AI 与就业

自动化对工作的冲击：哪些消失、哪些被抬升、人剩下什么。

⚠️ 教育侧已分出独立主题页：AI 与教育。本页问"岗位会怎么变"，那页问"把人训练进那个新世界的通路是什么"。本页里散落的教育材料（孟子立的"20%–30% 的学生不需要教"、徐天音的"应届生怎么成为能指导 agent 的人"、Perszyk 的个性化教育、曾鸣的"教育系统的冲突"）在那页被重新组织并与新材料对照，本页保留原文不删。

各家观点

Jensen Huang（美，2026-03）

• 放射科医生案例：CV 2020 年就超人、预言"放射科消亡"却迎来医生短缺——因为工作的目的（诊断疾病）≠ 完成工作的任务（读片）；效率提升做大了蛋糕。"如果你的工作就是那个任务，会被颠覆；如果工作的目的包含你这个人，就去学会用 AI 自动化那些任务。"
• 编码的定义已变成"写规格说明"——会编码的人从 3000 万变 10 亿；木匠+AI 是建筑师，会计+AI 是财务顾问，"各行业都被抬升了"。
• 建议：两个候选人永远雇会用 AI 的那个；每个大学生都该以 AI 专家身份毕业。
• "智能是商品，人性不是"：compassion、character、humanity 才是超能力。 （Lex #494 01:58:01–02:16:34）

Grant Sanderson（美，2026-06）

• 数学家的未来不是"解释者"（AI 连解释也会更强），而是策展人（美术馆长式：在无限的想法空间里帮人选择方向）——注意力与动机是社会性现象，同理"人类音乐家永远有角色"。
• 教学是后 AGI 时代最稳定的职业之一，因为它本质是关系性、教练式、导师式的。
• 职业建议的第一性原理："搞清钱从哪来、你为谁创造价值"——多数想当数学家的学生只是想继续跳圈环。 （AI disproved a conjecture 00:35:08–00:38:15、01:22:39–01:27:46）

Andrej Karpathy（美，2025-02）

• 未来是"人类:agent 比例"的监督模式——像工厂里的人机比，人类越来越多地做 agent 任务的监督者。（Deep Dive into LLMs 03:11:28–03:12:29）

姚顺宇（中，Google DeepMind，2026-05）

• 程序员会被取代，但是渐变而非隔夜（已有公司裁员）；AI 是一种 centralized technology——让少部分人更强、让大部分人失去独特价值。传统软件工程的终局可能是"1/1000 的人干过去所有人的活、拿 100 倍工资"（自称著名悲观主义者，也强调 1/1000 是虚数）。
• 活下来的程序员三特质：技术强（充分非必要条件）、理解自己的工作如何嵌入大组织、规划能力强（把复杂事拆解交给不同 AI）——"6 个月后这些可能 AI 也能干，我的回答会更悲观"。
• 为什么 AI 先做人类觉得最难的事（数学/代码/科研）：这些"理性、客观"的事一旦想清楚怎么评价就知道怎么训练；反而产品经理很难训——无客观标准、回馈信号不明确。 （张小珺访谈 00:44:51–00:49:54）

Alex Imas & Phil Trammell（美，AGI 经济学，2026-06）

经济学视角，为本主题提供份额/弹性的定量框架。来源：Dwarkesh 访谈 - 劳动份额之谜（Kaldor 事实）：数百年来约 60% 产出付给劳动、异常稳定（工业革命也没打破）；核心问题是 AI 是否让它缩小。劳动与资本互补，做成事要都付（00:06:22–00:08:27）。 - 关系性部门（relational sector）：人"在场"本身构成价值的服务（不是可替换的"马"）。艺术品实验：人作估值更高，但仅当稀缺（1 vs 500 幅）；AI 已被视为 commodity（00:16:59–00:18:00）。但只要资本品类不断扩张而人类侧不扩张，劳动份额仍可能趋零（00:08:27–00:13:47）。 - 预测的谦卑：Ricardo(1820) 对了"岗位被自动化"、错了"大规模失业"（lump-of-labor 谬误）；今日美国黄金年龄就业率为 2000 年来次高。主张情景规划 + 预测市场 + "数据的曼哈顿计划"（00:03:16–00:06:22）。 - 当下无"白领大屠杀"：耶鲁 Budget Lab"要眯眼才看得到"；初级开发者略低于趋势、资深需求反升；很多 CS 找工作难是轶事或被贴"AI"标签的普通裁员。协调装置风险：公司为"显得跟上 AI"而跟风裁员（00:30:24–00:32:27）。 - 需求弹性是关键：Jevons 悖论只在高弹性时成立；软件弹性高（越便宜越要更多），石油/胰岛素/粮食低。O-ring 模型双向——人做的一环也可能拖累 AI 的质量/速度而被弃用（00:33:29–00:41:53）。 - messy middle（Molly Kinder）：最坏是缓慢滴漏——不失业但转入低薪部门（1920–40 电话接线员用 20 年被低薪吸收）；2% 失业上升即改变政治（00:22:11–00:24:14）。但他们判断"自动化了却没足够财富补偿"是很窄的情景。 - 再分配 & 发展中国家：工具权衡（负所得税 / UBI / 全民基本资本的定标难题 / 消费税买股再分配）；对不在生产链上的国家建议优先"买 AGI 的 index"而非重训——但回报若集中在私有 OpenAI/Anthropic 就难 index。AI 是电力（普惠、人人被 index）还是社交媒体（租值归平台、集中）取决于"开源模型落后前沿 6–9 个月"是否成立（00:25:16–00:29:21、01:00:41–01:10:12）。

Raschka & Lambert（美，ML 研究者，2026-01）

来源：Lex #490 State of AI 2026 - 能力是 jagged 的：某些代码上已超人、分布式 ML 等却很差（训练数据太少）；"superhuman coder"因这种参差而难言"完成"——AI 2027 的自动化里程碑均值已从 2027 推迟到 ~2031，两位觉得更晚（03:00:19–03:04:30）。 - "一个模型统治一切"的梦正在死去 → 走向专用化：金融/法律/医药用私有数据的定制模型是大生意；真问题不是 AGI 阈值，而是何时出现明显的 GDP 跃升（目前还没有）（03:14:46–03:16:47、03:25:03–03:26:03）。 - 被低估的真实影响：把全人类知识变得人人可及（全球儿童都能学）"比 GDP 数字更重要"（03:28:09–03:30:13）。与 Imas & Trammell 的"AI 是电力还是社交媒体"互补——普惠与否取决于访问权如何分布。

Benedict Evans & Steven Sinofsky（美，a16z，2026-06/07）

• 任务 vs 工作（Evans）：会计师 50 年前后做的任务几乎全变了，但对客户而言工作没变——"LLM 擅长任何你能描述、且想要'任何人都会给的那种答案'的事；不擅长你说不清为什么这么做、且想要与众不同答案的事"（a16z 访谈 00:46:23–00:47:24）。这与 Jensen"工作的目的 ≠ 完成工作的任务"几乎是同一论点的两种措辞。
• 消费者剩余会被竞争抹平（Evans）：DCF 从一周变 10 秒，你只会多做 50 个而非多收钱；生产力提升"变成竞争必需品然后被抹平"（a16z / Benedict Evans [00:53:29]–[00:54:30]）。
• 生产力永远创造新工作（Sinofsky）："人们忘了生产力会催生新场景"——自动化最枯燥一环后全新的东西冒出来（Amazon 免了退货客服，后台多出一整套优化分析）；长尾不会变短、只会以新形态变长；合同不会变少、只会更长更复杂催生更多诉讼（Software in the Age of Agents 00:35:25–00:39:27）。他明确反对"n 人 + m 软件的固定馅饼"心态——"AI 的所有负面情绪都来自把待做的工作当成固定的东西"。放射科案例在此被当作"创新与需求都不静态"的证据（爱用 AI 却闹短缺），与 Jensen 的用法一致。

Peter Steinberger（美/奥，OpenClaw 作者，2026-02）：编程变织毛衣、程序员是 builder

来源：OpenClaw 访谈

• "编程会变成织毛衣（knitting）——因为喜欢而做，不是因为有意义"；对"mourn our craft"的回应：怀念手写代码的心流是正当的，但不可阻挡（03:01:30–03:03:34）。
• 软件工程师天价薪资源于"智能稀缺"，token 化智能会让它回落；但"你不只是程序员，你是 builder"——他在 iOS 会议上到处劝人放弃"iOS 工程师"身份认同（03:03:34–03:05:39）。与 Jensen"工作的目的 ≠ 任务"同构，但更直白地承认"任务本体的消亡是身份之痛"。
• 程序员反而是此刻最有优势的人群：最能学会"agent 的语言"、共情 agent（03:05:39–03:07:46）。
• 民主化的一手证据：大量非程序员通过 OpenClaw 提交人生第一个 PR（"prompt requests"）；设计公司老板"有 25 个小 web 服务帮我做生意，我不知道它们怎么工作，但它们能跑"（00:24:40–00:26:41）——为 Jensen"编码者从 3000 万变 10 亿"提供开源社区侧实例，与姚顺宇的"价值集中"论构成同一现象的两面（入门民主化 + 顶层集中化可同时为真，另见朱邦华"价值向有 taste 的人集中"）。
• Lex 的补注：硅谷泡泡对变革期真实痛苦（失业、身份丧失）缺少"安静的敬意"（03:09:54–03:10:56）。

广密（硅谷投资视角，2026-04）：白领通缩与失业窗口

来源：广密·全球大模型季报第 9 集

• 今年是白领失业的痛苦之年：有可能 30% 工作岗位没了；美国本科毕业生就业率历史新低（AI 已自动化工作两三年的初级岗）（01:08:57–01:09:58）。
• 连"最牛逼的 AI researcher 都担心一到两年后没工作"——未来一两年可能是他们仅有的工作/赚钱窗口，因为 AI 将自动化整个 AI research workflow（00:32:29）。这是本库中对"AI 冲击"最激进的一档判断，与 Sinofsky/Evans"生产力永远创造新工作"形成鲜明张力。
• 根因：人类的知识与智力变廉价（被压缩进模型、变成 token）；建议"去创造、修炼 taste，one person company 或成常态"（01:11:00–01:20:14）。

罗福莉（中方 research lead，2026-04）：工作先被颠覆、one person company

来源：罗福莉访谈

• 工作模式先被颠覆、生活滞后（生活不产生生产力价值，且需机器人才能颠覆）（02:26:15–02:27:15）。
• 一个人 = 一家公司："对创业公司的团队规模要求越来越小，几个人甚至一个人就能成为公司"，靠 multi-agent 充分借助 agent；但坦言当下 multi-agent"还有点伪——省成本/时间但没放大上限"，需要更便宜的模型（03:12:44–03:14:45）。与广密的 one person company 判断从供给侧（模型/框架成熟度）互相印证。

共识与分歧

Freda（中/美，Altimeter，2026-05）：AI时代组织的"接力赛变篮球赛"

来源：张小珺访谈 - "电机塞进蒸汽机"（[00:37:43]）：电机发明后 40 年才提升社会生产率——前 20 年大家只是把电机塞进蒸汽机的位置，工厂垂直布局不变。直到流水线重新设计才释放效率。AI 当下处于同样阶段。计算机时代也有类似 lag（80 年代 PC 已普及，但生产率到 90 年代中后期才起飞，因为沃尔玛/亚马逊围绕计算机重新设计了业务）。 - 接力赛→篮球赛（[00:42:49]）：传统产品开发 = PM→Designer→Developer→QA→Sales，端到端 6 个月，大量是"翻译成本"（一个人把想法翻译成另一个人能理解的东西）。AI 后 = 3-5 人小分队，必要技能在团队内，自己做决策，只最大问题上达。打地鼠效应：解决 developer bottleneck → QA 成瓶颈 → 裁 QA → PM 成瓶颈...→ 整个流程需重新设计。 - 组织层级本质是信息搬运机制（[00:39:47]）：CEO→管理层逐层过滤传递→底层执行。"开会、对齐、计划全都是翻译成本。"AI 可以直接处理原始信息，不需要层层压缩。 - Anthropic 3000 员工 vs Salesforce 7-8 万人（[00:27:35]）：传统软件人均 50 万美金收入，Anthropic 人均千万级，且没有一个正经销售团队。质疑"软件必须靠大量销售人员"和"大公司为什么需要这么多员工"。 - 焦虑的本质（[01:15:20]）：信息过载 + 不确定性恐惧。"每天打开 Twitter 都是 You have to look at this——又有新东西了，我又落后了。"深夜装不上 OpenClaw 而痛哭。"95% 信息性对话的意义被 AI 掏空，人与人剩下的只有情感连接。"

共识（截至 2026-07 已收录者）：任务被自动化 ≠ 职业消失；人的价值向"目的、判断、关系、策展"迁移；都建议立刻学会用 AI。 待观察的分歧： - Jensen 认为几乎所有职业被"抬升"；Grant 更谨慎——若 AI 数学 10 倍加速却无经济外溢，可能暴露某些领域本已与应用脱钩。 - 姚顺宇是收录者中最悲观的一位：Jensen 的"编码者从 3000 万变 10 亿"（民主化、抬升）与姚的"1/1000 的人拿 100 倍工资"（centralized、集中化）是同一现象的两种解读——Jensen 看蛋糕做大、姚看价值集中。二者都认同"与 AI 协作能力"成为关键分水岭。

朱邦华 & 江鋆晨（中，AI Infra 创业者，2026-05/06）：价值向"有 taste 的人"集中

来源：朱邦华访谈、江鋆晨访谈

• coding agent 的两个影响（朱邦华）：junior SWE / CS 应届更难找工作；资源更 concentrate 到"真正强、有 taste"的顶尖 system engineer / researcher，agent 无限放大他们的能力——百人维护的复杂 software 未来可能是"十个最强、最有 taste 的人"的 effort（01:31:43–01:33:46）。这是姚顺宇"centralized technology / 价值集中"在工程岗位上的具体版本。
• 差异化 = taste / criticism，而非工程量：朱邦华招人核心看"能不能对 code/research 看到就浑身难受、想重写"（以 Linus 对 Linux 的 gatekeeping 为范）——只有你自己知道什么是好 code，才能 supervise agent 写出超过其默认水平的 code（01:39:56–01:41:57）。江鋆晨表述为 design taste：AI 能替代写代码，难替代"知道什么设计更好维护/更持久"的判断；若你的设计完全依赖 AI，你自己都没法维护、也卖不出去（江鋆晨访谈 [02:12:57]–[02:13:57]）。
• 两人对 CS 学生的建议一致偏"向上走"：做新范式的模型/研究、去工业界前沿或 startup 充电、做对自己最有挑战的事——而非做"AI 已能替代的 basic 工程"。

Lila Sciences（美，neo-lab，2026-07）：人在 API line 之下、零 FTE 创业

来源：Lila 访谈 - "人在 API line 之下"：AI 设计实验、给指令，执行时"有时接机械臂、有时接人手"——把人的体力/部分脑力劳动放到 API 调用的下游（00:11:20–00:13:25）。这是"centralized technology / 价值向 taste 集中"在科学劳动上的具体形态：科学家上抽象阶梯（从"搬液体搬到得关节炎"到"提出问题"）。 - "零 FTE 虚拟创业"：客户带明确问题、2–3 人 6 个月做完 ≈5 年 biotech 工作（一个 in vivo CAR-T）——与戴雨森"one person company"、广密"AR 爆发"同频，把创业的人力单位成本压到极低（00:49:35–00:52:44）。与 Cerebras/NanoClaw 的"少数强人放大产出"共同指向同一趋势的两面：岗位数收缩，单人杠杆放大。

AI 降低人类能动性、同质化思维（Danielle Perszyk / Amazon AGI Lab，2026-07）

来源：为什么 AI agent 其实"不懂你" - 换一个角度看"AI 与工作"：不是抢不抢岗位，而是AI 正在降低人类能动性——写作被拉向均值（意识阈值下从一个论点被切到相反论点）；用 AI 的个体科学家产出更多论文/经费，但科学整体在收窄、思维被同质化（模型都训在被压缩的互联网上）（00:34:21–00:37:22）。 - 解法不是"别用 AI"，而是增加想法的多样性/规模/互联度——要一个有不同偏见/视角的 AI 社会；教育上，若 AI 被激励理解你的心智，就不会让你靠 offloading 蒙混（会自发苏格拉底式反问），指向牛津导师制 × Bloom 两西格玛的个性化教育（[00:41:23]–[00:44:24]）。与 Andrew Feldman"该像亚里士多德教亚历山大那样一对一"同调。

任务重排而非消失：语音客服 / 配音演员 / junior lawyer（All-In 双访谈，2026-07）

来源：语音与法律 · Cerebras 与 BFL - junior lawyer 工作不消失但任务变了：从"锁在数据室逐份读文件"变成"编排做这些活的 agent"；仍要 junior 上升为 partner，但路径不同（Legora，00:39:27–00:40:28）。与朱邦华"junior SWE 更难、资源集中到有 taste 的人"同构。 - 配音演员从按小时工变授权收租：ElevenLabs marketplace 已回馈 talent 超 $2200 万；语音 agent 让客服交互从"reactive 变 proactive"（Mati，00:19:12–00:24:18）。 - Andrew Feldman：错位 vs 丰饶：会有像汽车取代马车般的错位（"造马车的人是坏交易"），但对账后是丰饶（无限能源/知识/教育）；当问题从智力问题变成人的问题（如何组织人、动机），领导者"给团队喷 WD40"（Cerebras 与 BFL 00:32:23–00:40:28）。

"编程在编两样东西"：什么被取代、什么没被取代（志鹏 / vLLM-Omni，2026-05）

来源：从 AI 零基础到 vLLM-Omni committer - 编程同时在编两样东西：① 实体的 code（AI coding 会取代）；② 脑海里对软件架构的心智模型（做设计决策，暂取代不了）——"人类还有存在价值，还没被 agent 取代"（00:16:15–00:17:18）。这是江鋆晨 design taste、朱邦华"taste/criticism"在一个一年内自学入门者口中的独立复现。 - 工作没消失、是工作模式剧烈迭代，重心转向写好 verifier（测试）——"很多公司算子已 AI 生成，人花更多时间思考怎么写 verifier"（00:15:15–00:16:15、00:23:23–00:24:23）。呼应 Feldman"治理 agent"、Modal"AX≈DX"（见 使用 LLM 的实践）。

中美对照

目前就业议题的中方视角来自姚顺宇（在美研究员）、朱邦华/江鋆晨（Infra 创业者）与志鹏（开源贡献者）；其"centralized technology / 价值集中"判断与美方 Jensen 的乐观"抬升论"形成鲜明张力，是本主题最值得追踪的中美分歧。Imas & Trammell 从经济学给出第三种坐标——资本份额是否趋 1、开源模型能否让全球普惠——其中"开源落后前沿 6–9 个月"直接把中国的开源模型（GLM/DeepSeek/Kimi，见 中美 AI 生态对照）放到了"AI 会否像电力一样普惠"的关键位置。国内 KOL 对 AI 就业冲击的本土论述待补充。

vibe coding 的兑现：非技术者开始交付生产软件（2026-07）

来源：All-In / Lovable 的 Anton Osika

• 过去 12 个月的位移（Osika）："一年前大家会说这是做 mockup 的好办法……现在这些全都出局了。做线框图、做 mockup 这整个概念——你可以直接一两天做出产品。"人们不再看代码、不再写代码。
• 结构证据：Lovable 上五分之四的用户是非技术背景；平台每周 100 万个新项目；有人在上面跑着营收超百万美元的生意。
• 具体案例：一名非技术员工在 4–8 小时内做完 Jason 称"十年前要 50 万美元"的内网（成本约 2000 美元），且是自己刷信用卡开的；Nursa 的 NAD 做出对外产品的同时，内部替换了 10 个以上工具、每年省 100 万美元以上。
• 职业路径的新形态：大公司员工从同事那里知道 Lovable → 做副业 → 副业赚到数十万美元 → 成为创业者。

但瓶颈没有移动：Osika 对更强模型（Fable）的评价是"第一次尝试就能做出非常复杂、看起来很好的东西"，然而——"当你在演进它的时候，你作为人还是必须思考，你常常应该和你的 agent 一起做规划，决定什么是该做的事"。他明确说："在'该造什么'、'该跑哪些实验来改善业务结果'这件事上，变化没那么快。"

这与 志鹏的"编程在编两样东西"（实体 code 被取代、心智模型/设计决策未被取代）是同一判断的中美两个独立表述，也与 Sinofsky 的"企业里所有有趣的事都是例外处理"构成张力——Osika 靠减少例外取胜（把支付、安全、部署包成有主见的默认），Sinofsky 认为例外正是企业软件不可 vibe code 的原因。

组织形态的连带变化：Osika 明确主张，既然工程不再是瓶颈，让两拨人并行做同一问题的两个版本是好事（他引 CERN 的 co-opetition：两支隔离团队、发表前不共享结果，以避免局部最优），之后再挑好的部分合并、跑 A/B 实验。这是"工程成本趋零"对组织设计的直接推论——从"避免重复劳动"转向"用重复换取搜索广度"。

企业侧为何仍慢（a16z 成长期的反直觉观察）：当前裁员多半是在削此前的冗余，不是效率提升；而且最好的公司把资源投在产品而非自动化自身运转——"他们资源有限，而最好的人才想做产品那边的事"。反倒是更成熟的公司更适合自动化内部，但他们是更慢的采用者。最前沿的做法目前还停在文档化阶段："把一切变成 markdown 文件，尽可能多地捕获 context"。

物理 AI 里就业叙事是反的（Applied Intuition，2026-07）

来源：为什么物理 AI 是下一个前沿

本页此前收录的几乎全是白领替代焦虑。Applied Intuition 提供了本库第一份"雇主求着要自动化，因为根本招不到人"的一手证据：

"数字 AI 那边会计害怕自己的工作，VC 的 associate 大概也很怕……在我们这个世界是反过来的——运营方会说'只要你能做到，我们什么都给你'。"（00:44:28）

• 驱动力是人口结构而非技术：美国农民平均 58 岁、35 岁以下不到 10%；他们选日本做卡车市场正是因为"今天就有的巨大劳动力短缺 + 正在内爆的人口结构"。
• 为什么这些岗位招不到人（很硬的数据）：长途卡车司机预期寿命比同龄人少约 10 年（营养、睡眠、震动对身体的应力，以及左臂/左半脸的黑色素瘤）；采矿占全球劳动力 1%，却占工伤致死的 8%，大矿场每年会有一到三次死亡事故。"连卡车司机自己都不想让孩子当卡车司机。"
• 对"没人愿意工作了"的反驳，也适用于本页的一般性讨论："那些人现在去跑 DoorDash 和 Uber 了——可以自己定上下班时间、没有老板、不用一直站着、单和单之间还能刷手机。市场是有效的。"这把"岗位消失"重新框定为"岗位属性的相对吸引力发生了位移"。
• 与本页记录的"任务重排而非消失"（ElevenLabs/Legora）是同一框架的不同象限：数字 AI 里是任务被重排，物理 AI 里是没人愿意做的任务终于有人接手。

自动化更多 = 人更多：来自平台运营方的反直觉预测（DoorDash，2026-07）

来源：No Priors 访谈

Applied Intuition 从供应商侧指出"那些人现在去跑 DoorDash 和 Uber 了"；DoorDash 创始人从平台另一端给出互补一手数据，且落点更反直觉：

• "10 年后我们会有更多 Dasher 做配送，不是更少"（Stanley Tang）：DoorDash 约 25% YoY 增长、已有 9 百万 Dasher，"再 5–10 倍下去总不能让半个美国都来送单" → 必须引入新模态（Dot/无人机/Waymo）+ 提效；同时配送越便宜、需求越强上涨——"你会看到更多自动化和机器人，但也会看到更多人"（00:44:28–00:46:29）。
• 这不是"任务被重排"（ElevenLabs/Legora）、也不是"没人愿做的岗位终于有人接"（Applied Intuition），而是第三种情形——需求增速本身长期超过人力供给，于是自动化是"补齐供给缺口"而非"替代存量岗位"。是本页对"物理 AI 就业叙事"的又一象限。
• ⚠️ 与本页多数白领替代焦虑（广密"30% 岗位没了"、姚顺宇"1/1000 拿 100 倍工资"）构成鲜明张力，但两者不必冲突：DoorDash 讲的是体力/在地服务这一在物理世界不可压缩的部门。

