新聞 
AI正在拉大技能鴻溝:誰在進化,誰被無情分化?
AI正在拉大技能鴻溝:誰在進化,誰被無情分化?AI正在拉大技能鴻溝:誰在進化,誰被無情分化?
編者按：AI會如何改變就業？這是當下最受關注，也最容易陷入情緒化爭論的話題。上壹篇《第壹份工作正在消失：AI如何切斷年輕人的職業階梯？》關注的是AI如何改變工作的入口；今天，我們希望繼續追問更深層的問題——AI究竟在改變什麼樣的能力？希望為理解這場正在發生的勞動變革，提供另壹種觀察視角。
AI對職業技能結構的重塑
談到AI對就業的影響，“技能”是壹個無法繞開的關鍵詞匯。這可以從許多不同的維度來討論。
比如，專業技能正在經歷快速貶值和更新周期縮短的過程。勞動專家和研究人員過去普遍認為，壹項職業技能的有效價值周期大約為5到10年。然而，隨著人工智能的發展，技能的生命周期正在被大幅壓縮，壹些估計認為，如今壹項職業技能的有效期可能已經縮短至僅僅 1到3年。這意味著，勞動者過去依靠壹次教育或早期職業訓練所獲得的知識和能力，越來越難以支撐整個職業生涯，而必須持續學習、更新和重塑自身技能。
世界經濟論壇《未來就業報告2025》（The Future of Jobs Report 2025）預計，到2030年，全球勞動者現有核心技能中，平均約39%將發生變化或過時。這並不是指39%的職業會消失，而是意味著：雖然同壹個崗位仍然存在，但完成這壹崗位所需要的能力組合變得相當不同。
以我關注的新聞業來說，壹個記者仍然需要采訪、核實、寫作與調查能力，但還需要學會更多：具備多模態內容生產能力，能夠綜合運用文字、圖片、音視頻、數據可視化和交互敘事進行報道；掌握生成式AI工具，將其應用於資料檢索、文獻梳理、數據分析、采訪准備、事實核查以及內容編輯等工作流程，提高新聞生產效率；具備較高的AI素養，能夠辨別AI生成信息中的幻覺、偏見和深度偽造，准確判斷信息來源及其可信度；精通平台算法推薦和流量分發機制，懂得新聞內容如何在平台上傳播、擴散和形成公共議題；具備數據新聞和計算傳播能力，能夠利用數據庫、數據分析和可視化工具發現新聞線索、揭示社會規律；同時，還需要了解平台規范、數字倫理、隱私保護和人工智能治理等新興議題，以應對新聞職業所面臨的復雜挑戰。由此來看，未來就業競爭的核心不只要看有沒有工作，還要看是否擁有適應工作變化的新技能。也不妨說，適應變化的能力本身正在成為壹種關鍵技能。
又比如，究竟是高技能職業還是低技能職業更容易受到AI影響？這壹般被稱為“AI暴露”（AI exposure）問題，其實，應該對兩個經常被混淆的概念加以區分：AI暴露和自動化替代風險（automation risk）。很多爭論之所以產生，是因為把“受到AI影響”直接等同於“會被AI取代”。
如果討論AI暴露程度，答案是：高技能職業通常更容易受到AI影響。原因在於，生成式AI最擅長處理的是大量基於知識、語言、信息和符號操作的任務，而這些任務恰恰集中在高技能職業中，例如：管理人員、律師、工程師、法官、研究人員、金融分析師、教師、設計師、程序員等。可以說，幾乎所有知識密集型職業都面臨高AI暴露度。
國際勞工組織（ILO）和經濟合作與發展組織（OECD）的研究皆認為，生成式AI首先影響的是高度依賴認知勞動和信息處理的職業，而不是傳統意義上的低技能勞動。然而，高AI暴露並不意味著高替代風險。很多高技能職業雖然受到AI深刻影響，卻更可能出現“增強”而不是“替代”的情況。醫生使用AI輔助診斷，並不會因此在醫院消失，因為醫學工作還涉及臨床判斷、醫患溝通、倫理責任和復雜情境決策。律師使用AI梳理法條，也不意味著律師職業消失，因為法律實踐還需要策略判斷、談判能力和對社會情境的理解。
