KeyFrame內部研究專用

年輕工程師少了近兩成,暴漲的是誰?|機器學習 2027 第一講 單元 1-3

李宏毅7 min中文
觀看原始影片

三句話摘要

人工智慧衝擊就業市場的真實樣貌:蒸發的是自動化工作,成長的是判斷與驗證工作。 AI 正在蒸發已經能寫成自動檢查程式的工作,同時暴漲需要人類判斷和驗證的工作,決定你未來競爭力的不是你會不會做,而是你能不能判斷什麼是對的。 就業市場呈現兩張臉:不是整個職業消失,而是同一職業的入門位置大幅下滑(-16%),資深位置維持甚至成長。AI 接手的是「代辦式」工作(整件接手),沒有動到「協作式」工作(與人協作完成)。

重點整理

  1. 就業市場呈現兩張臉:不是整個職業消失,而是同一職業的入門位置大幅下滑(-16%),資深位置維持甚至成長。AI 接手的是「代辦式」工作(整件接手),沒有動到「協作式」工作(與人協作完成)。

  2. 職業容易被接手的判別標準:根據實際使用數據,代辦式使用比例高的職業(如軟體工程師、客服人員)就業下降最快;而照護工作雖然 AI 能協助,但無法完全接手,年輕人就業反而增加。

  3. 招聘市場的技能轉移:職缺需求從「資料輸入」「手動寫程式」轉向「提示工程」「模型微調」,但更重要的是「模型驗證」能力提及次數快速成長,說明判斷模型輸出正確性的工作需求爆增。

  4. 工作層級分化的根本因素:自動檢查能捕捉的錯誤(如格式、檔案錯誤)已可機器化,但需要人類判斷的錯誤(方向不對、內容不具體、觀眾看不懂)仍無法自動化,這決定了哪些工作蒸發,哪些工作暴漲。

實用技巧與重點

  • Anthropic 經濟指數(2026):
  • 電腦與數學類任務在對話介面上佔 35%
  • 企業 API 流量中該類更接近 50%
  • 統計樣本 9,700 人,電腦與數學職業佔 30%,超額集中倍數 7.5 倍(美國該類職業僅佔就業人口 4%)
  • 協作模式 vs 代辦模式比例:2025 年 11 月為 5:4.5,2026 年 2 月協作比例更高
  • 史丹佛大學研究(美國聘僱數據):
  • 20-25 歲就業相對下降 13%(2025 年 11 月)→ 16%(2026 年 2 月更新)
  • 易被整件接手職業:軟體工程師(22-25 歲下降近 20%)、客服人員(同走向)
  • 難以整件接手職業:護理助理、居家照護(年輕人就業增加,且速度快於資深工作者)
  • 真實招聘市場分析(15 萬+ 英文職缺,2018-2025):
  • 下降職缺關鍵字:資料輸入、手動寫程式
  • 上升職缺關鍵字:提示工程、微調、模型驗證
  • 模型驗證(判斷輸出正確性)能力提及次數快速增長
  • 講者工作紀錄(內容製作):
  • 自動檢查捕捉的錯誤:76-77%(聲音對不上、檔案錯誤、格式問題等機器能判別的)
  • 講者(AI)自行判斷的錯誤:約 0.3-0.7%
  • 只有人類能捕捉的錯誤:23.3%(方向不對、內容不具體、觀眾看不懂)

結論

AI 正在蒸發已經能寫成自動檢查程式的工作,同時暴漲需要人類判斷和驗證的工作,決定你未來競爭力的不是你會不會做,而是你能不能判斷什麼是對的。

完整解析

這份分析從四個不同角度檢視人工智慧對就業的真實衝擊。第一個角度是使用數據:Anthropic 公開的經濟指數顯示,編程與數學相關任務在 AI 工具使用中壓倒性地佔最大比例,而且隨著時間推進,協作模式(人與 AI 一起做)的比例在上升。這提醒我們,不該把 AI 簡單地看成「接管工作」,而要區分「代辦」(AI 整件做完)和「協作」(人與 AI 一起)兩種模式。

第二個角度是真實聘僱數據。史丹佛大學對美國最大薪資軟體公司的紀錄進行分析,揭示了一個出人意料的現象:就業不是整個職業下降,而是同一職業內部的世代分化。容易被 AI 整件接手的工作(如軟體工程師、客服人員)中,20-25 歲的年輕人就業相對下降了 16%,但資深工作者反而保持甚至繼續成長。相反,AI 只能協助但無法完全取代的工作(如居家照護、護理助理),年輕人的就業機會反而在增加。這說明 AI 的衝擊不是「職業消失」的簡單故事,而是職業內部的層級重構。

第三個角度是招聘市場的技能需求。分析超過 15 萬則跨越七年的英文職缺,發現「資料輸入」和「手動寫程式」需求在下降,但「提示工程」和「模型微調」快速增長。更值得注意的是「模型驗證」能力的提及次數在快速上升,這反映出一個新的工作類別正在形成:判斷 AI 模型輸出是否正確。

第四個角度是講者自己的工作記錄。作為一名內容製作者,講者分析了每個製作環節可能出錯的地方。結果很清晰:約 76% 的錯誤能被自動檢查捕捉(聲音與畫面不同步、檔案放錯位置、格式破損),這類錯誤機器能輕鬆檢查。但有 23.3% 的錯誤穿過了自動檢查,甚至穿過了講者(一個 AI)的判斷,最後才被人類編輯發現。這些錯誤的特徵是「程式測不出來」:方向不對、內容不具體、觀眾聽不懂。這正好解釋了為什麼就業市場出現了這樣的分化。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。