86.「明年科技公司就只招 AI 人才了！」和脉脉CEO林凡聊全球 AI 人才动向、组织变革与大模型季报

过去半年间，AI 行业最大的趋势已经从模型能力探索步入 Agentic 智能体化与深度组织渗透的实操阶段。AI 已经不再是后台的算法演进，而变成了一种全新的工作流和生产力底座。

巧合的是，我和脉脉创始人兼 CEO 林凡最近都刚从硅谷回来。林凡深入拜访了 OpenAI、Anthropic、Google 和 Meta 等顶尖大模型厂商及一线 AI 前沿研究团队。本期节目可以视作一份对当下全球大模型发展态势和动向的 AI 季报。

我们的对话将涉及几个核心议题：中美大模型的真实差距；Anthropic 和 OpenAI 基本上现在应该有 30% 的 training 已经开始交由 AI 来做优化了，明年可能科技公司就只招 AI 人才了；AI 人才的新标准；如何能够让你的 agent 自主、自动地工作超过 1 个小时，这个事情可能是一个很有意思的分水岭；你的约束想得越清楚，前面的架构设计得越好，AI 能全自动完善各种细节的周期就会越长；以及人才市场正在、未来即将进行的结构性震荡。

未来很有可能是人力资源的服务会有一个上云的过程。作为中国最大的职场社区与社交平台的掌舵人，林凡不仅在密切观察全行业的人才流向，更在企业内部推进着一场近乎激进的 AI 组织变革。希望这一期对话能为大家找到个人价值的核心锚点，摆脱焦虑，共同进步。

我们先从你刚刚结束的美国之行来聊一聊吧。你现在是每年都会去美国调研吗？

1. 全球模型竞争加速

对，我觉得每年都会去美国看一下，主要每年的目的都很相似。第一个事情是看一看基模的能力，AI 的技术大概走到哪一步；第二个是看一看美国现在 AI 的创业都在做什么方向，大家都在买什么东西。

这次去见了 OpenAI、Anthropic 这样的大 AI 公司，包括 Google、Meta 等这些有基模的公司，也看了很多 AI 创业项目。基本上大家都在聊模型的技术、应用、未来的一些可能方向，以及组织的一些变化。

总体来讲，模型的能力，或者说技术的进展，其实还是在非常快地迭代。创业者基本上现在都有一个共识，都是在做工种替代。你看现在 coding agent 对于程序员的替代，趋势已经很明显了。

现在大家都觉得，模型的智能其实已经足够。如果能够更有效地去做一些工种替代，这里面其实有巨大的商业机会，因为人力资源产业是一个非常大的产业。所以我们看到，很多这样的机会正在冒头。

中美之间的差距其实是在缩小的。我们看到媒体上经常会提到美国 CEO 都说中国公司在蒸馏，我觉得底下的同学更多还是 respect 中国，想能够做出现在这样的 progress，是一件非常了不起的事情。

所以我觉得，顶层的人肯定带有他们的商业目的和政治目的，所以一直在说中国蒸馏。但实际上，中美两边底下的同学聊天时，都没有觉得这是靠蒸馏能够做出来的结果。

先问几个我感兴趣的快问快答，因为我也在思考这几个问题。您刚刚提到，您觉得未来中美的模型差距会缩小。那您觉得，美国 SOTA 模型在接下来的 6 到 12 个月，还会有很高的模型能力天花板提升吗？

有。这是我这次重点去看的一个事情。去年这一波，实际上是 RL，特别是 Agentic RL 的进展，使得整个模型的能力在快速上升。接下来，因为机器的自演化，也就是 RSI，会让这个事情变得更快。

对，AI 让 AI 自进化。既然美国最前沿的模型能力还会提升，我们怎么判断中美的模型差距会缩小呢？

我们不是说未来会缩小，是说现状正在缩小。

原来我们拼 pre-training 的时候，大家对于卡的要求会特别特别高。然后当你变成 post-training，特别是在 RL，甚至在 Agentic RL 的时候，它对于很多训练或者推理资源的要求，就不像预训练对于卡的要求那么大。

所以我们看到，最近过去这半年到一年，国外的 SOTA 和国内的 SOTA，咬得还算比较近。未来的话，因为国内也有在研究 RSI，美国也有在研究 RSI，只能说我看到现在是在缩小一些，但并没有说未来还能继续缩小。

你们也非常关注 AI 现在能够在具体生产环节当中产生的价值。我们从经济成本来考虑 AI 落地的话，你觉得这件事情是乐观还是悲观？

2. 小模型正在变强

前一段时间会给大家一个错觉，就是说 SOTA 模型非常非常贵，而且国外和国内都在快速涨价。但我觉得这某种程度上还是个错觉。

如果用经济模型算，肯定算不过账来，确实是亏的。但是大家会忽视，现在一些小模型的能力，其实因为 SOTA 模型在快速进展，所以小模型在蒸馏大模型的一些能力。小模型的能力也在变得越来越强。

前一段时间 DeepSeek Flash 的那个版本，其实让大家非常惊艳。在这么一个参数规模下，能够达到那样的效果，包括像 Gemma 3 的 27B 出来以后，它们在 reasoning 和逻辑方面的能力，其实都有了比较明显的进步。

所以我的感觉是，SOTA 的竞争还会有半年到一年的持续高价 token 的情况存在。但是再往后走，普通模型已经到了今天 Opus 5 或者 Fable 5 这样的水平时，价格可能不会那么贵，而大家的需求基本上就在那个水平上。

所以我觉得，到了那个节点，token 就没有那么贵了。但现在确实非常贵。

我们可以看到几个趋势。第一个趋势是，小参数模型的表现力越来越强，越来越聪明。

是的。

第二个，您是认为再往下走，模型能力会逐渐趋同？顶层模型的能力，中美就快开始逐渐趋同；那中国天然会有价格优势，小模型本身又会变得越来越强，所以小模型能够取代大部分公众所需要的模型智能。

因为今天基本上，模型的智能应该已经超过今天大部分工种所需要的智能了。

你刚刚说你也去了 OpenAI、Anthropic 这两家全世界最瞩目的 SOTA 公司，有什么收获？

3. 科技公司只招 AI 人才

我先讲一个暴论，应该叫暴论：我觉得明年的话，科技公司基本上只会找 AI 人才了。

如果你不太擅长用 AI，就跟你今天不太会用 PC、不太会用手机是一样的，你是不可能被这个公司所需要的。

为什么这么讲？讲 OpenAI 的一个例子。前段时间 OpenAI 发布了一篇论文，讲他们公司内部用 9 个月的时间，从只有程序员开始用 Codex 这样的 coding agent，到 9 个月之后，法务、财务，人人都用 Codex，并且平均让 Codex 工作的时间达到 1 个小时。这个过程头尾就发生了 9 个月。

Coding 从程序员相关的技术人才，泛化到这个公司的所有人，从头到尾用了 9 个月。这其实是一个巨大的生产力普及过程。

我们跟 OpenAI 的同学聊下来，我们大概比他们晚了 5 个月时间。我们是在今年 3 月左右发生的，他们是去年 10 月、11 月左右。我们自己现在预估，我们大概也只要花 10 到 11 个月的时间。

我们现在其实已经是人人都在用 Codex 这样的工具了，只是还没有完成最终的强制考核。你可以看到，在一家有强烈意愿的公司里，它其实会有很快的普及程度。

当然，我们自己在用的过程中，也会体会到一件很重要的事情：你要能让公司的每一个人都用上 Codex，其实要把足够多的 context、足够多的公司内部 data，让每个员工都能够共享、访问到。

这需要很多技术基础设施。技术能力比较扎实的公司，可能比较快地达到；技术能力差一点的公司，可能就会慢很多。但总体来讲，我们觉得两到 3 年的时间，无论大公司、小公司，可能都会完成这样的切换。

我们自己内部的数据很明显：2025 年开始，AI 人才已经以同比 10 倍的速度在增加。2026 年已经过了一年，还是以同比 10 倍的速度在增加，现在占比已经到 30% 到 40%。