如果我們討論的是自動化替代風險，答案則有所不同：低技能和中等技能職業往往風險更高。因為這些崗位通常包含大量重復性任務，有著規則明確的流程和標准化的操作。不管是數據錄入還是基礎行政工作，生產線操作還是簡單客服，這些工作更容易被自動化系統完全執行。
所以，AI時代的核心矛盾不是簡單的“高技能vs低技能”，更准確地說，是壹種雙重效應的出現：高認知、非重復、需要判斷和社會互動的工作更容易與AI形成互補；高度重復、規則化、缺乏情境判斷的工作更容易被AI替代。
AI的雙重邏輯：降低門檻，同時抬高天花板
隨著企業越來越多地采用AI技術，壹個日益凸顯的問題是技能鴻溝的不斷擴大。AI的采用往往伴隨著任務構成的轉變：它將常規性和重復性的活動自動化，同時放大了對高級分析、技術和認知技能的需求。這種動態在勞動力市場中制造了壹種結構性挑戰：受教育程度較低、數字能力有限的個人，面臨著顯著更高的失業或職業發展停滯風險。這些勞動者大多集中在制造業、零售業和行政支持等行業，而這些行業正是預計受自動化影響最大的領域。
也就是說，AI對於不同的人，意味著不同的東西：它是增強性工具還是替代性技術，完全看勞動者站在技能鴻溝的哪壹邊。因為AI帶來的並不是能力的平均化，而是能力的分化。
有關AI最常見的壹種論調是“民主化”敘事：壹個山區的孩子和壹個藤校的學生，現在面對的是同壹個Claude或DeepSeek，享有同等規模的人類知識資源。在這個意義上，AI確實擴大了普通人的能力邊界，讓更多人能夠完成更多事情。
這在入門層面或許不無正確性。以前不會寫代碼的人現在可以做壹個簡單網站，不會設計的人也能生成海報，不會剪輯的人能夠制作短視頻。然而，我們需要思考的是，沿著能力曲線繼續向上看，會發生什麼。
壹個本來就很優秀的操作者，在獲得強大的AI工具之後，並不是簡單地提高壹點效率，而是在原有優勢基礎上實現復利式增長。他們的思考能力、判斷能力、戰略能力以及執行能力，會通過AI被進壹步放大。
需要注意的是，AI對優秀者的放大有個前提，任務必須是開放式、高復雜度的，而不是標准化工作。2025年，哈佛商學院、波士頓咨詢集團（BCG）、沃頓商學院等機構合作完成壹項研究，邀請758名BCG咨詢顧問參與隨機對照實驗，要求他們完成18項真實咨詢工作中常見的復雜任務，包括市場分析、商業戰略制定、創意方案設計、客戶溝通以及商業寫作等。這些任務並非簡單的信息檢索，而是涉及綜合分析、價值判斷和策略制定等高階認知活動。
研究者首先根據GPT-4當時的能力，將任務劃分為兩類：壹類位於AI能力邊界之內，即AI能夠較好完成或提供高質量支持的任務；另壹類位於AI能力邊界之外，即需要復雜推理、跨領域整合或專業判斷，AI容易產生錯誤或不完整答案的任務。實驗結果顯示，在AI能力范圍內，使用GPT-4的咨詢顧問完成任務的速度提高約25%，完成任務數量增加約12%，成果質量平均提高40%以上，說明生成式AI能夠顯著增強知識工作的生產效率和輸出質量。
然而，當任務超出AI能力邊界時，情況則發生了明顯變化：部分顧問開始過度依賴AI提供的建議，即使AI出現推理錯誤或事實偏差，也傾向於直接采納，導致最終成果質量下降。