第四、第五象限：被自动化的是"本来就没人做的任务"（Machina 四家机器人公司，2026-07）

来源：All-In @ Machina Paris。这是本页第一次拿到已规模部署、已在收钱的机器人公司的说法，而且两家独立拒绝了"替代劳动力"这个框架。

• ⚠️ 第四种情形：任务是被创造出来的，不是被替换的。
• ANYbotics："这不是关于替代劳动力，而是我们能做得更好什么、能做到什么超人的事"——人的眼耳感知不到微量气体泄漏与设备过热；付费逻辑是停机每小时数十万美元（[00:04:02]）。真正被改变的量是频次：人工巡检每天 1–2 次 → 机器人 8/15/20 次，有客户一天 40 次。这个频次在人力方案下从来不存在。
• Boston Dynamics："那些活人本来就没在干——就算派了任务，他们实际上也没在做"；卖点是"我们给你省了多少钱"（找到一处值 300 万美元/天的漏气）（[00:39:25]）。
• ⚠️ 但 McMaster 诚实地承认："替代劳动力一定会成为其中一个指标，因为它好算——你知道世界上有多少人，就能想象一个 TAM。我只是不认为这该是我们唯一在谈的事。"（[00:40:25]）
• 第五种情形：它已经发生完了。 Jonathan Hurst（Agility） 对"工厂里机器人占比什么时候过半"的回答是"在很多这类应用里，多数'工人'已经是机器人了"（AMR、传送带、工业机械臂）——"这只是又一种新形式的自动化，跟其它所有自动化一样"；对"一百万分拣工降到五十万"的回答是"我认为我们已经做过这件事了"（[00:59:38]–[01:01:39]）。
• 他给的宏观理由与本页 Applied Intuition 的人口结构论同源：美国 GDP 增长不来自人口增长，只能来自效率与能力。
• 五个象限现在是：任务重排（ElevenLabs/Legora）→ 没人愿做的岗位终于有人接（Applied Intuition）→ 需求增速超过人力供给（DoorDash）→ 任务被新创造（ANYbotics/BD）→ 早已完成的存量自动化（Agility）。五者不互斥，且都来自物理世界，与本页白领替代焦虑那一半形成越来越明显的结构性分野。
• 蓝领侧的新岗位（比本页既有版本更具体）（[01:03:41]–[01:04:42]）：机器人操作员、组装与制造机器人（"机器人还没法自己把自己全组装出来"）、机器人运维与部署、维护。对学生的判断是变革期对新人有利——"所有那些有 20、30 年积累、知道过去怎么做事的人，也一样得重新学现在怎么做事"。
• Hurst 的规范性表述（本页该记的一句）（[01:03:41]）：

  "我真心希望我们的孩子回头看今天人们在做的一些工作——那些我真心认为是机器人该干的活——就像我们回头看 1900 年代的煤矿工人那样，说'难以相信人们做过那种工作'。"

• ⚠️ 但"1 美元/小时"这个框架应打折扣：那是主持人的算术，而 Hurst 当场说机器人的价值由人工成本设定、因此是"非常缺乏弹性的价格"（[00:59:38]）。若价格锚定在人工量级，那么自动化带来的节省主要落在厂商而非用工方，对就业的替代压力也就不是"90% 成本压缩"所暗示的那么陡。 见 物理 AI 与机器人。

Forward-deployed engineer 作为一个能力测量（Mark Cuban，2026-07）

来源：Mark Cuban 谈 AI 泡沫

Cuban 提出了一个把"AI 会不会取代工作"变成可观测指标的论证，值得单列：

"如果我们在谈 AGI、在谈接管世界，可你需要 forward deployed engineer，那这件事本身就把 AI 的水平说完了——因为按定义你应该可以直接让 AI 去做我要它做的事、并且告诉我怎么落地。可现在微软在招 6000 人，Anthropic、OpenAI 都说要派人进这些公司去部署，这说明 AI 很难用。"（00:09:05）

• 对 Dario "两年内 50% 白领失业"的实证反驳：两年过去了，就业还在增长，而且在招更懂 AI 的人。"CEO 们完全不知道在发生什么。一点都不知道。"
• 这与本库已收录的 Legora 的 forward-deployed lawyer、Karp 的"泄露 alpha" 三方对读——同一现象被解读成三件事：护城河（Legora）、竞争性警告（Karp）、能力不足的证据（Cuban）。
• 由此推出的就业机会：任何"懂 AI + 有基本计算机背景"的人都可以走进任何一家企业说"你们撞到的这些失败我能修"。加上 agent 漂移（底层模型演进导致既有编排失效）"要更多人来管这些东西"——AI 落地本身正在创造一类新岗位。

不是替代，是反事实（Mark Cuban，2026-07）

这是本页"vibe coding 已经兑现"一节的一个经济学口径修正，很重要：

"我有两三个人在做的软件，五年前我们大概要花两三百万美元一年、找外包公司来建。你根本就不会去做。"——"你会去买那个 SaaS 应用，然后试着把它硬塞进去定制，结果不 work，我们就放弃了。"

• 也就是说：Lovable 这类工具带来的支出不是从被替代的开发者预算里转移过来的，而是从"从未存在的支出"里凭空长出来的。这对"AI 会不会导致失业"的净效应估计有直接影响——它同时解释了为什么 Osika 报告的爆炸性增长可以与"就业仍在增长"并存。
• 与本页已有的"非技术员工 4–8 小时做完十年前 50 万美元的内网"是同一现象的两个口径：一个从成本压缩说，一个从需求创造说。后者的含义更强。
• Cuban 在自家机构的观察补上了分化维度：AI-first 员工与非 AI-first 员工的差距"像哇的一声"——"就像我们刚入行时，有人会用 PC 上的 office 套件，另一些人还在用便签本"。这是本库对"AI 素养差距"最直白的一次描述。

瓶颈变成想法与品味，但想法不在真空里产生（Akshay Nathan / OpenAI，2026-07）

来源：OpenAI 把 ChatGPT 做成"万物应用"

本页此前的 T 型/通才叙事多来自投资人与创业者，这是前沿实验室产品负责人的版本，且他补的限定比结论更重要：

• 岗位边界在模糊：EM / PM / 工程师 / 设计师的界线在消失；"我们所有人的工作都在因为 AI 剧烈变化，几乎每几个月一变"（[01:02:38]、[00:13:07]）。
• T 型："AI 会让每个人都成为通才"（他举例自己以前做不出设计，现在能在 AI 帮助下迭代，尽管仍缺视觉品味），同时保留一条向下深挖的专长竖线（[01:03:39]）。
• 瓶颈变成想法与品味："因为现在人人都能造……你永远会被你在任一时刻拥有的想法数量卡住。"（[01:04:39]）
• ⚠️ 但想法不能被模型自动化（这条是关键约束）：swyx 说"我最想要但一直不 work 的自动化是'给我带来新想法'，LLM 就是不行"。Akshay 的回应是想法不在真空里产生——它们来自和用户对话、来自你看到的摩擦与反馈、来自已有的基础，"所以那种能闭环、能把想法扎根在反馈里的通才，永远有价值"（[01:05:39]）。这对"AI 让人人成为创意工作者"的乐观版本是一条实质性约束：稀缺的不是创意，是接触真实反馈的位置。
• 团队不会变小："个人或小团队能完成过去需要更多人的事，但同时要做的事也更多了，所以团队变得更有野心。"（[01:02:38]）与本页 DoorDash"自动化更多 = 人更多"、Cuban 的"反事实"论 三方同向。
• 度量失效：旧代理指标（代码行数、story point、PR 数、token 用量）已不再强相关于目标达成，而新度量尚不存在，"整个行业都得想明白这件事"。详见 评估与 Benchmark。
• ⚠️ 一条职业伦理边界：用 AI 收集上下文做绩效评估他认为是好的（模型能拉到代码、评审、Slack 全部上下文，指出连他都没看到的成果），"但我绝不会只用 AI 写出一份东西然后当作对某人的评估交上去"（[00:39:23]–[00:40:24]）。

⚠️ 底层系统技能会不会被替代：一次当场分歧（月球大叔 vs 孟子立，2026-07）

来源：孟子立访谈（[00:16:07]–[00:17:08]）

本库中少见的主持人与嘉宾当场对立、双方都在一线的案例，两条并存不做裁决：

• 孟子立（港科大教授 + 创业者）：网络系统研究者过去除了讲故事还有一项本事——贴着硬件写内核与驱动代码，门槛高、学习曲线陡；"现在 AI 来了，让模型写就行，这个技能不再那么特别"。因此"讲故事和技术品味可能是网络系统 PhD 仅剩的两项重要素质"。被反驳后他坚持："这只是时间问题……程序员早就不写机器码、不写汇编了。开发总是走向更方便的方式。AI 只是还没到那个水平，我们处在中间阶段。"
• 月球大叔（硅谷观察者）：这些技能仍然很难获得——"你可以让 Codex 或 Claude Code 写，但指挥它们写出好代码仍需多年功力"；所以今天 ML 系统领域薪水最高的常常是深谙这些技能的人。
• 两人其实在争一个可证伪的问题：AI 写底层代码的能力，是已经足够、只差扩散（孟），还是尚未越过"能指挥"与"能自己写好"之间的那道坎（月球大叔）。本页把它标为待跟踪——薪酬数据是最直接的检验。
• 孟子立的教学侧推论也值得记（[00:37:18]–[00:38:18]）：他 2023 年招学生要求"至少完成过 1000 行以上代码的项目"，如今原始编程能力不再重要，但"系统直觉"仍必要——那种"我觉得这个路子能解决它"的判断，正是无 benchmark、需自己定义问题的领域所依赖的。
• 对教育的推论（[00:44:21]–[00:46:24]）：他认为随 AI 推进，大学的培养功能在削弱，尤其对最顶尖的学生——"大概 20%–30% 的学生不需要教"。⚠️ 但他对"AI 作弊"的分类很反直觉：用 AI 抄作业、戴 AI 眼镜进考场的学生，至少在试图解决问题，"你不需要为这些学生担心"；真正需要够到的，是明知 AI 就在那里、却连账号都不愿注册去试的学生。这与本页 Cuban 的"AI-first 与非 AI-first 差距像哇的一声" 是同一分化在教育侧的镜像。

第六象限：被自动化的是"均衡点右边永远不会被供给的服务"（Lassie / a16z，2026-07）

来源：Lassie 那期

本页此前已有五种"不是替代"的说法：任务重排（All-In 双访谈）、本来就没人在干（Boston Dynamics）、我们已经做过了（Hurst）、反事实而非替代（Mark Cuban）、自动化更多 = 人更多（DoorDash）。Alex Rampell 加的是同一结论的经济学形式，也是本页目前最可检验的一条（[00:13:09]–[00:14:10]）：

"想象有一样东西，地球上每个人都愿意为它付 1 美元，但制造成本是 100 美元。你就有了一个市场失灵。我把这叫做 econ 101 图上供需均衡点右边的所有东西。"

• 具体例子：为什么美国每家牙医诊所没有一个说荷兰语的前台？只有百分之一的概率会来一个只说荷兰语的病人，而你得付这个人 4 万欧元。"但如果它是免费的，或者只要 1 美元，那每个牙科前台都会配一个荷兰语搭档。"
• 一手佐证（比框架本身更有说服力）：Alex 自己的牙医 Ronald Sloop 退休，部分原因是管账的关键员工走了、他招不到人；看到 Lassie 发布后说"如果这东西早点有，我就不会退休"。结论："不是说 AI 要抢走工作。很多情况下你根本找不到人。"
• ⚠️ 与 DoorDash"自动化更多 = 人更多"的关系：两者同向，但论证强度不同。DoorDash 是平台运营方的经验预测；Rampell 给的是一个结构性论断——被打开的市场不是现有岗位的重排，而是以现价永远不会被供给的那一整片。
• 需求有没有上限，是这条论证的成败点。Steijn Pelle 面对"小企业变得好开了会不会反而更难做"的诘问，给的正是这条（[00:43:30]）："这假定了需求是有上限的。" 他认为牙科与水管工当前能被满足的需求只有实际需求的一半——"如果美国有五十万个牙医呢？"⚠️ 反方论证由 Olivia Moore / Alex Rampell 当场给出并未被驳倒：小企业的护城河恰恰是"交付最终产品所需要的那一堆人的累积"，人可以被凭空变出来之后这条护城河就没了，可能压垮利润率——"那儿太挤了，已经没人去了"。本库把双方并列，不做裁决。

⚠️ "研究品位"是不可替代的剩余物，还是尚未被结构化的东西的名字（2026-07）

本页多处出现"价值向有品位的人集中"这一判断——朱邦华 & 江鋆晨、Akshay Nathan "瓶颈变成想法与品味"、以及 Xaira 的"品味 > 代码"。它们都把品味当作 AI 拿不走的那一部分。

刘子鸣（中，清华，2026-07）给了一个正面反驳（刘子鸣期 [01:29:49]、[00:39:45]）：

"我觉得研究品位、研究直觉其实是一个遮羞布——因为我们聪明到可以提出一个想法，但没有聪明到可以用语言说出来我是怎么提出这个想法的。"

配一条判据："一旦一个东西可以被结构化、标准化、规模化，大家就会对它祛魅。我们现在还没对 research 祛魅，说明它还没有被结构化。" 推论是——凡还在用"品位/直觉"命名的能力，都是尚未被结构化的能力，而不是原理上不可结构化的能力。他因此认为思维链一定能或多或少被说出来："你如果说不出来，说明你还没有拷问得太深。"

⚠️ 这条分歧目前无法证伪，但它决定了很多推论的方向：若品味只是"未被结构化"，则"价值向有品位的人集中"是一个有时效的判断，而非终局。详见 AI for AI / Auto Research。

Jevons 悖论在客服里的具体机制（Decagon / a16z，2026-07）

来源：a16z / Decagon

本页此前记录过多条"生产力创造新工作"的抽象论断（Sinofsky、DoorDash、Rampell 的市场失灵框架）。Decagon 那期 给的是目前最具体的一份带机制的证据。

需求侧的前提

⚠️ "我们发现对很多客户来说，客服这类东西的需求其实大于供给。"（[01:15:44]）

"企业意识到——好，如果我们做客服的成本下降 30%，大多数人不会立刻说'那我现在裁掉 60% 的团队'。他们说的是：好，既然这件对我客户明显有价值的事变便宜了很多，那我就多做一点——好让我的客户留存更久、流失更少、更早激活。"

具体案例（约 2024 年初，即他们创业早期）

某客户按当时的入口计算，月工单约 5 万张。接入后（[01:16:44]）：

"他们说：哇，原来我们的客户有这么多问题。让我们把支持变得更容易触达吧——不要只藏在一个支持面板里，把支持放在每一页上，在人们更容易卡住的地方放得更显眼，并且对免费用户也开放即时支持，而不只是付费用户。"

机制值得单独记：需求扩张不是自动发生的，是企业主动改产品把入口铺开——即 Jevons 悖论在这里要经过一个产品决策才兑现，而不是价格一降需求就自己涨上来。

"杀死岗位，不杀死职业"

⚠️（[01:17:44]）"AI 会杀死一些岗位，但某种意义上不会杀死职业"——理由是"那些现在被做的活本来就不该由人来做，非常单调、非常琐碎……人只是在接电话、'好，我点这里、点这里，好，答案在这'"；而"实际上有近乎无限多的事情，人可以去做来让客户更满意"。

⚠️ 但他没有把它推成普适结论

被追问 BPO 侧是否真的没裁员时，他的回答是分化的（[01:18:44]）："真的取决于情况。" 确实有客户"用 BPO 用得少很多、或者不再需要 BPO"；也有客户"完全不在成本削减模式"——要么生意长太快、想让运营规模保持平；要么"还是需要人，但现在有别的更能产生收入的事可以做"。他给的落地顺序是："AI 成熟的过程里，你会先从砍成本的用例开始，因为那些容易；然后产生收入的用例也该能通过这个对话界面完成。"

这条分化的诚实是本页值得保留的部分——同一位创始人在同一集内既给了最强的 Jevons 证据，也拒绝把它一般化。

"AI 不该只用来砍成本"：来自卖方的同日第二条证据（Netic / No Priors，2026-07）

来源：No Priors / Netic

Melisa Tokmak 卖的是同一类东西（企业与客户之间的 agent），面对的是私募股权持有的实体服务企业，她的观察是买方的默认框架就是砍成本（[00:30:26]）：

"第一次对话总是非常聚焦在砍成本上……我不是来给你砍成本的。当然那也在以某种方式发生，但我真正感兴趣的是你要怎么赚到全新的收入。……如果我们只把 AI 用来砍成本，那会挺可悲的。"

与 Decagon 那条的关系：Decagon 描述的是买方自己发现了扩张路径；Tokmak 描述的是卖方必须先把买方的框架掰过来——"你得给他们看有形的例子，否则它仍然聚焦在怎么改善底线、砍掉一些成本"。两条合起来说明：Jevons 式扩张不是自动的，取决于买方是否被说服去重新划定服务边界。

服务边界的下移：被自动化的还包括"此前不配被服务的客户"（Decagon，2026-07）

来源：a16z / Decagon

本页已有的六个象限讨论的都是任务。Decagon 给了一个客户分层的维度（[01:03:36]–[01:04:36]）：

"如果你去一家你每年花 10 万美元的商家，你会得到最个性化的对待，他们完全知道你是谁、你的偏好是什么……但如果你在一家你只花 10 美元的商家，他们没法为你做这件事，因为他们做不出经济账。" "这不是缺乏为客户做这件事的意愿，只是单位经济学不支持。" "所以我们在做的实质上就是——如果你能用 10 美分给他们那种体验，那它突然就算得过账了。"

⚠️ 这与 Alex Rampell 的市场失灵框架（"econ 101 图上供需均衡点右边的所有东西"）是同一件事的两种说法，但 Decagon 的版本更精确：被打开的不是"没人愿意做的工作"，而是"愿意做但对这个客户段做不出经济账的服务"。这也补上了 Lassie 的"定价锚在人工价格上" 与 Hurst 的"机器人价格由人类劳动力设定" 的另一半：那两条讲价格锚在人工上，这条讲成本跌破人工后服务边界向下扩张。

⚠️ "一人独角兽"的博弈论反驳（Decagon，2026-07）

来源：a16z / Decagon

本页此前记录过 罗福莉的 one person company、Lila Sciences 的零 FTE 创业。Decagon 给了一条结构性的反驳（[00:53:33]）：

• 反例："所有 AI 编码创业公司都在疯狂招人"——"他们大概是这些模型最老练的用户。"
• ⚠️ 机制（这是关键）：

  "因为每个人都能拿到这些工具。如果我们的竞争对手要用它们建更多东西，我们就得建更多东西。如果有人说'这是我们的路线图，现在我们能用三分之一的时间做完'然后停止招人，我们只会理解成：哇，我们能用三分之一的时间做完，太好了，那就建三倍的东西。结果每个人都做同样的算术。所以每个人都既需要继续招人，也发布更多东西。"

• 结论："这对这些模型的消费者是好事。但我不认为它实质改变了我们的招聘计划。"

即：生产率提升在竞争性市场里不会兑现成裁员，会兑现成产出扩张——这是本页"生产力创造新工作"命题的博弈论形式，与 Sinofsky 的"长尾变长"是同一结论的不同证明路径。

⚠️ AGI 叙事对从业者行为的影响：三个同日样本（2026-07-31）

来源：a16z / Decagon、No Priors / Netic

本页此前讨论的是 AI 实际替代了什么。2026-07-31 同一天出现了三个关于 AGI 叙事本身如何改变人的选择的样本，值得单独记：

1. Melisa Tokmak 在招聘中看到的"永久底层"心态（[No Priors 00:17:20]）：

   "尤其是 Gen Z……如果我不在接下来 18 个月里赚到钱、不在接下来 6 个月里学完世上所有东西，我就永远穷了；或者是一种 AGI-pill 的看法——18 个月后 AI 就会吸收掉大量人的技能，所以你的价值在下降。" 她的判断："我认为这其实是一种非常危险的心态。事实上真正好的东西要花非常长的时间才造得出来。"

2. 一位 a16z 员工的离职理由（[a16z 00:28:16]，主持人自述）：她劝对方别去前沿实验室、理由是这里有长期职业发展，得到的回答是 "我们会有 AGI，长期不需要职业生涯了"——"这真的击中我了，因为我以为我已经很 AGI-pilled 了"。
3. 创始人过度规避实验室路线图（[No Priors 00:15:16]，Elad Gil 的观察）："现在的创始人几乎有点太担心实验室了，所以不进新垂直、躲开自认为在实验室路线图里的东西"；Tokmak 的归因是"很多建设是围绕'我怎么能马上退出'展开的"。

⚠️ 两位创始人的反驳角度不同：Tokmak 诉诸时间尺度（好东西要很久）；Jesse Zhang 诉诸工作的性质（"我们大多数工作本来就是编出来的——除非你在建基础设施或者种粮食，大多数工作本来就是叠在别的东西之上的一层层抽象……AGI 来的时候它会改变人的工作，但你仍然会为别的人类做事"）。

本库标注：这是叙事的一阶效应——不论 AGI 时间表对不对，相信它已经在改变招聘池、创业方向与职业选择。这一层此前在本页缺席。

实体服务业的劳动力供给：为什么"回路里不能有人"（Netic，2026-07）

来源：No Priors / Netic

Melisa Tokmak 给了本页此前缺失的一份供给侧不稳定的具体画面（[No Priors 00:04:09]–[00:05:10]）：

• 这些公司"恰恰因为要不停往人身上投钱才能谈增长，所以长不动"；它们是 EBITDA 生意、常由 PE 持有，必须在意利润率。
• 一天的样子：生意早上 4、5 点开始，那时公司里一个人都没有；技师 6 点上工；你作为经理来上班，发现那天至少三个人辞职、五个人没来——而全国正在热浪，客户从 6 点起就在堆积。加上周期性（冬夏、假日季），旺季没接住就撑不住全年。

⚠️ 与 Lassie 的"SMB 里没有人来用工具" 是同一结论的两种机制：Lassie 的约束是规模太小、没人有余裕操作工具；Netic 的约束是规模很大但人力供给天然不稳定。两条独立路径都推出"agent 回路里不能有人"。

这也是 Rampell 的"incumbent 名叫 Betty，她两周前辞职了" 在运营层的展开：在位者是人，而人的可得性本身就是这门生意的瓶颈。

蓝领这一侧的反例：把岗位往回造，而不是往外裁（Saronic，2026-08）

来源：All-In / Saronic

本页绝大部分材料讨论的是白领岗位被压缩（客服、理赔、法务、放射科），少数几条讨论服务业劳动力供给不足（Netic）。Saronic（视频页）是本页第一个在自动化的同时大规模增加蓝领岗位的样本——⚠️ 全部为公司自报。

• 诊断：美国造船业衰退里"受损最重的是供应链和劳动力"（[00:40:29]）。
• 路径起点是设计而不是培训："如果你从第一性原理把船设计成更简单、可被规模化制造的，那你才能把培训、作业指导书、流程放进去。"具体目标是把在福特造车的人快速变成造船的人。
• 待遇主张（[00:41:30]）：每一个焊工、管工拿好工资、与硅谷软件工程师同样的福利、以及公司股权。"你得让年轻人觉得去船厂上班这件事是酷的。"
• ⚠️ 可证伪的量：Port Alpha（Brownsville, TX，起步 800 英亩）承诺10 年创造 1 万个岗位（[00:37:26]）；成本目标是把美国造一条船的成本砍掉一半（3 亿 → 1.5 亿以下），且明说不是靠少付工资——"我们付得更多"（[00:42:31]）。

岗位内容的位移，不是消失

这条与本页 Decagon"杀死岗位不杀死职业" 结构相同，但发生在机舱里（[00:18:12]–[00:19:14]，Vib Altekar）：30 年船龄的船上，有人在做"今天用软件自动化应该极其平凡"的手工操作；这些活被软件栈吸收后，他的表述是"民主化决策权"——更多水兵去决定海上这些质量该去哪、干什么，"而不是去操心发动机的冷却液压力"。

他补的一句很朴素："说实话，坐在机舱里的那个人本来也不怎么乐意。"⚠️ 这是替被自动化者代言，本库标注为他的表述而非当事人陈述。

招聘标准里的一条一手表述："neuroplastic"

"2026 年 ChatGPT 和 Claude 每年都在变好得多，所以现在相当重要的一点是要有足够的神经可塑性（neuroplastic），要准备好为未来的样子做调整……产线上会有 agent 帮你更快装配、在你遇到问题时帮你。"（[00:43:32]）

与本页 Lassie 专门面试候选人的"AI-pilled 程度" 是同一做法在制造业岗位上的版本——值得注意的是它被用在焊工、管工这一层的招聘话术里，而不只是软件岗。

一条可对照的一手现状基线：他们接手路易斯安那的 Gulf Craft 船厂时，"很多流程基本还是纸和笔——而这在多数船厂里都很常见"。⚠️ 这提示本页大量"AI 替代白领"的讨论有一个隐含前提（工作流已数字化），而在实体工业的相当一部分里这个前提还不成立。

