“AI教母”李飞飞最新访谈：10年后，只会剩下两类工作者

“ AI教母 ” 李飞飞和MasterClass创始人兼CEO大卫·罗吉尔做了一场播客访谈，标题叫《AI教母：10年后，只会剩下两类工作者》。

主持人问李飞飞怎么看一个流传很广的说法：工业革命自动化了体力劳动，现在AI要自动化智力劳动，我们怎么办？

李飞飞却说， 工业革命并没有自动化劳动。它让劳动更高效，扩大了劳动的规模，也确实改变了劳动力市场。 但它没有自动化劳动。而且我们也不能暗示，劳动是没有智能的，那个假设错得太离谱了。

变了劳动的形式，但人在劳动中投入的判断力，那些工匠积累了一生的经验直觉、那些体力劳动里夹着的认知判断，从来没有被真正自动化。

同样的误解，正在AI身上重演。

一、“智能成本归零”，是一个误解

AI行业最近流行一句话：智能的成本正在趋近于零。

李飞飞直接回应了这句话： 体力劳动、认知劳动、情感劳动，人类的活动和人类智能深刻地交织在一起。

人类智能对大自然来说，至今仍然是一个未解之谜。我们并不真的清楚人类智能的深度和细微之处。所以，任何在外面声称“智能成本趋近于零”的人，那都是不负责任的说法。

紧接着她给了第二条理由。

即便单看语言智能，大语言模型确实强大，“它们在帮助商业智能、帮助软件工程、帮助演绎逻辑推理甚至更深入的任务上，都已经显现出威力”。

但除了我们比较熟悉的语言智能，我们还有感知智能、空间智能、身体智能、情感智能。 我们对创造力到底从哪里来都还没搞明白。每个人的创造力，来自他们大脑的不同部位，也来自他们全部人生经历的不同部分。

比如：

一个老师判断学生为什么学不会，靠的不只是文本分析，是观察表情、语气、犹豫的瞬间。

一个团队负责人在关键客户面前决定要不要说出那句话，没有算法能替他做判断。

“智能成本归零”如果被当成管理决策的前提，它漏掉的，恰恰是人最贵的那部分。

二、三种做法，暴露了自动化思维

李飞飞在访谈里反复重申同一个立场：我真心相信它是一种技术，也就是说，它只是一个极其强大的工具。但这个工具是人类可以用起来，让事情变得更好的。同时，怎么使用这个工具，我们也必须非常警惕。

她接着补了更重要的一句：“我们教孩子们怎么用火、用刀，再到用互联网。现在，作为一个物种，一个社会，我们必须学会（ 怎么用AI ）这件事。”

工具到底是用来替人的，还是用来抬人的，不取决于技术，取决于部署它的人。

访谈里三种做法，对应着三种自动化思维的惯性。

第一种，把AI当人头替代器。

李飞飞举了产品经理的例子。

十年前的标准产品经理，“更像是指挥。他们不需要写代码，通常不是软件工程师”。

要原型，找设计师。要开发，等工程师。拿到原型，发用户，等反馈，再整合。“那一条产品管理的生命周期，在一家典型的公司里可能要花上几个月。”

现在呢？

很多产品经理现在自己写代码了。他们不需要等一个团队来做原型，他们可以用AI来帮忙设计一些非常简单的东西，进行“氛围编程”。这一下子就把周期缩短了。

但这不意味着我们该甩掉设计师和软件工程师，只是省下了时间，让他们可以去做更复杂的那部分工作。

AI没有替代任何人。它把每个人往上推了一个台阶。产品经理从“指挥”变成了“动手者”。设计师和工程师从“执行者”变成了“专攻最难问题的人”。

自动化思维的管理者看到这个例子，第一反应很可能是“那以后可以少招两个工程师”。同一个事实，同一种工具，完全不同的结论。区别不在技术，在怎么理解技术。

第二种，把“上工具了”等同于“做对了”。

买工具、开培训、教员工写Prompt，教完就算任务完成。

李飞飞在访谈里说了一段关于教育的判断： 教育的目标不是闭卷考试还是开卷考试，也不是标准化考试的成绩。

教育的目标是培养人，让每个人成为他所在社群和社会的有意义的贡献者，并过上一种有意义的生活。AI不应该剥夺这些基本目标中的任何一个。但AI应该帮助更好、更有效地达成这些目标。

把“教育”换成“管理”，把“学生”换成“团队”，每句话都成立。引入AI的目标不是“把工具装上了”，是你到底在用AI重新设计什么。

罗吉尔不是技术出身，但他讲了一件自己正在做的事：

我发现自己用的多数应用都是我自己构建出来的，用Claude Code或者Cursor建的。

我的CEO工具栈全是我自己做的应用。就连我的效率应用、我的待办清单应用也是我自己构建的。做一个应用的成本，已经从几个月缩短到一个周末了。

他不是在秀技术，他是在演示： AI时代优秀的人，不是“更会执行任务的人”，是“更会设计工作系统的人”。 工具买再多，如果团队没有设计思维，工具只会变成电子化的旧流程。