研究最重要的發現並不是“AI讓所有人都變得更優秀”，而是AI的價值取決於使用者是否具有判斷AI能力邊界的元認知能力。表現最優秀的咨詢顧問並沒有把AI視為最終答案，而是將其作為壹個認知伙伴：在AI擅長的領域充分利用其快速生成、信息整合和方案發散能力，而在AI容易出錯的環節，則依靠自身的專業知識、行業經驗和批判性思維進行驗證、修正甚至推翻AI的建議。相比之下，表現較弱的參與者更容易產生自動化偏見，即傾向於默認AI輸出是正確的，從而降低了獨立思考和審慎判斷。
這項研究揭示了生成式AI時代的壹個重要規律：AI放大的並不是知識本身，而是人的判斷力、元認知能力以及駕馭工具的能力。壹個自律、高水平的使用者與壹個普通使用者之間的差距，並不會因為擁有同樣的工具而縮小，反而可能加速擴大。決定結果的變量並不是工具本身，而是使用工具的人。
因此，壹個自律、高水平的使用者與壹個普通使用者之間的差距，並不會因為擁有同樣的工具而縮小，反而可能加速擴大。決定結果的變量並不是工具本身，而是使用工具的人。
因此，我認為，AI不會彌合技能鴻溝，而是會擴大這種鴻溝。從經濟學和技術史的角度看，這符合“技能偏向型技術變遷”理論（SBTC，Skill-Biased Technological Change）。該理論是勞動經濟學和宏觀經濟學中的壹個核心理論，主要用來解釋為什麼自20世紀70-80年代以來，盡管高學歷、高技能勞動者的供應大幅增加，但他們的工資不僅沒有下降，反而與低技能勞動者的差距越拉越大（即收入差距擴大和薪酬極化現象）。
傳統經濟學認為，某壹類勞動者變多時，他們的工資應該下降。但SBTC理論指出，技術的進步並不是中立的，它更偏向於那些擁有高技能、高學歷的勞動者。對這些人來說，新生產技術（如計算機、互聯網、AI、自動化軟件）是他們的互補品（complements），能極大地提高他們的生產率，從而推高對他們的需求。而對低技能和中等技能者，新生產技術是他們的替代品（substitutes），不斷取代大量重復性、機械性的常規工作，導致對他們的需求相對下降。這種技能需求與勞動力供給之間的失衡，引發了薪資差距的擴大，這種差距通常被稱為“技能溢價”（skill premium）。
舉例來說，在現代物流與零售業，以亞馬遜和沃爾瑪為代表的供應鏈巨頭，通過技術重塑了整個行業。對於倉儲中心的搬運工、清點員以及超市的收銀員而言，自動分揀機器人和無人自助結賬機直接替代了這些常規性的體力或簡單腦力勞動。但自動化與算法革命同時帶來的是對數據科學家、供應鏈優化專家、算法工程師需求的爆炸式增長。這些高素質人才利用系統監控全局、預測消費行為、優化庫存，其薪資在過去拾年間水漲船高。
因此，AI可能同時具有兩種看似矛盾的效果：壹方面，它降低了進入門檻，更多人的確可以完成過去做不到的事情。另壹方面，它也抬高了能力天花板，最優秀的人能夠以前所未有的速度和規模創造價值。
這也是為什麼我們應該把AI視為壹種 “認知杠杆”，而不是簡單的自動化工具。杠杆從來不會改變人的方向，它只會放大人的力量。對於會使用杠杆的人來說，它創造的是指數級收益；對於不會使用的人來說，它可能只是壹個看起來很先進的工具而已。
技術革命往往不會平均提升所有人的能力，而是優先放大那些已經擁有較強認知能力、組織能力和學習能力的人。很多時候，技術在擴大機會的同時，也在擴大優勢。這才是AI時代最值得關注的悖論。這個悖論可以被稱為“能力的馬太效應”——能夠有效利用AI的人將獲得更大的能力提升，而缺乏相關素養的人則可能進壹步被邊緣化。
多管齊下回應技能不平等
當技術將努力的含金量稀釋，把認知的杠杆率無限放大時，優勢的雪球只會越滾越大。這也正是當前各國政府、經濟學家和全社會都在焦慮，並試圖通過政策、稅收或教育改革來幹預的根本原因。