所以我们说，如果再涨一个 10%，差不多明年就是 80% 到 90% 的公司，或者说基本上所有公司都在招 AI 人才了。

而且大厂的校招我们也看到，基本上技术工种就是 3 类岗位：AI 算法工程师、AI 全栈工程师、AI Agent 工程师。非技术岗位也经常是 AI 产品经理、AI 运营、AI 商业分析等等，各种以 AI 开头的工作。这是一个快速演变的过程。

这是一条线，以 OpenAI 为例。当然，我们和 OpenAI 聊得更多的是另外两个点。

一个点是 RSI，到底大家怎么能够把 RSI 这件事情真正落地。实际上，Anthropic 和 OpenAI 基本上现在应该有 30% 的 training，无论是 pre-training 还是 post-training 的工作，已经开始交由 AI 来做优化了。他们预计在 1 年的时间里，能尽量达到 70% 到 80%。这是大家普遍认为模型能力快速提升的一个核心原因。

第二个是 SI。

第三个，我觉得 OpenAI 其实在挑战的事情，就是所谓智能的上限，这个目标是特别明确的。去年我们跟他们聊的时候，他们还在提，要拿 IOI 全球第一名，类似这样的目标。去年他们拿了第 7 名，他们当时说 pretty sure 今年能拿到。

今年再问他们这个问题的时候，他们已经不 care 这件事情了。他说现在外面的模型都已经能够做到这样的水平了。他们现在做的最核心的一件事，就是在 1 年之内怎么把数学的菲尔兹奖拿下来。这是他们比较看重的事情。

AI for Science。我本来是带着了解工种替代之类的问题去跟他们交流的，但我发现他们的目标真的有点星辰大海：用 AI 去解决数学领域最难的难题，如何解决物理学上的可控核聚变问题，如何解决航空航天的问题，怎么解决生物医药、延缓衰老和减少疾病的问题。

他们觉得，任何一个这样的领域突破，带来的社会价值和商业价值，可能都比替代一些大家经常在国内媒体上听到的工种更大。比如说蒸馏了一个法律模型，或者替代了某个工种，然后又在抢人类饭碗之类的。

对他们来讲，更多想的还是怎么把科学上原来这么多年没有办法突破的问题，取得更大的 progress。这是跟 OpenAI 聊下来，我觉得比较印象深刻的 3 件事。

4. Agent 开始主动抢活

Anthropic 可能跟 OpenAI 还不太一样。他们有一点实际。当然，刚才说的那些东西不能说他们不看，但有一件事情让我印象特别深刻。

你看我们现在用 Claude 也好，用 Codex 也好，其实都是人想让它干什么，它干什么。今天 Agent 基本上还在人的要求下干活。

Anthropic 内部现在在用 Claude tag，也就是说，在 Slack 里面 Claude tag 拥有所有的 context。所以它会在大家聊天、讨论问题的时候跳出来说：“这个活我可以干，要不要让我干？”或者说：“那个事情前两天刚刚上线了，没有人去验证上线的效果，我可以去验证。”

就是 Agent 的主动性。现在 Agent 开始抢活干了。我觉得明年可能就是 Agent 抢活干了。

在 Agent 抢活干的时候，你其实会有巨大的压力。我们自己分析，人类过去的工作，从 CEO 到普通员工，每天大概有 70% 到 80% 是 routine 工作。我们非常熟悉这些工作，做的时候并不是非常费神。

但是当这些 routine 工作基本上都被 Claude 接管以后，它就会发现，OpenAI 他们用另外一种方式来实现：所有跟 AI 对话的 context，全部都有一个专门的 Agent 在分析。它会判断，谁谁谁这几天一直在做这样的工作，然后马上 push 一个消息给他：“这个工作我可以用 Agent 帮你做好，你点一下确认，这件事就不用你干了。”

这其实也是另外一种程度上的 Agent 抢活。你会发现，所有例行的工作慢慢都可以被 AI 接管。那我们每天就要开始做一些非例行的工作，这对人类来讲可能是一个很大的挑战，因为你每天都在不舒适区里面，整个组织的演变会非常非常快。

我记得我以前说过，AI-native 组织有 3 个阶段：第一个阶段，未来 3 年人人都是程序员；第二个阶段，未来 5 年人人都是管理者；第三个阶段，未来 10 年人人都是 CEO。

结果现在发现，速度太快了，预估得太保守了。未来 1 年可能人人都是程序员，现在其实大家都在用 Codex 写程序了；未来 3 年大家可能已经都是管理者，管理各种各样的 Agent；未来 5 年可能人人都是 CEO。

这个事情发生的速度会越来越快，所以这就是为什么我刚才最前面讲那个暴论：明年可能科技公司就只招 AI 人才了。

那你对 AI 人才的定义是什么？

5. AI 人才分成三类

这个可能要强调一下。好多公司，包括很多 HR，对 AI 人才的理解都是特别高精尖、会做大模型的那些人。

我们把 AI 人才分成 3 类。

第一类叫基座技术人才，就是做 AI 模型基座的技术人才。这部分人才是大家通常意义上理解的 AI 人才。他们能够做模型的预训练、后训练、infra 等等很多工作。

第二类，我们叫 AI 应用开发人才。越来越多的公司开始意识到，你去做一个 Agent，如何能够把这个 Agent 做好？Agent 需要的工具开发、Agent 本身的 infra 开发，以及 Agent 可能需要的很多 memory 或 function，这些功能的开发，其实也比较专业，还是要有一定技术背景的人来做。

第三类，我们叫 AI 业务效能人才。这部分人才实际上就是能够用好 Agent 的人。

6. 一小时定义 Agent 能力

我们内部觉得，token 消耗量还不是最有效的衡量方式。你如何能够让你的 Agent 自主、自动地工作超过 1 个小时？这个事情可能是一个很有意思的分水岭。

如果你能够做到，那其实就算是会用好 AI 了。因为现在的 Agent 基本上都是目标导向的。很多人在跟 AI 聊天的过程中，还是自己在做决策、自己在判断、自己在输出建议。

但大部分人没有意识到，自己其实已经是 Agent 的阻碍了。如果你能够把一个更清晰的目标给到它，然后它自己能够验证目标有没有达到，那么它就会自己努力做各种各样的尝试去达成目标。

前段时间不是有人说 DeepSeek 模型把 Hugging Face 给黑了吗？它其实就是因为要达到那个评测目标，所以用了各种各样的手段去达成目标。

但是很多人今天用 Agent 时，并没有想到，老板布置给我的某个 KPI，其实我是有可能用 Agent 帮我实现的。他很多时候还是在脑海中把这个 KPI 做了一些拆解，然后把其中某些环节交给 Agent 去问，Agent 给他一个反馈。

我记得我们当时内部答辩时，有一个场景让我印象很深刻。有一个运营同学，很重要的工作是服务销售，解决销售的问题和困难。

他说他做了一个 Agent，只要把销售的问题拷贝给这个 Agent，Agent 就会给出一个比较好的答案。他看完以后觉得还可以，就把答案拷贝下来，再贴回给销售，算是回答了。

他认为自己已经把 AI 做得很好了，因为他做了一些 skill，把销售常用的一些问题都教会 Agent 去处理。

我就问了他一个问题：“这个过程为什么你还要做中间那个人？照理说，销售直接问这个 Agent，Agent 直接调用 skill，再回复给销售，这个循环不就完成了吗？”

比如说你原来可能只能服务 50 个销售，因为每天就这么多工作量。当你会用 Agent 以后，Agent 帮你解决了很多中间的数据组织问题，你可以从服务 50 个销售，变成服务 100 个销售。

但如果没有中间这个环节，Agent 可能可以服务 500 个销售，甚至 5000 个销售，因为它是一个全自动的过程。

你这么用 Agent，本身其实已经让 AI 的能力受限了。你只能从服务 50 个销售变成服务 100 个销售，没有办法让 1000 个或者 5000 个销售同时享受这个 Agent 的服务。