⚠️ AGI 叙事的第四个样本：来自实验室内部，且表现为生活决策（No Priors，2026-08）

来源：No Priors 双主播自谈（Sarah Guo & Elad Gil）

本页 「AGI 叙事对从业者行为的影响：三个同日样本」 记录的三个样本都在应用层与投资侧（Tokmak 的 Gen Z "permanent underclass mentality"、一位 a16z 同事以"长期不需要职业生涯了"为由拒绝留任、Jesse Zhang 的反驳）。这是第四个，也是第一个来自前沿实验室内部的。

信念本身（Elad Gil 转述，[00:17:09]–[00:18:10]）

"如果你跟实验室里的人聊，现在有一种巨大的躁狂能量：我们距离代码这件事被彻底解决大概还有六个月、或者到今年年底；然后大概到明年年底会撞上某种轻度 RSI，到那时你会有模型在训练模型自己相当大的一部分——一开始更可能是后训练。"

⚠️ 由此产生的行为："因为这个，很多人相信：如果我职业生涯里只剩一年、一年半的有生产力工作，那我就该一天干 16 小时——因为每一周都是我被 AI 取代前所剩全部时间的 2%。"

⚠️ 表现形式与前三个样本不同：不是职业选择，是生活决策

• Elad 的一手观察："我认识某个大实验室的一些人，有一阵子会跟我提：他们该不该结婚？人们还想结婚吗？他们该结婚吗？因为他们不知道 18 个月后世界会变成什么样。" 他的回答是"你该结婚，去吧，会没事的"。
• 他的二阶预测："那确实暗示 18 个月后可能有一轮燃尽周期。"
• ⚠️ Sarah Guo 的定性与规范建议（本节最该被引用的一段）：

  "我觉得这挺悲剧的。" "我觉得它在心理上最接近人们以为自己要死了。你会怎么过你生命的最后两年？会跟你今天过的方式一样吗？还是完全不同？这是个不无关联的哲学问题。" 她列举的实际反应："'鉴于接下来 18 个月的 RSI，我的贡献有点无关紧要'——那我该结婚吗？该费劲工作吗？该去旅行吗？还是只该工作？" "如果人们表现得像自己还有（未来），那其实是一个稳定得多、也满足得多的状态。"

她给的替代路径：去有比较优势的地方

（[00:25:12]–[00:26:12]）对于没在大实验室拿到超额 token 配额的研究员，她的建议是去供应链瓶颈、以及生物学向其它高价值领域的扩散：

⚠️ "对我来说，那比担心数学的衰落、然后去度假直到世界终结要令人兴奋得多。"

与本页 Tokmak 的反驳 的对照：Tokmak 的反驳是时间尺度（"真正好的东西要花非常长的时间才造得出来"），Jesse Zhang 的反驳是抽象层不会消失，Sarah 的是心理稳定性 + 比较优势的重新配置。三条互补，都不诉诸"AGI 不会来"。

⚠️ 与"研究员幂律"的接口

同一期里 Elad 给了一条会加剧这种焦虑的结构判断："任何一个地方大概有几十个研究员驱动了大约 80% 的成果"，而且有些实验室已放慢招聘，"因为成本不是研究员，是与这个人绑定的算力"。

• ⚠️ 他反复强调这不是在说第 N+1 个人不优秀——"他们仍然在钟形曲线的顶端，只是某个时点人们会在自己的幂律上做一个切分"，而且"N+1 的人有非常非常多的去处"。
• 他对工程师置换的判断反而是缓和的：即便某天真发生，GE / PG&E / Hershey's 这类企业会大量吸收——"在 Google 或 Meta 的语境里平庸的人，在某类老派企业的语境里可能是卓越的"，他称之为工程人才向企业格局的渗透，并明确"这大概还要很多年"。这与本页 Rampell 的"均衡点右边"是同一方向的两种表述：需求侧远未被满足，所以位移不等于消失。
• Sarah 的反例（一个 ex-Googler 老笑话）：Google 约五万人时问"运行 Google 需要多少人？"——搜索与广告部门内部的人会说"大概是搜索与广告里 20% 的人"；部门之外的人会说"五万人"。"所以关于贡献集中度，大概存在多种不同视角。"⚠️ 这条对本页所有"少数人驱动大部分产出"的论证都是一个方法论提醒：贡献集中度的估计强烈依赖估计者的位置。

雇主侧：AI 时代的招聘流程被怎么重写（Retell AI，2026-08）

来源：李正韬 / Retell AI（月球大叔，2026-08-09）

本页此前的就业讨论几乎全在被替代方与宏观机制上。这是本库第一份从雇主侧给出的、招聘流程本身如何变化的一手描述——一家 50 名全职 + 50 名合同工、自报年收入约 8000 万美元的语音 AI 公司，同期有 30 多个在招岗位。

筛选标准：从"既有技能"移到"学习速度"

• ⚠️ 不考 LeetCode（[01:00:34]–[01:01:35]）："我们招人主要是想测候选人做实际工作的能力，而不是解 LeetCode 算法题的能力……因为 99% 的时间人们在做的是实际工作。"取而代之的是实战编码——附带效果是"即使没时间刷题准备，也能通过面试"。
• 其次看学习速度与 raw talent：经验是加分项，但"如果一个人真的很聪明，他能很快学会新算法、新 AI 工具，适应这个环境"（[01:00:34]）。
• ⚠️ 顺序应该反过来（他说自己至今仍会犯这个错）：不是"技能 → 天赋 → 文化"，而是文化/使命认同 → 天赋与学习速度 → 技能。最重要的问题是"这个人觉不觉得这个使命有意思：对他只是一份工作，还是真的相信这件事在创造价值？"

与本页 Saronic 的 "neuroplastic" 并读：一家造船、一家做语音 AI，两家都在用"学习速度"替代"既有技能"做筛选。⚠️ 这是本库目前对"AI 让技能贬值、可塑性升值"这条命题跨行业的两个独立雇主侧样本。相关的还有本页 朱邦华 & 江鋆晨"价值向有 taste 的人集中"——但那是从业者视角，这两条是招人的人的视角。

work trial：把评估从面试挪到真实工作

⚠️ 如果终面表现不特别好、但别的环节显示候选人很强，他们会请对方来试工一周——可以从现职请假、不必先辞职，双方都看清对方真实的工作状态（[01:01:35]）。

他对两种方法的定位说得很清楚：都是为了"在面试场景里让真实的工作表现变得可见……当然一定有损耗和噪声，毕竟你只有几个小时来评估一个人"。

招聘本身的投入强度

50 名全职 + 50 名合同工中，2 名全职 + 10 名合同工全职做招聘（[01:02:35]）——即约 12% 的人力用于招人。这个投入强度来自 YC 的建议。⚠️ 主持人先把它问成"12 个人全职给你招聘"，嘉宾更正为上述结构。

薪酬结构与"退出时所有人都财务自由"

（[01:02:35]–[01:04:39]）薪资对标市场前 5%，同级别下"大概比 Meta 或 Google 付得更多"，RSU 与现金都给足。以下福利均不计入报出的 comp package：

• 每人每天 70 美元 DoorDash 额度（在家或办公室都能点）；
• 每月 300 美元通勤补贴（打车、油费，甚至车险）；
• 每月 300 美元健康补贴（健身房、Oura Ring、助眠订阅）；
• 医保有 100% 覆盖的选项。

逻辑是"员工应该能把全部精力放在专注工作上，除了房租，不用操心日常生活里其它琐碎的事"。而目的被他说了两遍：

"如果公司成功退出，不管是 IPO 还是别的路径，我们希望这里的每个人都实现财务自由……每个人本来就已经在极其努力地工作。如果他们这么拼、帮公司做成了，最后却没有财务自由，我认为这从根本上就是不公平的。" "如果我财务自由了而我们的员工没有，我会深感愧疚。"

⚠️ 与 996 的关系，本页并列记录不裁决：同一位创始人把团队的执行力归因于"我们在大厂时自愿保持 996 的作息，那些经历把执行力的肌肉练得很好"（[00:32:19]）。在他的表述里，"自愿 996"与"拼命的人必须拿到财务自由"是同一套逻辑的两端（付出与分配对称），而不是矛盾。本库记录这个结构，因为它与本页大量关于工作强度的讨论都不同——它不问该不该那么拼，只问拼完之后分配对不对称。

FDE 岗位的规模与时间尺度

本页 「Forward-deployed engineer 作为一个能力测量」 缺一个具体量级，这期补上了：销售 + FDE 团队从 7 人扩到约 10 人，另有约 20 个在招岗位（[00:52:30]–[00:53:30]），而签约到完整替换一个企业联络中心约需一年（[00:24:12]）。

⚠️ 对本页的意义："AI 替代客服坐席"这件事在卖方一侧对应的是大量新增的、非常传统的人力岗位——驻场工程师、销售、合规。这与本页 DoorDash 的"自动化更多 = 人更多" 是同一现象在供应商侧的表现，也是 语音客服任务重排 那条的落地版本。

---

⚠️ 新象限：岗位没变，指挥链变了（Kavak，2026-08-10）

来源：Kavak 那期（Ali Massa，[00:23:25]–[00:24:25]）。

⚠️ 本页此前的象限讨论（第四、第五象限、第六象限）都在问"哪些任务被自动化了"。这条问的是另一件事：人还在做同样的活，但汇报关系反转了。

他先否定了主流的 human-in-the-loop：

现在大规模 agent 系统的通常做法是，agent 撞墙了就把这个 case 丢给二线支持然后忘掉它。"这不管用，因为你没有闭合回路，所以你没有产生能训练 agent 把这件事做得更好的数据。"

他们的做法：agent 撞墙或要取消什么的时候，它调用一个 API 说"我需要帮助"——"而另一边不是 agent 也不是软件，是一个人在帮它。"

⚠️ 落点是本节该被引用的那句："如果你把这个画成组织架构图，那就是一支支人类团队，头上有一个 agent。" 他在另一处也直说过："有时 agent 是人的老板，有时人在设计 agent。"

• 公司形态：非常扁平、非常资深、高度授权的团队；一个团队里工程、AI、运营"什么都有"，他们要么在建 agent、要么在为 agent 工作、要么在物理世界里面对客户。
• ⚠️ 还在招人的岗位在物理世界：墨西哥约 800 名技师，"有大量的灵巧性和感官，极难替代"。给他们配的是同一套 harness 下的助手（Ratatouille 式的"耳边搭档"，内部叫 El Mike）——它告诉技师怎么检查一台车、给出提示、示范做法；上线后保修下降约 20–26%（⚠️ 原话为含糊区间，本页照录不收窄）。

⚠️ Jedi Academy：一份全员再培训的实施记录，以及它的强制性

（[00:19:20]–[00:22:24]）本页此前的再培训材料多为主张（如 Freda 的"接力赛变篮球赛"）。这是一份带产出标准的实施记录：

• 从 CEO 到 AI 工程师到技师，所有人都进；由 AI 负责人本人设计，且必须不断更新——"你没法把这些人送去斯坦福学，因为这是新东西。"
• ⚠️ 产出标准很硬：六周之后，他们把最先进的 AI agent 发布到生产环境。"是技师、是财务的人、是工程师——每个人都能做到。"
• 它的真实目的不是转岗："也许这个人不会变成 AI 工程师——有些人变成了——但他们知道怎么和这项新技术协作。"
• ⚠️ 他给员工的话，本页照录，因为它是这类项目里少见的把强制性明说出来的表述：

  "各位，没有回头路。这就是 Kavak 要走的路……你可以选择去训练、去获得在这个新现实里胜任的技能，也可以选择离开 Kavak，如果这不适合你——但我们就是要往这走。"

⚠️ 与 Retell AI 的雇主侧招聘流程 是同一层的两个动作：Retell 改的是进来之前的筛选（不考 LeetCode、work trial、学习速度优先于技能）；Kavak 改的是进来之后的存续条件。两条合起来是本页目前对"雇主侧被怎么重写"最完整的一份材料。

---

⚠️ 人才在领域之间怎么流动：一个此前没有的方向（Chai Discovery，2026-08-11）

来源：Chai Discovery 那期（Neil Patil，[01:29:46]–[01:31:46]）。

⚠️ 本页此前的材料基本都在讨论"AI 怎么改变现有岗位"。这条讨论的是"人才为什么去某些领域而不去另一些"，而且门槛不是能力。

被问"如果能凭空移除一个瓶颈"，他的答案是人才的晦涩性（talent obscurity）：

• "很多聪明人去做 LLM、去做 SaaS 的软件工程师，但没有那么多聪明人去做生物。"
• ⚠️ 门槛一：入门路径的长度——"我高中时也没做生物。因为我可以打开电脑就写 app，而如果我想做生物，我得去上学、拿好成绩、可能还得读个 PhD。"
• ⚠️ 门槛二：不可视化——"这期播客里我们扔了一大堆大词，而且你没法把这些东西可视化。"他把这条直接接回产品哲学：这也是他们"特别在意怎么让整件事在网站上和产品里都变得视觉化"的原因之一。
• ⚠️ 他把它上升成一个资源配置问题："90 年代大家往（金融）流，2000 年后往科技流，大科技吃掉了很多人才，现在 LLM 和大 AI 实验室在吃掉很多好人才。在元层面上，怎么才能把人才配置得更好？"
• 他自己加的限定值得记："出于私心我想要更多人才进生物。我们大概也需要更多人才进制造业和物理世界的事情，以及美国面临的那些其它问题。"

⚠️ 与本页 AGI 叙事对从业者行为的影响 那条线的关系：那几个样本讲的是个体因为相信 AGI 而改变职业或生活决策；这条讲的是整个领域的人才供给被入门成本和可视化程度筛选——⚠️ 两者的机制完全不同，不应混为一谈，但都指向同一个观察：决定人才去哪里的往往不是回报，而是路径的可见性。

一条相关的组织判断：稀缺的是注意力

同一期里 Neil 对"人 vs 资源"二分法的部分反驳（[01:27:45]–[01:28:46]）：主持人说 SaaS 公司的约束主要是人，科学/硬件公司的约束是实验室、算力。Neil 的"yes and no"：

"那个 API 也有增量成本——你得支持它、它给产品加复杂度、它是又一个要去做市场和销售的东西。也许你本该把那份投入配到别的赌注上。"在一个"建东西变得极其便宜、并且越来越免费"的世界里，稀缺的是注意力——你能投入的，以及你的客户能投入的。

⚠️ 公司规模是这条判断的背景：Chai 全公司约 30 人，研究团队约 10 人，"每个人都是某种资本配置者"。收尾那句被两人都接了："我们都在变成某种执行官。"

⚠️ "中层应该是 agent"，以及 API line 会消失（Garry Tan / Anish Acharya，2026-08）

来源：a16z / Garry Tan

来自 Garry Tan 在 a16z 那期。本页此前的材料集中在岗位是否被替代；这一期给的是另一个象限：岗位数量之外，被替代的是"协调"这个动作本身。

论证的物理起点：7±2

（[00:30:12]–[00:31:12]）"世界基本上是围绕人建的，而人在任何时刻只能在脑子里放七加减二样东西。"由此推出政府尤其没准备好，而"你加上一个 agent，能在脑子里放下三本《哈利·波特》"。

他给的那个具体画面比论证更有说服力（[00:34:14]–[00:35:15]）：22 岁在微软 Windows Mobile，为一个阻塞上千用户的 P3 bug 去找 Windows 团队——对方不回邮件、不修 bug、连"won't fix"都不标，他和 PM 导师最后带着一根棒球棍走过高速公路当模糊威胁。他的诘问是"这是什么样的官僚地狱"，而他的归因不是恶意：那个产品经理并不"想浪费我们的时间"，只是"一天没有那么多小时，我们是极其有限的人"。

结论：被替代的是组织层，不是执行层

⚠️ 这句话由主持人说出（Anish Acharya，[00:36:15]）：

"中层官僚应该是 agent……高管层也许定方向，个人决定执行，但整个组织协调层，历史上很多产品经理在做的那件事，不应该是人。"

Garry 没有反对，接着讲了 API line。本库标注归属，因为这条比 Garry 自己的表述激进。

API line 会被抹掉，而不是让你往上爬

（[00:37:16]）他先复述 Venkatesh Rao 的框架——Uber 司机在 API line 之下，你该努力爬到线上——然后给出反命题："我其实认为 AI 抹掉了这条线。"

证据是一个具体产品：被投公司发布了一个不给人用、只给 agent 用的 bug 上报端点（转录稿写作 Kolabtree，⚠️ 拼写未核实）。agent 报了 bug，另一端实时回话："这是个好 bug，我们记下了，下周修，同时你可以试试这个绕法。"他说这个画面他忘不掉——公司之间可以这样一来一回，而不是线下的人被动照 API 说的做。

历史先例他用丰田生产方式（[00:38:17]）：80 年代日本车变好靠的是一条管理技术——在线上干活的人应该被允许改这条线，因为他掌握最多上下文。主持人接的那句值得记：一个传统上被视为等级社会的国家，想出了这种自下而上的工作方式，靠"过程能力"跑出了大约四十年的世代级红利。

⚠️ 与本页其它材料的关系

• 与 Kavak 的"人类团队头上有一个 agent"：Kavak 给的是已经跑起来的指挥链倒置（岗位没变、指挥链变了）；Garry/Anish 给的是同一现象的通用命题（协调层不该是人）。两条应互相引用，Kavak 那条是这条的实施证据。
• 与 Jensen Huang 的"任务 vs 工作"：这是同一区分的组织版——被替代的不是岗位而是协调动作。
• 与 Steven Sinofsky 的"例外只在人脑里"：⚠️ 两条直接冲突，且都出自 a16z 频道。 Sinofsky 说企业里所有有趣的事都是例外处理、例外只在人脑里；Garry/Anish 说协调层可以交给 agent。本库并列不裁决，但指出分歧点很清楚：协调层处理的到底是可结构化的信息流，还是不可结构化的例外。

⚠️ 反向的一条：瓶颈"全是人"，所以要 20 年（Garry Tan，2026-08）

同一期（[00:39:18]–[00:40:18]）。被问"这些问题有多少是智能瓶颈、有多少要等模型更聪明"时，他的回答是"全是人"——而且他把这称作自己的 white pill：

"如果你看 AI 讨论的整体调门，全是这种末日腔——所有白领工作都会消失，会有永久的底层阶级。而有意思的是，所有那些官僚、迟缓、七加减二……那才是 white pill。这些事情会比你想的慢。……社会比你想的慢得多，政府比你想的慢得多，世界上每一家公司都比你想的慢得多。所以我觉得这会花 20 年，而那不是坏事，那其实是好事。"

• ⚠️ 他还补了一句在硅谷不讨喜的话：微软这类公司有结构性护城河，"哪儿也不会去"——"这跟硅谷大多数人会说的'我要创业取代他们全部'有点相反"。
• 他给的经验依据是 Startup School 上 7000 张 18–22 岁的脸："他们基本上是在 ChatGPT 时代成年的……而现在轮到我们在管事。想想 20 年前，我们是原生于 web 的那批人、原生于移动的那批人。所以整个社会跑在我们 18 到 22 岁时期待的那些东西上。"⚠️ 这是一条代际替换速度的论证，不是能力论证。

⚠️ 为什么本页应该重点保留这条

它与本库 2026-08 这批材料里几乎所有加速论叙事正面对立——Ryan Greenblatt 的 RSI 时间表、Kavak 的六周 AI CEO 实验都在讲快。双方的证据类型不同：一边是能力外推，一边是组织观察。

它也与 刘洺堉 属同一阵营但理由不同——Garry 的瓶颈是组织带宽，刘洺堉的瓶颈是知识不可垄断（人员流动会让 knowhow 扩散）。

⚠️ 同一集里他还公开修正过自己（[00:44:20]）："成为 OpenClaw 的皈依者让我非常确信这事会马上发生，而现在我觉得那完全不对。"本库把这条与"20 年"并列——两个判断是自洽的：能力已到，扩散很慢。

⚠️ 本页第一份回溯性证据：机器超人 30 年之后的国际象棋（Chess.com，2026-08-13）

来源：No Priors / Chess.com

Erik Allebest 在 No Priors 那期（Sarah Guo 主持）。

⚠️ 先说它在本页的位置：本页此前的全部材料——Imas & Trammell 的经济学推演、Jensen Huang 的放射科、Decagon 的 Jevons 悖论、Machina 的第四第五象限——都是关于未来的推断。国际象棋是唯一一项"机器全面超越人类已达 30 年、且有完整参与度数据"的人类技能活动，而 Chess.com 掌握着那份数据。

Sarah Guo 的提问框架

（[00:19:20]）"国际象棋大概是我们跑得最久的实验——一项人类活动在机器变成超人之后会怎样，因为 Deep Blue 是 30 年前的事了。当年 Deep Blue 击败卡斯帕罗夫时有很多预测说国际象棋完了。人们误解了什么？"

已发生的结果与当年的预测相反：这项活动的参与度和文化地位都远高于被超越之前（自报数字：约 2.5 亿注册会员、1000 万日活）。

⚠️ 影响不是单调的：先变无聊，再变精彩

这是本节最该被引用的机制描述（[00:20:21]–[00:21:21]）：

• Stockfish 阶段：引擎太完美，棋手都去模仿最强引擎、磨枯燥残局，"棋一度变得挺无聊的"。
• 神经网络阶段：Leela Chess Zero 以激进、非常规、出人意料的方式击败 Stockfish，反而把这项运动往前推了。
• 落点："计算机一开始让国际象棋变得无聊了一点，但后来让它精彩得多。我们现在看到的是有史以来最精彩的棋，而且棋手变强了。"
• ⚠️ 本页认为这条的价值在于它拆开了一个常被合并的问题："超人系统会不会让人退化"取决于它给的是"答案"还是"可以被人理解并带走的想法"。 这与 Danielle Perszyk 的"AI 降低人类能动性、同质化思维" 方向相反，而 Allebest 自己引述的"用 AI 的人会停止动脑"又与后者同向（⚠️ 他未给出处）。本库并列，不合并。

⚠️ 三重外推限制（本页必须标注）

1. 国际象棋是游戏，人下棋本来就不是为了产出结果——嘉宾自己就做了这个限定：当主持人把结论一般化时，他的第一反应是"也许你得把它限制在游戏这个范围内"（[00:39:33]）。
2. 叙述方是这轮增长的最大受益方，全部数字为自报。
3. ⚠️ 增长的主要驱动被他自己归给 COVID、《后翼弃兵》、短视频与作弊风波（[00:09:09]–[00:10:10]）——不是归给"机器变强"。换句话说，这份证据能证伪"机器超人会终结这项活动"，但不能证成"机器超人促进了它"。

主持人的强结论 vs 嘉宾的弱结论

• Sarah Guo（[00:38:32]–[00:39:33]）："即便机器能超过他们，人们仍然想获得人类技能；即便机器能做得好得多，人们仍然欣赏卓越的人类技艺"，落到"'因为技术本身，人类技能在超人 AI 的世界里不再重要'这个想法，是胡说"。
• Erik Allebest：把它限定回游戏，并补"在一个更富足的世界里，人们确实会花大量时间玩游戏"。
• ⚠️ 本库不合并这两条。 它们的差别正是本页的核心未决问题："人仍想练"这件事，在有产出压力的领域是否还成立。

一条与技能训练直接相关的推论

⚠️ "过程没有捷径，捷径在工具里"（[00:27:24]）——他掌握着数亿人在每个水平段进步的数据集，给出的答案是小积木的重复，并指出人脑侧的重复无法像神经网络那样并行。与 Garry Tan 的 skillify（把技能沉淀成 markdown 交给 agent 反复执行）合起来给出一条本页此前没有明说的推论：能被工具吸收的重复会被吸收，剩下的那部分正好定义了"人还需要练什么"。 详见 LLM 实用方法论。

⚠️ 前沿实验室领导层的就业立场：一条克制的、带认识论前提的表述（Greg Brockman，2026-09-14）

来源：a16z / Greg Brockman

Greg Brockman 在 a16z 那期（[00:24:17]–[00:28:18]）。

⚠️ 本页把这条记为"立场表述"，不是证据。 它既没有 Imas & Trammell 的经济学建模 那样的机制，也没有 Chess.com 那份回溯数据 那样的历史材料。它的价值在于说话人的位置——这是本页第一次记录造模型的那一方的领导层怎么回答这个问题。

他的第一条是认识论的，不是经济学的

• ⚠️ "我有一个根本的信念：AI 是会让人意外的"（[00:25:17]）——他说 2015 年 OpenAI 的发布文里就写过：历史一次次表明它不按你以为的方式展开，即使逻辑上"应该"是某个样子。
• 本页标注：这实际上是一条拒绝外推的元立场。它让他的乐观无法被证伪，但也让他没有给出任何具体的就业预测——本页此前的材料（无论乐观还是悲观）大多是有结构的推断，这条不是。