在政策層面，政府可以通過建立全民AI能力提升體系，賦能普通勞動者。例如，可以將AI素養納入基礎教育、職業教育和成人教育體系，使不同年齡、職業和教育背景的人都能夠學習如何使用、理解和評估AI工具。同時，政府可以支持企業開展員工再培訓和技能提升項目，並推動公共就業服務體系的轉型，從過去幫助失業者尋找工作，轉向幫助勞動者持續更新技能。壹個好的例子是新加坡政府的“技能創前程”計劃（SkillsFuture），目標就是從政府提供就業保障向幫助公民“終身可雇用”轉變。政府為每位成年公民建立專屬的個人培訓賬戶，並定期注入資金或提供分層補貼。賬戶資金只能用於購買獲得國家或行業認證的技能培訓課程，重點覆蓋 AI 應用、數據分析和網絡安全等領域，幫助人們掌握機器難以替代的情境判斷力與創造力。這樣的“個人學習賬戶”制度，使終身學習成為壹種公共基礎設施。
在稅收和經濟政策層面，可以通過調整技術收益分配機制，避免AI紅利過度集中。AI的發展可能使擁有先進模型、數據和計算資源的企業獲得巨大的生產率優勢，從而進壹步擴大資本與勞動之間的不平等。因此，有識之士提出，應通過更公平的稅收制度，將部分技術收益重新投入公共教育和技能培訓。例如，對從自動化和AI應用中獲得超額利潤的大型企業，可以通過企業稅、數字服務稅或其他形式的公共貢獻機制，將部分收益用於支持勞動者轉型。此外，政府還可以通過稅收優惠鼓勵企業投資員工培訓，而不是僅僅利用AI削減勞動力成本。
同時，無需多言，教育改革的步伐需要加快。哈佛大學經濟學家克勞迪婭·戈爾丁（Claudia Goldin）和勞倫斯·卡茨（Lawrence Katz）曾提出壹個著名的觀點：工資差距是“教育與技術之間的賽跑”。如果技術進步的速度超過了教育普及的速度（即高技能勞動力供不應求），高技能人才的工資就會大幅上升，導致不平等加劇；反之，如果教育發展迅速，能夠滿足市場對技術的需求，工資差距就會縮小。
所以，問題的關鍵在於，教育系統能否快速培養出大量高技能人才。教育系統要完成這個任務，面臨著叁大顛覆性挑戰：
第壹是“教材還沒寫好，技術已經過時”的知識滯後。傳統教育的精髓在於標准化和沉澱。壹門課程的成熟教授，通常需要3到5年的周期。但在AI時代，大模型的架構、多模態能力的邊界甚至主流的開發框架，往往在3到6個月內就會發生壹次迭代。這意味著，如果高校繼續沿用傳統的課程開發模式，學生入學時學到的“前沿技術”，在畢業走出校門的那天，可能已經成為了要被淘汰的“技術負債”。教育系統必須從傳授確定性知識轉向傳授高頻迭代的動態技能。
第贰是如何重構“高技能人才”。過去，教育系統擅長培養的是“專才”——通過高考、考研等層層篩選，培養出在某壹垂直領域（如單純的代碼編寫、財稅精算、法律條文知識）極度精通的人才。但AI恰恰最擅長替代這種標准化、高密度的垂直技能。今天急需的高技能人才必須具備那些難以被AI替代的能力，例如批判性思維、創造力、跨學科能力、溝通能力、倫理判斷和問題定義能力等，而這些恰恰是現有教育系統的短板：比如最值錢的人才站在技術與人文或者不同產業的交匯點上，而高校目前的院系牆壁依然高聳；傳統的考試在評估學生給出標准答案的能力，但AI時代的核心競爭力是，在模糊的現實中定義核心問題，並將其轉化為AI可執行的指令。
第叁，培養高技能人才需要懂得最前沿AI的導師。然而，學術界與產業界在算力資源、數據規模以及薪酬待遇上存在著巨大的鴻溝。頂尖的AI研究者和實踐者大多集中在科技巨頭或獨角獸企業中，高校因為體制和經費限制，很難留住或吸引到真正處於AI壹線的頂級人才。這就導致了壹個尷尬的局面：坐在講台上的教授，可能已經好幾年沒有摸過企業裡真正投入商用的AI管線，卻要指導學生如何面對未來的AI職場。