这个过程就是每个人都在思考，怎么能够用得更深。

所以我们刚才说的第三类，我觉得是最普遍的，人人都有机会成为 AI 业务效能人才。但在认知层面上，他需要做改变。

所有程序员天然都默认活是电脑自己干的，这能理解吧？因为他从小的训练就是，我写完一个程序，这个程序就是自动跑的。

而且 Anthropic 的程序员们，他们已经完全就是用 AI 了。

对对对。前段时间我看一个研究，说现在最好的程序员，反而是用 AI 用得越多的人。

我们认为 AI 人才一共就是 3 类：AI 技术底座人才，真正对大模型做动作的人；AI 应用开发人才，基本上就是做 Agent 的人；以及 AI 业务效能人才，基本上就是用 Agent 的人。

但你用 Agent，要想办法让它自动化地运作，想办法让它自动跑几个小时、1 个小时这样的场景，才能算是会用 Agent。

很有意思。1 个小时是一个分水岭。这个时间是怎么算出来的？

它其实是一种感觉。如果你跟 Agent 对话，处理很复杂的问题，它大概几分钟基本上也能想完，然后给到你。

很多人会给 AI 一个 task，也就是一个任务，比如让它去调研某个东西。这时你会看到，AI 会去搜索、去研究，但大概率在 20 到 30 分钟之内也能完成。

所以我就把这个目标往上 double 了一倍，就是 1 个小时。

如果你要能让 AI 自动干 1 个小时的活，往往它就得有一个清晰的目标，并且知道这个目标自己做对了还是没做对，它能够验证。

明白。但我想更精准地描述一下您说的这个暴论：让 AI 能够完整地跑完工作流闭环，本身是一种设计能力，也是你对业务思考深度的体现。

对。

但这个我觉得还只是一个门槛。因为当你会用 AI 之后，要真正把 AI 放在实际生产环节当中产生价值，可能最后还是需要人在回路。你先会用，然后还得基于 AI 给你的结果，判断下一步要做什么，这其实是定义问题的能力。

对于大量还不够会使用 AI 的人来说，可能每次只能跑 1 个小时，先是一个分水岭。

人在回路里这件事情永远是对的。但是不同类型的人，在这个回路中能够放任 AI 自主工作的时间长短是不一样的。

比如我跟大家提到的是 1 个小时，但我们自己可能有一些 case，能够让 AI 跑 10 个小时，甚至 20 个小时、30 个小时一直转。

这个过程中，人在回路里有两种做法。一种是一次闭环、一次任务迭代，你在回路里面，其实就在阻碍这次闭环的速度。你拷贝、粘贴需要时间，看到消息、响应消息也需要时间，但 AI 在这些层面上是连续运行的，这部分一定要绕过去。

所以我刚才说为什么是 1 个小时？在我看来，它往往是 2 到 3 次 loop，需要 1 个小时的时间。

我能够让 AI 干 10 个小时。那天它在 background task 里跑了 700 多个 background task。但是这意味着它其实已经跑了非常多的 loop。

怎么去约束 AI 做非常多 loop？第一个是架构设计一定要设计好。在最开始的时候，你要跟 AI 充分讲清楚架构设计。

第二，我们可能会有上百个约束条件，内部叫 test case。你要让它把这些 test case 跑过，它可能就会花非常多的时间和努力，完成你对结果的 200 多个约束。

你的约束想得越清楚，前面的架构设计得越好，AI 能全自动完善各种细节的周期就会越长。

我们也在 loop 里：我设计一个头，头是怎么做架构设计；我设计一个尾，尾是怎么做 test case。中间所有的东西还是交给 AI 去做。

随着这两边的能力越强，AI 跑的周期就会越长。

很多人让 loop 停不下来，是因为觉得 AI 第一次、第二次干得太傻了，就忍不住停下来告诉它：“你做得不对，你应该怎么怎么做。”

但它一开始 context 没有你多，所以你会觉得它干了一些很傻的事情。如果你把头和尾约束好以后，再多一点耐心，特别是比如你要去睡觉了，你会看到它一遍一遍地在试错过程中，方法会越来越好，水准会越来越高。

当然，今天模型的智能在特别复杂的任务上还是有一些问题，所以依然需要人去做纠偏或调整。

Generally，我同意人在 loop 里，但你让这个 loop 能跑多少次，以及你控制的范围有多强，这可能是比较关键的节点。为 AI 打造一个自运行的系统、一个环境，是很重要的。

你刚才提到，AI 一开始由于缺乏 context，所以不一定表现得特别好。昨天我和网易的阮总聊这个问题时，他们现在也在做一些 AI 在企业可用、可信的方案。他提到，Agent 真正在企业里面运转得好，需要很多 context。

您刚才也提到，拥有更多 context 的公司会最快释放 AI 的价值。你觉得 AI 所需要的 context 到底是什么？

还有几类。

7. 企业 Agent 需要完整上下文

一类是人与人之间沟通和交流的内容。Typically，如果一家用飞书的公司，会有无数飞书文档。这些飞书文档，AI 是不是可以自己 search、自己 read？

更多的事情是，我们给它一个目标：今天要让某个东西的点击率提升 10%，然后你自己去看文档库里所有跟点击率有关的过去记录，所有你能看到的代码，过去看到的所有 log，以及 database 里的所有 data。

你有没有把足够的 context 给到它？它能不能 access 你的代码库、文档库、聊天记录、线上的 log、线上的 database？

一个人要完成点击率提升的目标，也需要这些 context。只是以前人在获得这些数据时，会去问谁有数据库权限、谁能给我看一下 log、帮我跑一下数据分析，或者去问各种各样的问题。

但 AI 今天去问，没有人会搭理它。所以你其实需要给 AI 提供一堆 MCP 接入工具，让 AI 可以接入公司的数据库、现成的 log，以及公司的文档库。

这边又有一堆权限问题。所有大公司其实都有非常复杂的权限体系。Agent 通常要么是给它一个独立权限，要么是给它主人的权限。这两个方案都会有很多具体问题。

但公司在快速演进的过程中，可能在我看来，是先把 context 和权限给出去再说。它的演化速度可能会更快。

先把权限给出去，再看结果，可能比先把权限想清楚再给 context 快三倍、快 5 倍。因为你要先干起来，看到结果；还是本来就将信将疑，不敢给这些权限，那它就更拿不到结果，你就更怀疑这件事。

所以这是很有意思的事情。AI 需要的肯定是过去已经留存的一些数字化信息。

但过去数字化比较成熟的企业里，也有很多信息墙。

是的。但现在如果要让 AI 真正深入组织当中，就要把这些墙都敲破。

明白。还是说一下 1 个小时的问题，因为我觉得现在模型给出结果的速度也不太一样。我最近能发现，Grok 比 Codex 和 Claude 的表现速度快得多。它可能在不久的未来，完成一个 loop 的单位时间会变。

这个我同意。但你会发现一个很有意思的事情：能够完成正常 task 的模型，能力一定要在一个水准之上。

有时候开玩笑说，你让豆包跑几个小时，它可能都跑不出来。

我的判断是，模型的速度确实有提升空间。比如 DeepSeek Flash 也很快，Claude 也很快。那听起来，它是不是把原来要跑 1 个小时的任务加速了，只要跑 30 分钟或者 4 分钟就可以？

其实不完全是，因为它大量的时间花在刚才说的 context 获取和结果 evaluation 上面。这些时间不是模型快就能快起来的。

比如今天你要在飞书里面摄取文档，这取决于飞书摄取的速度有多快。今天你要在线上分析一个 log，是要把 1 GB 的 log 跑完，那个时间有多快。它不会因为推理速度变快，就一定变快。

这是日常生活中，人在解决这么多具体任务时必须消耗的时间。现在只是有 Agent，它不会休息，不会打瞌睡，不会喝杯咖啡忘了看 log，它会一直 run。

所以我还是觉得，1 个小时是够衡量的。

那我们接下来聊聊普通人最关心的问题。AI 替代人这件事情已经讲了 3 年了。您观察下来，目前 AI 替代人的进度条到哪儿了？

我们分成两部分讲。

8. 可验证工作最先被替代

一部分是，确实有很多工作是比较危险的。我们原来认为，最难的工作，比如 coding 这样的白领工作里最难的工作，反而最早被替代。

你发现数学家这种站在智商最高程度上的人，他们的工作似乎也很难、很难做。我们觉得，这一届菲尔兹奖可能是最后一届人人都能参与竞争的菲尔兹奖时代了，pretty sure 是这样的。