他点名"该被长期保留"的东西

"人有价值不是因为我们能做任务，我们有价值是因为我们是人。"（[00:25:17]）

• 他列举的是设定目标、为结果担责、建立关系——"这些在我看来是根本性的"。
• ⚠️ 与本页 "中层应该是 agent" 的张力：Garry Tan 与 Anish Acharya 那条主张被替代的恰恰是组织协调层——而"协调、担责、对齐目标"正是 Brockman 点名要保留的东西。本库并列不裁决，但指出两者指的可能不是同一件事：Brockman 说的是对结果负责的主体资格，Anish 说的是传递与汇总信息的作业。

他对未来形态的描述，以及他自己的反浪漫化

• 富足 + 分配问题（[00:26:17]）：会进入富足的世界，问题是如何确保富足被广泛分配；同时"野心的天花板会比以往任何时候都高"，会有一波创业潮。
• ⚠️ 他给的唯一证据是转述："我听某个行业的人说，他那个圈子里一批人现在辞职去开自己的事务所，因为有了 AI 工具。"无姓名、无行业、无验证。
• ⚠️ 他主动反浪漫化（[00:27:17]）："我不认为我们该把一切描绘成美好轻松……我觉得会很难，会有变化。" 落点是"但它可以是一个好得多的世界"。引用他的乐观时应一并带上这句。

主持人（Ben Horowitz）一侧的两条，本页与嘉宾分开记

• ⚠️ "至少在数字上，AI 越好，就业率越高，而不是越低"（[00:24:17]–[00:25:17]）——但他自己立刻加了限定："当然这是不可知的，我们从没有过这种技术。"本页记为一条带自我限定的经验观察，不是结论；⚠️ 未给数据来源、未界定"就业率"的口径与时间窗。
• 年轻人与苦活（[00:26:17]–[00:27:17]）：新人默认承担 grunt work，如果 AI 做掉苦活，他们反而能更快进入业务的真实部分——他举的例子是"整个周末写投资备忘录"。⚠️ 这与本页此前记录的"入门岗位正是最先被自动化的那一层"那条担忧方向相反，而且两人谈的是同一批人。本库并列不裁决，但注意 Ben Horowitz 描述的是自家机构内部的情形，样本特殊。
• 犁与 1870 年（[00:27:17]–[00:28:18]）：犁让大量人类劳动失业、催生卢德运动，但没人想回到 1870 年——"说我们现在不想进入未来，有点短视"；同时承认"速度快得让人非常害怕"。

⚠️ "AI 时代 = 创造力时代"，以及"老登"现象的经验贬值机制（曾鸣，2026-09-03）

来源：张小珺 / 曾鸣

曾鸣 在 张小珺第 153 期。

他把自己的判断接在德鲁克的框架之后

（[02:18:18]–[02:20:19]）德鲁克把工业时代以来分三段：生产力革命（流水线取代手工作坊）→ 管理革命（泰勒的科学管理，催生商学院这个新物种）→ 知识革命（70 年代起，软件把知识与最佳实践沉淀成标准执行方法）。曾鸣补的第四段是：

所有可以被结构化处理的知识类型的工作都会被 AI 接管；人一方面被逼着、一方面也被解放去开发自己的潜能，方向就是创造力。

• ⚠️ 他对"创造力"做了收窄，这是本页该保留的部分：不是"会写首歌、会画幅画"，而是"更多的原创的、定义复杂问题的能力"，是"无中生有的能力"——"如果是已经有的东西，机器都已经当作 data 获取到了"。
• 他给的历史支点：电与流水线出现之后，才有了"职业经理人"和"白领"这些 19 世纪的人根本想象不到的概念——所以新岗位类别的出现本身需要基础设施先就位。

⚠️ "老登"现象：本页第一条给出机制的解释

（[01:49:50]–[01:50:51]）他先指出尊老的前提是"老的经验有价值、老的规范在延续"，然后给出这个前提失效的原因：

"经验，特别是能够转化成知识的经验，都不再有价值，因为它都被大模型吸收了……所以你过去 20 年的经验还有啥价值呢？"

• 配套现象：年轻的聪明人用好 AI 杠杆"瞬间就能成为任何一个领域的专家"；"为什么 AI 现在也可以达到一个主任医生的水平？因为所有的经验都被沉淀在大模型里头了"。
• ⚠️ 他直接点名引用了姚顺宇："谁愿意陪老登玩、牺牲自己的青春年华？"——本库此前已收录姚顺宇本人的这条表述（见 他那期），但当时记的是态度；曾鸣这条补上了机制：经验之所以贬值，是因为它已被模型吸收。
• 他给老一代的出路只有两条："或者安心养老，或者变得重新年轻。"
• ⚠️ 本页标注：这条机制有一个未被他处理的边界——"能被转化成知识的经验"与"不能被转化的经验"之间的界线，他没有给判据。本页把它记为一条有解释力但边界未定的论证。

谁在这一代变得值钱，以及下一代会换人

• 研究员为什么值钱（[01:26:25]）："他是跟 AI 交互最多的人，他最能理解 AI 的边界在哪里"，而市场现在更高效，能快速识别谁在创造最大价值。
• ⚠️ "产品经理会变得无比重要"（[01:27:27]）：做什么产品、服务什么客户、创造什么价值、用什么技术、有限时间投在哪件最重要的事上——"这都是产品经理要去判断的"。
• ⚠️ 下一代创始人不需要研究背景（[01:27:27]–[01:29:32]）："模型这一代是肯定需要的，但下一代应用驱动就不需要了。" 他观察到具身这一代基本都是联合创始人搭配：一个大模型背景 + 一个偏应用与商业背景。
• 本页标注：这与本页既有的 价值向"有 taste 的人"集中 那条线方向一致，但曾鸣给的是阶段性判断——他认为当前研究员主导是"第一阶段"的特征，不是稳态。
• ⚠️ 技术人员要过的那道坎（[01:28:27]）："只要有同质化的供给，你就不可能获取高额利润，你就是一家不怎么值钱的公司"——"我发现很多技术人员没法接受一个简单的事实：我的技术这么牛、我创造了这么大的价值，为什么我公司可能不值钱？"

组织侧的就业含义

• ⚠️ 找工作变成"认领任务"（[01:10:08]–[01:12:10]）：岗位是现代组织的基本单元，AI 时代的基本单元是任务——"公司只要发布任务，你只要去认领任务……你能 deliver 结果，你的东西就上线了"。职级消失，"以前是谁级别高谁说了算，未来是谁的能力强谁被调用"。
• ⚠️ 与本页 中层应该是 agent 的关系：两条指向同一个方向（协调层而非执行层被替代），但曾鸣的版本更彻底——他取消的不是中层这个岗位，而是"岗位"这个单元本身。
• 教育（[02:22:22]–[02:23:23]）：现行体制本质是知识灌输，智商开发是第二位的；⚠️ "接下来最大的冲突就是教育系统的冲突"——"你随便问高中生，他们大概都知道用现在的方法大学毕业以后找工作都找不着……但是我们肯定不敢让他们去走他们的路，所以他们就卡在这了"。
• 时间尺度（[02:17:18]）：社会消化这场革命需要"一代人，二十年起步——因为他们才是原住民"。

⚠️ "三天工作制但还是只增长两个半百分点"的风险，以及一条可证伪的 GDP 门槛（Satya Nadella，2026-09-15）

来源：All-In / Satya Nadella

Satya Nadella 在 All-In 那期（[00:18:16]–[00:22:24]）。

他承认质疑成立

主持人的质问是：一边是专家要监管，另一边大多数人的生活体验里并没有那种神奇的生产力跃升——"顶多是把 Apple Watch 的数据接进来告诉我为什么睡得少"。

⚠️ 他没有辩护，而是把它认领为真问题："我们怎样才能真正在生产率统计里看到它？怎样在 GDP 增长里看到它？而且是广泛的，不只是供给侧。"

就业：替代会发生，关键在新岗位

• ⚠️ "会有替代，确实会有"（[00:20:19]）——但他把重心放在新创造出哪些岗位。
• 他同时指出大量知识工作本就是苦差："我早上起来，想的是——我一天到晚就是在做邮件分诊。"
• 他给的正面例子是医疗（[00:19:18]）：DAX Copilot 让医生把时间花在照护而不是录入 EMR，以及替医生分诊收件箱；定性是"医疗绝大部分其实都是工作流成本"。

⚠️ 周末的来历，以及本页该保留的那个陷阱

（[00:20:19]–[00:21:21]）他提到周末被引入，是为了调和同一家工厂里不同宗教群体之间的张力；而长期 GDP 增速在排除外生事件后大致在 2% 到 4% 之间。主持人顺势把风险讲明：

⚠️ "是不是有这种风险：我们变成三天工作制，然后还是只增长两个半百分点？"

• 本页标注：这是本页第一次把"生产率提升被人类少干活吸收掉"作为一个具体的失败模式提出来——它既不是"大失业"，也不是"大繁荣"，而是第三种结局。⚠️ 它与本页 Chess.com 的回溯证据 不矛盾却互补：后者说活动不会消失，这条说活动不消失也未必带来总量增长。
• ⚠️ 他的回应是把希望押在"发明新东西"而非"简化旧工作流"（[00:21:21]）：加速药物发现；或小企业的营运资金管理真的能基于发票与邮件做决策——"那是原本不存在的生产率。"

⚠️ 一条罕见的、可证伪的门槛

（[00:22:24]）

"要让这一切真正兑现，坦白说我们需要看到至少 7% 到 8% 的、真实且广泛的 GDP 增长。"

⚠️ 为什么本页要单记：本页绝大多数关于宏观影响的材料都是方向性判断；这是第一条由一位超大规模云厂商 CEO 给出的、带具体数值、且可被后续数据证伪的门槛。本库把它记为一个应当被持续对照的标尺——⚠️ 同时标注：他没有给出时间窗，因此这条在严格意义上仍不可判定。

⚠️ 被谈论的那一代自己开口：学习动机的结构性塌陷（苏廷浩，2026-08-19）

来源：张小珺 / 苏廷浩

本页此前关于年轻人的材料全部来自成年从业者的转述或推测。苏廷浩（2009 年生，17 岁，论文被 ICML 2026 接收）是本库第一份来自当事一代本人的材料（视频页）。

⚠️ 他谈的不是失业，是学习本身失去理由。 机制他说得很干净（[00:36:24]–[00:38:25]）：

以前你学物理化学，别人没学就不知道；现在没学过的人一键问 AI，得到的回答比你说的还好。

由此学数学的目的从"为这个科目、为人类做贡献"退化成"向大学证明我是一个能吃苦的人"——他用的词是"那条道路变窄了"。主持人把它收成"失去了一部分为这个科目、或者说为人类做贡献的使命感"，他确认"对，很重要，很重要"。

• 具体的人（[00:39:25]）：他认识一些对航天物理很感兴趣的同学，"他们现在就用 AI 学习，但觉得以后 AI 有可能也会做这个工作、做得比他们更好"。另一位想当医生的同学对他说——"你以后千万别做个能代替我们医生的。"（那位同学从高中到医生还要十年。）
• 他自己低落过几周（[00:42:26]）：起因是一个讲"AI 灭绝人类"或"少数人控制 AI 成神"的视频。走出来的方式是看视频、和 AI 本身对话，结论是谁也不能预测未来——"现在跟你喜欢的人在一起，别焦虑那么多，走一步是一步"。
• ⚠️ 他的核心愿望是"慢一点"，而理由很直白（[00:24:22]）："要是发展太快，大家以后都没工作了；要是发展慢，我以后就没工作了。" 他要的是给人类一个缓冲时间。
• 他认为 AI 最后替代的工作是 AI 研究者（[00:40:25]）："要是 AI 能研究 AI，已经控制不了了，大局已定。"
• ⚠️ 他明确说 AI 让分化更严重（[00:34:24]–[00:35:24]）：好学生用了效率更高，只拿 AI 做完作业去玩的会更差；被问"AI 让人更加分化吗"，他答"完全同意"。他把归因扩大到注意力经济——"五十年前你给孩子一个 AI 让他自学，他会很高兴地学；现在他要做一个选择，而短视频让他们更开心。"

与 Greg Brockman 说"如果 AI 做掉苦活，年轻人反而能更快成长" 构成直接对照，且方向相反：Brockman 谈的是职场新人的成长路径，苏廷浩谈的是学习本身的意义结构。本库认为两条不互相反驳，但引用任一条时应知道另一条存在。

⚠️ "应届生怎么成为那个能指导 agent 的人"：一条学术界给出的、自认无解的问题（徐天音，2026-08-22）

来源：月球大叔 / 徐天音

徐天音（UIUC） 的论证链条（视频页）：

1. 能力不是瓶颈（[00:58:50]）："基本上任何系统任务，如果你告诉 AI 怎么做，AI 基本都能做。关键问题是你怎么去做，以及成本是多少。"
2. 人的角色是指导（[00:59:50]）："AI 就像一个很聪明的人。假设你公司有极多的人、个个勤奋，你仍然需要告诉他们什么才是对的事。" 落地就是给初级工程师示范什么叫好的工作——怎么权衡、怎么拆解任务。
3. ⚠️ 于是断层出现（[01:00:51]）：

   既然是有经验、有品味的人去指导 agent，那一个应届生怎么成为这样的人？这个训练与指导的过程没有了，我认为这对当前的 CS 教育是巨大的冲击。

4. 他先给了一个乐观答案：学生用 AI 练学习、练研究，自然能到这个水平。
5. ⚠️ 然后他自己拆掉了它：① 你太 junior，品味和指导不够，AI 的输出可能给你一些不高水平的东西；② 这些岗位越来越少——原本人是通过一个个小岗位慢慢爬上去的，那个过程让你学会人际沟通、让你提升自己。
6. ⚠️ 他的结论只答了一半："人仍然是非常重要的一环，建议与导师这类东西不会被 AI 取代"；但对市场萎缩——"这是一个非常真实的问题，但我其实不知道怎么解决。"

他对市场的判断本身是承认萎缩的（[00:56:50]）："CS 的就业市场确实不如以前大了，因为 AI 能接管很多任务。过去一些非常简单的任务也需要雇一个 CS 本科生，现在 AI 能做。" ⚠️ 但"如果你说 OS 会消失，我不认为有这个可能——整个现代社会都在构建大规模计算机系统"。

⚠️ "乘 100 还是 0"：一条对生产力倍数的反问

（[00:44:41]–[00:45:42]）他对"AI 提升 5 倍 / 10 倍 / 100 倍"的回应是：

问题是你的 baseline 是多少？如果你的能力是 0，乘 100 还是 0。

月球大叔的补充："对一个已经 100 分的人来说变成 10000，对一个 1 分的人来说变成 100——差距反而更大了。" 他同时说明研究的本质没变："好的研究者仍然是好的研究者。陶哲轩仍然是陶哲轩——不是说谁用了 AI 就立刻比陶哲轩更强。"

⚠️ 芯片行业的薪资史，被用来推 AI 行业的薪资未来（肖志斌，2026-09-07）

来源：月球大叔 / 肖志斌

肖志斌 给了一条本页此前没有的论证形式——从另一个行业的成本结构史反推（视频页，[01:50:38]–[01:53:38]）。

• 硅谷芯片工程师薪资长期低于软件工程师的结构性原因：芯片公司的成本大头是固定资产投资（流片、EDA license、IP 费用）；顶尖架构师稀缺，但大部分人是"用 EDA 工具的 engineer"。而互联网公司过去相反——一旦产出软件就能无限成本 scale。
• ⚠️ 他说这个结构正在反转：云厂商正在变成半导体式的成本结构——capex 成为最大投资，收入成本与硬件成比例，而不再是"复制一次就无限 scale"。
• ⚠️ 推论："大模型可以认为是你的 EDA 工具，更多的软件工程师变成了用 EDA 工具的人。" 顶尖的那批（类比芯片架构师）维持高回报，大模型工程师的薪资会向"工具使用者"回归。月球大叔补充当前高薪是因为技能紧缺 + 维持领先地位；肖志斌补了一句限定——开这么高工资的其实是很小一部分人。
• 给学生的建议（[01:53:38]）：要学计算机，因为"人人都要变成架构师"——能上下拉通、用工具实现事情，但底层、商业模式与自己的 taste 都要学。
• ⚠️ 他的收尾比上面任何一条都重："我觉得社会最后有可能真的会两极分化，很多人其实可能就不需要工作。"

本次摄取里有三条指向同一方向的独立证词：苏廷浩（学习动机塌陷）、徐天音（初级岗位断层）、肖志斌（薪资向工具使用者回归）。三人分处高中生、学术界、产业界，互不相识。本页把它们并列记录。

⚠️ 瓶颈从"证出来"迁移到"理解、吸收、解释"（OpenAI 数学团队，2026-09-08）

来自本库第一份专业学术领域内部的岗位价值重排论证（OpenAI 数学团队，视频页，[00:59:56]–[01:01:56]）。

• 一个数学结果要成立，需要有人想出它，但也需要有人理解它、吸收它、内化到足以用它做更多事。
• ⚠️ "几年前，证明这件事本身太难了，以至于其他那些事基本上是搭便车来的"——如果你自己证出来了，你自动就很好地理解了它，某种意义上你也就对维护它、向别人解释它负责。
• 现在主要瓶颈不再是瓶颈，于是那些别的约束开始起作用——"组织知识的最优结构，可能会看起来相当不同。"
• ⚠️ 他们对职业形态的预测：共同体层面的理解——"你是那个能把理解交给别人、并帮他们用起来的人"——"过去更多是隐含的，我认为它会变成这门学科里越来越显性、也越来越有价值的一部分"。

⚠️ 这条与本页上面苏廷浩那条指向同一现象的两端：一端是高中生失去学的理由，另一端是数学家发现"解释"成了新的稀缺。 本库认为这两条应并列读。

---

⚠️ 另一侧：AI 基础设施在蓝领端造出的岗位，以及它的真实瓶颈（Meta，2026-09-17）

来源：All-In / Dina Powell McCormick（Meta 总裁兼副董事长）

⚠️ 本页此前的材料几乎全在讨论白领岗位被压缩、被重排或被降低能动性。这是第一份"AI 基础设施在蓝领侧造出岗位"的具体材料——而且它给出的瓶颈诊断与直觉相反。

⚠️ 来源性质需先标注：这是一场由 Meta 带着自己拍的宣传片、并把片中人物请上台的现场活动。片子内容不作为证据；本节只记录可核验的数字与当场对答。

缺口形态：缺的工种此前没有培训课程

（[00:20:17]–[00:21:18]）除了焊工、管道工、施工、电工，每个数据中心都需要光纤技师——就是铺线和切线的人。

⚠️ 关键的一条：这门培训课程此前根本不存在，他们和 CBRE 等合作方自己编了课程。

⚠️ 真正的障碍是培训期的现金流，不是意愿

（[00:21:18]–[00:22:19]）主持人引 David Sacks 的常说法，指出未来几年有 50 万个这类岗位空缺；她给的诊断是：

"如果你是服务员、Uber 司机或者居家护理工，你是月光族。你负担不起那段无薪的时间。培训本身还奇贵（OSHA 之类）。而万一你学完了却没拿到工作呢？"

⚠️ 他们的解法（[00:25:21]）：培训期间就按在岗工资发薪——过去只有很低的学徒费。她称这是他们最自豪的解锁：一条清晰且快速的、通向工地和一份有保障的工作的路。

项目形态：五周快速培训 + 全部安全培训 + "job site ready" 认证 + 保证在其数据中心工地上有工作，而且认证可以带走（[00:21:18]）。

参照薪资：匹兹堡焊工年薪 10–12 万美元（[00:25:21]）；对照 Richland Parish 投资前的平均年薪约 3.6–3.8 万美元（[00:10:14]）。

进展与结构设计

• 数字（[00:22:19]）：四个月前启动，4 万美国人申请，已毕业 250 人，留存率 90%。⚠️ 主持人在 [00:24:21] 说的是"挑了 400 人"，两个数字不一致，本库照录不裁决。
• ⚠️ 一个刻意的产品决策：项目名字里没有 Meta——因为他们希望别的公司也来招这批人。
• ⚠️ 工会的转向（本页认为最被低估）（[00:23:20]）：他们与建筑行业工会联合会合作；工会领导层现在公开反对反数据中心的浪潮——"这是我们的工作，这是给我们的人的"，并在中期选举前放话只支持支持数据中心的候选人。
• 行业联盟（[00:23:20]–[00:24:21]）：Google 的 Ruth Porat 牵头，BlackRock 的 Larry Fink 已加入。原则是：

  ⚠️ "我们可能在模型和产品上竞争，但我们不想在人上竞争。" 理由很实际——在 Meta 工地受训的人当然可以去 Google 或 Microsoft 的工地。GM 的 Mary Barra 已打电话要 1000 人。

⚠️ 一条关于人才回流的地方性证据

（[00:18:17]–[00:19:17]，路易斯安那 Richland Parish 学监亲述）农村学区历来的问题是最优秀的孩子毕业就走，且不会回来，因为没有留得住他们的工作。

"现在我们可以自己写自己的叙事：你想走可以走，但你不是非走不可。"

配套的账本（[00:06:09]–[00:07:10]）：数据中心开工后销售税征收增速从常年 5–10% 涨到约 60%、峰值 260%；当地法律强制税收盈余直接进教师工资 → 2026 年 6 月认证员工拿到约 5 万美元支票（上年同期 1 万）。⚠️ 嘉宾明确说教师分红不是 Meta 的主意，是当地法律规定的——所以这个结果不可直接复制到其它州。

⚠️ 本页标注：这条与本页「协调层而非岗位被替代」这类材料不构成对立——它讲的是另一个部门。把两者并读得到的观察是：同一轮资本开支，一边在压缩白领的协调层，一边在扩张基础设施的施工层，而后者的瓶颈是培训期的现金流而非需求。

---

⚠️ 三位在训模型的人给的时间线，以及他们之间 2–3 倍的分歧（2026-09-11）

来源：Dwarkesh 三人辩 RSI

⚠️ 本页此前的时间线材料多来自实验室领导层或投资人。这是第一次有三位在训模型的人在同一场对话里被逼出具体数字，而他们彼此相差 2–3 倍（[01:28:59]–[01:36:16]）。

问题的定义很严格（Dwarkesh，[01:28:59]）："可当远程白领雇的 drop-in worker"——不只写代码，还有视频剪辑、法律、律助等；有完整电脑操作能力；能无缝学习与运行一个月；执行需要与他人互动的复杂项目。

问题	回答
drop-in 远程工作者	Charlie O'Neill：约 1 年（若不强制走浏览器）/ 几年（若强制浏览器）；Beren Millidge：3 年达到完全通用，⚠️ 但"在那之前组织会主动改造自己来适配 AI，先到 80–90%"；John Schulman：一年内会有"某个凑合的版本"
AI 研究者获得 10 倍生产力	一位给 5–10 年，另一位给 2 年，Millidge 认同 2 年（⚠️ 理由：写代码已远超 10 倍，只要能连着跑一两轮实验反馈就是巨量提升）。⚠️ Dwarkesh 当场指出这意味着两年后 AI 进展速度被彻底改写
ASI（所有能在电脑上做的认知工作压倒顶尖专家，含三年量级长任务）	一位 3–4 年（Dwarkesh 的反应是 "The fuck?"）；另一位 5–10 年，⚠️ 理由是得在数据天然稀少的领域现学——"要成为超人级的 TSMC 工程师"；有人明确答 ⚠️ "自动化 AI 研究基本上是 ASI-complete 的"

⚠️ 本页最该单独保留的两条限定：

1. ⚠️ John Schulman 的"人类基线"提醒（[01:29:59]）："人类远程工作者的质量方差极大。如果你去 Upwork 上找人做一个软件工程项目，方差会非常大，而且常常很难让他们做好或注意你给的全部反馈。" → "我猜在某些情况下，这件事的前 AI 版本比你今天能从现有 AI 拿到的更差。" 本库标注：这条把"AI 何时达到人类水平"这个问题本身问题化了——因为"人类水平"不是一个点。

2. ⚠️ "模型不会去骂人"（[01:29:59]）：被问到模型做不好什么时，有人举的例子是"如果我必须在工作里吼某个人、或者用力推着某人把事做完"——"模型就是不会那样做，它会太客气。"

3. ⚠️ 另一条本页此前没有的机制（[00:15:30]–[00:16:33]，John Schulman）：人类留到最后的角色是定义目标、决定我们到底想要什么——"对齐是最后一份工作。" 他给的组织层面证据：post-training 团队需要很多人，不是因为技术难，而是因为"模型在这个领域该怎么表现"必须有人去想。

4. ⚠️ 以及一条关于"哪类工作先被吃"的反直觉判断（[00:48:54]，Charlie O'Neill）：RSI 是累积型任务，而律所里的法律助理面对的是非稳态分布——"很不幸，RSI 恰好比当律师助理更容易。"

