头一个面临消失的职业，不是幼师，不是快递员，而是这些工作？

第一个被人工智能挤出局的职业会是谁？是起早贪黑的幼师、风里来雨里去的快递员，还是那些坐在写字楼里、看上去更体面的岗位？

不少人的第一反应，是那些最基础、最劳累、看起来最容易被机器和自动化取代的职业，然而现实未必如此。

当人们还在争论AI能不能画画、能不能写稿时，有些岗位已经在悄悄收缩。真正首当其冲的，往往是另一类工作。

ChatGPT的出现令人震惊。它很可能颠覆一些传统职业，许多原本依靠人工完成的互联网需求也会因此被压缩。复旦大学一位人工智能领域的教授谈到了三个问题：未来三到五年哪些工作容易被AI取代，哪些相对安全，以及普通人应当如何应对。

先看哪些工作最容易被取代，总体原则很清楚：越简单、越容易重复，风险越高。

客服和翻译就是典型，这两个领域已经有相当一部分工作被人工智能接手。比起体力劳动，这类以语言和信息处理为主的岗位，反而更早感受到了寒意。

客服和翻译的流程相对固定，输入和输出之间有比较清晰的对应关系：用户提出问题，系统给出回答；一段文字进来，另一种语言出去。AI一旦在语言理解和生成上达到一定水平，就能大批量、低成本地完成这些任务，效率远超人工。

财务报表相关的工作同样风险不小。微软已经把类似ChatGPT的能力嵌入Office办公软件，Word、PPT和Excel里都可以直接调用。过去需要人工整理数据、制作表格、撰写说明的环节，现在人工智能都能完成，很多重复劳动被一键压缩。

这对以制表、汇总、格式化输出为主的岗位意味着很大的冲击。一份过去要花半天整理的报表，如今可能只需几句指令。对企业来说这是效率提升；对靠这类技能吃饭的人来说，则意味着岗位需求在减少，竞争也会变得更加激烈。

法律行业也会受到影响，律师事务所里有一部分人专门负责查找以往的案例。

借助类似ChatGPT的工具，可以先把案例全部收集起来，再通过对话的方式检索，更快、更准确地找到所需内容。专门承担案例检索的岗位，因此面临被压缩的可能。

设计和编程领域，一部分画师和程序员也会被取代。以前端设计为例，这项工作相对模块化。

现在已经出现ChatGPT与Midjourney结合的做法：用户提供一张草图，几分钟内就可能生成结果。原本需要反复沟通、绘制、修改的环节被大大缩短。

这说明，被冲击的未必是技术含量最低的工作，而是流程标准、可以拆解的工作。只要一项任务能被分解成固定模块，AI就有机会介入。那些只停留在执行层面、缺少独立判断和创意的从业者，工作空间会随之收窄。

ChatGPT冲击最直接的，恰恰是做类似研究的人。一些大学在自然语言处理、计算机视觉和语音识别方向上不再增加教职。

ChatGPT出来以后，这些方向剩下的都是非常难啃的硬骨头，不需要那么多人力投入，相应岗位也就被削减了。

可见，即便身处技术前沿，也不能对AI的冲击掉以轻心。回到开头的问题，幼师、快递员这类需要面对面接触、在真实环境中奔忙的工作，暂时并不在风险名单的最前列；反倒是不少脑力型、文案型、检索型岗位，先一步站到了风口浪尖。

再看哪些行业相对安全，判断标准之一是数据。ChatGPT之所以能够成功，离不开海量的训练数据，规模动辄在十亿级以上。

人工智能要在一个领域发挥作用，前提是这个领域的数据量足够多。反过来，本身缺乏可用大数据的行业，相对就比较安全。

比如银行、气象部门、医疗生物等领域，相关数据涉及隐私，一般不会公开。没有数据，就没有办法把模型训练上去，AI也就很难挤进来。从这个角度看，这些行业的核心业务在短期内不太容易被大模型直接替代，形成了一道天然的屏障。