原来我们对这件事的理解是，难的事情不容易被替代，简单的事情比较容易被替代。但现在我们会发现，有没有一个清晰、标准的闭环，这件事情很重要。

如果这件事情能够清晰闭环，Agent 就可以 loop 一直跑、一直跑、一直跑，而且是可验证的。

如果是不可验证的，人在这个过程中的作用就会大很多，因为 AI 没有办法自己说它不对，然后再改。它可能会问：“这到底对还是不对？”

所以我们看到，短闭环且清晰可验证的事情，哪怕是数学家这样的工作，也可能被替代。

剩下的大部分工作，今天看起来也处在比较危险的状态。比如大家一起协同协作，共同完成一个闭环，但这个闭环本身也是可验证的。

拿研发举例，虽然不是非常准确。研发以前分成前端、后端、测试、运维、数据分析等很多工种，他们共同保证一次上线的成功或失败。

你会发现，所有这些人合在一起完成一个闭环，AI 也能做。但 AI 可能需要有人带着做，也就是一个 AI 带着一群 Agent 快速完成原来那么多人一起协作完成的闭环。

程序员有时做前端、测试、数据分析的工作，很可能都回到后端手上。或者比较强的前端、测试、数据分析，也能带着一个 Agent 完成所有这些工作。

只要这个业务本身能有准确结果的闭环，不管是短闭环还是长闭环，今天看起来无非就是：短闭环的事情，很可能 AI 自己就能干；长闭环的事情，有一个人带着 AI 也能干。

不太可闭环的事情，可能就会卡住。但商业上这种东西比较少，因为商业最后总要收钱，规模化总是要找可闭环的事情。

对。像那种非常点对点、依赖个人情感的，包括我们经常说的销售，可能还是很难，因为它需要人与人之间打交道、交流和洞察。

对，这种偏关系型的 relationship 工作，不太容易被 AI 替代。

除了关系类工种以外，我觉得所有不能自闭环的岗位，或者合起来也不能形成闭环的岗位，需求都会比较少。

从脉脉的数据上能看到，很多岗位在缩招。比如自然语言处理、后端开发、直播运营、数据仓库、产品经理，很多这样的岗位都在变少。

但另一方面，也会有很多新的人才需求出来。比如刚才说的 3 类 AI 人才，需求会变得越来越大。

那哪些能力是 AI 比较难超越的呢？

客观来讲，我觉得没有特别多的能力是 AI 不可超越的。

我最近看一些自媒体在讲，判断力是 AI 永远无法像人一样拥有的能力。我就在想，那是因为它没有你的 context。有了你的 context，它可能判断得比你还好。

前段时间，我们系有一个 500 人的 AI 群，大家在讨论一件很残酷的事情：今天 AI 的智能已经超过我们了。

我不是泛泛地说，我们就说清华计算机系这帮做 AI 的 500 个人，大家基本上的共识是，AI 的能力已经超过我们了。

剩下的问题是，今天还有非常多 context 没有做好，所以 AI 还不能释放它的能力和威力。

但我们今天在 coding 上、数学上，以及未来一个又一个领域里，会把这部分 context 慢慢释放给 AI。那时候，AI 在不同领域里就会做得越来越好。

所以你问，某个能力上有没有人比 AI 做得更好？还是回到刚才那句话，除了关系型的工作——今天你要跟人打交道——因为 AI 没有 physical 的实体，也没有很好的跟人的交接面，所以我觉得今天在这方面人还是有优势的。

但 who knows？具身智能 10 年后可能就是另外一个 story 了。

对，因为现在已经开始在下载人类的动作和行为了。

那您个人呢？你经历过 AI 焦虑吗？

9. AI 焦虑分成四层

我其实是这样讲：我考虑的问题，作为不同层级上的思考，会有不同层级的焦虑。

第一，我自己刚才讲过，我在美国读的就是模型能力。我作为一个技术爱好者、机器学习出身的人，对于 AI 在过去 3 到 4 年的爆炸式进步，是有焦虑的。

因为你要学习这个技术，非常努力地想了解从最底层的模型架构，到上层的 Agent、Agentic RL，再到上面的 harness 等一系列东西。但爆炸速度非常快，所以有特别多东西要学。

这次我跟 SOP 那个工程师聊的时候，我说，作为一个技术个体，我看到他跟 Claude 讨论很多问题时冒出那么多名词，我都非常恐慌，因为我觉得我学习的速度，不及它冒名词的速度快。

他跟我讲说，这是一个 bug。我问：“什么？”他说，AI 在过去这一年里，在数理逻辑方面有了非常大的强化训练，所以在语言表达能力上有了巨大的 loss，表达能力变差了。

我们内部有很多人觉得，AI 根本就不讲人话，就在讲听不懂的话。你跟 AI 对话的过程中，它其实增加了你很多焦虑。但实际上，这是它的 bug 增加了你的焦虑。

有些事情明明可以用很简单的话讲明白，非得给你转一堆术语。比如你说评价函数，或者说 reward，其实都是可以的，它非得说 rubric。那你可能就听不懂这个东西是什么，还要再去学这个词。

Anyway，这是第一层焦虑。

第二层，我作为 CEO，要让这家公司运作起来，跟得上这个时代。那我们组织里的人怎么样才能学会 AI？

我刚才自己学 AI 的时候都已经有很多焦虑了。我有很好的技术背景、学术背景和 research 背景，学这些东西时都这么痛苦，那大家在学的时候怎么才能学得更好？

我们公司内部要求，接下来不同工种要一轮一轮地答辩，相当于完成内部的 AI 面试过程。而且我是面试官，卫诗婕

你亲自面所有人吗？

所有中高层都要面，但他们必须通过我的面试。

很多人问我：“你的标准是什么？”我说，在没有面这个工种之前，我也不知道标准是什么。但我可能会在听他们描述的过程中，思考这个工种的标准应该是什么。

比如面研发最简单，因为我自己的标准就是这个标准。到了面运营的时候，是我非常喜欢的一件事情，因为运营的工作我也不了解。

比如那天我刚才讲的那个故事，销售运营把东西传来传去，我就知道了：这个标准就是要自动化。

面产品经理时，我会非常明确地要求，你的产品指标要让 AI 自动帮你优化。不要跟我说你生成了一个 demo，就觉得自己 AI 用得很熟了。你可能确实比一般公司的产品经理更熟一点，但如果不能优化线上的业务指标，就还没有把 AI 用好。

对于设计团队，我听了很久。第一次听完，我说：“你们让我想一想，先过，先过，我没想明白你们的标准是什么。”

第二次我跟设计负责人讲，我想明白了你们的标准。核心标准是：你们要让公司其他人使用设计这件事情变成自动化过程，不要再找你。

这是第二层焦虑。你不断地思考，而且会发现组织要快速变化。

原来是精细化分工的时代。我经常跟程序员开玩笑说，我在 2000 年做程序员时，没有那么多工种。我既是前端又是后端，既做测试又做上线，还做数据分析，什么都做。

互联网和移动互联网用了 20 年时间，把这么多工种慢慢拆碎了。为什么越来越专业化？因为这样做得比较极致，可以在一个地方做得非常精细，效果会非常好，再把大家拼在一起，总体效果就变好了。