教育系統要變快，就必須打破“圍牆”。未來的高等教育和職業教育不能再閉門造車，而要推行產教融合的“雙軌制”：讓科技企業直接參與課程設計，甚至將課堂直接搬進企業的真實項目裡。
AI時代個體競爭力的重塑
即便政府建立了普惠通道，這壹體系也只能解決勞動者的及格線。如前所述，AI放大了高技能人才的優勢。政府建體系的目的，是為了防止底層勞動者被技術徹底甩下，至於能不能靠這個體系實現提升，最終依然取決於個體的認知上限。
AI打破了傳統的職場晉升階梯。過去，普通人可以通過出賣時間和提升熟練度來換取生存空間，在職場中慢慢熬出頭。現在，技術把中間的過渡階層抽幹了，只留下頂端和底端。
在這個沙漏型職場中，頂端的人因為有 AI 這壹“萬倍放大器”，其生產力已經非人化。AI讓企業看到了“無勞動力增長”的可能性。壹個由10個高管和100個AI智能代理組成的公司，可能就可以撬動過去1000人的業務量。而壹個頂尖的基金經理加上 AI，或許可以激發過去壹個百人分析師團隊的能量。
而底端的人，由於缺乏進化的梯子，極易被困在出賣純體力或低價值重復勞動的泥潭裡。對個體來說，為了避免這樣的沉落，壹入職，就必須把自己當成主導者而非執行者來培養。
在 AI 時代，成長為專家的速度必須超越初級崗位被消滅的速度。什麼決定速度？是學習能力。技術革命的特點是知識的半衰期極短。擁有強學習能力的人，具備更底層的“元認知”——他們知道如何快速理解新概念、如何向AI精准提問、如何在新工具間建立工作流。因此，每壹次技術迭代，他們都能以最低的摩擦成本“肉身進化”，率先吃掉技術帶來的第壹波紅利。而缺乏學習習慣或能力的人，往往在每壹次技術換代時，都會被拉開更遠的距離。
還有，組織與連接能力決定了紅利的上限。孤立的個人能力被放大是有限的，但組織能力能讓這種放大突破上限。那些擅長協調資源、理解商業邏輯、具備管理和協同能力的人，能利用新技術建立起更高效的平台、團隊或業務網絡。
比如，過去壹個卓越的組織者或許只能管理壹個50人的團隊，但現在，利用各種數字化、智能化協同工具，她可以高效調度壹個跨國、跨領域的千人網絡，甚至壹個人就能指揮由AI工具鏈組成的“超級個體公司”。
這並不意味著每個人都要成為管理者，而是意味著每個人都需要具備壹定程度的自主性和決策能力。例如，壹名記者不能只把AI當作寫稿工具，而應該能夠判斷哪些問題值得調查、怎樣突破障礙設計采訪框架、如何驗證AI生成的信息；壹名程序員不能只關注代碼編寫，而需要理解業務需求、設計系統架構並評估技術方案；壹名研究人員也不能只是讓AI總結資料，而需要提出具有原創性的研究問題並判斷分析結果的意義。AI可以提高任務執行效率，但無法替代對目標、價值和方向的把握。
未來的競爭並不是簡單的人與機器之間的競爭，而是能夠與AI形成協同關系的人，與無法適應這壹新認知環境的人之間的競爭。適應者能夠容忍不確定性，具備極強的卸載過時知識（unlearn）的能力，無法適應的人則相反，很容易陷入“認知寄生”，形成對智能系統的依附關系。
最大的AI技能鴻溝並不在技術層面，而在行為層面。技術能力可以通過培訓獲得，但開放性、學習習慣、批判性思維、實驗精神以及持續進化的能力，才是決定壹個人能否從AI浪潮中獲益的關鍵。
[加西網正招聘多名全職sales 待遇優]
| 分享: |
| 注： |
| 延伸閱讀 |
推薦: