AI浪潮之下，不少岗位正在悄悄缩水。

本以为幼师、快递员最先受冲击，事实却截然相反，充满温度的线下工作不容易被取代。

反而是很多看上去体面的办公室岗位，替代风险拉满，哪些职业正在加速退场？

被AI率先挤掉的，为何不是最累的岗位

关于"第一个被人工智能挤出局的职业是谁"的讨论，最近在互联网上持续升温。

许多人下意识认为，最先失业的该是幼师、快递员这些起早贪黑、看起来最容易被机器替代的辛苦行当。

复旦大学一位长期研究人工智能的教授却给出了相反判断：真正被大模型冲击的，往往是客服、翻译、财务制表这类坐在电脑前、以语言和信息处理为主的脑力型岗位。

因为它们流程固定、可拆分、重复度高，恰恰是AI最擅长接手的部分。

这位教授长期在高校从事AI研究。在他看来，判断一个岗位的危机程度有一条清晰的主线：任务越简单、越容易重复，风险就越高。

以客服和翻译为例，两者的流程高度固定，输入与输出之间存在明确对应关系——用户提问、系统回答，一段文字进来、另一种语言出去。

当人工智能在语言理解和生成上达到一定水准，就能以远超人力的速度和成本批量完成这类工作。

财务领域同样如此，微软已把大模型能力嵌入Office套件，Word、PPT、Excel都能直接调用，过去需要人工整理数据、制作表格、撰写说明的环节被一键压缩，一份要花半天整理的报表，如今几句指令就能生成。

对靠这些技能吃饭的人来说，岗位需求正在肉眼可见地收窄。

法律与设计领域也未能幸免。律所中专门负责检索历史案例的人员，如今可以借助对话式工具先把案例全部收集，再通过提问快速锁定目标内容。

前端设计这类模块化工作，已经出现ChatGPT与Midjourney结合的做法，用户提供一张草图，几分钟内就可能产出初稿，原本需要反复沟通、绘制、修改的环节被大幅压缩。

这些现象揭示了一个容易被忽视的事实：最先被冲击的并非技术含量最低的岗位，而是那些流程标准化、能够被拆解成固定模块的工作。

只要一项任务能分解成清楚的步骤，AI就有介入的空间，只停留在执行层面、缺少独立判断与创意的从业者，工作空间会随之收窄。

有意思的是，冲击最直接的恰恰是从事AI研究本身的团队。

这位教授提到，一些高校在自然语言处理、计算机视觉、语音识别等方向已经不再增加教职，因为经过多年积累，这些方向剩下的都是难啃的硬骨头，不需要那么多人力投入，岗位自然被削减。

这说明即便身处技术前沿，同样不能对冲击掉以轻心。反观幼师、快递员这类需要面对面接触、在真实环境中奔忙的工作，反而暂时不在风险名单的最前列。

数据与实体世界筑起的两道护城河

哪些行业相对安全？这位教授给出了两条判断标准，第一条是数据。

ChatGPT的成功依赖海量训练数据，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足够多。

反过来，本身缺乏公开可用大数据的行业，就相对安全。

银行、气象、医疗生物等领域的数据普遍涉及隐私，不会对外公开，没有数据就无法把模型训练到位，AI也就难以挤进来，这些行业的核心业务在短期内形成了一道天然屏障。

不过，核心业务难替代，不等于行业里的岗位一成不变。

据媒体统计，仅前4个月，全国就有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，却足以说明行业形态正在被数字化重塑：十年前银行在闹市大量布点，"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远不如过去舒坦。

这提醒人们，除了AI，数字化本身也在改变工作方式，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。

第二条标准，是与实体世界打交道的能力。

人工智能发展至今，让机器人拧开一个瓶盖仍是难题。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。

但需要强调的是，这些判断都是基于当下的前瞻，而非既定的结局。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、适时调整自身。

主动靠近变化：普通人如何找到位置

面对冲击，个人该如何选择方向？

这位教授的态度相当鲜明，用一句"不入虎穴，焉得虎子"来概括：与其被动躲避，不如主动进入人工智能领域。

如今行业里出现一个新概念叫"AIforScience"，即把人工智能用于各学科的科学研究，几乎每个行业都需要懂AI的人，人才缺口本身就意味着窗口期。

转向的门槛也没有想象中那么高。

这位教授表示，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做自然语言处理，做得相当不错，专业背景并非决定性的障碍。

当下的研究工作，大部分情况是在使用模块化的模型，像搭积木一样组合现成组件，很多时候把现成的代码下载下来跑一跑、调一调，就足以开展基础工作，对其他专业出身的人来说，这是一个可以把握的机会。

谈及国内外技术差距，业内存在两种截然不同的判断。

乐观派认为差距不大，有传闻称GPT-5已完成训练，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，双方判断相去甚远。

悲观派的主要依据是算力瓶颈——ChatGPT背后约有上万块A100GPU显卡提供支撑，而2022年8月美国发布相关管制规则、10月正式落地，限制向中国出口A100及同级别高性能计算卡，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。

制度护航下的AI演进与就业新局

把视野拉长到整个人工智能发展史，会发现这个领域并非一路高歌。

这位教授1997年就开始接触人工智能，见证过它的兴盛与低谷：上世纪80年代是行业的寒冬，只要说自己是做人工智能的，就拿不到项目。

从2012年开始行业进入腾飞阶段，但2022年全球科技资本遇冷，不少AI相关企业开始裁员。

直到2023年3月前后，伴随GPT-4发布，这轮生成式AI浪潮在国内彻底引爆，才重新把大家的目光和信心拉了回来。起伏之间，技术与就业始终在相互塑造。

在快速演进的浪潮中，制度层面的规范与引导也在同步推进。

2023年8月，国家网信办等七部门联合发布的《生成式人工智能服务管理暂行办法》正式施行，这是我国首部针对生成式人工智能的专门法规，明确了训练数据合规、内容安全、个人信息保护等要求，为AI技术应用划定了清晰的边界，也为相关从业者提供了稳定的职业预期。

与此同时，人社部近年来陆续把"人工智能训练师""生成式人工智能系统应用员"等纳入国家新职业目录，并依托全国公共就业服务平台开设数字技能培训课程，引导劳动者向新型岗位转型。

工信部也在多份政策文件中提出加强人工智能人才培养，扩大产业人才供给，为普通人进入这一领域提供了制度通道。

这些官方举措的意义在于：技术的变革不会因为担忧而停下，但社会可以通过规范与引导，让转型更有序、让更多人找到新的位置。

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。

对普通人来说，与其被动等待，不如主动靠近变化，在技术浪潮里找到自己的一席之地——这正是那位教授反复传递的态度，也是这次AI讨论给大多数人最实在的启示。