而且就业面在变广，越来越多的人进入互联网，大家总得在里面找到工作的可能性和机会，所以工种就变得越来越细分，越来越细分，实际上把门槛降得越来越低。

这是工厂流水线和传统手工艺师傅最大的区别。把它拆得足够细以后，每一个环节就像拧螺丝钉一样简单，门槛就会降得很低。

但今天我们可能用 1 到 2 年，又要重新把这么多工种拼回到一个人身上，把原来很高的门槛也降低了。但降低之后，是一个人要把所有事情都干了。

所以组织其实也在发生巨大的变化。这一层焦虑，是我作为 CEO 的焦虑。

第三层，是我作为这个行业的焦虑。我们在思考，这个变化对行业会有什么影响？我们可能要寻找产品创新，寻找很多可能性去助力这个行业。

比如我们最近发布的一些产品，在产品后台帮助 HR 找人的时候，会给人才打上各种各样的标签：这是技术基座人才，这是应用开发人才，这是效能应用人才。

这样 HR 就会有一些基本概念：今天我要一个 AI 人才，大概要这几种不同类型中的哪一种。

我们也在全国各地跟不同城市的 HR 宣讲，不要大家老去抢基座人才。现在基座人才的年薪都到千万级别了，大部分公司也用不上。我们也会给大家提供咨询服务，帮助大家了解这件事。

再有就是，我们可能会帮助那些真正要招基座人才的创业公司。大公司还好，但创业公司没有雇主品牌，很牛的人可能都不知道这些公司的存在，听到这些公司，第一反应可能就是“不看机会”“不考虑”。

这些创业公司有可能还需要我们帮它们链接一些硅谷的人。我们最近也上线了产品，可以完成这样的链接。

总的来讲，我们作为一个行业的从业者，怎么帮助行业迭代和优化？这是第三个层面的焦虑。

第四个层面，虽然可能很像未来，但我觉得它会发生得很快。2023 年出来的时候我就提过，20 年后我估计所有人出生即退休，所有人都不用再工作了。

如果 AI 没有叛变，我觉得那是一个很美好的社会。但在这件事情发生之前的 10 年，会是一个极其动荡、极其恐慌的 10 年。

这 10 年我们能做什么？当然政府能做的事情更多。但我们作为这个领域里的从业人群，脉脉的使命是成就职业梦想，希望帮助每一个职场人从进入职场到退休，都能够有比较好的发展。

但这个过程中，原来的范式会被完全打破。我可能会想，我们怎么解决这个事情？

一方面，我们通过自己的影响力输出一些观点。比如平台上的很多程序员其实很恐慌，因为大家觉得 coding agent 来了以后，自己真的就失业了。

很多人会觉得，我用 coding agent 写的代码比不过它。我自己作为清华计算机系前 10% 的写程序的人，也觉得我写不过 AI。

但经过很多思考以后，我们会发现，程序员这个群体不会消失。可能出现的情况是，原来大厂招了很多程序员，最后可能只留下 C9 里最优秀的一批程序员就够了。

原来大厂里的 211、985 程序员，可能就落到中厂；原来招不到这些 211、985 程序员的中厂，现在可以招 211、985 里比较好的程序员。那些非 211、985 的程序员可能就会被落到小厂。

我说的都是互联网行业。小厂以前可能只能招一些专科生，现在可能能招一本，甚至重点大学的程序员。

看起来这些程序员就失业了，但实际上他会再往外走。

你看 2020 年、2021 年，当时有一波互联网程序员开始往外走。那时候互联网程序员基本上只走到了新能源汽车、金融科技、高端制造等高毛利行业，传统的低毛利行业养不起程序员。

而且以前一个程序员不顶事，要一个程序员团队，还要加产品经理，这一群人一年可能就得有个千八百万的成本。

为什么是 2021 年集体出走？

当时不是互联网有一波很多公司都不敢招人了，就开始……

对对对。

那批人其实当时就进到了这些行业。

但我觉得这一波人才的流动性会更广，因为他们带上 coding agent 以后，可以进入所有行业，而且一个人可能就是一个团队。

以前你看物流公司、农业公司、外贸公司，很多公司也有几十人、上百人，但以前绝对请不起程序员。现在有一个会用 Agent 的程序员进来以后，其实能帮他们公司提高很多效率。

虽然这些公司里可能也有一些人学 Agent 学得不错，但总体来讲，我们发现还是程序员用 Agent 比非程序员用 Agent 更 natural 一点。

所以我的一个大判断是，这是一波从顶层人才开始往外流、往各个行业流动的过程。对很多人来讲，他不是没有工作，反而是一些新的、大的机会被打开了。

这是我们看到的一个工种变化，也是在释放这样的信号：程序员不要焦虑。你们其实有很广阔的空间，只是要把眼光放开一点，不要再想着怎么待在互联网大厂、中厂、小厂里，可以去很多其他行业。

您说了一个特别好的点，给了我一些启发。您刚才讲，这一波程序员有可能扩散到更广泛的行业，我觉得它会带来几个趋势。

第一个趋势是，过去这些年，虽然国家大力推动，但中国千行百业的数字化进程并没有想象中那么快，有很多卡点。

但我觉得在这一波 AI 浪潮当中，企业由于焦虑比过往更强，所以大家拥抱得也更主动、积极、彻底。

原来在前几个时代，程序员这种高技术人才只是小范围行业的福利。但接下来，这个福利可能会蔓延到每一个行业。

它会加速数字化进程，因为只有数字化企业才具备用 AI 的条件。

第二个趋势是，我觉得带有技术和 AI 能力的人才去到这些行业，并不一定优先去优化或替代基础岗位。他更多是为这些相对传统的行业发现原来的增量。

这种细分行业会诞生很多隐形冠军，因为任何一个行业只要做深，都有很厚的价值。

没有你那么乐观。生产力不是无限提升的。

这轮 AI 确实能让生产力无限提升，但生产力无限提升以后，供给充分增加，并不会让消费充分增加。

从更宏观的角度讲，我觉得它并不会马上让各行各业都涌现出来。今天 AI 最大的问题不在供给侧，而在消费侧。

这个过程中间一定会出现很多人员动荡，很多人会失去全职工作。

我自己的一些构想是，现在有很多人出来以后会去开滴滴、送美团外卖，但这跟他原来的技能完全没关系。

未来可能会有 Agent 和人的混合协作方式，让很多原来的专业技能可以通过云端提供服务。

我们一直在讨论，过去 10 年是刚才你提到的那个“云”——数据、机器上云的过程。但我觉得未来很有可能是人力资源的服务会有一个上云的过程。

很多人不再是终身雇佣，或者年度雇佣在一家公司里。他可能是小时级雇佣、天级雇佣，处在整个灵活用工体系中。

这个灵活用工体系可能会有一个整体 AI management 的大型 platform，对外提供各种服务。

这种服务能够让每家公司不需要承担那么重的人力成本，可以招之即来、挥之即去，也不需要承担赔偿成本。

但大部分人可能都会在这个平台里发挥过去 5 年、10 年，甚至 20 年、30 年在这个领域积累的专业经验，配合 Agent 服务更多的人。

他们工作的时间会更少一些，总体待遇会略有下降，但不会下降得太明显，直到整个社会完全不需要人工作为止。

这里感谢来自硅谷的睡眠科技品牌 a sleep 对本集节目的大力支持。这里分享一下这款我最近体验到的非常特别的 AI 产品。首先，a sleep 是一款当下硅谷最火热的 AI 核心设备。马斯克、扎克伯格、OpenAI 的 Sam 奥特曼都在使用它。这家公司早在 2014 年就成立了，它的核心产品是一张通过动态调节床面温度，以达成更快入睡、更长深度睡眠的床套。融资目前已超过 2.5 亿美金。显然，这不是一个只做设备的品牌。我认为真正有意思的是，它构建了一整套完整睡眠干预的闭环系统。床垫本身通过水的流动来动态控温，内部装有多种传感器来全方位监测人的睡眠质量。这样的监测和分析背后是 10 亿小时的睡眠样本加临床研究支撑。再配合 APP 来达成这种监测和干预的闭环。我自己的使用过程是很惊喜的，简单来说，它会用降温来帮助我更好的入眠，并延长深度睡眠，然后在早晨通过升温和震动来唤醒我。这样呢，我能明显感受到早晨醒来的时候状态更好，白天也更有精力。在连续使用 14 天之后呢，APP 会分析出我的高精力时段是什么时候。方便我安排每天的健身和工作计划，确实有很多 aha moments。所以这次我接受了这家品牌对于本期节目的支持，也真诚地分享给大家。如果你是入睡难、睡眠浅、休息恢复差的人士，确实非常值得了解一下 asleep。我本人也很期待 agent 的技术能在睡眠干预和健康这个方向能有更多令人惊喜的作为。

