我们担心人工智能接管工作，但并不完全了解将以何种方式发生、何时发生，或者还有多少时间来做准备。

  大多数人认为，任务的复杂性决定了人工智能采用的速度。这一假设完全是错误的。正如孙子所说：“知己知彼，百战不殆。”你需要理解以下动态。

  即使对专家来说，人工智能的机制也依然有些模糊。然而，我们大家都知道一件重要的事：AI会学习。

  人工智能模型会从数据中学习。一个数据有限的人工智能模型就像一个蹒跚学步的幼儿；相反，一个拥有海量数据的人工智能模型则像一位经验比较丰富的爷爷。

  开车和写代码，哪个更难？大多数人会说是写代码。然而在人工智能的发展中，情况似乎相反。

  大型语言模型（LLM）相对较新。在ChatGPT出现之前，很少有人把AI和聊天机器人联系在一起，更多人想到的可能是《终结者》。随着word2vec等神经网络的出现，LLM时代大约始于2013-2014年。相比之下，无人驾驶早在1980年代就已开始。1987年，Ernst Dickmanns的团队用计算机视觉技术，让一辆梅赛德斯-奔驰面包车在德国高速公路上以96公里/小时的速度实现自动驾驶。

  尽管有如此巨大的一马当先的优势，无人驾驶依然落后于LLM。ChatGPT在无数场景中稳定发挥，而AI驾驶员的表现仍然好坏不一。

  为什么呢？特斯拉和Waymo等公司已投入了数十亿美元。可如果有一家新公司想进入这一领域，即使拥有顶尖的工程师和无限的资金，也仍然需要数千小时的多样化驾驶数据。一些事故类型极其罕见，几乎不可能让人工智能进行训练。

  同时，LLM却可以在整个网络上进行训练——一个有着丰富数据的乐园。因此，人工智能之所以更可能取代程序员而非司机，并不是因为写代码更容易，而是因为有关数据更容易获得。

  总的来说，人工智能就像在大学里拿到历年试卷和复习资料的学生。他们当然会比那些只能拿到几节课零散笔记的人更轻松地通过考试。

  这正是就业市场上正在发生的事情。一些行业拥有大量可供人工智能学习的有用数据，而另一些只能凑合着用零散的数据。数字非常直观：拥有丰富优质数据的行业，人工智能的采用率可能达到60%–70%；而数据匮乏的行业，则可能连25%都不到。

  GitHub上托管着超过4.2亿个代码库，其中至少有2800万个是公开的——数以百万计的编程问题解决方案示例。

  IBM指出，人工智能利用通话、邮件和工单数据来提升回复质量，并将成本降低23.5%。

  金融领域也大量使用机器学习进行算法交易，依靠海量市场和交易数据来进行预测，高频交易约占美国股票市场成交量的70%。

  公开可获取的手术数据集不到10%，受限于HIPAA法规和数据来源分散。

  每个项目都不一样，文档记录很差，而且没有标准化的方法来追踪什么有效、什么无效。

  美国教育部指出，《家庭教育权利和隐私法案》（FERPA）限制数据收集和共享，进而影响了AI对学生数据的利用。

  为了应对这一些数据短缺，一些行业正在采取侵入性的措施。医院在手术室内安装全面的视频监控，表面上是为了训练手术人工智能，但也带来了前所未有的对专业医护人员的监视。AI监考系统正在开发中，可在考试期间追踪学生的眼动、面部表情和打字模式，这引发了人们对监控系统可能远超其原本用途的担忧。

  人工智能的变革并未以同样的方式冲击经济的每个部分。在有丰富数据的行业，我们正以惊人的速度见证经济学家所称的“创造性破坏”。旧岗位几乎一夜之间消失，新岗位迅速涌现，但这些新岗位往往需要完全不同的技能，并且倾向于集中在科技中心。例如，一个曾雇佣500名员工的客户服务中心，可能会转变为一个只有50名人工智能监管专家、集中在同一地点运作的团队。

  数据匮乏的行业面临的是完全不同的挑战。它们必须实现数字化以保持竞争力，但这会在尖端技术和既定做法之间造成日常摩擦。这种转型的速度更慢，但影响更深远——它不是简单地替换个人岗位，而是重组整个部门。

  诚然，新工作会出现，但并不是一对一的替换。预计到2030年，将有9200万个岗位被取代，同时会有1.7亿个新岗位出现。但这并不是在同一地点、同一批人中的直接交换。真正的挑战不单单是岗位数量，而在于岗位消失的地方与新岗位出现的地方之间的差距，以及工人现有技能与新岗位所需技能之间的差距。

  对于求职者来说，关键的洞察是：行业边界变得模糊的速度比岗位类别变得明确的速度更快。与其只专注于传统职业路径，不如寻找跨领域的职位——那些将人类判断力和AI能力结合，或在技术系统与商业需求之间起到桥梁作用的岗位。

  将你的技能重新聚焦在适应力上，而不单单是专业相关知识。与其单纯列出你做过的事情，不如明确你是如何学习、处理问题以及适应新系统的。雇主逐渐重视那些能够在不确定性中游刃有余，并能将新工具融入现有工作流程的人。你在工作中成功适应上一次重大变革的能力，可能比你对某个特定软件的精通程度更重要。

  瞄准“摩擦点”。任何引入人工智能的组织都会面临同样的挑战：如何让复杂的技术在混乱的人类系统中发挥作用。寻找那些在采用人工智能的公司中负责管理、培训或流程的优化的职位。这些岗位通常不需要深入的技术背景，但有必要了解当理论与实践相碰撞时，组织是如何实际运作的。

  思考你所在行业的“最后一公里”机会。虽然科技中心占据了新闻头条，但每个行业都需要能够弥合人工智能能力与本地执行之间差距的人。医疗系统要既懂患者护理又懂数据分析的人；制造工厂需要能与自动化系统协作的操作员。你在当前行业的既有知识，加上基本的人工智能素养，往往比从零开始步入一个全新领域能创造更多机会。