第三种，以为“全面部署AI”是一个技术指令。

发一个通知说“公司要全面部署AI”，员工听到的是“要砍人了”。坐下来跟他说“来看看你能用AI做什么以前做不了的事”，员工听到的是“可以变得更强”。

这是一个很有意思的现象，员工一开始犹豫，不是因为不会用工具，是因为不知道管理者到底想用AI做什么。是替掉他们，还是托起他们。

同一个工具，同一个预算，同一个人。前提条件不同，结果完全不同。

李飞飞在访谈后半段，主持人问她一个完全不知道从哪开始的人最简单的AI入门方式是什么时，给出了这样的回答：

去找一个年轻人。你的孩子、侄子侄女，只要是25岁以下的，他们当中绝大部分人已经在用AI了。

带着一份纯粹的好奇，去请他们给你看看，他们平时是怎么用的，用AI在做些什么。等你真的了解了它是什么，那个世界就没那么可怕了。

三、未来10年，职场只剩两类人

跳出自动化思维的陷阱之后，再看罗吉尔描述的职场结构，杠铃的两个端点就有了完全不同的含义。

罗吉尔在访谈里说：我的一个假设是，你会看到一个杠铃效应的出现。有一批人正在成为真正的专家。

一个还凑合的文案撰稿，现在任何人用一个大语言模型都能做得不错。但如果我是世界上最好的文案，或者在前1%，那你就没法轻易打败我。

而我们看到的另一个角色，是高主动性的通才。他们能做很多不同的事情，在判断力和主动性方面有很强的技能。

杠铃两端， 一端是前1%的顶尖专家，另一端是能同时驾驭多件事的高主动性通才。中间那些“还凑合”的人，空间正在被压缩。

李飞飞同意这个判断，加了一层分析：

不管你在专家那一侧还是通才那一侧，你都需要有主动性，你都应该能够以一种独特的、有创造力的、深入的方式去使用工具。

杠铃左端的顶尖专家，是把增强用到极致的人。 AI帮他们筛掉90%的重复工作，把精力集中在最需要人类判断力的那10%上。他的价值不是被压缩了，是被释放了。

杠铃右端的通才，是主动发起增强的人。 自己上手，自己造工具，自己定义工作流。他们不是在等一个被增强的未来，他们自己就是增强的起点。

中间层的问题不是技能问题，是姿势问题。 AI把执行层面的“还不错”拉到了极高的水平线。停留在“能执行”这个层面的人，不管做什么，都会被追平。

但只要从“等着被安排怎么用AI”切换到“我自己上手看看能干什么”，中间层就有机会把自己推到杠铃的任何一端。

李飞飞也专门讲了这个切换，她说：“创业者”这个词，在很大程度上就是“主动性”的同义词。

四、为什么增强不是一厢情愿？

有人会问：万一技术再往前走，人类的判断力、创造力、情感智能，全都被自动化了呢？

李飞飞在访谈里花了一大段讲同一个问题的科学版本。她的公司和研究方向是空间智能。

空间智能就是四件事： 理解、推理、生成、交互。

它涵盖了我们人类今天在3D（ 三维立体 ）环境里展现出来的好几种能力。

第一，我们能理解正在发生什么；

第二，我们能推理；

第三，我们能生成；

第四，最后但同样重要的是交互。

李飞飞举了投篮的例子：

连投篮这个动作本身，也是一个高度复杂的智能时刻，语言推理是参与其中的。因为你作为一个运动员，你会敏锐地意识到这球进了还是没进，它对比赛、对那个时刻意味着什么。

与此同时，看到整个球场，看到其他球员的位置，瞄准篮筐，这是深度空间性的。然后调整你的身体，知道怎么做出那个动作，这又是深度物理性的。

三种智能，语言、空间、身体，在投篮的一瞬间同时工作，互相协同，不是“先语言、再空间、再身体”的流水线。

而我们生活中做的绝大多数事情，其实是语言智能、空间智能和身体智能的混合。它们是高度互补的，一起协同工作。

然后李飞飞给了一个进化论层面的判断： 进化花了超过5亿年才让空间智能成熟起来，语言智能花的时间比这短得多。 所以这是一种非常深层、古老、根本性的智能能力，动物和人类都有。

这些判断放在一起，指向同一件事。今天AI真正能加速的，是语言层面的任务：写报告、查资料、做数据分析、写代码、生成图片。

它让人有更多时间和精力，去做语言之外的事：判断、创造、共情、在模糊地带做决策、在压力下保持冷静、在各种信号矛盾的时候盯住最重要的那一个。

增强不是一种愿望，不是一种价值观选择。它是在技术发展的这个阶段，一个科学判断： 人还有大把AI追不上的东西。

用增强的框架，省下的是重复劳动，得到的是被释放的专业判断。

李飞飞在访谈里说过一句话，可以作为所有AI管理决策的试金石： 我们教孩子们怎么用火、用刀，再到用互联网。现在，作为一个物种，一个社会，我们必须学会怎么用AI这件事。

关键词不是“学会”，是“我们”。不是让员工自己去学，不是让IT部门去部署，是管理者和团队一起，把AI当成一个需要共同搞明白的东西，用它把每个人往上推一层。

李飞飞

斯坦福大学

李飞飞，美国国家工程院院士、美国国家医学院院士、美国艺术与科学院院士，现任斯坦福大学首位红杉讲席教授、以人为本人工智能研究院（HAI）院长，AI4ALL联合创始人及主席，Twitter公司董事会独立董事。她长期致力于计算机视觉、深度学习、认知神经科学与AI+医疗等领域的研究，是ImageNet及ImageNet Challenge的发起人，推动了深度学习的突破性发展。

来源 经济管理学刊

转载 高校科幻

声明：本公众号所发非原创推文，主要系接受委托、投稿或公益采编公开新闻，仅作推介之用，如有错误或侵权，请留言联系管理员修改或删除。若您有相关成果想要推介，欢迎发送文章信息至留言框。