我再补充一个点。过去移动互联网的后半场，我们看到问题出在消费侧，本质上是因为市场上创造的价值是存量。当消费侧没有被激活，大家都在抢这个存量。

但我觉得 AI 改造千行百业的过程中，有机会刺激一些新的消费，也可能产生新的工种和新的价值。

市场经济的本质是提供稀缺性，能够有溢价。AI 带来的是平均水平提升，也就是说每个人能够获得的平均产品质量在提升。

但水涨船高之后，人还是会有新的需求被刺激出来。我永远会为我想要的、更稀缺的需求支付溢价，总会有新的需求、新的价值被创造出来，人会逐渐填满这些需求。

这是我自己的一个宏观判断，算是理论推理。我觉得需求侧的演变，会越来越朝着人的个性化、情绪和情感方向发展。这是我看到的唯一增量需求。

比如原来居家、孤独的老人，没有人照顾，也没有得到很好的照料。通过云端服务，包括 Agent 和家人的协同，他们其实会得到更好的照顾。

这是我看到的主要增量。但这个过程供需之间会怎么演变，我比较担心。

因为如果需求侧的收入快速下降，而供给侧快速提升，其实是不匹配的。你如何让大家对未来还有信心，愿意消费，愿意掏钱购买新增的、具有稀缺性和差异化的供给？

你说的这种稀缺性、差异化供给，本质不是供需问题，而是信心问题。

综合这些焦虑，如果用一个百分比来衡量，你感觉这两年这个百分比有变化吗？

原来焦虑程度可能一开始很强，我觉得我的整体焦虑程度是在下降的，因为也适应了。

人的适应性是很强的。第二，很多事情越来越明确。

2023 年我们聊很多事情时，好多人觉得我讲的是科幻。时隔 3 年，其实很多事情可能比我想象得还快，进入大家的视野。所以你对这件事情的确定性会越来越有把握。

而且你持续在思考解决方案，所以对解决方案的完善程度也越来越有把握。这是我觉得焦虑变少的另外一个原因：确定性和解决思路都在越来越成型。

可能人们也更加了解 AI 了，因为原来不了解就会产生恐惧。

我针对第三层焦虑追问一个问题。我原来理解，脉脉过去的业务主要是 To 企业，尤其是 To 企业里的 HR，以及 To 市场上的求职者，就是这两端。

您刚才也提到了，AI 会带来整个社会雇佣制的改变。针对这个大的环境变化，您觉得从行业视角，原来从 To HR 和求职者变成 To what？

10. 人力资源走向云端

这是一个很好的问题。我们大概有几个方面的思考和判断。

第一，这个市场上的双方，我们不把自己叫作 To HR，我们认为还是 To 企业，也就是 To B。另外一个就是 To C，To 所有候选人和求职者。

我认为服务对象不会改变。不管未来想演变成什么样子，服务对象可能都是这两类。这是我们“成就职业梦想”的底层基础，人群不会变化。

但服务的方式方法会变化。

最开始，我们基本上只是提供一个工具，让 HR、用人部门和候选人能够自主连接。但大模型出现以后，人岗匹配可以变得越来越准确，AI 的分析也能越来越准确。

同样，只要有足够多的 context，企业把更多 context 放进来，人才也把更多 context 放进来，我们现在想做的事情就会变成：如何帮助企业更自动化地完成人才匹配，以及如何帮助人才更自动化地跟企业匹配。

当然，如何把更多 context 收集进来，肯定是一个方面。

早期大家反而更希望用自己的 Agent、自己的 context，慢慢地用 data 完成自己的工作。比如你去养一个龙虾，让它自己去脉脉上找职位、投职位；或者另一边，让自己的龙虾去找候选人，自动连接候选人。大家可能要的都是这方面的能力。

但我现在的想法是，如何把更多 context 放进来。这样两边的匹配效率才是最高的，因为你拥有一个全局市场，而不是去中心化地互相博弈。

否则只能是你的 Agent 联系 1 万个 To B 的 Agent，对方的 Agent 联系 10 万个候选人，然后在大量无效交互过程中完成匹配。

但实际上，我觉得它有可能更加有效地做匹配，直到最终甚至这些候选人都是由平台来雇佣的。

当工作变得自由化，劳动力市场也会变得自由化。大家都有工作，不需要去具体的公司工作，而是在这个大的人力服务公司里工作。平台会把这些工作派到最合适的企业。

我们会充分考虑这家企业的用人习惯、你自己的喜好，以及你们能力之间的匹配，然后完成一次 assignment。这个指派可能是一天的活，可能是 3 个月的活，也可能是一年的活。

但这是大家在退休之前所能想象的理想终局。你无非是从早期非常简单的信息撮合，到接近终局时直接做劳动价值匹配。

这个过程中可能会有很多 step。所以我觉得，服务对象没有变，但服务方法会发生巨大变化。

其实我猜到可能是这个答案，因为我想象中，人类未来更自由的时间和劳动终局可能就是这个样子。

但它卡在您刚才讲的：企业现在更多的是想要脉脉的数据，不想把自己的数据给你。那你怎么能够拿到大家的数据去进行匹配？因为这是前提。这个事情现在卡在哪里？

首先，也不能完全定义为企业不愿意。当然大厂肯定不愿意，但中小厂有时没有那么多计较。

首先，平台也没有明确跟他们提要什么数据，并没有跟企业说，只要把这些数据放下来，就会给你更好的人才匹配。这个事情可能需要大家共建、共同定义。

另一方面，Agent to Agent 的很多信息交换能力越来越强以后，平台和企业之间关于这部分数据的交换，会变得越来越透明和有效。

举一个最简单的例子：一个好吃懒做的同学，可能哪家企业都不喜欢要。如果他能够把“好吃懒做”这个评价渲染出来，可能对其他企业是有帮助的。

但这又会涉及非常严重的伦理问题，包括 privacy，也包括人是会变的。

他在你这里好吃懒做，很有可能是因为你哪次得罪了他，或者你的环境确实不好，导致他不想为你努力。他换一个地方，可能又是不一样的情况。

这里面确实有很多人岗匹配的问题。所以我们如何保证收集的是 facts，而不是 judge，就会变成一个非常微妙的事情。

我们还在思考，里面有好多东西还在思考。因为做得太早也不行。

印象很深的是，前段时间 Meta 在裁员员工。你做得太早，会让大家产生恐慌；但做得太晚，可能又服务不了整个 B 端和 C 端人群。所以对 timing 的把握其实也很重要。

你刚才说到所有这些 context 的传递。今天大部分企业本身都还没有有效地把 context 给到 Agent，你今天特别牛地说，我要做一个平台，想拿到企业的 context，这其实是不现实的。

但是当很多企业，比如绩效系统、HR 系统都 Agent 化以后，你去拿这个东西就有可能是顺理成章的事情，只要大家之间的价值足够。

我们一直以来都是偏候选人这一端的。候选人其实也会对企业有很多评价，现在表现出来的是吐槽，但实际上它可以建立一个平衡。

未来如果整个 AI 化的速度够快，这个过程可能也会很快。

您觉得过去一年 AI 技术的变化，最关键的变化是什么？导致人的工作一步一步被侵蚀，替代岗位一步一步扩大。它到底是一个怎样的技术演进路线？

11. 强化学习加速工种替代

这里面最大的变化是，前两年大家很多时候还是把工作放在 pre-training、预训练的过程。大家碰到的最大问题是，随着参数规模提升，数据不够了。

当时开始讨论多模态数据能不能用在这个体系里，但发现多模态加入以后，智能并没有提升，其他方面的一些能力还是不错。

最早其实是 OpenAI 的 o1，国内的话就是 2025 年 2 月份的 DeepSeek R1。它把重点变成了推理 reasoning，也就是 reasoning 的强化学习。