⚠️ "AI 基础设施创造的是高技能蓝领工作"：一条本页少见的线索（Rene Haas，2026-09-03）

来源：No Priors / Rene Haas（Arm CEO）

⚠️ 本页的就业材料几乎全部关于白领认知工作。这条来自数据中心建设一侧（[00:28:27]–[00:31:30]）：

• ⚠️ 他对"数据中心没有就业"这个说法的反驳："人们看数据中心说'那就是个大 Costco 盒子，停车场就停两辆车，全自动运行，所以没有就业'。我说这是胡说——能源、液冷、所有让数据中心更好的东西，那些都是可以在本地创造和完成的工作。"
• ⚠️ 他接受的一条反证（主持人提供）：电工工会最近明确说过"请不要禁数据中心，我们需要这些工作"。 Haas 就此讲了本页值得保留的一段："当电工可能带着某种污名——不被视为高学历工作、不需要博士学位。但它是一份需要大量训练和认证的高技能工作，而且你需要非常多这样的人。"
• ⚠️ 但他没有否认反对声底下的真实处境（[00:29:27]–[00:30:28]）："这波 AI 繁荣不管好坏，让很多人受益了，但也有很多人完全没有受益。" 很多人房贷都不好还、工资没涨，现在又来了这个 AI 让日子看起来更难——⚠️ "所以数据中心很不幸地成了 AI 所有可能不好之处的靶心。" 他认为其中一部分说法是编出来的（举例：举着假的被污染的水说这毁了供水），主持人补充这些议题上也存在有组织的媒体影响。
• 机器人侧的判断（[00:21:20]–[00:24:22]）：⚠️ "更广的效用在于替代大量人类劳动任务，这毫无疑问"；但采用还早，因为商业模式没想清楚、机器人成本太高——"让买机器人的人自己承担这个成本，是个很难让人接受的模型。它真的替代（了人力）吗？" 最先自动化的是工厂自动化、配送与分发。

⚠️ 一条与本页主流叙事相反的企业侧观察（Ali Ghodsi，2026-09-18）

来源：a16z 2026-09-18

⚠️ 他的诊断对"AI 取代工作"的时间表有直接含义（[00:40:13]）："模型已经足够聪明了，它们缺的是组织内部的 context"——每个组织里总有那么一两个什么都知道的员工，"你拍拍他的肩，所有人都会想：万一他/她离职了怎么办"。

⚠️ 他由此给出的"为什么人还在"的机制，比"任务 vs 工作"更具体（[00:46:16]）：一个干了五年的员工与一个今天第一天上班的员工，同样聪明勤奋、教育背景相同，区别是前者拥有"这家组织如何运作"的 ontology——别看组织架构图；别去问那个人，他推不动事；去问这个人，他能帮你办成。 ⚠️ "所以创业圈才会说：如果你失去大部分人，公司恢复不了——你不能只是补招新人。"

本库标注：这条既可以读成乐观（人的不可替代性在于组织知识）也可以读成悲观（他正在把这部分知识建成图并喂给 AI）——⚠️ 而这正是 Ghodsi 公司在做的事。两种读法都应保留。

DHH（美/丹，Rails 作者，2026-08）：builder 不受威胁、"没有积累"、裁员归因

来源：Lex #501 / DHH

• 把程序员的处境拆成两半（[01:10:59]）：如果你爱的只是"把逻辑构件拼对"这件机械活，确实受威胁；如果你爱的是造东西，"我认为你一点都不受威胁"，而且世界需要远比现在更多的 builder。
• 乐观侧的两个历史论证（[01:12:00]）：Jevons 悖论（程序变便宜 ⇒ 需求更多）＋ ATM 的历史（ATM 降低了开分行的成本，结果柜员比以前更多）。
• 但他明说代价，不含糊（[01:13:00]–[01:14:02]）："生产率提升的意思就是用更少的人做同样的事"——"对被裁的个人是悲剧，对整体经济是好事"。他认为 Luddites 比农业机械化更贴切，因为那是一群条件不错的高技能专业人士，"感到被威胁是合理的"。
• ⚠️ 对当前裁员潮的归因与多数 AI 叙事相反（[03:03:24]–[03:04:25]）：主要是疫情期过度招聘的回吐，AI 是个方便的借口；但他同时认为 AI 会把一些岗位暴露为本来就不产出价值（援引 David Graeber 的 Bullshit Jobs：约三分之一的受访者认为自己的工作是假的）。
• "岗位消失后干什么"（[03:05:26]，他明确说这条借自 Tobi Lütke）：F1 雇了数万人让车绕圈给人看，这件事对社会没有内在价值，纯粹是我们决定它好玩——"如果我们从 drudgery 和假邮件工作里被解放，也许都去当 F1 式的工程师、技师"。
• ⚠️ "没有积累"——这条对就业焦虑最关键（[01:23:14]–[01:24:16]）：背包旅行一年、完全没碰电脑的人回来，"两周就能追上前沿"。他的机制解释是同时在跑的实验太多、淘汰太残酷，"你不必参与那段旅程，只需要在结果出来时到场"。这与本页多处"要尽早上车否则落后"的焦虑叙事直接相反。
• 给年轻程序员的建议（[01:17:03]）：不要试图预测——"连业内最聪明的脑子都推不出两代模型之后是什么样，这是纯粹的浪费时间，而且会让你得 AI psychosis"；专注现在，逼自己弄清前沿在哪。
• 情绪上的让步（[01:09:57]、[01:25:18]）：他引斯多葛的 amor fati 说这不是自己的性格，但允许哀悼一段是被时间检验过的应对机制——"你熟悉并喜爱的那个世界不在了，有失落感是正常的"。
• ⚠️ 瓶颈论对就业的含义（[00:19:30]–[00:20:32]）：他认为 10x–100x 只在人直接对 agent 时出现，任何一层人类中介都会把它吃掉；而多数组织真正的瓶颈是想法、视野与品味，不是实现能力。按这条推，被挤压的首先是"中介性岗位"，而不是实现岗位。

⚠️ "被消灭的是任务，不是人"：一位公司 CEO 对"公司会变小"的反驳（Brian Armstrong，2026-09-10）

来源：No Priors / Brian Armstrong

本页此前记录过多条"公司规模会缩小 / one person company"的判断（罗福莉、Lila Sciences 的零 FTE）。这条是一位在管数千人公司的 CEO 的正面反驳。

• 他的区分（[00:16:07]–[00:17:07]）：⚠️ "生产率在提升"与"公司平均规模会变小"是两件不同的事——"任务在被自动化或消灭，人没有被消灭。"
• 他对自家的预期：Coinbase 不会缩到 10 个人，而是现有的人能做多得多的事、所有事的节奏都加快；同时"你确实会看到两人、五人的公司做出历史上认为不可能的事"，两者同时为真（[00:17:07]）。
• 主持人的推演（不是他的断言）（[00:17:07]–[00:18:07]）：这等于每个人身上的可扩展性变大；如果收入增长快于团队增长，利润率应随时间上升。Armstrong 只应了一声"Yeah"。
• ⚠️ 与 DHH 的张力值得单记：两人都说被消灭的是任务/环节，但 DHH 认为 10x–100x 只在"人直接对 agent、中间没有人类中介"时出现，因此大组织结构性地拿不到这个倍数；Armstrong 则预期大组织内部的既有人员整体加速。两条判断对"大公司能不能吃到这轮生产率"给出了相反答案，本库并列记录，不作裁决。

⚠️ taste 与 rigor 的两极分化，以及"过拟合到生产力"（John Platt / Google，2026-09-22）

来源：Latent Space / John Platt

本页此前的"价值向有 taste 的人集中"类判断多来自创业者与投资人。这条来自一个管研究团队、并且在保护制度安排的人，而且他把"taste"这个词拆成了两极。

• ⚠️ taste 与 rigor 都要、但不必是同一批人（[00:32:20]–[00:34:22]）：他观察到从业者正在分化——一批人被拉向"我来做创造性的源头"，另一批被拉向"我要确保这东西不崩、能扩展、不出错"；"带来创造力的人和带来严谨的人会成为两个锚"。⚠️ 他明确说这比科学更宽，整个软件工程都会这样演化。
• 他对"人会不会被替掉"的回答（[00:28:19]–[00:30:19]）：⚠️ "完全还有人类的位置"；他用 jagged frontier 说明位置在哪——编码、搜集知识、找相关工作上有巨大尖峰，而严谨性、哲学与创造力上远没有。最有价值的一句是对工作内容的描述（[00:16:11]）：⚠️ 用这类工具的人"现在把全部时间花在恰当的层级上——几乎是科学创造力的层级：'有一个代价函数意味着什么？'那几乎就是科学问题的本质；你不再泡在'我得 import 这个 CSV、让这个数据库跑起来'的泥浆里"。
• ⚠️ 训练 vs 发挥（本页此前没有的一条反优化建议）（[01:33:06]–[01:35:06]）：被问"过去靠一头撞问题练出来的技能，现在那些问题会被瞬间解决"时，他的类比是爬山（"你当然可以开车上山，但偶尔徒步上山是可以的、甚至有趣的"）与运动员（"有发挥的时候，也有训练的时候，也许人们就是得训练"）。他的例证是自己"用四种语言重写过四遍 boosting，所以我现在懂 boosting"。
• ⚠️ 配套的制度与判词（[01:34:06]–[01:35:06]）：他在自己组里非常努力地保护 20% 时间（"你想学点什么、想试点什么，连告诉我都不用"），理由是"创造性的汁水就在那儿"；并给出判词——"世界似乎什么都想优化、想把一切榨干，但过度优化会让你损失东西：你过拟合到了生产力上。"他自己承认这条"可能是在逆着文化潮流游"。
• 什么技能持久（[01:37:07]–[01:38:08]）：⚠️ 关于世界的根本性领域知识、数学、严谨与核查、创造力。他对"我们是不是都变成中层管理者了"的回答是⚠️ "你不想当个空西装"——因为 LLM 犯的错和人犯的错不是同一类，所以不能完全信；"不过你本来也不该信自己"。
• ⚠️ 一个开放问题，本库记为待跟踪（[01:30:04]）：他说领域专长不会消失，因为它通向 taste，但紧接着问——"人怎么在不做那些苦活的情况下获得 taste？这是个有意思的未解问题。"这与本页 Decagon、Garry Tan 等处的"初级岗位被吃掉之后怎么培养人"是同一个问题的另一种问法。

⚠️ "自驾公司"：本页"协调层被替代"这一族里最可证伪的版本（Amjad Masad，2026-09-23）

来源：a16z / Amjad Masad

本页此前的同族材料——Garry Tan 的"中层应该是 agent"、"API line 会消失"、曾鸣的"岗位这个单元本身消失"——都是前瞻判断。Amjad Masad（Replit CEO）加的是历史证据与一条归因（[00:24:17]–[00:25:17]）。

• 他列的前例全是失败：⚠️ holacracy（Medium 做过）、GitHub 的无经理制——"它们全都以相当壮观的方式炸了。"
• ⚠️ 但他的归因是技术而不是理念，这是本节的核心：

  "我认为那是个技术问题。我认为现在你可以让 agent 当这些组织内部的胶水，让科层变成一个在后台由机器完成的隐形东西，然后人就有了真正的自主权，去做他们觉得最有意思的事，而我可以评判你的影响。"

• 他说 Replit 内部已经在改做法："我们管这个想法叫'自驾公司'（self-driving company）——最终公司会自己运行自己。"
• ⚠️ 他主动标了不确定性，本页完整保留："我对这件事还没有成形的想法"；"说实话我真的对它会往哪儿去没有看法，但我知道它会变。"
• 同场的 Gagan Biyani 的配套观察（[00:25:17]）："我非常确定的一件事是：一切都会变，而且会比你想的快得多。而如果你不是天然理解它的，那个转变会很难做。"Amjad 接：⚠️ "或者如果你学的是过去的方式，那你就被锁进一种思维和工作方式里，那在未来会让你处于根本性的劣势。"

⚠️ 本页标注：这个版本之所以值得单记，是因为它可证伪——它预测的是那些已经失败过的组织实验现在会成功。如果 holacracy 式的扁平组织在 agent 普及后仍然失败，那"失败是技术问题"这条归因就错了。⚠️ 而反过来，本页也指出它目前只有一个样本（Replit 自己），且是自述。

⚠️ 一组少见地把"产出变化"与"人员变化"分开报的数字（BankSouth / Sequence Holdings，2026-09-24）

来源：No Priors / Michael Lee

Michael Lee（Sequence Holdings CEO）给了本页第一笔所有权侧的实施记录。⚠️ 全部为公司自述、n=1、六个月、未经第三方核实；而且 ⚠️ 主持人 Sarah Guo 的 Conviction 是 Sequence 的投资方。本页收录它的理由是它的形状，不是幅度。

他指出的结构病

（[00:31:14]）⚠️ "历史上贷款量是和中后台人头线性增长的——没有别的原因，就是因为处理一笔贷款是件复杂的事，过程中确实需要很多人参与。"

结果

（[00:32:14]–[00:33:14]，自 3 月投资起约六个月）

• ⚠️ 消费承保平均时间下降 94%。⚠️ 主持人当场追问"你是说时间"，他确认"时间"——本页照录这次澄清，因为没有它这个数字会被误读成人数或成本。
• ⚠️ 平均贷款端到端从 30 天变成 11 天（商业贷款承保在过去几个月铺开）。
• 他给的意义："根本上我们用这些工具让这个组织能够以同样的人头承接显著更多的贷款量。"

⚠️ 而本页最该引用的是接下来这段，因为他主动把因果归给了运气

"这纯粹是运气。我不会说 Sequence 和这件事有任何关系——但今年 Q2 相对 Q1，银行的贷款量翻倍了。"

• ⚠️ 对照组是这家银行自己的历史："历史上这家银行其实会把生意往外推——中后台虽然所有人都很努力，但他们能承接的带宽是有限的。"
• 这次三个条件同时成立：银行承接了全部贷款量；"完全没有改变他们的承保标准"；而且是用一个显著更小的承保团队。
• ⚠️ 而团队为什么更小，这一句是本页最该记下的：

  "而承保团队更小的原因是：一个人退休了，还有一个人转去了前台。"

岗位内容的位移

（[00:34:14]）⚠️ 贷款员更多时间在外面跑，而不是写信贷备忘录；信贷承保人在做最难最复杂的贷款，而不是——⚠️ "琢磨一个人明显已经有足够的钱了、我们该不该给他批一笔船的贷款"。

⚠️ 本页的读法

这条样本的价值在于它把三件常被混在一起的事分开了：

维度	这个样本给的
产出	翻倍（他归为运气，即需求侧外生）
质量门槛	不变（"完全没有改变承保标准"）
人员	减少，但减少的构成是一人退休 + 一人内部转岗

⚠️ 也就是说：这不是一条裁员证据，而是一条"自然流失没有被回填 + 人往前台移"的证据。 本页此前最接近的样本是 Kavak 的"岗位没变，指挥链变了" 与 DoorDash 的"自动化更多 = 人更多"；这一条比两者都更具体，但样本更小。

⚠️ 本页同时标注它不能回答什么：六个月、一家银行、需求侧刚好翻倍。它不能说明需求不增长时会发生什么——而那恰恰是 Jevons 悖论那条线 与 徐天音"CS 就业市场确实不如以前大了" 之间真正争的东西。本页记为待跟踪。

⚠️ "你的工作字面意义上就是把你自己自动化掉"：一条被写进 KPI 的口径（a16z / Lio，2026-10-02）

来源：a16z / Lio

⚠️ 本页此前关于前置部署工程师（FDE）这一层的材料有三份：Decagon 说"FDE 是陷阱"、Netic 与 Legora 的部署实务。这一期第一次给出把这件事写成考核口径的做法。

• ⚠️ 组织结构（[00:50:30]）："看 Lio 的组织结构，85% 的人是工程师。即使那些头衔不是工程师的人，大多也有工程背景。原因是我们显然不想做成一家咨询公司。"（⚠️ 自述，未核实。）
• ⚠️ 而那条 KPI 是本页记这一节的主要理由（[00:51:30]）："我们前置部署工程师的工作，一方面是把它做成自助式的，但在内部其实是把他们自己的工作自动化掉——他们的 KPI 就是：你的工作字面意义上就是把你自己自动化掉。然后你把自己自动化掉了，你就去做下一个任务。" 他补了一句 "我觉得这也是 Google 之类在用的做法"（⚠️ 本库未核实这条类比）。
• Amble 从投资方一侧给了这件事的处境解释（[00:49:30]）：现在前置部署工作这么重，是因为"客户数据的状态、以及理解客户 N 比理解客户 N+1 难得多"，所以"我们整体上还处在部署的早期阶段，这也是为什么这个产品里还有很多人"。她给的方向是把部署本身自动化掉："AI 的好处是它会随时间学习……而其中一部分就是把部署本身自动化掉。" 终局对照是"原来你请 Accenture 来做 SAP 定制"，而将来"客户能通过软件自己去转那些定制的旋钮和拉杆"。
• ⚠️ 本页的三条标注：
• ⚠️ 这是本库第一次看到"自动化自己"从一句口号变成一条明确的个人考核指标。 本页此前关于"AI 取代谁"的材料几乎全部是外部预测；这一条是内部设计——岗位被设计成自我消解，而且是对高技能工程师岗位。
• ⚠️ 它与 Decagon 的"FDE 是陷阱" 并不矛盾，而是两种处理同一风险的方式：Decagon 的处理是尽量不建这支队伍；这里的处理是建了但把它的 KPI 设成缩减自己。⚠️ 本页记为两条可对照的组织选择，不裁决哪条更有效。
• ⚠️ 而这条 KPI 的可信度取决于"自动化掉之后去做什么"——他给的答案是"你就去做下一个任务"，⚠️ 而这正是本页"任务 vs 工作"那条长期争论的核心：如果任务队列是无限的，这是升级；如果队列有尽头，这是裁撤的前奏。期内没有被追问。

⚠️ "末日论是一种政治战术"：一条归因，和本页认为它缺的那句限定（All-In 第 291 期，2026-10-02）

来源：All-In 第 291 期

• ⚠️ Chamath 的归因（[00:39:21]–[00:41:22]）：他讲了一个不具名的"非常有名的民主党人"在 Ernst & Young 合伙人大会上做末日论演讲、"还把在场的人也算进'他们都会失业'这个断言里"。他的解释是政治激励：⚠️ "对今天不在权力结构里的人，也就是民主党，接下这套末日论号召有一个极其重要的激励，因为这是一条非常直接的路径去煽起恐惧，然后把它转化成中期选举、以及 28 年的权力。"
• 他当场的反驳内容："她错了，那不是真的。事实上到目前为止所有数据都告诉我们，会有更多工作、更多事情要做"，以及"这间屋子里的人在接下来四年、五年会赚得更多而不是更少。会有更多工作要做，更多判断、更多品味要施加。"
• ⚠️⚠️ 本页的标注，而这是本页收录这一条的主要理由：他指控对方"不是来自数据驱动的事实"，而他自己给出的支撑只有一句"所有数据都告诉我们"，没有引任何具体数据。 本页记为一处对称的问题：双方都在把"数据"当修辞而不是引证。
• ✅ 而本页已有的材料里恰好有一句同形状但带了限定的表述，本页认为那条自我限定正是这里缺的：Ben Horowitz 2026-09-14——"至少在数字上，AI 越好，就业率越高，而不是越低"，⚠️ 但他紧接着自己加了一句"当然这是不可知的，我们从没有过这种技术"。 本页据此重申一条阅读规则："所有数据都显示就业在变好"这类说法，在本库里一律应当被要求给出口径与时间窗，否则只记为立场。
• ⚠️ Jason 的那条归因本页记为未经证实，而且它内部不自洽（[00:44:23]）："那套口径稿是 Dario 给他们的。是 Elon 说'你将不需要有工作'时给他们的。" ⚠️ Elon 当天就在同一间屋子里签了那份协定，把他列为"末日论口径稿"的来源与该期其余叙事相冲突——而该期没有人指出这一点。

✅ 本页认为该期真正有价值的那条，是 Jason 的异议

（[00:37:20]–[00:39:21]、[00:44:23]）⚠️ 这是该期唯一一处持续的内部异议，而它给出了一个可检验的标准。

• 他的问题："这个拼图的下一块是开始把美国人纳入进来——K 型复苏的下半截。老师在哪儿？要上大学的那个青少年在哪儿？美国那些带工具腰带的工人、水管工在哪儿？"
• 他的一手材料是一次航班上的对话：一位空乘说"我太怕这些 AI 东西了。我很高兴我要退休了，因为我不想丢掉工作"——他的总结是"美国人仍然对这项技术怕得不行。他们仍然认为自己会丢工作。"
• ⚠️ 他的处方是把议题从供给侧换到民生侧：下一次这种会议该谈"这怎么影响教育？这怎么降低教育成本？这怎么多建房子？人们怎么以更低价格获得更多医疗？——这些一条都没被谈到"；他给的具体动作是"下次留三个座位"（点名 Sal Khan 作为例子："一个美国的每一个普通人都能产生共鸣的人，能说'嘿，也许这会帮到我的孩子，比如我给他找一个私人家教'"）。
• 而 Chamath 的回应与他的反驳构成该期最实质的一次来回：Chamath 说总统确实要求了这件事（"你需要在你做生意的当地社区展示直接的正面影响"）；⚠️ Jason 的反驳是"那完全没有传达出去"——"公众那条我认为站得住的批评是：看起来我们只是在帮亿万富翁和那些公司。"
• ⚠️ 本页记这一条为一个可在未来几个月核验的预期：下一次这类会议有没有出现非商界的席位、有没有谈教育/住房/医疗的成本。
• ⚠️ Friedberg 从观感一侧给了同方向的一段，本页认为它比任何一条归因都更有说服力，因为它是站在被说服对象的立场上写的（[00:41:22]）："人们不知道开源是什么。没人知道开放权重模型是什么意思。而他们看到的是白宫里那些有钱人……我看到一群富人在午餐时跟总统待在一起，做一堆我没有发言权的决定，我甚至不知道在发生什么。然后我打开电视、看我的 Instagram，一切都在讲明天的终结。所以我完全支持把它关掉。"
• ⚠️ Chamath 的自我评估本页认为是该期最诚实的一句（[00:43:22]）："当你去到这些场合，发现这些极其成功的人被配上了非常严密的、全部指向末日论的口径稿，你就意识到这是被极其精心设计过的。而我们其余这些在这个领域里工作、确实能看到更多正面好处的人——我们没有他们那么有组织。" 落点："所以他们在赢。" ⚠️ 本页标注：这句话把分歧从"谁对"换成了"谁的信息分发更强"，而这正好是本页在就业议题上反复遇到的困难——公众预期与可测量的就业数据脱钩，而两侧都缺引证。

