下一轮失业潮最危险的，是AI取代大批岗位，人类将被时代抛弃？

当写字楼里的白领岗位开始被智能系统悄然接管，当高学历不再等同于职业安全，我们是否已经站在了一场由AI主导的就业大洗牌的临界点上？想要看清这场变革的底层逻辑，或许先要听听身处技术前沿的研究者，是如何理解人工智能与人类工作之间关系的。

华东师范大学计算机科学与技术学院的钱英老师给出了一个颇为独特的观点。她指出，在她看来，人工智能其实不应该单独成为一个专业。

此前美国曾有一个关于计算机相关专业课程设计的会议，召集了全世界对计算机教育感兴趣的教师共同讨论计算机方向下各个专业应如何设置课程、培养学生，其中也涉及了人工智能。最终，与会者并没有把人工智能确定为像计算机、软件工程或大数据那样的独立专业。

原因在于，人工智能是一个高度交叉的方向，涉及面实在太广，很难在一个明确的范围内被界定为一个专业来培养学生。钱英老师回顾了人工智能这一概念的历史。

人工智能一词最早出现于1956年的达特茅斯会议，当时的美国科学家曾以为，只需一个暑期项目，找几位学生用几个月的时间就能完成一项或几项人工智能的研究。事实证明，这种设想过于乐观。

时至今日，用机器真正模拟人类智能的活动仍然是不可能完成的任务。人工智能与计算机之间始终存在着一种复杂的关系。

最初人们希望通过计算机来实现对智能的模拟，而所谓智能并不局限于人，动物同样具有智能。鸟能够飞行，除了动力之外，它的大脑能够识别地图、控制翅膀，这本身就是一种智能。

人类模拟鸟的飞行制造出飞机，从广义上说也可算作一种人工智能。到后来，随着人们把关注点转向"智能"本身，计算机就成为了实现人工智能的主要工具。

而现在所说的人工智能，也不仅仅指大模型或深度学习算法，它是一个整体，包括系统、机器人等等。机器人涉及的就不仅是计算这一行业，还包括系统、工程、制造等等。

因此，人工智能是一个非常大的概念。回顾自己走上计算机专业的道路，钱英老师坦言经历过许多曲折与迷茫。

她小时候其实喜欢的是生物，填报高考志愿时也曾想过报考生物学或医学。父亲问了她一个问题：学医需要背大量的拉丁文，每个词都在13个字母以上，能背下来吗？

她自认记忆力较差，很快就打了退堂鼓。于是她转而选择自己较为擅长的理工科方向。

由于文科偏弱、数理化较好，她最终报考了当时比计算机还要火爆的电子工程专业，学的偏硬件、偏通信。大学毕业后，她考研失败，进入职场做了三年程序员。

三年下来，她仍然觉得自己"什么都不会"，对个人发展和行业前景都感到迷茫，于是决定继续深造。由于对考研有了心理阴影，她选择了出国申请。

招生的老师会觉得，本科读的是EE，来申请CS并不合适，因为这两个专业其实差别很大。她申请的CS项目都被拒绝了，反而是一所学校的Computer Engineering录取了她。

CS偏理科，偏数学和算法；而CE偏工程，解决的是软硬件结合的系统问题，虽然会涉及软件，但不会特别专注于软件。

在中国，计算机科学与技术属于工科；而在国外，Computer Science常常与数学结合在一起，甚至有时是合并的院系。在博士阶段，她跟随的导师从事并行计算研究，于是她也进入了这一领域。

所谓并行计算，用较为通俗的话来说，就是围绕超级计算机的研究。超级计算机是中国非常领先的一个领域，也是一个颇具传奇色彩的领域。

以往超级计算机主要用于大型模拟计算，比如大飞机制造、造船、发动机研究、气象预测等各学科的科研工作。由于它是一件极其重要的工具，此前欧美一直对中国实施"卡脖子"的封锁，直到中国自主研制出超级计算机，才实现反超。

