AI教母李飞飞最新访谈：10年后只会剩下2类工作者

人人都在焦虑 AI 抢饭碗，“AI 教母” 李飞飞最新访谈直接戳破时代真相：十年后职场只会留存两类人，不上不下的中间平庸者，生存空间将持续收缩。当下行业疯传 “智能成本趋近于零”，她直言这是极具误导性的片面论断，人类独有的感知、共情、空间与身体协同智能，历经亿万年演化，远非大模型所能复刻。多数企业陷入三大自动化思维陷阱：把 AI 当作裁员替代工具、堆砌工具便视作数字化落地、粗暴下达全面 AI 部署指令引发员工恐慌。真正的 AI 变革，从来不是淘汰人力，而是抬升人的价值。文章抛出扎心 “杠铃效应”：一端是深耕领域的前 1% 顶尖专家，借 AI 剥离重复工作，专注不可替代的深度判断；另一端是主动重构工作流的复合型通才，自主驾驭工具、搭建专属业务系统。普通人无需恐惧技术迭代，核心突围关键在于跳出被动执行思维。以下，Enjoy：“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。01、“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。02、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。李飞飞会在访谈后半段，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。03、未来10年，职场只剩2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。04、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。 查看更多