AI正在终结专家时代：Airbnb CTO揭示AI背后的知识断层危机

AI替代了初级岗位，却也斩断了专业人才的成长路径。当‘学徒’不再动手实践，‘师傅’终将无以为继。

在知识密集型工作中，AI系统的持续进化依赖于两种机制：一种是系统自身的稳定学习能力，另一种是人类专家的高质量反馈机制。

当前整个AI行业都在狂热地投入技术研发，却几乎无人关注人类评估者正在消失的危机。

Airbnb的CTO Ahmad Al-Dahle指出，自2019年以来，大型科技公司校园招聘规模已萎缩过半。文档审核、初步调研、数据清理、代码审查等原本由初级员工完成的工作，如今正被AI逐步接管。经济学家称之为“替代”，企业称之为“效率提升”，但未来潜在的风险却被忽视：当入门岗位消失，未来的专家从何培养？

有人会以强化学习（RL）为例反驳。AlphaZero无需人类数据，通过自我博弈即可达到超越人类的水平。2016年AlphaGo与李世石对弈时那步震惊世界的“第37手”，正是AI自我进化的成果。

但这种成功依赖于环境的稳定性。💡

在围棋中：

然而，现实中的知识工作完全不同。职业领域的规则是动态变化的，由身处其中的人类不断改写。法律会更新，金融工具会创新。2022年有效的法律策略，到2026年可能已不再适用。一个医疗诊断是否准确，可能需要数年才能验证。

没有稳定的环境和明确的奖励机制，AI无法实现自我闭环优化。它需要人类评估者持续参与，不断提供反馈来引导模型。

当前的AI系统建立在数代专家积累的专业知识之上。但问题在于，那些培养专家“直觉”和“判断力”的初级岗位正在被自动化取代。

这意味着，下一代潜在专家无法积累足够经验，从而失去作为“人类评估者”的价值。

历史上曾有知识失传的案例，如罗马混凝土、哥特建筑工艺。但这些通常是因瘟疫、战争或制度崩溃等外力导致。

而这一次，知识的萎缩可能源于成千上万个“理性”的经济决策。每个企业为提升效率而削减初级岗位，短期内看似合理，但长期来看，这正在集体削弱人类专业领域。这种机制是前所未有的，我们甚至尚未意识到它正在发生。

这不仅是人才供给的问题，更是专业知识需求的崩塌。

以高级数学为例。数学领域的萎缩不是因为停止培养数学家，而是因为机构在日常工作中不再需要数学家，导致经济激励消失。能够进行前沿数学推理的人群缩小，该领域产生新见解的能力也随之衰退。

同样的逻辑也适用于编程。问题不在于“AI是否能写代码”，而在于：如果AI完成了所有生产代码，谁来发展那种能设计真正创新系统的“深度架构直觉”？💻

自动化一个领域与真正理解一个领域存在本质差异。我们可以自动化结构工程的大量工作，但那些关于“为什么某些方案有效”的抽象知识，存在于那些曾经历过无数次失败的专家脑中。如果你消除了实践，你不仅失去了实践者，还失去了“意识到自己失去了什么”的能力。

当最后一位深度理解代数子领域的专家退休，而无人接替时，这些知识可能在很长时间内都不会被重新发现。它消失了，甚至没人注意到，因为基于他们作品训练的模型在未来十年内依然能在基准测试中表现良好。这就是所谓的“空心化”：表面能力依然存在，但深层的人类验证和纠正能力已经枯竭。

目前的主流方案是基于评分标准(Rubric)的评估，如宪法AI(Constitutional AI)或基于AI反馈的强化学习(RLAIF)。

这些技术虽然减少了对人类的依赖，但局限性显而易见：评分标准只能捕捉制定者“已知”的衡量维度。

如果你拼命针对评分标准进行优化，你只会得到一个非常擅长“迎合标准”的模型，而不一定是一个“正确”的模型。评分标准只能扩展判断中显性的、可表达的部分。而更深层次的直觉，那种“感觉哪里不对劲”的第六感，是无法被编码进评分标准的。

这并不是在呼吁放慢AI的发展。AI带来的生产力提升是真实的。但是，我们不能假设问题会自行解决。

我们需要像投入模型能力建设一样，去研究人类评估缺口。

AI最需要从人类那里获得的东西，恰恰是我们最不关注去保护的东西。无论这是永久的还是暂时的，忽视它的成本都是巨大的。

这篇文章读来令人脊背发凉。在中文语境下，我们常说“熟能生巧”，但如果连“熟”的机会都被剥夺了，“巧”又从何谈起？

目前国内职场也面临类似的困境：一方面是疯狂的“降本增效”，将大量初级、基础的工作交给AI；另一方面是对高阶人才的极度渴求。这种“掐尖”式的人才观，在AI时代可能会加速职业技能的断层。

正如文中提到的，这种萎缩不是因为一场突如其来的灾难，而是无数个看起来“聪明”的决策堆砌而成的慢性自杀。当年轻人失去了在大厂里“打杂”并从中领悟行业门道的机会，我们可能正在亲手关上通往未来大师殿堂的大门。AI时代，我们不仅要学会使用工具，更要守住那些让工具之所以成为工具的人类智慧火种。

求点赞 👍 求关注 ❤️ 求收藏 ⭐️你的支持是我更新的最大动力！