能是因为人工智能导致的就业减少还不足以抵消整体经济增长带来的就业增长（至少目前如此）。
自动化对就业产生积极影响的第三种方式在于：某类工作的自动化往往会催生新型岗位，并因社会整体财富增长而提升整体薪资水平。
历史上，大多数人从事农业。但在如今的富裕国家，这一比例仅占百分之几，所以可以说经济体中的大部分工作岗位早已实现了自动化！然而，今天的收入比那时高出约百倍，这表明总体上人们转向了薪酬高得多的工作。在韩国等国家，这一转型在很大程度上仅用了一代人的时间就完成了。
如果许多远程工作岗位被自动化，类似的情况也可能发生。Epoch AI 是一个专注于 AGI 与经济学相互作用的研究小组。他们估计，大约三分之一的工作任务可以远程完成；如果这些任务全部被自动化，GDP 将增长两到十倍。在这种情况下，所有非远程任务的工资也可能同样增长两到十倍。甚至白领的就业岗位数量也可能增加，但其工作角色将完全集中在剩下的人在回路和非远程工作的瓶颈上。
这并非否认自动化会对从事被自动化岗位的工人造成巨大的颠覆性影响，而是想说明，自动化有时也能提高他们的工资，并惠及其他岗位的劳动者。
这便是我更关注技能价值升降、而非特定职位名称的原因之一。
但若人工智能结合通用机器人技术，能实现几乎所有工作的自动化，工资必然会下降吧？
“全面自动化”对工资意味着什么？
正如银行柜员的部分自动化增加了就业，但更密集的自动化却减少了就业，或许对全体人类工作者而言，也会出现同样的现象？
人工智能与机器人技术的结合，其潜力可谓前所未有，因为它或许能比人类更出色地完成几乎所有经济生产性任务。
尽管许多经济学家对这种可能性不以为然，但技术领域的专家们却认为这是可能的。
若此情景成真，众多经济模型显示工资可能被压低，甚至跌破生存水平——初期因‘数字劳动力’池的迅猛扩张导致劳动力供给激增，后期则因其将能源与资源转化为产出的效率远超人类，导致工资一直降低。
我并非断言这必然发生，但确实是可能的走向。Epoch还构建了一个综合模型，模拟了全面自动化在经济领域的展开。在默认假设下，工资最初将增长约10倍，但随着最后的人力瓶颈消除，将在2030年代后期急剧下跌。
若人类仅需承担极小比例（例如1%）的工作，则同一模型显示工资将无限增长——因为此时每个劳动者都专注于那剩余的1%。e 100%自动化与99%自动化的差异堪称天壤之别！（阅读更多关于全面自动化对工资的模糊影响的讨论。）
然而，我认为我们应该严肃对待全面自动化与工资下降这种可能性。
若全面自动化终将实现，你该如何应对？
在通往全面自动化的道路上，会出现部分自动化。基于上述原因，这将暂时推高工资水平并增强你的议价能力。
因此无论哪种情况，你的下一步行动都应一致：掌握近期最具增值潜力的技能，以便在全面自动化到来前，最大化你的贡献（及薪资）。
（另有一观点主张增加储蓄，以降低对政府财富再分配的依赖。更多个人应对AGI的准备策略详见此文。）
2. 四类最具升值潜力的技能
未来数年可能给许多人带来剧烈冲击，财富集中度或将加剧。本文不探讨社会层面的应对方案，而是聚焦个人如何优化自身定位——包括如何更好地助力社会应对这些挑战。
本文旨在提供思考工具，帮助你根据自身处境和职业多样性，判断哪些技能价值将上升或下降。
这显然是一个动态变化的目标，但我将其分解为四种可能增值的关键技能：
- **AI难以胜任：**数据匮乏、杂乱无章、长周期的任务，且需要人在回路。
- **部署人工智能所需技能：**组织和审计人工智能系统的技能，以及数据中心建设等互补性行业的相关技能。
- **创造世界亟需之物的技能：**推动医疗、住房、科研、奢侈品等领域进步的能力——这些领域的产品在品质提升、价格降低时，人们的需求也会随之增长
- **他人难以掌握的技能：**与自身独特强项相匹配的稀有专长
（经济学注解：即低替代性、互补性、产出需求高弹性，以及劳动力供给低弹性。）
2.1 AI 难以胜任的技能
要培养对 AI 能力的直觉，最好的方法就是尝试使用前沿的 AI 工具来完成实际工作（而不是那些性能较差的免费模型）。不过，我想基于对 AI 训练方式的理解，为 AI 的能力范围提供一些理论基础。
未纳入 AI 训练数据（且难以收集）的任务
大语言模型（LLMs）通过训练其预测互联网数据而创建（参见快速入门指南）。这使它们非常擅长基于模式匹配和调用互联网数据的任务。
这类任务数量庞大。2015年，弗雷与奥斯本曾认为社交技能将抵御自动化浪潮。如今，心理咨询聊天机器人已成为最热门的人工智能应用之一。
许多人类难以掌握的技能——包括大部分心理治疗、医学诊断和编程——都能由“模式匹配”系统很好地完成。
大语言模型显然也能进行新颖的泛化。例如，你可以问 GPT-4：“如果比萨斜塔与圣保罗大教堂互换位置，我站在伦敦千禧桥向北眺望，会看到什么？”它甚至能对全新的地点组合给出答案。
然而，大语言模型在许多方面仍表现不佳，而这些通常是其训练数据中所缺少的任务。
机器人控制便是一个例证。尽管互联网蕴藏着海量的语言数据，却缺乏一个与之相当的、用于描述物理运动的数据宝库。
这种运动数据的缺失也难以弥补，因为难以构建能低成本生成此类数据的逼真虚拟环境。唯一的选择是制造大量真实机器人并让它们移动，但这代价高昂。因此，人工智能在与物理世界交互方面仍存在显著短板。
相比之下，网络上已存在大量白领工作的操作数据，且未来更优质的数据将易于获取——因为这些工作主要在计算机上完成，每一步操作都能被精准追踪。
弗雷和奥斯本曾预测人工智能在“创造性”任务上表现不佳，但如今看来这种观点也过于简单化。截至2025年，大语言模型已能胜任头脑风暴、创作多种风格文本（包括创新组合形式）、编写押韵诗歌等任务。然而它们在创新性概念洞察方面仍显薄弱。这或许源于：前者更接近训练数据中的模式匹配，而后者则需要更大幅度的思维飞跃。
复杂的长周期技能
新一代AI系统（如o1）以LLM为基础模型，再通过强化学习训练其推理和追求目标的能力。
这类似于试错式学习：AI系统尝试执行任务，根据其准确率进行评分，然后进行调整以提高准确率（参见入门指南）。
在2024年，这一新范式在数学、编程和解答已知科学问题方面取得了巨大进展。
这是因为这些领域存在客观答案，能以纯虚拟方式即时验证，因此非常适合强化学习。
反观创业这类技能，则涉及大量无标准答案的判断决策，且成功需经年累月验证。因此强化学习在此类技能中难以奏效（也缺乏记录创业者创办公司每一步的海量数据集）。
其他例子可能包括发起一场文化活动、指导一项新颖的研究项目，或者制定组织或政治战略。
这些技能的特点是：
- 混乱性——缺乏明确定义的指令和可衡量的结果
- 长周期——实施与衡量成功需要时间
正因如此，尽管人工智能在某些数学和编程问题上展现出近乎超人的能力，其玩宝可梦的水平仍逊于多数七岁儿童。
在许多相对简单的任务上它同样表现拙劣，例如“在办公室安装一组书架”——因为这类任务涉及规划、视觉解读、雇佣人员以及验收工作。
这些模型能有效执行简短且定义明确的任务，但执行时间一长就会丧失连贯性并陷入循环。
这有助于解释为何迄今我们看到的AI自动化案例寥寥无几。即便在AI最擅长的领域——软件工程中，它也只能处理约一小时的任务，而大多数软件工程工作由至少耗时数天的项目构成，需要团队协作和理解庞大的代码库。
但必须承认，AI在处理复杂长时程任务方面正快速进步。若AI进步足够迅猛，或强化学习能良好泛化，它甚至可能很快就在这类技能上超越大多数人。AI或许还能通过蛮力生成创意，做出新颖的智力贡献。
然而，棘手且长期的任务仍是人工智能最可能陷入困境的领域，而掌握最棘手、最长期的技能可能仍需数十年时间。
若出现一种其优劣势与现有系统截然不同的全新人工智能范式，或人工智能发展加速，上述论断可能失效，但这仍是当前最合理的评估。
需要人在回路的技能领域
即便AI在技术上能胜任某项任务，但出于对『人在回路』的需求，其应用也可能受限。经济学家们指出了以下几种主要情况（例如参见迈克·韦伯访谈）：
| 情境 | 推理 | 示例 |
|---|---|---|
| 法律责任 | 某些重要决策需由自然人承担法律责任 | 特许工程师、法庭律师 |
| 高可靠性要求 | 人工智能系统存在幻觉和异常错误，需人类专家核查结果并实施监督 | 人类历史学家核查人工智能研究的错误 |
| 工会及专业团体介入 | 游说团体将推动制定标准与法规以保护就业岗位 | 医生和律师控制专业认证且游说力量强大，可能阻挠本行业应用AI |
| 强烈偏好人性化的服务 | 许多人更倾向由人类提供特定服务，或将其视为奢侈体验。 | 保姆、拥有独特故事或品牌的艺术家、宗教领袖 |
| 需实体在场 | 许多岗位要求人员亲临现场监督。即便机器人效能提升，人们仍可能不愿依赖它们。 | 警察、教师、护士 |
| 机构惯性 | 多数组织将缓慢采用人工智能工具，意味着人类仍占据重要岗位。（尽管真正的“即插即用远程工作者”型人工智能能融入现有工作流程，部署速度远超以往技术浪潮。） | 例如许多政府工作岗位，以及护城河深厚的大型公司。 |
| 意图对齐 | 即使是强大精准的人工智能系统，仍需理解人类期望其完成的任务。未来可能出现越来越多需要向人工智能系统明确偏好的岗位。 | 政府资助的偏好收集计划(?) |
这些因素可能比前两项更持久地构成瓶颈，因为他们即使在能力极强的人工智能系统出现后仍会存在。另一方面，我们尚不清楚这些因素将对AI应用造成多大程度的制约。
例如，在婚礼仪式上人们常播放古典音乐，大多数人也更倾向于真人演奏。然而，最终多数人还是会选择使用录音，因为这要便宜、方便得多。
同理，即便人们更偏好人类制造的商品，且 AI 产品在某些方面仍有不足，但它们在其他方面可能优势巨大，以至于最终成为绝大多数人的选择。f
此外，这类“人在回路”岗位的需求，相较于能够胜任的人力供给，是否足以维持高薪，仍有待观察。即便人们仍想要人类创作的艺术品，也并非人人都能成为艺术家。
自动化受物理基础设施瓶颈制约的技能
假设通用机器人技术明日就能完美运作，自动化取代体力劳动需要多久？
可能需要相当长时间。当前机器人年产量仅数百万台。要生产约十亿台机器人以实现所有体力劳动自动化，仍需时日（即便实际进程可能快于预期）。
机器人生产的相对缓慢与物理任务数据的匮乏，将导致其自动化进程暂时落后于认知任务。
即便人工智能部署于认知任务，其进程也将在一定程度上受限于可用算力，尤其当早期系统大量使用[测试阶段算力]时（https://youxiaolita.com/文章/2030年实现agi的论据#3-increasing-how-long-models-think）。这意味着初期人工智能自动化将聚焦高价值任务（如研发领域），从而延缓低薪岗位的自动化进程。
2.2 人工智能部署所需技能
到2025年，用上尖端人工智能，就有点像拥有了一个全天候的专家顾问与导师团队（能在任何主题上提供指导）、为独立项目服务的无限编码能力，以及无数能完成简短行政任务的远程工作者。
这些工具赋予个体工作者前所未有的执行力。全球最成功的初创企业加速器Y Combinator已印证这一趋势：其当前孵化项目中70%聚焦人工智能，且增长速度是十年前同类初创企业的数倍。
（而十年前，初创企业本身就比前几十年发展得更快。人工智能的影响是长期趋势的一部分。）
当前这种效应在虚拟且无拘束的软件初创企业领域最为显著，但其可能性正在不断扩展。你无需在科技初创企业工作，也能利用人工智能更快速地学习新技能、获取建议、修改作品、开发软件等等。
而真正的“虚拟工作者”将再次大幅提升这种杠杆效应。这很可能催生一个特殊时期——指挥这些人工智能工作者将成为极其珍贵的技能。
这些技能可能包括：
- 发现问题并确定重点方向
- 理解最新模型的优缺点，并围绕其弱点进行设计
- 撰写清晰的项目规范
- 洞悉终端用户真实需求（用户体验）
- 设计人工智能工作者系统，包括错误检查
- 理解并协调相关人员
- 承担责任
（这些技能与管理人类的技能有诸多相似之处。已有证据表明优秀的人类管理者更擅长管理人工智能团队。）
这类技能不仅是人工智能难以驾驭的复杂、长期任务，更与人工智能形成互补关系：随着人工智能进步，这些技能反而更显珍贵。双重效应叠加使其价值倍增。
反观那不勒斯定制西装的匠人（传承自世代裁缝世家），其技艺虽非人工智能所能轻易复制，却也与之缺乏互补性。这意味着该技能的市场价值将大致与全球收入同步增长，而非超越后者。
其他可能与人工智能部署形成互补的技能，与人工智能规模化所需的其他领域相关，例如：
- 人工智能硬件专长：若人工智能持续进步，就需要大规模部署芯片来运行和训练这些系统。
- 人工智能开发：随着AI价值提升，将其效能提高1%的价值也成比例增长，因此AI研发中的瓶颈价值将大幅攀升（但请注意，从事这项工作也会增加AI带来的风险）。
- AI部署所需的物理任务：例如建设数据中心和发电厂，以及机器人技术的开发与维护。
- 网络与信息安全：随着人工智能和机器人技术日益融入经济的方方面面，这些系统的安全性也变得至关重要（没人想被自己的机器人管家绑架）。
2.3 需求潜力巨大的技能领域
我每年只需报税一次。即使 AI 将报税成本减半，我仍只会报税一次（并将省下的钱用于其他用途）。
反观优步：当打车服务变得更便宜更便捷后，人们使用频率大幅提升，某些情况下支出甚至超过从前。过去十到二十年间，打车市场实现了显著增长。
医疗保健、更优质的住房、更好的娱乐、奢侈品、个人发展、研究以及我消费的许多其他领域，情况也可能如此。
反观那些为满足法律要求（如执照认证）而存在的岗位，以及需求主要由政府设定的行业，其需求可能更为固定（例如，尽管医疗需求通常随GDP一同增长，但英国医疗行业的薪资在过去十年中实际有所下降）。
更广泛地看，我们可以思考在人工智能自动化时代，哪些行业可能跑赢整体经济增速。
例如，AI 自动化将创造巨额财富，这些财富很可能集中在拥有多数资本的顶层 1% 人群手中。收入差距扩大将刺激奢侈品需求激增。在旧金山提供定制品茶会这类服务，既难以被 AI 取代，又将面临日益增长的需求。
2.4. 他人难以习得的技能
以高档餐厅服务员为例。随着人们财富增长，外出就餐的频率将提升，而这份工作对体力和社交技能的要求很高，顾客可能仍强烈偏好人性化服务。
因此我预计，许多体力及零售服务业岗位将出现就业增长，其薪资水平也将与整体经济同步提升。
但这些岗位的薪资涨幅可能不会异常显著，因为从业者只需相对较少的培训即可入行。当大量人群都能掌握某项技能时，该技能的薪资增长空间就会受限。
未来价值增长最显著的技能，将是那些劳动力市场需长时间才能响应其需求增长的技能。
例如，建筑工人可转向更专业化的工种，如成为专注数据中心等高需求领域的电工。在快速增长时期，这类专业技能持有者更有可能成为关键瓶颈。
3. 那么未来哪些具体工作技能价值将大幅提升？又该如何习得？
让我们综合运用上述分析框架，对最具价值的工作技能进行整体预测。理想的技能应至少满足上述类别中的两项，最好能涵盖全部四项。本文聚焦于相对广泛的可迁移技能。
3.1 运用AI解决实际问题的技能
**内容：**部署AI所需且难以自动化的技能：理解AI系统的优劣势、设计AI系统并将其与外部世界连接、为AI系统指定指令、优化系统用户的用户体验。
**原因：**随着人工智能能力的提升，系统管理者将成为力量的放大器。人工智能无法完成的复杂协调工作及所需监督将成为瓶颈。最终，大量经济活动可能聚焦于制定人工智能系统的指令。
**如何学习：**任何人都可以通过运用最新AI工具在工作中实现实际成果来培养这项技能。你可以在现有岗位或副业项目中实践。若想跳槽到能加速掌握该技能的岗位，建议加入AI应用初创公司或其他致力于用AI解决现实问题的成长型组织（或任何已具备此技能的地方）。在这些岗位上，你不仅能掌握该技能，还能学习创业精神、管理能力和通用生产力。务必运用最前沿的模型，同时思考未来一到两代技术可能带来哪些可能性。
3.2 个人效能
成为高效主动型人才
**内容：**设定目标、建立追踪任务并确保按时完成的系统、学习自我激励与专注、培养高效主持会议等良好职业习惯，以及基础情绪管理。
**意义：**这些技能适用于任何岗位，即使自动化程度很高，它们也很可能仍有价值——包括在部署人工智能的过程中。这些技能还关乎能动性以及全程负责的能力，而这正是人工智能的薄弱之处。此外，它们还能倍增你其他技能的价值。
**学习方法：**提升综合生产力的实用方法众多，详见此列表。另可参考如何提升能动性。
社交能力
内容： 建立人际关系、高效协同合作、理解他人情绪。
价值： 尽管人工智能常被认为比人类更具同理心，但人们仍会渴望与真人建立情感联结（至少作为一种奢侈品）。此外，随着更多常规工作被自动化，剩余工作中有更大比例可能转变为人类团队间的协调（例如想象三位创始人管理大型 AI 智能体团队并快速同步，或软件工程师需向老板汇报 10 个 AI 的输出结果）。社交能力也是其他诸多技能（如管理能力）的重要基础。
**学习方法：**此项能力难以习得，但可主动创造大量实践场景。多与社交能力强的人相处，并参考这些笔记获取更多思路。
学习如何学习
**是什么：**快速掌握新的知识体系与技能。
**原因：**随着世界变化得更快、更不可预测，快速学习新技能的能力也变得更有价值。同时，人工智能意味着你几乎可以在任何领域获得廉价的一对一辅导，许多人表示这让他们学习的速度远超以往。这项技能也能帮助你掌握这个列表中的所有其他技能。
**学习方法：**人工智能让学习许多技能的速度快了很多，因为你几乎可以就任何主题获得全天候的个性化辅导。学会如何利用这一点，其本身就是一项极具价值的技能。另请参阅我们之前的文章《如何更成功》中的相关章节。
3.3 领导力技能
围绕管理、创业和策略存在一系列技能：这些技能看似难以被人工智能取代，能从人工智能日益增强的杠杆效应中获益，我们亟需更多此类人才，而当前人才供给却十分有限。虽然这些技能可能难以掌握，但我建议通过小规模实践来培养，这有助于你在全职工作中更快运用这些技能。
创业
**核心内容：**发掘新项目创意、制定策略、主动协调人员与资源，以及管控风险。
**意义：**小型人类创始团队已能创造前所未有的价值，未来更将能即时调动庞大的 AI 智能体团队。
**学习路径：**任何人都可通过运营副业或推动职场创新项目（如协助推出新产品、筹办新会议、运营网店）来实践创业技能。AI将使此类项目推进速度远超以往。若想专注创业型职业发展，可参考我们关于创始型组织的专题报道。加入新兴的快速成长型组织也是学习这些技能的绝佳途径。
管理
**范畴：**人员管理、产品管理、项目管理。
**原因：**部分管理工作属于长周期且非结构化的任务，人们会希望由人在回路中的人类来承担责任。我们或许会看到组织结构变得更加头重脚轻——由更多人类管理者监督规模较小的、AI赋能的团队，并最终管理庞大的AI团队。如今，管理岗位的就业正在迅速增长。（尽管某些中层管理岗位可能会被AI工具精简。）人员管理技能同样有助于管理AI系统。
**学习路径：**研读管理的最佳实践（参见这份书单)，随后从小规模实践起步（如管理业余项目的承包商或志愿者）。尝试跟随优秀管理者学习，逐步晋升管理岗位。持续践行最佳实践、寻求导师指导，同时收集下属反馈。
战略规划、优先级管理与决策制定
核心内容：确立组织愿景、使命及评估指标，识别优先事项，作出高风险决策。
**意义：**随着AI提升事务执行效率，决定首先该做什么就成了核心问题。这属于复杂且长时程的任务，AI在此领域仍显滞后。尽管AI在特定预测与决策领域可能很快超越多数人类，但人类仍需参与决策复核环节。
**学习方法：**尝试与具备此能力者共事。专注于寻找一个可以练习制定战略的领域（规模不限）。随后学习将最佳实践应用于该领域。以下是常见的优先级框架、战略类畅销书 以及我们的决策指南。将预测作为爱好并追踪结果。学习运用AI工具与预测平台辅助决策。写作虽正被自动化取代，但作为最佳思维辅助手段之一，其学习价值依然显著。
真正的专业素养
**核心要素：**对重要领域具备专家级理解力、研究品味、创新性概念洞察力及复杂问题求解能力。
**原因：**专家需要监督人工智能系统和关键决策，因此将与之形成互补。此外，出色的概念洞察力和研究品味将是最难被自动化的能力之一，因为它们是典型的数据稀疏、过程混乱、着眼长远的任务（尽管人工智能可能擅长蛮力式创新）。这些技能对大多数人来说也难以习得。
在高增长领域（如人工智能部署、人工智能开发、机器人技术、计算机硬件、网络安全和发电）以及关键政府政策领域（例如中美关系、人工智能监管、国防），专业知识将最具价值。
另一方面，随着人工智能不断进步，真正专业知识的门槛将持续提高。只有当你能快速跻身前沿领域并保持领先时，才值得选择这条道路。
**学习路径：**寻求顶尖从业者的指导，刻苦练习，并完成该领域标准的其他培训步骤。
3.4 传播与品味
**核心能力：**具备设计/美学/受众偏好的判断力，拥有鲜明个性、独特故事线、个性化品牌形象及与受众的情感联结，掌握传播策略/公关/品牌战略。
**核心价值：**尽管许多内容创作与营销工作似乎将要被自动化，人们仍渴望与真实有趣的个体建立联结。当海量内容或设计易于生产时，甄别优质内容的品味能力愈发珍贵，而创作方向的战略规划同样至关重要。
学习方法：“酷感”虽难刻意培养，但可尝试通过特定平台（如YouTube频道）与特定受众建立深度联结。练习运用AI辅助内容创作，并通过长期观察有效内容来磨砺审美。专注于个性化内容与叙事创作（而非GPT能轻易生成的内容类型）。
3.5 在政府中成事的能力
**核心能力：**精准把握沟通对象和议题框架，推动新政策通过或实施的技能，以及政治策略和政府决策能力。
**重要性：**即便政府的许多日常知识性工作被自动化，其部门规模也可能至少与经济规模保持同步增长。人们希望决策者是真人。这意味着，在政府中促成事务的那些模糊、着眼长远的技能将保持其价值，尤其从社会角度来看。实际上，随着更多工作实现自动化，政府的重要性甚至可能不降反升。此外，政府在采纳新技术方面会比较缓慢，且面临的市场竞争也较少。
**学习路径：**如果你认为自己能突破入门级和常规分析岗位的限制，可以考虑为掌握此项技能的人物工作——例如，成为国会议员助理，或探索其他进入政策领域的标准途径。
3.6 复杂物理技能
**内容：**执行精确物理任务的能力，尤其是在需求不断增长、不可预测的高风险环境中——例如监督手术、数据中心电工与施工、半导体技术员。
**原因：**机器人部署很可能滞后，给需要手艺的工作带来机会，特别是那些对人工智能部署至关重要、且最难由机器人（或他人）完成的任务。
学习方法： 遵循该领域的标准路径，从学徒做起。
4. 前景更不确定的技能
以下是一些其价值下降可能性更大的技能。但这很难预测——众所周知，局部自动化在初期往往会增加岗位需求，但随后又会导致需求下降。
4.1 常规知识工作：写作、行政、分析、咨询
当前所有关于哪些岗位最可能受到人工智能浪潮影响的研究都认为，受冲击最大的将是收入处于第70至90百分位（在美国约合10万至20万美元）的白领岗位。g
AI在处理此类任务时已颇具成效，因数据集中存在大量范例，且涉及模式匹配或信息召回。未来数据收集将更便捷，且多数任务简明清晰，强化学习应能有效应用。具体而言，可能涉及以下技能：
- 大量的写作和文稿编辑工作
- 进行基础分析，就如财务分析师、法律文员、公务员或验光师所做的那样。
- 对既定信息的调用，例如在医疗诊断中。
- 行政事务
- 翻译
在每个组织中，许多这类岗位都可能被少数人取代——他们将监督大量的 AI 智能体（或人工智能辅助的人类），使组织变得更加头重脚轻。卢克·德拉戈将此现象称为‘金字塔式替代’。
话虽如此，随着经济增长，新的细分市场的盈利将推动组织总量扩张。因此即便单个组织所需人力减少，整体就业水平短期内未必下降。
这些岗位也可能演变，以填补人工智能的空白，例如：
- 与客户讨论生成式AI的建议
- 核查生成式AI的产出
- 加大对更精简、更高产的员工队伍的培训投入
- 向人工智能系统发出指令
如果存在大量空白，就业状况可能不会有太大变化。更何况，每位员工的产出将相当于过去的数人，这可能会进一步增加需求。
许多组织采用人工智能工具的步伐也会很慢，因此这些工作岗位会存在更长时间。
这意味着，这些变化对白领职业就业的净影响难以预判。以下是对若干职业中期前景的纯粹推测：
- **医疗保健：**预计从业人员将减少诊断、行政和监测的时间，而增加实际操作（如实施治疗）的时间。薪资水平将保持稳定，但增速可能放缓。
- **投资管理：**预计长期趋势将延续——更多地依赖量化系统，并由少数高薪从业者进行监管。
- **战略咨询：**咨询公司很适合为企业提供人工智能应用方面的建议，且近期增长迅速。对人工智能咨询需求的增长，可能会抵消初级员工工作被自动化的影响。此外，它们可能仍愿意雇用初级员工，以便为高级职位培养人才。
- **专业服务：**专业服务（如会计）的前景与战略咨询类似，但略显逊色，因其较少涉及人工智能难以替代的创新性战略工作。例如，常规会计工作将日益自动化，仅需少量（可能更少）会计师专注处理复杂案例。
- **法律领域：**该行业可能出现头重脚轻的格局。资深律师将借助AI辅助研究，但仍需亲自审核关键决策并与客户商讨。常规法律事务和研究工作将实现高度自动化。
- **政府部门：**专注于提供研究简报、政策建议及行政事务的公务员岗位可能缩减，取而代之的是规模可能扩大的、运用 AI 的资深员工和政治性强的职位。
4.2 编程、数学、数据科学与应用STEM
十年前，我们在80,000 Hours平台就建议人们学习编程和数据科学——恰逢需求爆发前夕。
然而，如今这些技能的前景要不确定得多。
编程是当前人工智能最擅长的领域——也是其进步最快的领域。由于编程具有虚拟特性且反馈循环迅速，它相对适合强化学习。软件开发者的就业人数在多年增长后，2024年趋于平稳。i
另一方面，许多人告诉我们，AI 工具让学习编程的入门过程快得多，能做的事情范围也扩大了。
随着软件生产成本降低，需求也可能随之增长——这意味着以往无利可图的项目变得值得投入。
可以说，花费一两个月学习编程的价值甚至不降反升（即便耗费数年学习的价值可能下降了）。你或许能更快达到足以理解编程的程度，从而与创业或设计等其他技能形成互补。
因此，目前尚不清楚这项技能的价值是否已经下降，但我们也需考量未来五年的发展态势。在此期间，人工智能很可能在编程领域明显超越人类，甚至在更长周期、更复杂的项目中占据优势。
若此成真，软件开发者或可转型为人工智能系统管理者，将编程知识与其他技能相结合。但部分从业者可能难以完成这种转型。
数据科学家的处境类似，尽管目前该领域就业仍保持快速增长。若你正考虑进入该领域，应专注于快速建立对数据分析的概念性理解，而非基础分析的具体实施。
数学及应用STEM领域的技能同样面临类似挑战，尤其是那些依赖既有知识的应用型技能。人工智能在解答明确的科学或数学问题方面，已超越博士水平。
4.3 视觉创作
人工智能在生成图像方面已相当成熟，且即将攻克逼真视频技术。目前它仍难以保持画面连贯性并执行精细的视觉指令，这意味着人类监督仍不可或缺。但随着自主能力和多模态处理技术的提升，这一问题或将在未来数年内得到解决。
如前所述，2024年特效艺术家和动画师遭遇大规模裁员，而平面设计师就业人数持平。
另一方面，部分创作者将借助AI工具实现远超以往的产出。
4.4 更可预测的体力工作
历经多年预测，自动驾驶出租车正加速落地部署，发展速度极快。虽然难以预测其推广到所有主要城市需要多长时间，但未来五年内出现大规模司机裁员浪潮并不令人意外。
总体而言，机器人最易胜任的是在可预测、简单且风险较低的环境中执行任务。例如，仓库作业已大量由机器人承担——尽管这尚未导致仓储工人失业（或许是因在线购物使仓储需求增长得更快），但未来几代机器人技术或将达到临界点。
5. 关于职业战略的最后思考
鉴于这些发展，你应如何规划自己职业生涯的下一步？
5.1 设法越过入门级白领岗位
随着人工智能提升了领导技能的价值，那些曾作为其培养通道的入门级岗位正逐渐贬值。
那么，作为一名渴望获得这类工作的应届毕业生，你应该怎么做呢？
理想选择是立即获得培养领导力的岗位（例如能跟随优秀导师工作的机会），但若无法实现呢？
首先，你可以在任何工作中开始学习人工智能部署和个人效能技能，这两项能力在我的清单上也非常靠前。
其次，你可以在现有岗位中实践领导力或沟通技巧，哪怕只是小范围尝试（例如管理外包人员、协助新产品发布）。
另外，你也可以开展副业或培养一项严肃的爱好，例如运营社区志愿项目、撰写博客或经营自己的副业。这些活动既能锻炼你的领导力，借助AI工具又能事半功倍。
就全职岗位而言，小型成长型企业的职位更具吸引力，因为它们能让你更快地锻炼这类技能。
相比之下，大型企业的分工更为精细，因此入门级岗位往往涉及更多常规工作。
若条件允许，选择那些将人工智能应用于实际问题的科技初创企业尤为明智——这类岗位能让你同时学习 AI 部署、创业知识和高效执行力。这里有一篇关于登月计划意义的论述。
若无法跳出白领职业路径，另一选择是聚焦于业绩有赖于复杂身体技能、亲身在场和社交能力的行业（例如调解员、活动策划师、奢华旅游业）。
5.2 谨慎开启博士、医学等长期培训
人工智能自动化进程已超越历次技术浪潮，j 可能进一步加速，其影响难以预测，使得长期培训吸引力下降。
这并非意味着不应投入1-2年接受培训，甚至永远不应开始长期培训项目。例如，研究生教育仍可能具有价值，因为它兼具以下优势：(i) 真正专业知识的价值持续提升，(ii) 学习期间即可开展有意义的工作，(iii) 若你认为人工智能发展将放缓，(iv) 缺乏其他选择。但值得更深入思考替代方案。
那么完成大学学业呢？对多数人而言，这仍值得坚持，因为它能显著提升就业竞争力。不过，辍学的理由似乎比以往更有说服力（尤其当你的大学禁止使用人工智能工具时）。我通常建议除非已获得有偿工作机会，否则不要轻易辍学。不过你可以尝试：(i) 设法让自己能更快地获得工作机会（例如通过暑期项目），或 (ii) 加速完成学业。
5.3 提升应对变化的韧性
应对快速、不可预测的变化，有效方法之一是掌握适用于所有职业的个人效能技能。此外，你也可以考虑如何安排自己的生活，以增强灵活性和韧性：
5.4 顺势而为
目标并非找到一份能永远抵抗自动化的工作，而是要始终领先于自动化一两步。
这意味着要持续掌握人工智能的能力边界，追踪行业洞见者的动态，并不断调整，聚焦于AI技术目前面临的最大的瓶颈。
采取行动
- 本周行动：在当前（或目标）岗位中找到一种应用 AI 的微小新方式。
- 本月行动：从六项技能中选取一项，规划1-2个加速掌握的具体步骤。
- 本季度：考虑是否做出较大调整，以更专注于这些技能。
感谢卡尔·舒尔曼与迈克·韦伯富有启发性的对话、伊桑·赫普纳提供的数据与评论，以及阿登·科勒与奥齐·布伦南的评论。