不过，核心业务难以替代，并不等于行业里的岗位一成不变。根据最新一轮官方统计，仅前4个月，全国范围内就有883家银行网点贴出了“退出营业”的告示。这些网点的关闭未必直接源于大模型，但足以说明，行业形态正在发生变化，相关岗位也在随之调整。

十年前，银行还在主城区闹市大量布点，“大行遍地是网点”是不少人的直观印象；如今，线下网点的日子已经远没有过去那么舒坦。这提醒人们，AI之外，数字化本身也在重塑工作方式。所谓相对安全，只是核心环节难以替代，外围岗位依然要面对调整。

除了数据，还有一条重要标准，就是是否与实体世界打交道。人工智能发展到现在，让机器人拧开一个瓶盖仍然是个很难的问题。驾驶员、护工这类需要与真实环境和人密切接触的工作，在未来一段时间内都很难被取代。

需要强调的是，这些都是对未来的判断，而不是已经确定的结果。技术演进往往快于预期，今天看似安全的岗位，明天也可能出现新的变数。真正稳妥的做法，不是寄希望于自己所在的行业恰好躲过冲击，而是主动了解技术、调整自身。

面对AI带来的冲击，个人应当如何选择方向？这位教授的看法是“不入虎穴，焉得虎子”：与其躲避，不如主动进入人工智能领域，这可能仍是最好的方向。

现在出现了一个新概念，叫“AI for Science”，也就是把人工智能用于各学科的科学研究，每个行业都需要懂人工智能的人。

转向AI的门槛也没有想象中那么高，并不要求对人工智能知识有特别深入的了解。比较关键的能力有三项：英文水平、数学基础和编程能力。

复旦就有中文系学生转来做自然语言处理，做得也相当不错。专业背景并不是决定性的障碍。

如今做研究，大部分情况是在使用模块化的模型，像搭积木一样把它们组合起来。很多时候，把现成的代码下载下来，自己跑一跑、调一调，就足以开展工作。对其他专业出身的人来说，这是一个可以把握的机会，人才缺口本身就意味着窗口期。

关于国内与国外在这项技术上的差距，目前大致有两种看法。乐观派认为差距不大，有传闻称GPT-5已经训练完成，但即便如此，国内大约两到三个月就能追上。悲观派则认为，一年到一年半之内都很难追上，双方的判断相去甚远。

悲观派的主要依据是算力瓶颈，ChatGPT背后有大约一万块A100 GPU显卡提供支撑。

而在2022年12月前后，美国对中国禁售A100及以上性能的计算卡，这会给国内大模型研发带来不利影响。追赶能否顺利，很大程度上取决于算力问题能否解决。

把视野放到人工智能的整个发展历史上，会发现它并非一路高歌猛进。这位教授从小爱读科幻小说，1997年开始接触人工智能。在他看来，这个领域有兴盛期，也有衰败期：上世纪80年代处于低谷，只要说自己是做人工智能的，就拿不到项目。

从2012年开始，人工智能进入腾飞阶段。但到了2022年，行业又开始走下坡路，深度学习领域不少公司已经开始裁员。

就在这时，2023年3月前后，ChatGPT突然爆火，又把大家的目光和信心拉了回来。起伏之间，技术和就业始终在相互塑造。

纵观整个历史，人类对智能本身的理解还有很长的路要走。当下的突破再惊人，也只是这条长路上的一段。

研究的乐趣就在于探索未知：在未知之中，哪怕只找到一点点进步，也就足够了。这种心态，对普通人面对变化同样适用。

最先被AI冲击的，往往不是辛苦奔忙的幼师和快递员，而是客服、翻译、制表、案例检索、模块化设计这类简单重复、流程固定的工作。

数据难以获取、需要与真实世界打交道的岗位相对安全，但银行网点的收缩也提醒人们，没有哪个行业可以一劳永逸。与其被动等待，不如主动靠近变化，在技术浪潮中找到自己的位置。