⚠️ "人在扮演一个非常强的 verifier"：kernel 排行榜上的一条一手观察（Alex Zhang，2026-10-02）

来源：Latent Space / Alex Zhang

⚠️ 本页此前关于"AI 替代专家"的材料大多是预测或自述。这一条来自一个有实测排行榜的位置（GPU MODE），所以本页给它较高权重。

• 现状（[00:07:04]）："即使在 GPU MODE 的排行榜上，如果你看很多最近的题目，几乎所有解法都是 AI 生成的。"
• ⚠️⚠️ 而那条关键观察本页认为是本次最该被记住的东西（[00:07:04]–[00:08:05]）：排行榜上一位长期的人类高手也用 AI，但主要是他在 prompt、把它往某些方向推——⚠️ "而我们发现，他的 kernel 基本上是前十里唯一一个在真实的端到端系统里确实稳定的。" 他点的第二个差异是代码行数小得多得多，并说"这绝对非常重要"。
• 结构性原因他也点了："GPU kernel 有一个验证问题。我们大概一直知道这件事——从 KernelBench 发布起就是个问题。有很多 reward hacking 在发生。"
• ⚠️ 本页标注：这不是"AI 不行"，而是"排行榜指标与生产可用性脱钩，而把这两者接上的那个动作目前还需要人"。 这与本页 Vals AI 的"自报落差"、Lio 的"70% 的性能不等于 70% 的自动化" 是同一条线上的三次表述——⚠️ 而这是唯一一条有公开排行榜作为观察平台的。
• ⚠️ 他对"人还剩什么用"给的机制回答（[00:08:05]–[00:09:07]）："那些知道怎么看这些问题、怎么解这些问题的人，也知道怎么用 AI 去做它们——因为你在扮演一个非常强的 verifier。" 他的类比是数学："即使是最近那些数学证明，也不意味着数学家就过时了——这些公司还在雇数学家，不管是做数据标注工作，还是只是引导模型去解问题。"
• ⚠️⚠️ 而那条经济学对照本页认为是本次最锋利的一句（[00:09:07]–[00:10:07]）："我们在所有这些 agent swarm 之类的东西上发现的是：当你往一个问题上扔足够的算力，你可以充分地探索这个问题的解空间。但往往——你可能在某件事上烧掉一千亿或一万亿 token，可如果你把一个懂这个问题的人带进来，他们可以为模型揭开某些东西，而那会抹掉那一万亿 token 的花费。"
• ⚠️ 他自己加了限定，而本页认为这条限定必须一起记："趋势到底是什么样其实不是特别清楚。" 落点是实际的："野外还有太多我们想解的问题，而我们没法总是往上扔尽可能多的算力——所有这些事情里仍然有一个效率面，而它超级超级重要。"
• ⚠️ 本页标注这条判断的性质：它不是"人不会被替代"，而是"在算力有成本的世界里，领域知识的边际价值可以用 token 来计价，而这个价格目前很高"。 ⚠️ 它的可检验推论是：随着 token 价格下降，这条论证会变弱——而本库 同日另一期记录的推理毛利从 10% 到 60% 说明这一层的价格正在被竞争压下来。本页记为一条待跟踪的张力。
• ⚠️ 而他对"能力落差在哪"给的判别实验本页认为很有价值（[01:27:04]–[01:28:04]）："如果你把一个模型里所有 GPU 编程的数据都拿掉，但它仍然和现在的 Astra 一样好——它还能优化 GPU kernel 吗？" 落点：⚠️ "我认为在'一个和 Astra 一样聪明、知道一样多的人能做什么'与'Astra 能做什么'之间存在一个落差——而这个落差大概就在 harness 周围。我认为我们其实可以把那个人近似得好得多。"
• ⚠️ 他对能力过剩（capability overhang）的确认："模型在编程和数学上好得不成比例。这是说我们可以把那些能力翻译到很多别的事情上。"
• ⚠️ 而他的目标线定得很低，本页认为这是本次对就业这条线最有信息量的一条（[01:25:01]）：当前前沿模型"还不够好到能把一份具体的工作在比如一个月的跨度上持续、且做好"；而他认为"你可以让一个模型做到比如就跟一个 18 岁高中生做某份工作一样好。我觉得我们做不到这件事是荒谬的。" ⚠️ 本页标注：这条同时是乐观的（他认为这不需要前沿实验室）和悲观的（它说明今天连这个都还没做到）。本页两面并记。

⚠️ "技术变化太快，所以人力销售更不可替代"：本页第一条把加速当作不可替代性来源的论证（Kevin Mandia，2026-10-06）

来源：a16z / Kevin Mandia

⚠️ 利益相关：投资方频道访问被投公司；讲述者正在建这支销售团队，所以这条判断与他的用工决策直接相关，本页记为立场。

⚠️ 本页此前关于"加速"的材料几乎都把它当成替代的加速器。 ✅ 这一条方向相反，而且论证不是情感性的（"人更懂人"），是结构性的。

• ⚠️ 主张（[00:41:28]）："当我看 AI 对销售的影响，企业安全销售的现实是人还是从人那里买。是的，你现在仍然需要同样那套 go-to-market 结构。"
• ⚠️⚠️ 而理由恰恰是技术迭代速度："事实上它甚至被强化了，因为技术变得这么快，你不能把'你是怎么变的、它现在在哪'这个负担压在客户身上。"
• ⚠️ 配套的一条组织后果很具体，本页认为它比主张本身更有信息量：旧节奏是"过去开发的速度是：你在一月的 sales kickoff 培训销售，然后你就好了"；⚠️ 而现在"我们每两周就不一样了"，于是"我们必须创造一个制度化的流程，让销售每周都被培训"。
• ✅ 本页标注：这条把"加速"的后果写成了岗位内容的重构（培训频率从年度到每周），而不是岗位的消失。 ⚠️ 本页认为这是一个值得与本页其它材料并读的第三种形态：既不是替代，也不是增强，而是同一岗位的刷新率被整体提高。
• ⚠️ 他对这条的适用边界自己没有划，而本页认为必须补上：⚠️ 他说的是企业安全销售——高价、长周期、买方需要承担责任的品类。 ✅ 本页不把它外推到其它销售形态，而是记为一条"在高责任采购中，解释成本不能被转移给买方"的论证。
• ⚠️ 他在同一期对自家工程侧的态度恰好相反，本页并记以免这条被读成通论：90 多个零日里"大多数是人找到的"，但"我们在用 AI 做 90% 以上的繁琐工作……然后我们还是把人放上去"；⚠️ 而"最后那几个零日是技术自己找到的。所以我们已经转过弯了"。✅ 即：同一家公司里，攻击研究这一侧的交接正在发生，销售这一侧他判断不会发生。本页认为这个内部对照本身就是本条最好的限定。

⚠️⚠️ "AI 斩杀线"、生产关系，以及"工作这件事从历史上看也没有存在多少年"（陈然，2026-10-06）

来源：月球大叔 / 陈然

⚠️ 本页此前的材料多来自研究者、投资人或平台方。这一节来自一位把 AI 落到传统合规业务里的 CTO（人物页见 陈然），而本页认为它的价值在于三条本页此前没有的东西：① 一个比"裁员"更狠的提法；② 一条把"AI 替代人"换成"分成结构"的论证；③ 一条把"工作会不会消失"整个重置的历史尺度。

⚠️ 他是相关公司的 CTO，所有效果与数字均为自述、本库未核实。

⚠️ 一、"斩杀线"：不是失业，是工作还在但已经没有意义

• ⚠️⚠️ 原话（[00:40:01]）："AI 我觉得这个职业斩杀线太夸张了，这个我觉得可能还有是很多人没有意识到的……就是很多人虽然他还在工作，但他工作在 AI 面前其实已经没有意义了。"
• ✅ 本页认为这个提法补上了本页一直缺的一个中间态：本页此前的框架多是"岗位消失 / 岗位内容重构"二分，⚠️ 而他描述的是第三种——岗位还在、薪水还在发，但产出已经不构成贡献。这种状态在失业数据里看不见。
• ⚠️ 他给的行业内切分是法律（[00:42:03]–[00:43:04]）："法律行业本身受 AI 冲击很大，但是冲击最大的主要是叫 paralegal，就是没有律师执照那些人。但是有律师执照的人还是和 AI 我觉得是一个非常互补的关系。" 理由是入门门槛高、不愁客源。
• ⚠️ 他把这条当作家庭决策依据：他当两年全职奶爸的理由之一就是"我也非常希望我的太太能够在这个斩杀线之上"（她当时在四大会计师事务所工作的同时读兼职 JD）。✅ 本页认为这比任何论证都更能说明他对这条判断的置信度——他拿自己两年的职业时间下了注。
• ⚠️ 他对"哪些行业更长久"给了一条判断，但本页记为利益相关（[01:22:49]）："像更合规的、成本高一些的行业，像金融、医疗、法律之类的，可能我觉得会有一些更长久的一些机会。" ⚠️ 他本人做的正是医疗器械合规。

⚠️⚠️ 二、本页认为最有原创性的一条：问题不在能力，在分成结构

• ⚠️ 他先给了一个现象对照（[01:45:17]–[01:46:18]）："今天如果你直接面对客户，你给他提供一个服务，客户给了我一万块钱，我肯定很开心。但是今天你去跟你老板工作，老板给了你一万块钱，你肯定觉得老板在剥削我，肯定觉得我值两万块钱。那你今天这么想了之后，你肯定不会觉得说我要做更多的事情，我肯定想的是我要去摸鱼。"
• ⚠️ 归因："因为我们不能享受生产力带来的这样一个额外的收入、对我们的分成，使得我自己觉得说我不想多工作。"
• ⚠️⚠️ 而 AI 为什么把这个老问题变成了紧迫问题（[01:46:18]–[01:47:20]）："但是 AI 为什么这个东西变化很大，是因为 AI 它真的能让一个想工作的人产生十倍一百倍的生产力。"
• ✅ 本页认为这一步是这条论证的关键：⚠️ 固定薪酬结构下，员工的最优策略是把生产力增益转化为闲暇而不是产出；而当增益倍数从 1.2 倍变成 10 倍时，这个结构造成的损失大到无法被忽略。
• ⚠️ 他的主张是合伙人式分成："赚多赚的，大家都要去分钱。那只有说这样子的情况下，大家才会觉得说我要用更好的工具、我要去赚更多的钱，那这样子的话我也能分更多的钱，我更有更大的激励。"
• ⚠️⚠️ 而他给的反面情形，本页认为是本页这条线上对打工者处境最准确的一次描述："而不是想的是说，我用更多的 AI 工具，那么我节省了更多的时间，然后好像老板们、股东们享受了所有生产力的提升，我只是越来越苦逼的一个牛马，然后回头我还被替代掉。"
• ⚠️ 主持人的概括是 "程序员的改革开放"，而他接受了；主持人给的现成制度对照是美国大律所从接单做到 partner、每单与公司分成的结构。
• ⚠️ 本页标注一处未被讨论的问题：⚠️ 分成制把收入波动转移给了劳动者，而他在同一期里又反复强调"要以更保守的眼光看未来"、要有稳定现金流（见 AI 的商业与价值捕获 该节）。本页认为这两条之间存在张力，而本期没有处理它。
• ⚠️ 配套的组织判断（[01:33:00]）：层级会压扁，而"有些工作他只是为了传递信息、只是拉大家开会，那可能以后也没有什么必要了，因为 AI 他很多信息自己都汇聚了"。

⚠️⚠️ 三、"工作"的历史尺度：一条把问题整个重置的论证

• ⚠️⚠️ 原话（[01:41:13]–[01:43:14]）："我们看待人生是以自我为中心的。就是比如工作，它不是一个定义你人生的东西，然后它客观上是不存在的——它只是为我们的生活去服务的。" 接着是历史尺度："客观上来讲，工作这件事情从历史上来看也没有存在多少年。就几十年前、可能一两百年前，这世界还没有工作这个词呢。它可能过几十年后也没有了。所以这个是今天我们觉得可能重要的事情，在历史的尺度中都不重要。"
• ⚠️ 他给的最低限度："唯一重要的就是你每天把这个 2000 卡路里的饭给吃了、那个睡觉给睡了，这个可能是你要活着的唯一重要的事情。其他的都是额外的事情。"
• ✅ 本页认为这条值得保留，但也必须标注它在论证上做了什么：⚠️ 它不回答"人靠什么获得收入"，而是拒绝"工作定义人生"这个前提。 ⚠️ 所以它与本页那些讨论再分配、UBI、岗位转型的材料不在同一层——它是一条关于意义归属的主张，不是一条关于经济安排的主张。本页不把它当作后者的替代。
• ⚠️ 而他的"以始为终"给了这条一个经验来源（[01:43:14]–[01:45:17]）：因为财务规划这门生意主要服务退休规划，他接触了大量老人，⚠️ 而结论是："你年轻时候你觉得重要的事情，根本不重要，根本不重要。就是你问他们年轻时候做了什么事情、或者后悔了什么事情、他们想怎么处理钱，发现就是你现在觉得焦虑、觉得那些重要的事情，都不重要。"

⚠️ 四、他给打工者的具体建议，本页记为建议而非判断

• ⚠️ 他对"花时间痛苦"的劝阻很直接（[01:54:30]）："不管怎么样，大家现在还有工作、还是有一份现金流收入的，这个是很好的事情。就不要把更多的时间花在痛苦、花在反思、花在这些上面了，去多花点时间研究真正重要的事情。" ⚠️ 配套的起步动作非常具体："先把 200 刀的这个 token 开满，试图把它用完，看看能创造出什么东西。"
• ⚠️ 他给 30–40 岁的那个思想实验（[01:53:28]–[01:55:31]）："如果说今天所有的东西都没有了，我自己要重新从零开始为大家提供一个真正有价值的东西来赚钱的话，我应该做些什么事情？" ⚠️ 他同时承认了这个年龄段的约束："我们因为自己的身份、因为自己曾经的成就，还有自己各种家庭财务的问题，都有很大的约束。"
• ⚠️ 而他对这代人的优势判断是行业知识："客观上我们这些人其实都或多或少地积累了一些行业的 know how，就是某些行业真正的痛点是什么。" ✅ 本页认为这条与他自己那条选题判据一致（"真正理解痛点"才做得下去，见 实践中使用 LLM 该节），所以它不是空洞的安慰。

⚠️⚠️ "每一个真实世界的能力都需要一个 pod"：本页第一次拿到模型能力与人头的直接映射（Misha Laskin，2026-10-09）

来源：No Priors / Misha Laskin（Reflection AI 联创兼 CEO）

⚠️ 利益相关：他是一家正在大量招人的实验室 CEO，全部编制数字为自述。✅ 但本页认为这一节的价值在结构而不在数字——它是本页此前最缺的那种"组织内部怎么分工"的一手口径。

⚠️⚠️ 一、pod 结构，以及它向部署侧的外推

• ⚠️⚠️ 那条映射（视频页 [01:08:00]）："这些模型有某些能力不是偶然的。有 pod——五到十个人的 pod——去瞄准一个特定的能力。而在 coding 里面就有五到十个能力。"
• ⚠️⚠️ 而他把同一个结构外推到了部署侧，本页认为这是本期最重要的一条就业判断："但现在当你想把那个模型拿去应用到真实世界的能力上，你基本上对任何一个真实世界的能力都需要一个 pod，而每一个企业都有很多很多个。"
• ⚠️⚠️ 他给这个新岗位下的定义指出了技能同构，本页认为该完整保留："所以我认为这种新型的、被部署的工程师会有职位创造——他更偏科学一些、更偏评估导向，对这些模型和 harness 有一些直觉——而这其实就是评估研究员做的事，所以它其实和构建核心东西的研究员是同一套技能，只是被部署到真实问题上。"
• ⚠️⚠️ 而他对瓶颈的定性是培训而不是需求："我们会要尽可能多的这种人，这其实更多是一个培训缺口——你需要训练工程师变得擅长这个——而不是（需求不足）。我们今天会要尽可能多。"
• ✅ 本页标注：这与本页既有的 Matt Garman 的 45 天 FDE 模式 是同一岗位的两种组织形态——⚠️ AWS 一侧要"进去 45 天把客户训练到能自己做然后离开"；这一侧要"每个企业的每个能力常驻一个 pod"。 ⚠️ 两者对同一能力缺口（eval 与 harness 直觉）的判断一致，但对它该长在谁身上的答案相反。

⚠️ 二、研究员编制：会收缩的论证，与他给的稳态

• ⚠️ 主持人的收缩论证本页认为是在这条线上见过最清晰的一次表述（视频页 [01:04:57]–[01:05:59]）："考虑到你每人需要分配的算力量……再加上在任何领域里贡献都有一个分布，总有少数几个人从想法角度贡献最多——最终会坍缩成：你想把每一份增量算力给最高产的那一小撮人，所以你最后会得到一个静态或收缩的研究员数量。"（⚠️ 主持人自己加了 "我不是说它对，我只是说这是我听到的一种论证"）
• ⚠️ 他的回答是 "这个论证确实有道理"，依据是 "像 AlphaGo 这样的项目当时大概是 10 人量级"，"而现在像我们这样一个大努力，大概是一百或几百人量级"。⚠️ 但他拒绝给出坍缩结论（"是否坍缩回 10 人，很难说"），稳态预测是 "我会估计会有某个稳态，在大约 100 人那个量级"。
• ⚠️ 他明确否掉了线性扩张："有一个你需要记住的人员对算力的比例……我认为 3000 个研究员不会很有帮助，但几百个非常非常有帮助。"
• ⚠️⚠️ 而他把增长转移到了别处，本页认为这是这一节的落点："但在应用研究上会有大量的职位创造——拿这些东西去真正应用到真实问题上。我认为人们在谈工程与研究时真的忽略了这些角色向更广泛社会的扩散，而不只是在造语言模型。"
• ⚠️ 他对"同样产出明年要不要更少人"的回答分成两半（[01:03:57]）："同样的产出，是的（会更少）。但你在不断扩张你能做的事情的野心。所以我们发现自己总是人手不足，而不是人手过剩。" ✅ 本页标注：这是"同等产出需要更少人"与"总需求仍在增长"同时成立的一条内部口径，而本页此前多数材料只报其中一半。

⚠️ 三、主持人给的宏观补充，本页认为值得与嘉宾的 pod 结构并读

• ⚠️ 那段话（视频页 [01:06:59]）："到目前为止的证据似乎是很多公司需要更多工程师而不是更少。还有某个质量层级的工程师向外扩散，去真正在那些组织里部署这项技术——那些组织本来根本接触不到那种才能水平的人，至少不是在规模上。而我认为人们在想经济时会丢掉这一点，他们倾向于把它集中到少数几家大科技公司，而不是问我们的整体 GDP 是什么、它怎么被人们把这项技术带出去而改变。" ⚠️ 他的回应是 "我认为这是对的"。
• ✅ 本页标注：这条与嘉宾的 pod 外推是同一机制的宏观与微观版本——⚠️ 微观是"每个企业的每个能力一个 pod"，宏观是"某个才能层级向此前接触不到它的组织扩散"。 ⚠️ 而两条都是定性的：全期没有给出任何这类岗位的数量、薪酬或增速数据。

⚠️ 四、"模型在环里"：他给的是边界而不是口号

• ⚠️ 他对研究员使用模型的描述（视频页 [01:02:57]）："这些模型在智能上相当锯齿，所以你得去感觉它们在哪里有一个紧的回路、哪里人的创造力仍然重要，但你会很快有感觉。" 受益环节他点了超参数搜索与基础设施上一些更细粒度的事。
• ⚠️⚠️ 而那个比喻本页认为该完整保留，因为它自己带了条件："它能让一个科学家去行使他的直觉——它有点像有一个非常快、非常热切、而且真的会听你的同事，前提是这个同事被正确对齐了。"
• ⚠️ 而"何时不再需要人在环里"这个问题他自己提了但没有回答（[01:03:57]）："有这样一个问题：到什么时候你不再需要一个研究员在环里？" ✅ 本页照录为开放问题。

⚠️ 五、数据中心作为就业来源：本页第一个"产业史类比"版本（记为立场）

• ⚠️ 他的依据是一次实地参观（视频页 [00:58:55]）："我几周前参观了 Stargate，而让我印象深刻的是停车场里车的数量——有那么多人在那里工作。"
• ⚠️⚠️ 框架是："这些数据中心项目创造了成千上万的岗位，而且是高薪岗位。对我来说，数据中心现在有点像工厂过去的样子——20 世纪你有铁路和工厂，你可能有一家制鞋厂，它让一个镇子产生一种有活力的经济。"
• ⚠️ 他对争议那一面承认并给了一条具体建议："确实存在对数据中心的恐惧，但现实是你到现场去，它其实创造了很多岗位、为当地社区创造很多税收；而有些事情需要非常有技巧地处理——比如这些东西很吵，所以你需要隔音、或者把它们放在离住宅区不那么近的地方。" ✅ 本页标注：噪音这条在本库数据中心材料里是第一次被点到。
• ⚠️⚠️ 本页按既有口径记为立场而非事实："成千上万的高薪岗位"没有任何数字依据，依据是停车场里的车；而他所在的行业是这些数据中心需求的直接来源。

---

⚠️⚠️ "循环（loop）"：本页第一条用任务的循环结构、而非技能等级或行业来预测替代的机制（Friedberg，2026-10-10）

来源：All-In 2026-10-10

⚠️ 本页此前的材料大多按行业、技能等级或岗位层级来讨论替代（斩杀线、pod 映射、verifier 角色）。Friedberg 这条换了一个轴：看任务本身的循环结构。 ✅ 本页认为它的价值在于给出三个可分别检查的条件，而不是一个结论。

框架本身

（[00:40:28]）他先定义循环：

"AI 起作用的地方，真正在于这些用来解决问题或完成任务的循环系统。一个循环是：一个假设或一个想法，然后你测试这个想法、得到结果，然后你改变你的假设，再一遍一遍地跑这个递归循环。"

三个杠杆（原话次序）：

"对 AI 真正的问题是：你在哪里能把这个循环模型用在一个地方，使得你每一轮能做出更好的预测、更好的想法；你在哪里能把循环并行化；以及你在哪里能缩短循环周期。"

杠杆	检查的是什么
每轮预测更好	模型能力这一项——本页既有材料讨论最多的那一项
循环可并行	能否同时跑很多条独立尝试
⚠️ 循环周期可缩短	测试环节是否需要物理世界——他认为这是决定性的那一项

⚠️⚠️ 他用同一框架给出的否定结论：为什么卡车司机一个都没被替代

（[00:42:29]–[00:43:29]）✅ 本页认为这是这条框架最硬的一次应用，因为它给的不是"技术还不行"，而是"循环结构不对"：

"有很多恐惧说，如果 AI 能对数学家做这件事，那不就意味着所有人都要失业？答案是不。因为数学的独特之处在于整个测试周期、整个循环周期都能在硅内完成。"

"这也是为什么我们没有看到卡车司机被取代的预测成真。所有人都说'噢，所有卡车司机都会在 2025 年被 AI 取代'。而没有一个被 AI 取代。卡车司机的循环是：取货、运到别处、卸货、回来。AI 并不缩短这个循环。你没法并行化这个循环。也许用 AI 司机能稍微做好一点，但 AI 实际上并没有让那个特定循环的经济效率变好。"

• 他给的另一类反例：药物发现、蛋白质折叠、化学与材料科学——"循环里有一个物理环节，有一个 human in the loop，你实际上必须去实验室测"，所以循环速度被物理那一步 gate 住。✅ 这与本库 Periodic Labs 的"智能是必要的但不充分" 同向，见 AI 与科学发现。
• 他的一般化："那些有 human in the loop、有物理世界应用的东西，AI 不会拿走那些工作。会被加速或放大的，是那些'一个人拿着电脑跑一个循环'的工作。"
• 他在本期末尾把同一框架套到消费侧（[01:27:58]）：订酒店比价是一个可并行（同时跑 50 个网站）且可短路（软件取数比人快）的循环，"所以实际上所有数字工作流都会被循环化"。

⚠️ 本页标注这条框架的两个限定（节目内均未提）

1. ⚠️ "AI 不缩短卡车司机的循环"是一个关于当前自动驾驶部署状态的经验断言，不是循环结构的必然结论。 如果自主驾驶成立，被移走的是循环里的人这一项——这改变成本结构而不改变循环长度，而 Friedberg 的框架只看循环长度与并行度，因此它对这种情况不作预测。✅ 本页认为这是引用这条时必须带上的限定，否则它会被误读成"物理工作安全"。
2. ⚠️ "循环可全在硅内闭合"与"结果可自动验证"是两个不同的性质，而本期把它们混在一起用。 Sacks 在同一期给的是后者（证明与编译器使 RL 不必卷入人类反馈）。两者在数学与编码上恰好同时成立，但可分离。

⚠️ 与本期自身的两处张力

• Friedberg 在同一期论证"数学家与科学家的把关地位正在被拆掉"（[00:53:35]–[00:56:37]：他转述 Eric Weinstein 的"科学家阻碍科学"、Sabine Hossenfelder 转述的"超级对撞机是科学家的巨型福利系统"，并给出 "AI 是一个让人类自己定自己前沿的无需许可的系统"）。⚠️ 这与"AI 不会拿走工作"可以并存（把关地位 ≠ 岗位），但本期没有把两者接起来，而本页认为把关地位的消失正是本期唯一给出的具体职业角色变化案例。
• ⚠️⚠️ Sacks 在同一期把"AI 会让所有人失业"称为"去年的骗局"（[01:18:53]，他的"轮换骗局"论：失业 → 灭绝 → 数据中心，每六个月换一个）。✅ 本页认为引用那一句时应当带上 Friedberg 的版本：两人结论相同，但 Friedberg 把它当作需要机制支撑的结论，Sacks 把它当作被编造的叙事——只有前者可检验。 ⚠️ Sacks 同段给的四个数字（401k 上涨、对 GDP 3% 顺风、据《经济学人》已创造一百万个新岗位、生产率推高工资）均未给来源，本库未核实。

⚠️ 配套的一条程序员侧观察（Jason，二手）

（[00:52:34]–[00:53:35]）他在日本与创业者交谈，有人感慨写代码里有东西丢了：过去程序员协作解决问题、有 esprit de corps，"现在他们不和彼此协作，而是和 agent 协作；他们不真正在构造代码，只在审查其中 10% 或 15%——这意味着很快他们什么都不审查了。" ⚠️ 这是对他人感受的转述，不是数据；✅ 但"审查比例在下降、且会继续下降"这条与本库 Alex Zhang 的"人在扮演一个非常强的 verifier" 方向相反，本页并列记录。

⚠️⚠️ "好工程师只是变成更好的好工程师"：一条被明确追问、也被明确限定的断言（a16z / Grepr，2026-10-16）

来源：a16z / 为什么 AI 能写代码却还不能让它持续运行（Jad Naous / Grepr CEO，前 Applied Intuition 首席产品官）

✅ 本页此前关于"AI 拉平还是拉大技能差距"的材料，多数是投资人或观察者的推测。这一条来自一个自述在带团队、并且被主持人当场精确追问的人，所以单独记。

断言与机制

• 断言（[00:13:07]）：随着团队招人变多，"还行的工程师和真正好的工程师之间的差距，就是乘了 10 倍"。
• ⚠️ 主持人的追问很精确（这一步让这条断言变得可用）："你能预测谁会好吗？是好工程师变得更好，还是差工程师突然变好了？"
• ⚠️⚠️ 回答毫不含糊："不是。如果你是个好工程师，你只是变成一个更好的好工程师。不是说有些差工程师突然就变好了。"
• 他给的机制："你脑子能处理的复杂度越高，你就越能把任务拆开、分派出去。" ✅ 即杠杆点是分解与委派能力，而那个能力的上限是人脑能持有的复杂度。
• ⚠️ 主持人自己把这标为可能的非共识："我觉得这可能算一个非共识观点——虽然我有时确实听到——就是更好的工程师（获益）要好得多。"

✅⚠️⚠️ 而本页认为必须连带引用他自己加的两条限定

否则这条会被当成普适结论（[00:14:07]）：

1. "我的团队还小，我们没有在 100 个人身上做过。"
2. ⚠️⚠️ "在我的经验里，对我们做的事情是这样的，因为我们造分布式系统和分布式算法，而你的脑子必须处理那个复杂度——因为 AI 不做这件事。" → "对我们解决的问题，没有哪个模型能真正想通我们做的事。"

3. 他给的例子是查询翻译层："你必须真正理解 query 的语义、以及怎么到达那个语义，然后把它解释给模型，再让模型去造那个翻译层。"

4. ✅⚠️⚠️ 本页的归纳（不是他的）：这条"10 倍差距"被他自己锁在了"模型还想不通的问题域"里。 ⚠️ 所以它不是一条关于 AI 时代技能回报的普遍论断，而是一条带有效期的论断——有效期取决于那个域会不会缩小。 ✅ 而本期后半段的整场辩论（运维能不能像代码一样被解决）问的正好就是这个。

5. ⚠️ 本页记一处与之同向但来自不同岗位的材料：他同期还自述 "过去两周我 ship 了这些巨大的、20 个 PR 的东西，直接丢给我的团队去 review"，而且 "所有人都在写同样的 PR……PR 到处乱飞"（[00:19:14]）。✅ 即在他这个团队里，AI 的岗位效应首先表现为 review 带宽被挤占，而不是岗位减少。 ⚠️ 期内没有谈招聘人数的变化，本库不外推。

⚠️ "程序员需求在增加，尽管 95% 的代码是助手写的"，以及软件的 Jevons 悖论（All-In，2026-10-17）

来源：All-In 2026-10-17（主播团，嘉宾 Ben Horowitz）

• ⚠️ Sacks 的断言（本页按断言记录，两个数字均未给来源）（[00:34:24]）："现在我们看到的是对程序员的需求在增加，尽管 95% 的代码是编码助手写的。" 他给的两条理由："那 5% 是一个大得多的饼的 5%"；"你仍然需要有人能打开引擎盖、管住整个过程，而且他得有点技术能力并维护它。"
• ✅ 他自己把这件事接回了预测史："记得整个就业末日吗？末日预测者说第一个被消灭的职业类别就是软件程序员。" ⚠️ 本页标注：这是对一条旧预测的反驳，而反驳用的是未核实的数字；本页记录结构，不采信数值。
• 机制侧他给的是品类扩张而不是替代（[00:32:23]）："我们希望所有人都能造软件，特别是定制软件——这真的是一个新品类"；过去只有大众市场才值得写软件，现在企业可以只为自己的用例造软件。⚠️ 被 Jason 追击"如果企业基于开源自建，那被替代掉的那个软件你就不需要了"后，他承认"或许会有一些对既有软件的替代"，但坚持增量更大。
• ⚠️ Ben Horowitz 的版本把"岗位"换成了"岗位内容"（[00:35:24]–[00:37:24]）："软件价格肯定会下降，但软件的量会上去很多很多。这是软件的 Jevons 悖论。" 而他那句最锋利的推论对就业的含义是负面的："写软件本身不会再比出版一本杂志更有价值。" ✅ 他的落点是价值迁移而不是岗位消失——公司"最后做的事不只是软件"（授权协议、针对细微场景的模型质量），所以"产品必须变得好得多"。
• ✅ 本页标注一条与本页既有材料的接口：这与 Jad Naous 的"好工程师只是变成更好的好工程师" 是同向的，但两者的证据等级不同——那边是单家公司的一手观察且带自我限定，这边是无来源的行业断言。⚠️ 而两者都没有回答 Jason 在本期提出的那个问题（"未来软件的毛利是什么"），即岗位是否被保住与行业利润是否被保住不是同一件事。

Dylan Field（美，Figma CEO，2026-10）：价值上移到设计 / 品牌 / 观点

来源：All-In 2026-10-19（嘉宾 Dylan Field）

• 他的前提与 Ben Horowitz 同期那条一致（[00:22:12]）："不是代码——现在谁都能写代码，那已经不是难的部分了。" ⚠️ 但落点相反：Ben Horowitz 把价值挪到软件之外（"写软件本身不会再比出版一本杂志更有价值"），Dylan 挪到软件之内的更上一层——"设计是新的代码，它是上面那一层"，配套还需要观点、品牌与市场。
• ⚠️⚠️ 他认为最稀缺的技能是"有观点"，而稀缺的原因是心理成本而不是能力（[00:22:12]）："观点这件事大概是被漏掉最多的。这不只是人类的部分，这还是人类不舒服去做的部分。人害怕说出不是共识的东西。" ✅ 本页标注这是本页收录的全部"AI 时代什么技能值钱"类断言里，唯一一条把瓶颈归到意愿而不是技能的。
• 约束条件（[00:21:11]、[00:23:12]）：软件供给走指数而 app 使用量平坦；独特观点会被社交媒体瞬间稀释，"除非你有办法持续产出、而且讯息足够长青"。
• ✅ 他本人在同期撤回过一条更乐观的旧说法（[00:20:10]）："几年前我在 Config 上说天花板会被 AI 抬高。那是错的。天花板没动。抬高天花板的是人类。" ⚠️ 本页标注这对就业判断的含义："降低地板"意味着入门者的产出门槛下降（供给侧竞争加剧），而"天花板不动"意味着顶部不会因 AI 自动扩容——两者叠加指向中间层被挤压，而本期无人推到这一步。
• ⚠️ 本页记下的最大缺口：全期谈的都是"软件产品如何差异化"，没有任何人问"Figma 的付费席位里设计师还占多少"——一位设计工具 CEO 在一期关于设计师是否被替代的访谈里，没有被问到他手上唯一能回答这个问题的数据。

Alex Rampell & Jean-Denis（美，a16z / Town，2026-10）：助理市场的 Jevons 悖论

来源：a16z 2026-10-19（Alex Rampell 主持，嘉宾 Jean-Denis / Town）

• ⚠️ Rampell 的论证（本页记为提问方的框架）（[00:21:14]–[00:22:14]）：他自己有行政助理，但"我信任她、我喜欢她，我不想让她读我所有的邮件"；而 agent 他让它一直读。推论是——"你可能会说行政助理的市场相当小，因为大多数人没有助理。但如果你能用硅做出来，这个市场就相当大了。" ✅ 他把它叫做"隐私上的 Jevons 悖论"：效率提升不仅放大了需求总量，还解锁了一类你本来不会委托给人类的任务。
• ✅ 本页标注这条与本页其它"替代 vs 扩张"材料的差别：多数版本讲的是同一任务由谁做；这条讲的是一类此前根本不存在委托关系的任务被创造出来——⚠️ 因此它既不支持"助理岗位被替代"，也不支持"助理岗位会增加"，它说的是服务对象从"有助理的少数人"扩展到所有人。本页不把它当作就业结论使用。
• 嘉宾的对应表述（[00:23:14]–[00:24:15]）："就算你有行政助理，他也不会为你每一个 30 分钟的会写完美的准备笔记，那不是好的时间分配。但 LLM 可以用大概一美分做到。" ✅ 即被 AI 接手的首先是"人做不划算"的长尾，而不是人正在做的事。
• ⚠️⚠️ 而本页记下同期同一人给出的一条反向材料：他认为真正的瓶颈是公司里有没有一个愿意折腾的人（[00:46:26]，详见 在实践中使用 LLM）——"世界上 tinkerer 不够多……我认为这就是 AI 扩散不开的原因。" 这意味着短期内被 AI 改变的岗位分布，取决于谁身边坐着工程师，而不取决于岗位本身有多可自动化。

⚠️⚠️ Alex Lieberman（美，Tenex，2026-10）：一位卖 AI 转型的人拆掉本行业的安慰话术

来源：Latent Space 2026-10-21（嘉宾 Alex Lieberman & CJ Hess / Tenex）

• CJ 给的是本页已经收过多次的"再配置"框架（[00:35:08]–[00:36:09]）：AI 会增强也会替代，但企业总有下一个问题要解，可以把深度领域专家从"表格里的一个单元格"抬到跨团队层面；他也承认"如果这是你一辈子建起来的技能，被接管是毁灭性的"，并转述 a16z 发过的内容说呼叫中心确实在衰退（⚠️ 二手转述，未核实）。
• ⚠️⚠️ 但本页认为该记的是 Alex 随后的降温（[00:37:09]–[00:38:11]）：

  "当人们说 AI 会替掉所有人们不喜欢做的工作，我觉得那有点是在给'会有很多人失业'这件事找安慰（cope）——因为很多人根本没有喜不喜欢一份工作的余裕，他们做一份工作是为了挣钱。"

✅ 本页标注：这是一条由卖 AI 转型服务的人主动拆掉本行业常用话术的表述，在本页收录的供给侧材料里不常见。 它直接针对的是本页反复出现的那种措辞——"AI 接走的是无聊的部分"。 - ⚠️ 同一段里他又把责任分了一半给个人：他不喜欢把这件事讲成"发生在人们身上的事"，因为那没给人足够的能动性；再技能化既是雇主的事也是雇员的事；人应当自问"我这份工作未来几年的可替代性有多高"。 - ⚠️⚠️ 本页标注一处张力：他刚说完很多人没有挑工作的余裕，紧接着把应对责任分给个人——而"没有余裕"恰恰意味着也没有再培训的余裕。期内没人指出这一点。 - 🔗 一条与本页"度量"线索相关的材料：Tenex 按 story point 而非工时给工程师付钱，运行 18 个月后最高与最低薪工程师相差约 4 倍（"不是 10 倍。那是梦想"）（[00:04:30]）；⚠️⚠️ 而真正的难点不是外界担心的虚报或烂代码，而是"不写代码的时间"（架构、见客户）怎么计价——并且随着模型变强，这部分工作正在变多（[00:05:32]、[00:06:32]）。✅ 本页认为这是"按产出付薪"这一类方案的真实失效点，详见 评估与 Benchmark 与 人物页。

⚠️ Arvind Krishna（美，IBM CEO，2026-10）：劳动 vs 资本，以及本页为什么不采信其中一步

来源：All-In 2026-10-21（嘉宾 Arvind Krishna、Nikesh Arora）

• 断言本身（[00:28:17]–[00:29:17]）："这是经典的劳动与资本的权衡。1700 年代发生过，1800 年代又发生过，1900 年代再发生过。在此前七八个这样的周期里，那些更愿意在资本上花钱、而不是更担心劳动的一方，每一次都赢了。" 他说两个大国都很愿意资本密集，并愿意承认劳动会变得不那么重要；由此：

  ⚠️⚠️ "那些在社会与左倾哲学上纠结于劳动必须不惜一切代价被保护的国家……会是输的那一方。"

• ✅ 他自己划的区分不能略去，本页认为略去它会误读这段：他反对的是"每一个现存的岗位都必须被保住"，而不是"要有给劳动的机会"；他接着说 "岗位位移你应该接受，因为它可能带来更好的工作"。
• ⚠️ 本页的三条保留：
• "七八个周期里每次都赢"没有点出任何一个周期的名字、口径或来源，而"赢"的定义全程未被定义——是国家增长？企业存活？人均收入？不同定义会给出不同结论。
• ⚠️⚠️ 即便这条历史归纳成立，它也只说明资本侧回报更高，推不出"保护岗位的国家会输"——中间缺了一步（资本回报高 ≠ 保护岗位的国家总体更差）。本页不采信这一步。
• 说话人是资本密集一侧的在位者，且本期全程无人反驳。
• 🔗 与本页既有材料的并置：本页收录过多条"AI 会增强而不是取代"的供给侧说法；✅ 这一条的不同之处在于它不回避取代，而是直接主张取代是必要代价并给出国家层面的胜负判断——本页记为本页收到的最直白的一条资本侧表述。 ⚠️ 同期 Nikesh Arora 没有跟进这个话题，两位嘉宾在这一点上没有互相检验。
• ✅ 同期一条更温和的对照（Nikesh，[00:27:16]）：他认为全球的分化不会落在"买不买得起"上，而落在算力的供给约束上——"离震中越远，你越不可能拿到这些算力。这不是出于经济原因，纯粹是供给约束。" 本页标注：这意味着就业冲击的地理分布可能与技术采用的地理分布不同步，详见 AI 基础设施、中美 AI 对照。

⚠️ "我们不需要一个团队，你就是那个团队"：本页第一条从被压缩的那一侧转述出来的材料（AI Engineer 大会现场，2026-10-22）

来源：Latent Space 2026-10-22（嘉宾 Anekha Sokhal / Moshi 创始人；swyx 主持） ⚠️ 这是她对会上若干次对话的转述，不是她自己的经历，也不是统计——无规模、无行业分布。本页记为质性观察。

（[00:18:28]–[00:19:31]）被问在 AI Engineer 大会上都见到了什么人，她说交易员之外，AI 工程师是一个意外的人群，⚠️ 而原因是压力：

⚠️⚠️ "他们很多人感觉被管理层的压力压得不行。……因为人们现在说：我们不需要一个团队，你就是那个团队。于是就变成'嘿，我现在得自己把这整套系统建出来'。可那套系统通常是 10 个人做的。"

她转述的具体困惑有两类：

• ⚠️ 架构上的不确定："我需要建个系统，但我是不是得有一群 agent（a swarm of agents）？那万一有东西坏了怎么办？"
• ⚠️⚠️ 以及一条采用失败："我把系统建好了。人们告诉我他们需要它。它就在他们邮箱里。没人点。但他们还在抱怨自己有这个问题。"（详见 AI 商业化与价值捕获，本页只记它作为工作负担的那一面——人被要求一个人做完十个人的系统，而做完之后没有被使用。）

✅ 本页认为这条值得记的理由，是它的位置而不是它的内容：

• ⚠️⚠️ 本页此前关于"岗位被压缩"的材料几乎都来自雇主侧、投资人侧或实验室领导层的判断（"协调层而非岗位被替代"、"centralized technology"、前沿实验室领导层的立场）。✅ 这一条是从被压缩的那一侧转述出来的。
• ✅ 而压缩的形态很具体，也与本页既有材料不同：⚠️⚠️ 不是裁员、不是岗位消失，是对单个在职工程师的产出预期直接按一个 10 人团队计——即同一个岗位的内容被重写，而不是被取消。
• 🔗 可与 Tenex 的"'AI 替掉人们不喜欢的工作'是一种 cope" 并读：⚠️ 两条都来自 2026-10 的同一场会议周期，而且都指向同一处——企业侧对 AI 的叙述（"替掉苦活"、"小团队高杠杆"）与执行层实际承受的东西之间有落差。本页不把这条当作普遍结论，只记为第一份这个方向的材料。

⚠️ 顺带一条招聘侧的量级样本

（[00:23:34]–[00:25:37]）⚠️ 她自述一个岗位"开了四天就不得不关掉，我们收到了 2,500 份申请"，⚠️ 而主持人判"大部分是噪声"。

• ⚠️⚠️ 她说自己"有一个强烈的意见"，给的噪声构成是两类：有人是"卧底"——"他们在逛，他们在打探"；有人在法律上根本不能工作——"所以签证那块有很多噪声。"
• ✅ 她加的那句是这条的价值所在："而我是第一次创业。刚开始的时候你不知道这些事。你不了解这个市场。"
• ⚠️ 本页标注：这是"雇主侧招聘流程被重写"那条线的一个供给侧量级样本，但只有一家公司一个岗位，且她对噪声构成的两条归因没有任何数据支撑。本页只记量级，不采信构成。

---

⚠️⚠️ 把初级供给扩大五倍：1,000 个实习生，与"带实习生的经理采用 AI 更快"（Cloudflare，2026-10-23）

来源：No Priors / Dane Knecht（Cloudflare CTO）

⚠️ 全部为自述，无转化率与留存数字。

数字与那条二阶效应（[00:29:23]–[00:30:24]）

• 前史：两年前约 200 个实习生。⚠️⚠️ 他对那批人的判断："那批实习生我认为是第一批完全 AI 原生的人——如果你把 AI 从他们手上拿走，我不认为他们还能工作。"
• ✅ 主持人直接问"这是好事吗"，他说是，理由是工具代际类比："我认为他们比我们更懂怎么用这些工具。就像你把 Google 从我手上拿走——过去十年里我还怎么学任何东西？"
• ⚠️⚠️ 而本页认为这条值得记的真正理由是那条二阶效应："我们还看到，那个夏天带了实习生的那些经理，自己采用 AI 的速度更快。"
• ⚠️⚠️ 于是规模放大五倍："所以今年我们决定要招一千个实习生"——公司约 5,000 人、"在一年的时间里"。
• ✅ 他给的两条收益：想法数量（"有 AI，人少的时候实验更快，所以让更多人进来就有更多想法"）；以及习惯示范——⚠️ 他对自己的坦白是"我还是经常发现：哦等等，这件事我居然还在手工做"。
• 他对 co-op 制度的背书：Waterloo、Northeastern 那类 co-op 出来的人"是我们很多年后最好的员工之一"。

⚠️⚠️ 本页必须记下它与本页另一条线的张力：本页多份材料记录了初级岗位断层（AI 吃掉入门级工作），而这条是同一时期一家公司把初级供给扩大五倍。 ✅ 两者可以同时成立（实习 ≠ 全职岗位），⚠️ 但本期没有被问到这 1,000 人里有多少会转全职，本页记为一处未被追问的缺口。 🔗 与 Marc Andreessen 那条"有问题的是你，因为你过时了" 并读——本库在那页标注它跳过了初级岗位断层这条真问题，而 Knecht 这条给的是同一问题的供给侧动作。

⚠️ 2026-05 重组：第一次裁员，被定位成流程重设计的前提（[00:23:18]–[00:25:20]）

• ⚠️ 他没有回避代价："重组很难。跟一些同事说再见，这是 Cloudflare 第一次这么做。我们一直很小心不过度招人，但这次是不同的原因。"
• ⚠️⚠️ 而他给的因果方向是本页此前没有的：

⚠️⚠️ "除非你做一些硬的改变、迫使人们重新想'到底什么才是做这件事的正确方式'，否则你永远没法真的重新设计那个流程。"

• ✅ 他给的那个流程对照是本期最可核对的一处：一封给客户的邮件从牵动三个团队（BI 取人群 cohort → 市场团队设计与调语气 → 市场运营发送）变成一个工具（PM 描述 cohort、写邮件、工具改写成 Cloudflare 的语气、发给经理、经理点批准即发出）。
• ⚠️⚠️ 他对这个差别的概括区分了两种不同的改进："我们不是从三个团队变成做这件事更快。我们变成了一个工具，让一位 PM 现在拥有他此前没有的一种超能力。"
• ⚠️ 本页标注：这条把裁员定位成流程重设计的前提条件而非结果，是一条新的因果方向，但它只有一个流程的例子、没有任何规模数字（裁了多少人、省了多少成本），本页记为立场。

⚠️ 招聘判据："在家不用 AI 是相当大的红旗"（[00:33:24]）

⚠️⚠️ "如果人们不在家里、在个人生活里用 AI，那是一个相当大的红旗。你怎么可能有那种程度的好奇心、却不去拥抱 AI？"

• ✅ 主持人给了反方，而且把它说成一种解释："我想答案是恐惧和怀疑，对吧？" ⚠️ 她由此把这条明确为一种企业文化选择。
• ✅ 他的业务理由不依赖价值判断："我们运作的规模——后面挂着的站点数量、我们白送出去的服务量——用现成技术就是做不到的。所以你需要能进来真的发明新东西的人，而那得从好奇心开始。"
• ⚠️⚠️ 本页标注：这是第一条把"个人生活里用不用 AI"写成招聘筛选信号的材料；而它把一种工具偏好当作性格特征的代理指标，主持人提出的替代解释（恐惧与怀疑可能来自经验而非缺乏好奇心）本期没有被回答。本页记为立场，并记下这处未处理的反驳。

---

⚠️ "我们未来做今天这些工作的人类会更少"：一位超大规模雇主 CEO 的版本（Andy Jassy，2026-10-23）

来源：a16z / Andy Jassy

⚠️ 收录前置：说话人是 Amazon CEO（约 160 万员工量级的雇主），本节全部为自述、无任何编制或岗位数字。

（[00:39:38]–[00:41:39]）⚠️⚠️ 他给的判断与清单：

⚠️⚠️ "我认为我们未来做今天这些工作的人类会更少。"

• ✅ 清单是具体的：agent 化地写代码的量、客服、商业智能、研究，以及"想想以后电子表格会怎么被做出来、你需要多少律师"。
• ⚠️ 他自己加的两条限定："你不会一个人都没有"；"会有不同的工作、新的工作，有些我们知道、有些我们还不知道，随着 AI、机器人与太空发展出现"。
• ✅ 而他给的组织形态比那句判断更有信息量：团队会小得多且跨职能——⚠️ "他们不会只拥有一小片，因为模型在很多这些职能上能把他们带到 80% 的位置"；每个团队的起点更靠前，所以"你能更扩张性地、也更快地发明"。
• ⚠️ 他对专业化的批评是从自己的履历起手的：29 年前入职时"我一个人管大概五个产品"；⚠️⚠️ "今天……一个产品经理只做一个产品，而且只拥有其中一片。所有人都接受这是做大生意必须的方式。而它不是。"
• ⚠️ 两个内部案例（均无可核对细节）：Bedrock 团队重建推理引擎 6 个工程师 76 天（⚠️ 主持人报，"本来要 40 个人干一年"；他确认"对所有人都很开眼"，并说内部反复讲这个故事来动员）；一个 agent 想法周四同意、4–5 人做一个周末、周日已"80% 可发布"。

✅ 本页标注这条相对既有材料的位置：⚠️⚠️ 本页此前"岗位被压缩"的材料多来自投资人、服务商或创业公司侧；这是第一条来自超大规模在位雇主 CEO 的版本，而且它给的不是裁员叙事，是编制预期的下调 + 岗位内容的扩宽（小团队、跨职能、起点更靠前）。 🔗 与 Cloudflare 把实习生供给扩大五倍 同日并读——⚠️ 两条方向看似相反（更少的人 vs 更多的初级供给），但形态一致：都在把单个在职者的产出预期提高，而不是单纯减人。 ⚠️ 而本期和那期一样，没有被问到任何转化率或编制数字。

---

⚠️ "门童谬误"：一个把"哪部分工作会被替掉"讲清楚的框架（Ankur Moitra，2026-10-26）

来源：Lex Fridman #503（嘉宾 Ankur Moitra，MIT 数学家兼理论计算机科学家）

（[00:19:24]–[00:21:26]）他说这是他在为自己所在领域的变化"讲和"时读社会科学读到的：

• 门童谬误（doorman fallacy）：把一个复杂工作归约到它最简单、最可见的任务。门童看起来就是开门，所以"我用一扇感应门就能替掉他"；而你错过了他工作里所有那些增加大量价值、却更难言明的方面——迎宾、认出回头客、拿行李、叫出租、安保，以及"标示身份与让客人感到被照顾"。⚠️ Lex 当场用 Perplexity 查了这个词并读出定义，本页按转述记录。
• 套回他自己的职业："数学家做什么？最简单、最可见的部分是我们证定理。" ⚠️ 而他的替代定义是："数学家是深入思考的人，而深入思考的副产品是证出老猜想，但也包括搭新理论、建看老问题的新方式、做新的概念连接。" ✅ 他自己加了限定："也许 AI 也会把这些吞掉，但此刻我们还没到那里。"
• ⚠️⚠️ 而本页认为最该引用的是他的政策结论，因为它是一条关于相对价格的陈述、不是一条关于谁会失业的预测：