这背后还有一个契机：欧美经历了一次经济危机，而这类以亿元计算的巨额科研投入依赖国家财政支持，危机期间财政支出被压缩，恰好赶上中国大力发展的阶段，中国就此实现了反超。即便到今天，中国在这一领域仍处于领先地位。

超级计算机是软硬件结合的产物，其软件的核心就是所谓的并行算法。造出一台超级计算机后，其中包含几万、几十万甚至几百万个CPU，如何把它们真正利用起来，靠的就是算法。

以往并行计算主要用于传统科学计算，如生物学、气象、化学、物理等的模拟计算。人工智能时代的到来让这个领域再次焕发生机。

英伟达的GPU原本是用于游戏画面渲染的图形处理器，它的理念同样是并行，可以被看作并行计算架构中的一种。GPU之所以在人工智能领域大放异彩，一个重要原因是相对CPU更省电。

在超大规模的超级计算机应用中，电费本身就是一个巨大的问题。谈到算力，钱英老师提到，科学家估算人脑的算力大约在exascale（10的18次方）级别，非常惊人。

中国的超级计算机也是在近两年才刚刚达到这一级别。正因如此，人工智能时代的到来才成为可能——只有算力达到人脑的量级，机器才有可能实现类似人的智力活动。

所谓算力，本质就是计算能力。影响算力的因素，对计算机来说非常直接：CPU的数量，以及每个CPU每秒钟可以完成多少次加法或浮点运算。

当今的超算，一秒钟可以完成一亿亿甚至更多次这样的计算。至于单个CPU的性能提升，二三十年前基本上遵循摩尔定律，每18个月翻一番。

如今摩尔定律已经被打破。芯片制造工艺以纳米计，现在已经非常小，再往下就会进入微观世界，规则难以把握。

因此单个CPU算力的增长速度已经非常缓慢，只能依靠并行计算——用多个CPU协作来解决问题。这种解决方案在某种意义上也接近于对人脑的模拟。

人脑正是由大量神经元互动构成的，单个神经元非常简单，只是输入输出，但人脑的厉害之处在于神经元数量众多、彼此连接极为复杂。虽然并行计算最初提出时并没有说要模拟人脑，只是因为单个CPU速度提升有限、只能靠数量堆叠来解决问题的自然选择。

不过，约十年前，欧盟确实提出过一项"人脑计划"，用一台超级计算机、每个CPU模拟一个神经元的方式，去模拟一只小老鼠一个很小的功能区域。这也从反面凸显出人脑的强大。

因为诞生一位爱因斯坦或牛顿极为困难，而许多实验要么危险、要么昂贵、要么耗时极长，比如宇宙层面上亿光年的问题，或人类演化这样的历史问题，都无法通过实验解决。用计算机模拟计算，就成为几乎所有学科都要采用的方法。

超算中心因此成为一个服务于所有专业的"实验室"。单飞回国后，她一度不清楚未来的方向。

恰逢人工智能兴起，她发现所有问题都开始被人们重新审视：是否可以用机器学习算法来解决？作为业内人士，她认为面对这样一股不可抗拒的力量，唯一的选择就是拥抱它。

大约在2015年前后，她开始系统学习机器学习相关算法，兜兜转转，反而回到了自己最初的兴趣所在。她从小就喜欢生物医药，既然人工智能是一门交叉学科，为何不与生物医药结合呢？

于是她进入了用机器学习算法辅助生物医药研究的方向，这也是她目前的研究重点。关于机器学习与并行算法的关系，她指出机器学习同样离不开并行计算。

人工智能之所以突然爆发，背后正是算力的支撑。神经网络这一算法早在四五十年代就已被天才科学家提出，模拟的正是人脑神经元的机制。

当时它也火过一段时间，但因为算力不够、优质数据不够，无法解决实际问题，很快又沉寂下来。经过多年发展，算法本身经过优化可以并行运行，能够充分利用当今强大的算力；同时，高质量数据也逐渐积累到足以支撑训练。

