KeyFrame內部研究專用

【多懂一点】AI时代 没有永远安全的专业?

8world·6月19日週五·3 min中文

三句話摘要

大學教育應培養思考力而非只追趕就業市場,防止過度適應市場導致的焦慮循環。 大學的價值不在保證職業穩定,而在培養面對變化的思考力和適應力。 職業穩定假設已破裂 — 傳統認知中醫生、律師、工程師代表終身穩定,但現在一個行業的工作方式可能數年內被完全改寫,今日穩定專業十年後未必還穩。

重點整理

重點
  • 1

    職業穩定假設已破裂 — 傳統認知中醫生、律師、工程師代表終身穩定,但現在一個行業的工作方式可能數年內被完全改寫,今日穩定專業十年後未必還穩。

  • 2

    跟風同一專業製造新焦慮 — 如果所有人都相信某專業最安全,該領域會迅速變成最擁擠的賽道,競爭焦慮只會轉移而非解決,問題從「你會不會科技」變成「很多人都會科技」。

  • 3

    大學若淪為職業訓練中心會喪失深度 — 市場只看眼前需求,大學應保留判斷力、表達能力、理解他人能力等「慢而深」的東西,這些能力幫助人在方向改變時重新站穩。

  • 4

    AI時代最大誤會是大學用途本身 — 大學不應是職業保險,而是練習思考、建立底層能力的地方;最危險的不是學錯專業,而是相信選對一次就能安全一輩子。

實用技巧與重點

乾貨
  • 傳統穩定職業:醫生、律師、工程師、會計師
  • 當前熱門方向:AI、AI 工程、數據
  • 問題轉變:從「沒有文憑」→「文憑越來越難證明差異」
  • 核心能力清單:判斷力、表達能力、理解人的能力、面對未知的耐力

結論

結論

大學的價值不在保證職業穩定,而在培養面對變化的思考力和適應力。

完整解析

詳細

印尼和中國近期都在重新思考大學教育的角色。印尼擔憂理工科畢業生不足會制約科技發展,中國則在調整科系、停辦與就業市場脫節的專業。這些政策反映出普遍的焦慮:大學該不該緊跟就業市場?專業該不該以容易找工作為優先?

但這個提問忽略了更深層的問題——我們為什麼總期待大學替人生提供保險。多數人在選擇專業時,問的不是自己真正適合什麼或想學什麼,而是什麼最安全、什麼最不容易失業。這種想法在過去有其合理性:傳統的醫生、律師、工程師、會計師代表穩定收入、清晰職涯路徑和社會認可。選對專業等於進入了一條安全軌道。

然而時代已經改變。過去一個職業可以穩定支撐整個職涯數十年,現在一個行業的工作方式可能在短短數年內被徹底重寫。今天看起來最穩的專業,十年後未必依舊穩定;今天最熱門的技能,也很可能快速成為人人都掌握的基本能力。這種加速變化使得依賴單一專業標籤尋求安全感變成了虛幻的承諾。

跟風同一個「安全專業」也會產生新的問題。如果所有人都相信 AI、數據工程這類領域最安全,這些領域會迅速變成最擁擠的賽道,競爭激烈到原本的優勢蕩然無存。到那時焦慮不是消失,而是轉形——不再是「你有沒有學科技」,而是「為什麼很多人都會科技」;不再是「你有沒有文憑」,而是「文憑越來越難證明你有什麼獨特差異」。

大學如果只是急著追趕就業市場,會逐漸淪為職業訓練中心——市場今天缺什麼人就開什麼課程,明天不缺了就關掉。聽起來很實際,但其實很危險,因為市場往往只看眼前的需求,無法預見未來。大學應該保留一些「更慢、更深」的東西:判斷力、表達能力、理解他人的能力,以及面對未知的耐力。這些能力才是當專業方向改變時,讓人能夠重新站穩的支撐。

AI 時代最大的誤會其實不是大學沒有用,而是我們誤解了大學的真正用途。大學不應被當作職業的保險單,而應是一個人練習思考、建立底層認知能力的地方。未來最危險的信念不是學錯了專業,而是相信只要在年輕時選對一次,就能安全無虞地走完整個人生。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。