文 | 李智勇
前阵两位哈佛经济学博士生 Seyed M. Hosseini 和 Guy Lichtinger 操刀发了篇论文，经卫夕指北编译在国内流传很广，论文中一个观点就是下图：对初级人员冲击要比高级人员大。
Related articles
真实、残酷的 AI 就业冲击—— 从一篇极其精彩的哈佛论文聊起
那这里初级和高级除了岗位级别之外还有什么含义呢？
通常来讲初级更加职能单一，而高级岗位内涵更加综合而不是简单的更快更多。
前者已经在 AI 的射程内，而后者因为综合需要更高级别的通用智能和边界条件暂时还处在被渗透阶段。
而不管渗透在什么程度，它都说明：
AI 在悄然重塑我们社会的入口
我们的“ 新手村” 先碰到挑战了。
过去，一个毕业生进入职场，通常会从这些基础、重复但必要的任务开始。
这个过程不仅仅是为了完成工作，它更像一种隐性的“ 学徒制”—— 在实践中熟悉行业规则，理解复杂项目的流程，建立对业务的体感，并在资深同事的指导下，将书本知识转化为真正的职业技能。
这个“ 新手” 阶段，是职业生涯成长的必要土壤。过去每个人都经历过。
然而，AI 的出现，像一台巨大的抽水机，正在抽干这片土壤，把它沙漠化。
当一家公司可以用极低的成本，让 AI 完成 90% 的初级工作时，雇佣一个需要支付薪水、需要耗费心力去培养、且效率远低于 AI 的人类新手，在商业逻辑上变得越来越不划算。（情怀恐怕无法对冲这种本质性变化）
这就会产生严重问题。
当通往高级的第一级台阶被抽掉时，未来的年轻人将如何开启他们的职业生涯？
这不是一个简单的就业问题，而是结构性的问题。
它直接拷问着我们整个教育体系的根基。
过去的核心假设就是社会能提供足够多的“ 学徒” 岗位 （背后包含着时间和资源的投入），来完成从“ 学生” 到“ 专业人士” 的蜕变。
如今，这个假设没了。或者说在 AI 背景下快没了。
能力的水位
随着 AI 水平的提升，上面说的初级岗位显然会变成动态扩展的概念。
初级岗位的消亡，并非故事的全部。
本质含义是对人类核心能力要求的急剧抬升，不停的抬升。
这是一种反向挤压。
相当于能力的需求侧在不停拔高。
当 AI 能完成所有标准化的、有明确路径的任务时，人类的价值便只能存在于那些非标准化的、需要开辟路径的领域。
过去，人的能力结构像一个金字塔，底层是扎实的信息处理和执行能力，中层是分析和管理能力，顶层是战略和创新能力。
而现在，AI 正在“ 削平” 这个金字塔的底层。
这意味着什么？
这会引发一系列冲击。（《无人公司》 书里最后有所展开）
比如：
“ 解决问题” 的能力不再稀缺，“ 定义问题” 的能力成为核心。 AI 可以基于给定的数据和目标，提供最优解。但什么才是真正值得解决的问题？在商业的无人区，如何洞察一个尚未被满足的需求？在科研的边界，如何提出一个能够开启新范式的假设？这种源于深刻洞察力、同理心和想象力的“ 提出问题” 的能力。
单一领域的深度，必须让位于跨领域的整合能力。 现代世界的复杂挑战，无论是设计一款智能硬件 （涉及硬件、软件、供应链、美学、用户体验），还是应对气候变化 （涉及科学、政治、经济、社会学），都不是单一学科知识能解决的。人类的独特价值在于能够像一位交响乐团的指挥家，将不同领域的知识、工具 （包括 AI） 和人才，整合在一起，创造出和谐而宏伟的乐章。
纯粹的智力，必须与强大的心力相结合。 在一个充满不确定性的世界里，引领一个团队、开创一项事业，需要的不仅仅是聪明的头脑，更需要坚韧不拔的意志、承担风险的勇气和凝聚人心的领导力。这些源于人性深处的品质，是算法无法模拟的。
问题是上面这些没有一个初级人员能做的。
这就是被抬升的能力水位。
这对教育提出了一个几乎不可能完成的任务：
教育体系必须在校园内，就让学生完成过去需要在职场花费数年才能完成的“ 初级岗位实践”，并在此基础上，直接培养出具备整合、创新和领导能力的“ 准高级人才”。
差不多相当于要求驾校不仅要教会学员开车，还要让他们在毕业时就拥有 F1 赛车手的实战经验和战略头脑。
传统教育的“ 不可能三角”
面对如此挑战，我们沿用几千年的、基于“ 人” 的教育模式，可能不灵。
过去模式的核心是“ 教师授课-学生听讲-有限实践”，它在知识传递上或许有效，但在培养上述高阶能力时，却陷入了一个“ 不可能三角”：教育的规模化、实践的保真度和教师的人力成本。
我们当然可以在学校里引入更多的项目制学习、案例分析和商业竞赛。但这些实践的“ 保真度” 是低的。
一个商业案例分析，无论多么详尽，也无法模拟真实市场中瞬息万变的竞争、供应链的意外中断、团队内部的人事纠纷以及决策者在巨大压力下的博弈。
一个由老师设计的项目，其边界和目标通常是清晰的，这与真实世界中模糊、开放式的挑战截然不同。
要想提高保真度，唯一的办法是让学生进入真实的企业环境，也就是我们所说的“ 实习”。但如果初级岗位持续减少，实习机会显然也会越来越稀缺，无法“ 规模化”。