我觉得这揭开了一个非常大的序幕。到了下半年，开始出现 Agent 的 RL，也就是面向 Agent 的强化学习。

这两件事情都对刚才说的能力替代和能力强化，带来了非常有效的训练方式：快速给 AI 非常多的正确反馈，然后在这个领域里让它自己学习。

如果是 pre-training 或者 SFT，也就是后训练中的 fine-tune，它们只能让 AI 具备人的平均水平，或者平均水平偏上一点的水平，不能超过人的顶尖水平。

但是 RL 可以，强化学习可以。不管是 GRPO 还是其他方式，实际上都能让 AI 具备这样的能力：给它一些样例，因为搜索空间变大，它能够泛化出比人更强的能力，打破天花板。

这带来了 AI 能力的一次跳变。而且这个跳变的闭环越短、评价方式越清晰，跳变能力就越高。

我们会发现，coding、math 这些真正接近天花板的领域，AI 反而在强化学习过程中能够泛化出比人类更强的能力。

数学竞赛是最难的，退而求其次是信息学竞赛和物理竞赛，再退而求其次是化学竞赛、生物竞赛。但你会知道，这些代表人类智力最难的部分，反而是 AI 在强化学习过程中能够超过人类的部分。

这是过去一年整个技术变化的核心关键节点。

它带来的结果是，各行各业、各个工种，只要结果评价是确定的，就有机会通过这种方式，让 AI 泛化达到人类最顶尖的水平，或者超过人类最顶尖的水平。

去年 9 月，Google Gemini 一度被大家认为是大厂终于开始追回来了。结果后来又没声音了。其实是因为 Google 很多路径还是放在 pre-training、SFT 这些层面，对 RL 的投入不够。

但 OpenAI 和 Anthropic 很早就在 RL 上做这件事。DeepSeek 在国内为什么很长时间一直是 coding 第一？其实是因为他们很早就开始做 Agent RL 的研究，相当于踩对了方向。

所以这是过去一年技术层面比较核心的节点。

现在最高频被替代的岗位有哪些？

还是偏编程和数学的领域，但其他领域可能需要一些时间。

我去美国看到的大部分创业公司，其实已经开始做工种替代了，每个行业、每个领域都开始找到行业里的非公开 data，用来做 Agent RL 的 training，对外提供这样的服务。

去年去完硅谷回来，我就跟程序员讲，你们的工作要被替代了。但大部分人当时还觉得 coding 很难被替代，因为仍然有很多问题。

但在这一年里有巨大进步。我觉得再过 1 到 2 年，大部分工种都会有这样的替代方案。

当然这是一个持续进程。可能一段时间内，一些工种会被替代，但随着大家进一步掌握 AI 能力，中级程序员在一段时间里可能被企业认为不再需要，因为可以把这些人优化掉，把钱拿来招更好的人才。更好的人才能够更好地用 AI，发挥更大价值。

但被优化掉的人，如果有机会重新学会用好 AI，也会逐渐满足新岗位的需求。所以它其实是一个螺旋上升的过程。

是的是的。

只是这个螺旋上升的发展态势，跟模型速度和很多其他因素都有关系。

过去一年 coding 上的替代速度太快，以至于大家还没反应过来到底该怎么做。所以我才说，要通过平台告诉程序员，不用担心，你还是会在。

那第二个是什么？第三个是什么？未来是跟律师讲，跟医生讲，还是跟运营、销售讲？

现在还不是非常清晰。它其实取决于某个公司能不能在这些功能上取得快速的商业化闭环。

这是一个混沌的、butterfly 的效应，很难轻易预判和预测。

你觉得其他领域，比如多模态、物理 AI，也会进展得像 coding 那么快吗？

取决于数据，取决于 data ready 的程度到底有多快。不知道，对吧？

比如前两天刚报道，Google 收购了一家破产公司 Spirit 航空，花了 1000 万美元，买了它所有的 email、IM 聊天、薪资以及各种各样的 evidence。

很有意思吧？它买破产公司，拿到了它的数据。如果有大模型公司都这么做，拿到 data 的速度可能比你想象得快。

你刚才讲 coding 是有标准答案的，其他很多领域其实没有那么多标准答案，我觉得它更看过程。

你把 coding 这个工种当作一个 task 的头和尾来看，它在输入和输出的地方都有标准答案。

但如果你看一个业务过程，其实业务过程本质上也是有标准答案的。

我举个例子：你在公众号上发一篇文章，文章内容写得好不好，没有标准答案。但这篇文章最后的 PV 数、评论数，这是有标准答案的。

所以如果只是量 input 和 output，可能没有标准答案。但如果站在整个 marketing 部门的角度，它其实有可能被量化。

无非是在这个过程中，你从什么样的前后角度去运行 RL 模型。这些问题可能会让事情没有那么快。

但更多时候，是因为今天还没有人看到它的商业价值。单纯从模型能力角度讲，我觉得今天的模型能力是够的。

看资源聚焦在哪里、做什么事。

对。只是 coding 的钱大家现在还没赚够，所以大家可以先赚 coding 的钱。

包括大家说多模态、语音的能力，其实过去两年也有了非常强的体现。今天你听到的一些观点，是我去美国交流之前带着的观点。

但跟他们讨论完技术方案以后，我最后的结论是，所有今天说到的工种替代，在技术层面上的问题都不是问题。它的问题只在于商业上有没有那么大的价值。

有价值，它就会变得很快；没有价值，你就看不到它快速迭代。但有了 coding，就会有第二个、第三个。

现在是 MAX，之后肯定会有第三个、第四个、第五个。

而且一个很好的推测方式，就是看哪些行业聚集的钱比较多，可能就会更快面临 AI 的冲击。

您觉得有没有哪些人群画像，会优先享受到 AI 的红利？

我们内部经常讨论，大家会说 35 岁以上、文科生，或者各种各样的标签。

但对我来讲，只有非常积极拥抱 AI 的人，才能享受到红利。

我看过很多观点说，AI 你就不要积极学，因为你积极学一圈，这些东西都过时了，然后还是等于什么都没学。

但我觉得不对。虽然 AI 工具可能每 3 个月、6 个月，或者 12 个月就有一次天翻地覆的变化，但你每一次学习这些工具，其实都在改变认知，都在协同着往 AI 时代往前迈一步。

你在刨自己的思考问题的方式和方法。

再往后说，所有相似的工种都在收敛。你能想到，设计师开始去做一些前端工作，因为有了 Codex 以后，他可以把设计稿完成为前端，再提供交付结果。

我们看到部门之间在快速融合。所以我们回到“人人都是管理者”，本质上就是你能不能让 5 到 10 个不同的 Agent 协同工作。

我们内部答辩时，已经开始出现有人自己搭 graph，去解决 Agent 和 Agent 之间沟通协作的问题。但可能一年以后，这又会变成大家的必备技能。

如果你没有办法让 10 个不同的 Agent 在你的 control 下完成一个 task，那其实也不过关。

所以我觉得，整个标准会是一个动态演变的过程。

那我是不是可以推导出，如果不积极使用和学习 AI，就意味着一定会被边缘化？

会，一定会被边缘化。会用 AI 的人，会变成每家公司单干的主力。

很多公司也在做这件事情：不断给那些会用 AI 的人调薪、加薪、加奖金，让他们做得更好，因为他们承担的工作量和产出的结果都比原来高很多。

我觉得这样也能让人有更多时间聚焦真正高价值的问题。

Agent 现在正在落地，它进行中的社会效应是什么样的故事？

有一些很有意思的，但我可能不方便说公司。

我印象中有一家公司，也是一个朋友的公司，原来是亏损的。这两年有了 10 亿元的利润，主要原因就是用了 Agent 以后，其中 2/3 的人不需要再干活，剩下 1/3 的人留下来，靠人员成本节省出了 10 亿元利润。

