我是首席技术官，AI 仍然需要你的专业判断

最适合从事这种新型工作的人不是电脑程序员，而是那些了解实际工作如何完成的人。插图：Guardian Design/Westend61/Getty Images

最适合从事这种新型工作的人不是电脑程序员，而是那些了解实际工作如何完成的人。插图：Guardian Design/Westend61/Getty Images我是一名首席技术官。AI仍然需要你的人类专业判断 Madhu Shashanka

AI在某些任务上越来越擅长，但它永远无法取代人类员工的判断力

自动驾驶汽车或许是我们打造过的最安全的汽车，却总是收到本可轻易避免的停车罚单。据《华尔街日报》报道，尽管Waymo在数千万英里行程中的事故率远低于人类驾驶员，但它们在执行基本任务时依然很糟糕——避开残疾人停车位和拖车区，或在周日礼拜期间避开教堂车库。

这就是AI的现状：在复杂的事情上能力惊人，在简单的事情上却笨拙得令人尴尬。这也影响着哪些工作仍将由人类承担、哪些将被AI自动化。

在皮尤研究中心调查的37个国家中，有34个国家的民众预计AI会导致就业岗位减少。在美国、澳大利亚和韩国等富裕国家，约七成人预计未来20年会出现失业。而且各国年轻人的担忧都在上升。虽然担忧集中在岗位数量上，但更大的变化将是工作本身会变成什么样。

人类工作的性质将转向判断。专家称AI是“锯齿状”的：在某些任务上超越人类，在另一些任务上却很弱，而两者之间没有明确界限。在工作可以自动校验、示例无穷无尽的地方，AI进步迅速。但在没有自动化测试能判断答案是否正确的地方，它就不稳定。即使AI在某个任务上大多数时候是正确的，它往往也不会告诉你它何时不准确。如果你用过AI，你可能体验过它如何自信地犯错。

其中一些错误会随着模型变得更好而自行解决。但锯齿状是这些模型学习方式的一个症状。作为用这些系统构建产品的技术负责人，我经常看到这一点。

更聪明的模型仍然需要一个正确答案来学习。当一个缺口被补上时，它又会在没人想到要检查的别处冒出来。但许多商业决策并不会立刻有明确的正确答案。一个选择好不好，取决于没人能看见的未来和没人掌握的数据。这正是判断力发挥作用的地方。因此，AI将继续掌握那些有可校验结果的任务，但在需要人来判定什么才算好结果的地方会举步维艰。

于是，一种新型工作开始出现。有人基于实际工作而非仅仅基准测试，来检验AI的输出是否正确。有人在AI运行之前设定它被允许做什么的界限，从而避免最严重的错误。有人像轮班经理管理班组一样运行和管理多个智能体。想象一座机场控制塔。雷达和软件追踪飞行路径，由人类判断少数关键的路径以避免碰撞。没有人会手动盯着每一块屏幕。那永远无法扩展。

设定AI的界限比听起来更难。在2026年的一项研究中，一个智能体被要求保护一个秘密后，它摧毁了自己的电子邮件服务器，删除了每一封邮件。它被赋予了一个目标，却没有任何行为限制。研究人员将其描述为正确的价值观配上了糟糕的判断力。决定什么属于禁区、一个错误要付出什么代价，需要由了解这项工作并愿为结果负责的人来做。

对于担心自己工作的人来说，这里有个好消息。最适合从事这种新型工作的人不是计算机程序员，而是那些了解实际工作如何完成的人。要发现一个自信的AI遗漏或弄错的地方，需要知道完整答案的人。这种知识无法核查、不成文，其形式是多年从事该任务并目睹其出错而磨砺出的判断力。

福特最近认识到了人类专业知识的价值。近年来，它大力依赖自动化质量控制，裁减了数千个岗位。但今年早些时候，它不得不重新聘用350名资深工程师来监督流程，并在零件到达车间之前寻找故障点。他们带来了多年观察零件失效所积累的判断力。在人类掌舵下，福特的质量排名随后自2010年以来首次在主流品牌中位居第一。

但我们正在因AI而裁减的岗位上犯一个严重错误：入门级的常规岗位。正是这些常规工作让判断力随时间建立起来。初级员工在资深专家的监督下工作，直到他们的经验变成直觉。AI消除了学习如何做这份工作的摩擦。但对判断力的需求并未消失。我们只是在摧毁培养它的路径。

真正的问题不是机器是否会接管我们的工作，而是我们是否会有能判断机器何时出错的人。眼下，我们正在把学习判断力的训练场自动化。如果你在任何领域拥有来之不易的专业知识，未来几年只会让你更有价值。而如果你刚刚起步，旧的学徒模式不会把判断力交到你手上。你必须刻意地、在机器尚无法判断的任务上去挣得它。

Madhu Shashanka是数据安全软件公司Concentric AI的联合创始人、首席科学家兼首席技术官

探索更多相关主题

AI（人工智能）

阅读最多