也不可能为每一个学生都配备一位经验丰富的导师，手把手地带领他们经历一个完整的产品周期。维系这种模式的人力成本是天文数字。
更深层次的问题在于，传统教育的“ 原子单位” 是教师。
一位教师的精力、视野和经验都是有限的。
他可以传授一个学科的知识，却无法模拟一个由不同角色构成的真实公司的运作逻辑；
他可以指导一个小组的讨论，却无法构建一个牵动上百个变量的动态市场环境。
“ 人” 作为教育的载体，其本身的局限性，决定了它无法成为培养应对 AI 时代复杂挑战的支点。
我们需要考虑，依靠增加更多的老师、改革一些课程、引入一些实践项目，这些修修补补的改善，可能无法解决 AI 带来的冲击。
破局之路：智能原生的虚拟学校
逻辑上通的方案，看起来需要超越“ 基于人” 的模式。
它需要一种全新的、系统的、可扩展的“ 实践环境”。
这个环境，和我们过去说的 《无人公司》 是通的。
这不是一个简单的模拟经营游戏，而是一个大规模、高保真、强对抗的社会经济活动模拟器。
在其发展的初期，它肯定不是一个包罗万象的统一世界，而更可能是一系列并行的、针对不同专业方向的虚拟行业集群。
它是一个虚拟的世界，但遵循着真实的商业和物理规则。
在这个世界里，学习不再是独立的环节，而是和实践交织在一起。
这个模型的形态是怎样的？
比如 （纯粹愿景示意图，否则需要很多系统研究的，这里是一个方面也不全面，毕竟不是所有教育工作都和经济相关）：
1. 分轨并行的虚拟产业： 在早期阶段将构建多个并行的、高度专业化的虚拟产业环境。例如，会有一个专注于“ 新消费品牌” 的模拟世界，它内置了完整的电商平台、社交媒体营销工具链和柔性供应链系统；同时，也会有一个专注于“ 硬科技产品” 的模拟世界，它提供了先进的物理引擎、数字孪生接口和虚拟研发实验室。每个“ 世界” 都是一个自洽且高度仿真的产业沙盒，让学生可以沉浸在特定领域的真实挑战中。
2. 以“ 公司” 为学习单位： 学生不再以“ 班级” 为单位，而是自由组队，创建自己的虚拟“ 公司”。他们将扮演 CEO、CTO、产品经理、市场总监等真实角色，共同决定公司的战略方向、研发产品、组织生产、进行营销，并为最终的成败负责。他们的“ 成绩单”，就是公司的财报、市场份额和产品影响力。
3. 任务驱动的“ 即时学习”： 知识的学习不再遵循预设的课程表。当一个“ 公司” 决定要开发一款智能音箱时，团队成员们会发现自己需要学习电路设计、自然语言处理、供应链管理、市场定价策略等一系列知识。此时，系统会像一位“AI 导师”，推送最相关的理论知识、工具教程和经典案例。学习的动机不再源于考试的压力，而是解决眼前真实问题的渴望。
4. 应对复杂挑战： “ 无人公司” 模型远不止于商业模拟。它可以与现实世界的数字孪生技术、物联网和柔性制造相连接。一个团队可以在虚拟空间里，用 CAD 工具设计一款无人机的硬件，通过物理引擎进行无数次的飞行和压力测试，优化其空气动力学性能，并最终通过 3D 打印或小型机床，制造出真实的原型机。（不是要真做和销售是提供学习的必须反馈）
所有这些辅助于一个目标：
他们要操盘的，是横跨软件、硬件、服务的复杂产品，这正是未来最有意义的综合能力。
在这个模型中，学生们在大学四年的时间里，可能完整地经历了一家公司的从 0 到 1、从 1 到 N，甚至是壮大与衰败的全过程。
他们犯下的每一个错误，都会在系统的数据中得到即时、精准的反馈，这种“ 低成本无风险试错” 的价值，是真实世界无法提供的。
小结：超越“ 传授”，拥抱“ 孵化”
学习这事如果确实是实践中学更快，那无疑的我们需要一个虚拟的教具。
而如果我们前面说过多次的：
低信息量低智能水平下的方式无法应对高信息量高智能显示的挑战成立，那这可能蕴含一定的必然性。
“ 基于人的教育解决不了 AI 带来的问题”，这句话并非否定教师的价值，而是指出我们必须重新定义教育。
在 AI 时代，教育者的角色，可能需要从一个“ 知识的传授者”，转变为一个“ 环境的设计者” 和“ 意义的引导者”。
上述正是这种新范式的一个可能的雏形。它将教育从一种线性的、基于“ 教与学” 的模式，转变为一种网状的、沉浸式的“ 孵化” 模式。（更高级版本的个性化推荐）
它不再试图将知识“ 灌输” 给学生，而是创造一个足够复杂、足够真实的环境，“ 孵化” 出学生应对未来挑战所需要的综合能力、坚韧心性和协作精神。
在这个时间点聊这事可能有点疯狂，因为它需要计算机科学、经济学、社会学、心理学等领域的顶尖智慧，以及巨大的计算资源。
但面对 AI 带来的结构性挑战，好像需要这样。
更复杂的探讨留给更专业的人吧！
这事最有意思的点是它和 AI 是同频的，虚拟能力的边界和 AI 冲击一样，都来自于通用智能的进步！
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