我觉得这是一个比较极端的例子。

我能看到的，真正用 Agent 的公司有 3 类。

一类是 AI-native startup，这些 OPC 的公司，可能不能叫 OPC，就是三五个人的公司，能够产生原来三五十人、甚至三五百人公司的价值。这一类是吃到最大红利的公司。

第二类是刚才说的，内部迅速提效，因为现有的人能够服务更多人群。

第三类就是刚才说的，通过降本硬省出利润。但这可能不是大多数公司的情况。只有很头部的公司，基本上已经把市场存量吃得七七八八，才可能用这种方式拿到红利。

这种公司比较少。大部分公司都是增量市场，要去抢增量生意，所以还是能看到不少公司在这方面获得收益和价值。

从 2023 年到今年 2026 年，你留意到中国招聘市场上的情绪是怎么变化的？包括那些大公司，它们的情绪是不是也有变化？

有。如果回过来看，2023 年和 2024 年整个市场都很压抑，包括大公司其实都不太招人。

2022 年底疫情刚放开时，大家都有一种马上要大干一场的感觉，结果发现突然全都收了，而且越收越明显。

2025 年是一个转折点，我们一直叫 DeepSeek 时刻。因为 R1 发布以后，不管大公司还是小公司，都看到了希望。

大家觉得，原来不用那么强调资源，不用那么强调所谓的大佬，靠一群实习生，也没有那么多卡，也能做出很好的东西。

所以我觉得，那一波激活了所有科技型公司的能量，整体市场热情变得越来越高。

刚才其实提到一组数据，AI 人才翻了 10 倍，今天又再翻 10 倍。但从另外一个角度看，大公司和小公司在这个层面上都是一样激进的。

大公司在 AI 人才上持续扩招，虽然其他很多岗位停下来了；小公司可能只招 AI 人才，也非常积极地做人才布局。

所以不是单纯大公司在招人，也不是单纯小公司在招人，这是一个还蛮好的情绪和状态。

第三，人才跨行业流动开始变得更加明显。这几年同时有几个热点，从新能源汽车、自动驾驶、具身智能，到生物医药等很多行业，都开始有各自的赛道跑出来。

这些公司作为榜样，会引领更多人。大模型其实打通了几个领域，互相之间抢人才的现象也会更加明显。

所以我回到最开始那句暴论：科技企业基本上只招聘 AI 人才了。

对于非大厂企业来说，它可能除了去大厂挖人之外，也不知道还有什么渠道。那应该怎么去找 AI 人才？

我们现在是这样认为的：首先，AI 人才本质上还是有圈子文化的。

我们会比较鼓励大家通过自己能看到、能接触到的通道。一个是大厂，另一个是像脉脉这样能够介入不同类型公司的平台。

但接触到以后，要通过圈子的方式向外扩散，我们通常叫社交招聘。

比如 A 类，也就是技术底座人才。你可能触达到他以后，他的论文圈子、GitHub 圈子，可能都是一个圈子，大家可以互相 refer。

如果你打动了一个人，就能打动他的朋友，他的朋友还可以带来更多朋友。

应用开发人才，比如 GitHub 上的人，或者大厂做 Agent 的人、创业公司做 Agent 的人，其实也是一个圈子，也有很多日常沟通、交流和讨论。

这两类人才，我们基本上通过圈子都能够触达到，这是用社交方式触达他们。

技术开发人才和刚才说的 AI 业务效能人才，我觉得比较好的方式还是培养，给他们正确的方向去引领，探索出来以后，路径就会慢慢清晰。

从我们自己公司的实践，以及观察到的其他公司实践来看，只要把基础工作做好，包括刚才说的把 context 给够；第二个是 token 给够。只要这两个事情做好，同学们学习的热情还是非常高的。

因为大家也都很焦虑，我们会强调，你学不好可能就要被淘汰。但即使在我们公司学不好，可能在别的公司已经算非常领先了。

所以培养人才时，要给大家更多希望。大家都知道，如果不学好、不好好学，被淘汰是社会趋势，是一家公司无能为力的事情。

但如果公司创造了更好的 context、更好的 token，帮助大家解决这些问题，他就会觉得应该在这家公司好好学会这件事。

刚刚有听你说，比如会给人才打标，有一些 AI 能力的判断。怎么去界定 AI 能力，以及怎么给人才打标？

你刚才讲了一个很好的案例，就是 1 个小时原则。除了这个之外，还有什么方式定义 AI 能力？

刚才说的 3 类人才，每类人才的定义方式不太一样。

比如 AI 技术底座人才，基本上要看有没有对应论文，有没有在顶级开源项目里成为重要 contributor，有没有顶级竞赛的获奖记录。这些都是非常硬核的条件。

对于应用开发人才，我们会判断有没有真实的 AI 应用开发经验，有没有构建出 Agent 的成功案例，有没有把模型接入业务流程，并且跑出好的结果提升，自动化程度能做到多高。

这些都是衡量应用开发人才的关键标准。

业务效能人才，就是刚才说的 1 个小时，是最简单判断他是不是一个好的业务效能人才的方式。

您有观察到企业用 AI 蒸馏人的现象吗？

肯定有。各个公司都在不同程度上做这件事情，但我觉得还没有统一标准，什么样的蒸馏才是最好的。

蒸馏这件事情不可怕。企业本来就需要通过 AI 技术，把例行工作自动化。例行工作自动化，在大家看来就叫蒸馏。

但所有人一定要清楚，未来所谓 AI 业务效能人才的核心工作，就是把自己已经能够例行化的工作交给 AI 自动化，然后不断探索新的、需要例行化的工作是什么。

所以它是一个不断探索边界的过程。

但人天然会想抵抗 AI 的蒸馏，这一点你也发现了吧？

人性就是这样。

你看为什么今天很多人要 AI-native 人才，要从学校刚毕业、已经在用 AI 的人才里找？因为他们对抗 AI 的那种人性会更弱。

他们更容易接受 AI。就像当时无纸化办公、PC 化的过程，很多人也在对抗，非要用纸、非要写东西。

但对于学生来说，用电脑是天经地义、理所当然的事情。他到公司里如果还要用纸，反而会抱怨半天。

所以我还是希望大家能够积极拥抱这件事。虽然对抗人性是一件很难的事。

我觉得那个段子只要改到最后一句就好。如果积极拥抱 AI，我不是说晚点走，而是我可以一直留在这家公司，我可以不走，而且工资会变得更高，心态就会好一点。

这里还有一个 mindset：我们可能要学会接受一个事实，就是能被轻易蒸馏的，可能本质上就不够高价值。

是的。

除了鼓励大家积极拥抱 AI，还有没有更多建议？

第一件事情，就是刚才说的，尽量掌握 AI 工具，特别是 coding agent，然后能够有 1 个小时的结果。这个是我的第一个建议。

第二，我觉得要把自己的作品和结果展示出来。

今天有很多人，尤其中国人有点含蓄，会觉得我好像用 AI 做了一个小工具，或者做了什么东西，自动化跑起来了，但不好意思跟别人讲。

那你能不能在脉脉上、在 GitHub 上，把这些东西展示出来？你讲清楚，你解决了什么问题，提升了多少效率，结果价值有多少。

因为 AI 时代其实是年轻人的时代。年轻人在这方面没有那么多顾虑和顾忌，所以勇敢地去讲就好了。

最后一个，我觉得大家不要被标签限制。以前会有所谓学历阶层差别，什么 C9、211、985、一本、专科。我觉得这些都不重要。

重要的是你学习快，能够用 AI 产出结果，并且愿意把这件事情告诉别人。你可能收获的机会就是巨大的，因为这是一个变革的时代，变革时代都有巨大的红利。

Build in public。

对对对，是的。

好了，这期节目就是这样。再次感谢 a sleep 对本期节目的大力支持。我在 show notes 里也分享了一些产品介绍和使用介绍，感兴趣的朋友们可以去了解一下。如果对于这款产品有好奇，想问我的体验，也欢迎在评论区给我留言，我都会答复。当然，关于本期节目的内容，也希望大家多多讨论，分享给我们你的行业见解和观察。我们下期再见。