这些条件叠加，才带来了量变到质变的爆发。关于数据，钱英老师指出，数据的可得性因国家、地区、领域而异。

举例来说，过去看病都是纸质病历，数据虽然存在，却无法数字化，也就无法被算法所用。近几十年来，国家层面持续推进数字化工作，如今病历基本已经电子化，有了数据，再加上算法，很多事情才成为可能。

医院数据涉及隐私，并不完全对科研人员开放。而在科研数据方面，生物学是做得非常出色的一个领域，公开数据丰富，敏感信息也做了脱敏处理。

建立数据库这项工作看似没有创造性，实际上服务于整个领域，是极其重要的基础设施。在被问到不同学科对计算本身有何反哺时，钱英老师认为这是一个非常值得思索的问题。

目前整个方向可以归结为"AI+X"，X可以是任何理工科甚至文科的领域。AI确实从神经科学、人类语言学等学科吸收了不少养分。

目前有专门的研究方向，试图将类脑知识运用于改进算法，虽然这不是她本人的研究方向。关于"AI是否会取代人类"这个问题，钱英老师表示，技术层面的讨论她们更关注，伦理层面的讨论则留给文科同行。

不过身处这一领域，她们也会思考——尤其是关于下一代教育的问题：孩子应该学什么？很多行业确实可能被取代，也就是说某些职业会从就业市场中消失，同时也会有新的职业出现。

问题在于，学什么才能不被消失？从这个角度看，数学似乎是比较适合学习的方向，因为它不会消失。

这种焦虑近几年随着ChatGPT、MidJourney等工具的爆发而更为明显。她认为，一些行业会较快被取代，比如翻译；一些会慢一些。

总体而言，某些领域确实可能由AI做得比人更好。

至于外界普遍关心的"计算机专业是否还值得学"的问题，钱英老师坦言，计算机行业的从业者自己也会担心，甚至她作为教师也在思考老师这一职业是否会被替代——ChatGPT的知识量比任何一位老师都要大，而且能够根据指令用小学生听得懂的方式讲解一遍，这是老师难以做到的。

不过她比较有把握的一点是，老师这一职业不会被取代。孔子早就提出"因材施教"，这才是真正的教育，而我们至今其实并未做到。

一个班三十几个孩子，老师根本顾不过来，大学课堂尤其如此——课程既不是为最优秀的学生讲，也不是为完全不听的学生讲，而是为中间那些愿意听的学生讲。

有了人工智能作为辅助工具，就可以采集每一个学生的学习进度，为学有余力的学生提供竞赛题，为基础薄弱的学生精准攻克知识盲点，从而实现更高效的教学。当然，教师仍然需要作为主导来控制这一过程。

既然无法禁止使用，只能调整评估方式。就像布置一份开卷作业，可以要求学生"必须做得比ChatGPT更好"——如果只做到与它同等水平，那便是不及格。

事实上，使用AI工具反而培养了提问的能力，而这正是很多中国学生不太擅长的。

传统认知里，AI会先取代流水线工人和银行柜台等基础岗位，但这一轮技术冲击呈现出鲜明的反常特征：AI并不擅长处理复杂多变的现场体力场景，其真正的杀手锏，是对高度标准化脑力工作的高效替代。

制作报表、走审批流程、套模板写方案、核对常规数据，恰恰是白领的日常。文字从业者开机第一件事就是启动AI工具，从搭大纲、梳逻辑到润色纠错，AI贯穿全流程，产出成果的修改成本越来越低，甚至能补齐人未想到的细节。

由此形成AI时代残酷的新规则：越标准化、越依赖模板的岗位，被优先淘汰的概率就越高。2026年科技行业的裁员潮，已经跳出"经营亏损才裁员"的传统逻辑。

对每个普通人来说，最现实的命题就是主动提升自我，打造属于自己的不可替代性。面对AI，恐惧抗拒和过度神化都不可取——它不是敌人，而是可以借力的工具。

主动熟悉各类AI工具，学会人机协同，把重复机械的工作交给机器，把自己的精力释放到更有价值的环节，这或许正是与钱英老师所说"拥抱不可抗拒力量"最贴近的注脚，也是普通人在这轮变革中站稳脚跟的关键所在。