"当一件事变便宜了——比如对定义清晰的问题做求解——它就让所有与之正交的其它事变得更有价值。"

• ✅ 他给的具体任务清单（"该做的事是把那张清单真的列出来"）：问对问题（⚠️ 他强调这件事本身"需要大量数学洞察"，并明确反对把它读成"我们都要去当推特网红"）、讲好报告、做概念抽象、以及导师制。
• ⚠️ 而他对机构的判断比对个人的更悲观（[00:24:34]–[00:25:34]）："我近期最担心的不是招聘和终身教职这些事，而是——过去我们给新人的蓝图非常简单：拿一个人们在意的问题、把它改进，人们就会知道你是谁。而现在那个蓝图在很多方面变了。" ✅ 他的态度是"花时间重想这个蓝图是可以的"，但承认"我们在意的东西没变，只是更难被操作化成一个简单的评价标准了"。
• 🔗 同一期里还有两条与本页相关：AI 与教育 收了"作业与考试成绩去相关"与"顾问技能"；AI 与科学发现 收了三条已经在发生的机构级后果（论文因传闻提前放出、猜想提出者说不会读、研究生跑 harness 灌 arXiv）。

---

⚠️⚠️ "造软件可以争论说被解决了，维护是另一头野兽"：一家把实现交给 agent 的公司在招 SRE（Supabase，2026-10-28）

来源：Latent Space / Supabase（Paul Copplestone & Ant Wilson） ⚠️⚠️ 利益相关：该期主持人是 Supabase 种子轮天使投资人，且该期是该播客首个赞助期。

（[01:13:37]–[01:15:37]）✅ 本页此前关于"哪些岗位没被动"的材料多半来自不被自动化的一侧（本页上文"物理 AI 里就业叙事是反的"、"实体服务业的劳动力供给"两节）。这一条来自软件业内部，而且来自一家正在重金让 agent 写代码的公司。

⚠️⚠️ "我公开说过，AI SRE 是 agent 创业里最难的类目之一。我觉得我可能很快就会被证明错了，但到目前为止是对的。AI 还没破解它。" ⚠️⚠️ "造软件是——姑且说可以争论——被解决的问题。而维护、让东西一直跑着，是完全另一头野兽。"（主持人） ✅ "不不不不，还没有。我同意。"（嘉宾）

• ⚠️ 而这家公司最想招的岗位恰好是 SRE："我们在以荒谬的速度增长，我们需要所有能拿到的 SRE。" 约 50 个开放职位、完全全球远程、同薪。
• ⚠️⚠️ 筛选标准不是技术，这一点本页认为值得单独记："我们真正在意的是你真的想远程工作……要在 Supabase 适应下来，你得在一个完全异步的远程优先环境里活得好。这真的不是所有人都适合的，我们很早就学到了。"
• ⚠️ 而同一期里的支出口径说明"交出去"的幅度不小（[01:11:37]–[01:12:37]，⚠️ 自述）：约 30 万美元 / 月的 AI 支出、450 人；✅ 主持人的措辞被接受："你需要一批可以按需起停的 serverless 员工。" ⚠️⚠️ 本页标注这处对照是本条的全部价值所在——同一家公司在同一段对话里，既把"serverless 员工"当作招人节奏的辩解，又说要招尽可能多的人来做运维。
• 🔗 ✅ 本页标注这与既有材料的同构：Dyna Robotics 的"机器人本身需要个保姆"（任务级 99% 成功率不构成商业闭环）、Decagon 按工作流复杂度而非场景分级——⚠️⚠️ 三者是同一结构在三个领域的版本：能力达标 ≠ 运维闭环，而剩下的那部分仍然是岗位。

⚠️ 同一期的另一侧：非技术者在交付公司，不只是交付软件

（[00:17:08]）🔗 ✅ 本页上文"vibe coding 的兑现"一节记的是非技术者开始交付生产软件。这一条把它往前推了一步，而且来自后端提供方的客户名单。

• ⚠️ 客户 MagicSchool 的创始人原来是老师（看到教学里一堆可被自动化的低效）；⚠️⚠️ "现在你有这些没有技术联创、没有 CTO 就起步的创业公司，而这不再是孤立个案了。" ✅ 主持人概括为"现在每个人都是 builder"。
• ⚠️ 而他们自己的判断是"仍然感觉很早"，并指向"一个大得多的、几乎像消费者的 builder 市场：公司内部的人、想自己开公司的人"。
• ⚠️ 一条位移的具体形态（[00:45:22]）："我们有 CPO 跑来说'我过去十年都没写过代码，但因为 Lovable 和 Supabase，我现在在内部做了一大堆东西'。" ⚠️⚠️ 本页标注：这条的含义不只是就业，它同时是渠道变化（见 AI 商业化与价值捕获 里的"冠军角色位移"）。

---

⚠️⚠️ "不能砍掉所有入门级岗位"的技术理由是模型延迟，以及一个新岗位类别"AI 翻译者"（Mark Cuban，2026-10-28）

来源：a16z × Mark Cuban ⚠️ 立场：他全程在推销 Cost Plus Drugs；节目是 a16z 自己的播客，主持方是该赛道投资人。

✅ 本页此前记过他的"AI 不替代工作，会用 AI 的人替代不会用 AI 的人"（见 Mark Cuban）。⚠️⚠️ 这一次新的是他给那条结论配上了一个技术理由。

⚠️⚠️ "因为不管模型是什么，它一发布，就完了——它就已经落后了。所以每一个模型都带着延迟。于是你需要那些了解正在发生的一切、能创造上下文、能做 human in the loop、能理解后果的人。而你需要那些人随组织一起成长，这样当这些东西都变了的时候，他们见过实施的历史，就能给组织带来价值。" "所以第一部分：你不能就这么把所有入门级岗位都砍掉。"

• ✅ 本页标注这条论证的形状：它不是"AI 还不够强"，也不是"人有不可替代的特质"——⚠️⚠️ 而是一条关于知识时效的结构论证：模型的知识截止在发布那一刻，所以组织需要常驻的人来持续供给增量上下文。本页认为这是本页此前没有的一种理由类型。
• 第二、三部分是赋能与教育："你必须让那些人和所有其它白领知道怎么用 AI"；而教 C-suite 的清单包括模型延迟本身（🔗 见 在实践中用 LLM）。

⚠️⚠️ 新岗位类别："AI 翻译者"，依据是"新数据等于人"

（[00:42:36]–[00:45:36]）✅ 本页认为这一段是本期最有原创性的，而且它是两位说话人共同搭起来的。

• 主持人（a16z 健康侧 GP）的框架：⚠️ "我其实认为未来我们会需要更多医生，因为当医疗建议变得更充裕时，更多人会要求真实的医疗服务"；⚠️⚠️ 而角色位移是从机械执行（"老实说很多事你几乎不需要用脑子"）转向 "physician scientist"——"在个体层面上站在采集新数据、产生新洞察的矛尖上"。
• ⚠️⚠️ Cuban 的接话是本节核心："按定义，新数据（novel data）等于人。"
• ⚠️⚠️ 由此推出的岗位：

  "你会需要 AI 翻译者（AI translators），给那些可能跟不上这些东西的人……去做翻译：这个情况或这个个体身上什么是新的，以及你怎么把它变成对 AI 有效的东西、再把 AI 的输出变成对这个个体有效的东西。" "这会是一份工作，而且从一个个体身上把 AI 需要的一切都抽出来会非常难。"

• ⚠️ 他明确排除人形机器人做这件事："也许有人设想一个人形机器人去问你那些问题、而有人会对此感到自在。我不觉得会发生。"
• ✅ 而"为什么不取代医生"用的是同一条延迟论证：个性化药出问题时你得走进医院，⚠️⚠️ "我宁愿有个人在那儿，带着全部五种感官能看一眼、能提问、能看到哭着的妈妈或哭着的儿子，并且能把那个也纳入上下文"；⚠️ "我不认为那永远会取代医生，我们甚至不该去试。" ⚠️ 他认为变的是训练方式（"他们得学会怎么用 OpenEvidence 或者别的什么"）。
• 🔗 ✅ 本页标注这与既有材料的接口："care advice 变充裕 → 对真实服务的需求上升 → 需要更多医生"与 本页上文 DoorDash 那条"自动化更多 = 人更多"、Decagon 那节 Jevons 悖论的具体机制 是同一结构在医疗侧的版本；⚠️ 而"AI 翻译者"这个岗位名是本页第一次记到的。

---

⚠️⚠️ "因为每个员工的生产力都高这么多，我们其实想要更多的人"：本周第三个样本，而理由是第三种（Serval，2026-10-29）

来源：No Priors × Serval（Jake Stauch） ⚠️ 立场：他在卖 Serval（企业自动化，对标 ServiceNow），全部数字为自述；节目由投资方主持。

规模（自述）：⚠️ "我们今天 200 人"——⚠️⚠️ 本页标注：他紧接着说"……in January"，而一月份的起始人数在转录稿里缺失，所以本页只记"今年从某个数长到 200 人"，不记增幅。（[00:32:18]）

⚠️ "招聘速度我觉得会比今天还要快。我们相信工作的需求是无限的，竞争是无限的，野心是无限的。所以尽管每一个员工做的事都比一年前多得多，我们对他们能做什么有更大的野心。" ⚠️⚠️ "所以因为每个员工的生产力都高这么多，我们其实想要更多的人，不是更少。"

• 🔗 ✅ 本页标注这是同一结构在本周的第三次出现，而三者给的理由不同：

来源	结论	给的理由
DoorDash（2026-07）	自动化更多 = 人更多	需求侧的网络效应
Supabase（2026-10-28，本周）	一边说"serverless 员工"一边要招尽可能多的 SRE	⚠️⚠️ 运维不可自动化（"造软件可以争论说被解决了，维护是另一头野兽"）
Serval（2026-10-29，本节）	生产力更高 → 要更多人	⚠️ 野心与竞争无上限（"工作的需求是无限的"）

⚠️⚠️ 本页不裁决哪条理由更站得住，但记下一个方向性事实：三家业务完全不同的公司在同一周里都把"生产力提升"推到了"要更多人"这个结论上，而其中只有 Supabase 那条给出了一个具体的不可自动化环节。✅ 本页认为 Serval 这条最弱（"野心无上限"不是一个可检验的约束），而它的价值在于它来自一家正在卖自动化的公司。

⚠️ 顺带三条本页可记的岗位侧内容

• ⚠️⚠️ "IT 部门在很多情况下就是那支工程团队"（[00:25:15]）："尤其在大企业里，他们没有软件工程团队，所以 IT 运行所有这些系统，而 IT 经常确实在写代码。" ✅ 本页标注这条改变了"谁会被 coding agent 赋能"的人群估计——不是只有软件工程师，而是企业里那批做自动化与系统配置的人。
• ⚠️ 一个被他点名的新职位类别：automation engineering（他们自己的服务部门叫 "Pro Serval"），⚠️ 理由是"就像我们在软件工程上发现的那样，工作的需求其实是无限的"——客户部署完之后"还有一长尾他们想做的东西"。
• ⚠️⚠️ 而这形成了本库里一处关于 FDE 的三方分歧，其中两方出现在本周：
• ① Serval（本节）：FDE 是解法——deployment strategist + deployed software engineer + 持续服务部门，因为"扩散显然是这里的缺口……而那里面很多就是理解人、流程、到底存在哪些工作流，我们认为这些仍然需要人"。
• ② Decagon 的"FDE 是陷阱"：同样的做法被判为陷阱。
• ③ Mark Cuban 的"forward-deployed engineer 是一个能力测量"：⚠️⚠️ "如果你需要 forward deployed engineer，那这件事本身就把 AI 的水平说完了。"
• ✅ 本页不裁决，但指出三方在回答不同问题：Serval 回答"现在怎么落地"、Decagon 回答"这样做会不会毁掉毛利与产品"、Cuban 回答"这说明模型到了哪一步"。⚠️⚠️ 真正的分歧只在前两者之间，而那一条可被检验（看服务收入占比与毛利结构随时间怎么走）。

---

⚠️ 现场技术工人作为受益人，以及"最重要"变成"最有价值"对人才流向的后果（a16z American Dynamism，2026-10-29）

来源：a16z × American Dynamism 50（Connor & Aaron/Erin） ⚠️⚠️ 立场：a16z 自己的播客，两位是 a16z 投资人，讲的是自家组合，数字为自述。

• ⚠️⚠️ 本页此前的"谁被 AI 赋能"材料几乎全部落在知识工作者（开发者、律师、客服、研究者）。这一条落在车间上（[00:14:05]）："你可以有一个制造技师——这不是有大学学位的人，这不是学过软件工程的人——现在能够用这些工具去重编、重配他们的产线，靠的是他们理解制造流程。" ⚠️ 本页三处限定（自述无来源、"三个月→二十分钟"未必同范围、技师/工程师称谓混用）记在 在实践中用 LLM。
• ✅ 本页标注这条的形状：⚠️⚠️ 被 AI 补上的不是流程知识而是编程能力，所以受益人是已经拥有不可替代的那一半的人。这与本页上文 本页上文"蓝领这一侧的反例：把岗位往回造，而不是往外裁"一节（Saronic） 是同一方向的两条材料，而这一条给出了具体的赋能机制。
• ⚠️ 而人才流向那条论证本页认为值得记（[00:22:11]–[00:23:11]）："这些公司过去不只是对我们最重要的东西——现在它们可以是最有价值的公司"；⚠️⚠️ "世界上最有价值的十家公司里，大多数是硬件公司"（⚠️ 口述未核实）；✅ 后果是：⚠️⚠️ "过去对一个有抱负的年轻聪明人来说，去搞这些类目在经济上不值得。但 Palantir、Anduril、SpaceX 证明了你能在这些类目里建起真正大的生意"——"所以你得到我们这一代最有抱负的创始人，他们愿意跑向那个难问题，并且知道它会值得。"
• ⚠️⚠️ 而本页认为同一期里最该保存的是对这件事的降温，因为它来自投资方、讲的是对自家被投不利的事实（[00:20:09]–[00:22:11]）：

  "你在造一个物理的东西。你不是坐在桌子前对着电脑，你在外面的世界里。这听起来有点性感、有点浪漫，但你真的在做的时候，它很糙。" ⚠️⚠️ "这些不是和你在同一种时间尺度和文化里运转的创业公司。这些是真的很难谈、很难合作的人，他们的文化非常不同。" ⚠️ "即便它已经热起来了、资本更多了、变酷了——它仍然很残酷。"

• ⚠️ 具体：某被投 CEO "飞到世界各地那些没有手机信号、没有电的地方，摸着土，一次离家几周几个月"；⚠️ 一句军中格言："物理世界不在乎你，所以在物理世界里小心点。"
• ⚠️ 一个被点名的新职位形态："制造业中间层"里的 co-engineer——⚠️⚠️ 替终端 OEM 重新设计子部件，而不是照着四十年不变的规格执行（🔗 完整论证见 AI 商业化与价值捕获）。

---

⚠️⚠️ "被约束的不是需求，是劳动力的供给"：一组可核对的门槛数字，以及瓶颈在同一个组织里反复搬家（Eve，2026-10-30）

来源：a16z × Eve（Jay）（人物页：Jay（Eve））

⚠️⚠️ 立场：主持人 Alex Rampell 是投资方，嘉宾的成果数字为自述、无第三方来源。 ✅ 本页只取其中可核对的结构性数字与机制。

⚠️⚠️ 一、一组门槛数字：这个行业的"接不接这个案子"是算术

（[00:06:04]–[00:08:05]）✅ 本页认为这是本页收到过最具体的一组"服务业劳动力约束"数字。

• "今天，如果一个律师从一个案子上赚不到至少 5,000 的费用，他就不会接。" ⚠️ 他主动加的让步："而且就算在 5,000，他们在很多案子上还是亏钱的。他们真正指望的是少数几个案子赔付非常大。而且他们连赢都不保证。"
• "如果低于自付额，美国没有任何律师会碰那个案子——从经济上就不值得。" ⚠️⚠️ 而另一侧的量级是："就算自付额是三四千美元，对一个个人来说，那是一张工资单在和不在的差别。"
• 劳动量拆解：一通进线电话约 30–45 分钟 → 要把问题挂到某个诉因（cause of action）上，而"那份工作要他们花上 10 个小时"（在美国雇佣关系基本都是 at-will）→ "而花完这些时间，他们可能还是发现：这甚至赚不到我 5,000 块。"
• ⚠️⚠️ 于是是那个数字："所以这就是为什么比如在劳动与雇佣这一侧，96% 的案子被拒掉。" ⚠️ 自述、无来源，但本页认为值得保留并追踪，因为它是本库目前唯一一个"服务可得性缺口"的量化口径。
• ⚠️⚠️ 定性（[00:12:07]）："从他们的角度看，需求并没有真的被约束。真正被约束的是劳动力的供给——我内部有没有足够的人去服务那个问题。"

⚠️⚠️ 二、瓶颈在同一个组织里反复搬家：为什么局部自动化不改变总产出

（[00:12:07]–[00:13:07]）✅ 本页认为这条比"受劳动力约束"本身更有用，因为它是一条可直接去企业里核对的路径。

• 第一层：小所是一个律师配一个案件经理接电话、记录，律师有空再回（"混乱地到处跑"）。
• 第二层：把它系统化，有一支像呼叫中心的接线团队。
• ⚠️⚠️ 而那就成了新的瓶颈："所以当你增加营销支出、你的广告牌特别吸引人、很多人打进来，突然那支团队就被压垮了，你又被'你能代理多少人'限制住了。"
• ✅ 本页的判断：这解释了为什么把流程里某一环自动化往往不提高总吞吐——瓶颈只是换了位置。而它也给了"该自动化哪一环"的判据：要么同时覆盖整条链，要么确认下一个瓶颈能用钱直接买到产能。
• ⚠️ 他对客户性质的提醒也值得记："他们是小生意，不是庞大的企业……而且这里每个人上的是法学院、不是商学院。"

⚠️⚠️ 三、"按一小时 12 美分雇人"：劳动力市场不存在的那一段被软件填上

（[00:13:07]、[00:16:08]）

• ⚠️⚠️ 主持人把市场失灵讲成一条价格："如果我能按 12 美分一小时雇一个助理律师，我就能服务进来的全部 5,000 条线索……根本不存在一个能这样运作的劳动力市场。但有了 AI，现在我可以了。"
• ⚠️⚠️ 而他由此推出的 TAM 论证（本页的商业侧版本记在 AI 商业化与价值捕获）：软件支出看起来小得可笑，但交付结果是数千亿量级，差额被人力填着 → "所以这个软件市场其实像一个影子劳动力市场。"
• ⚠️ 而采用框架被明确讲成增收而不是降本（[00:10:06]）："大多数人想到 AI 就是：噢，你要把所有人都裁了、砍成本。而实际上不是——如果我用 Eve，我赚的钱多得多，不是因为砍成本，是因为能接更多案子。这其实是收入扩张。"
• 🔗 ✅ 本页标注这与本页既有材料的关系：⚠️⚠️ 本页此前"生产力提升 → 更多人"的样本（DoorDash 的需求侧网络效应、Supabase 的运维不可自动化、Serval 的"野心与竞争无上限"）讲的都是服务方自己的人数；✅ 而这一条讲的是被服务方的数量——被价格挤出市场的那部分需求回来了。本页认为这是这组样本里机制最干净的一个，因为它不依赖"需求无上限"这种不可检验的前提，而是指认了一个具体的挤出门槛（5,000 美元费用线）。
• ⚠️ 唯一的具体成果数字是单个自述案例（[00:14:07]）："洛杉矶有一家律所，从每位律师管大约 100 个客户，变成了 500 个。" ✅ 嘉宾自己加了"这得算他们的功劳，他们非常努力才做到这个"；⚠️⚠️ 本页标注：单例不构成模式，且这是客户数不是收入。

⚠️⚠️ 四、"99% 的 AI，也许 99.9%"，而剩下的那一点被说得很具体

（[00:29:13]）

• "当一个个人需要代理时，至于谁来做代理里的活——你可以假设是 99% 的 AI，也许 99.9% 的 AI。总会有那么一点点是人的触碰。"
• ✅ 而那一点点不是"人情味"这种虚词："决定差别的是：这个律师对那个客户、那组事实、以及他在本地要面对的那家辩方律所的本地环境，理解了什么。"
• ⚠️ 他对角色变化的说法是"更像数据科学家与工程师"（[00:15:07]）："你作为律师会更像一个数据科学家、工程师，把一件事设计得越来越好。" ⚠️ 本页记为厂商侧的角色叙事，不记为已发生的职业变化。
• ✅ 而一条方向相反的使用变化本页认为值得追踪（[00:30:14]–[00:31:14]）："Eve 上的很多客户其实选择把更多时间花在他们的庭审工作上"（⚠️ 原因是主持人补的："以前去打庭审会把你整个律所拖垮，所以你希望事情和解"）→ "而现在我觉得事情更多走向真正的辩护。" ⚠️⚠️ 若成立，它意味着自动化在这个行业里的后果是人把时间移到对抗性最强、最不可外包的那一段，而不是整体脱手。

⚠️ 五、而瓶颈最终搬到了不受 AI 影响的制度环节

（[00:32:15]–[00:33:16]）主持人给的两例：⚠️ 他自述让 Codex 去"起诉 Wells Fargo"，"4 小时后它真的起诉了，还找到了送达人"——而"日期在二月"；⚠️⚠️ 专利法"申请的活少了，但你还有 USPTO，而那就是瓶颈"。✅ 本页的一般结论：当一侧的生产成本被压掉后，瓶颈移到买不到产能的制度环节（法院排期、审查机关）——而这也是对"岗位被替代"这件事的一个限速器。

---

⚠️ Microsoft 的"收入翻倍而人数几乎不变"，以及它在同一段话里自带的反例（All-In 第 295 期，2026-10-30）

来源：All-In 第 295 期（人物页：All-In 四位主播）

（[00:16:06]–[00:17:07]）⚠️ 口径由 Chamath 的研究团队整理，本页未核实。

• 数据：Microsoft 收入在过去四年从 1,980 亿涨到 3,320 亿，而员工只增加了 2,000 人。
• ⚠️ 他的解读："这个说法说 AI 造成失业，我不认为是真的。更多是你看到在同样的人力投入上出现了生产率提升。" ✅ 他给的反直觉对照是："在 AI 之前，如果有人说我们要在这个规模上接近翻倍收入，你大概会以为人头也会翻倍。"
• ⚠️⚠️ 而本页必须把他紧接着说的那句并列，因为它削弱了上面的解读："而我们不知道会有多少人接受 Microsoft 刚给出的那个离职方案，因为我觉得他们是向最多 6 万人开放的；所以这个数字可能会跌到 20 万以下。"
• ⚠️⚠️ 本页的判断：同一段话里既说"人数没变、所以不是替代"，又说"刚向 6 万人开了买断"。本页不采信"所以 AI 不造成失业"这个结论，只保留收入/人数这组可核对的口径，并记下这处内部矛盾。
• 🔗 ✅ 本页标注这与既有材料的关系：⚠️⚠️ 本页此前的"岗位 vs 任务"材料里，雇主侧的说法多是"我们未来做今天这些工作的人类会更少"（Andy Jassy）或"我们其实想要更多的人"（Serval、DoorDash）；✅ 而这一条的价值不在结论，而在它展示了同一组数字（收入/人头）如何被用来支持"没有替代"，而同期的买断方案又恰好是替代的候选证据。本页认为收入/人头比在有买断与外包的情况下不是一个干净的指标，而这正是本期无人指出的那一点。

---

⚠️⚠️ 把 eval 的目标函数直接写成职业替代率，以及"往上爬那条链"（OpenAI 金融团队，2026-10-31）

来源：Latent Space × Joseph Kim（OpenAI，ChatGPT 金融业务）（人物页：Joseph Kim（OpenAI））

⚠️ 立场：OpenAI 的产品负责人，在推刚发布的企业产品，2027 相关均为预测、无数据。✅ 但本页收录这一段的理由是它不是预测——被度量对象的更换是一件已经在做的事，而它使替代率成为一个可被外部追踪的数字。

⚠️⚠️ 一、模型厂商自己在建一个"预测某职业能被自动化多少"的 eval

（[00:25:11]）

"我们团队现在在做的一件事，是建一个好得多的 eval，真的能预测把某个具体职业的工作自动化掉的能力。" ⚠️⚠️ "想法是我们会有一个类似投资银行 eval 的东西，它能预测：如果你在这个 eval 上得分好，你大概就能把投行里一个 junior analyst 的很多工作自动化掉。"

• ✅ 本页标注这条为什么该被单独保存：⚠️⚠️ 本页既有的替代率材料基本有两类来源——雇主侧的招聘与裁员动作、以及论者对岗位的推演。而这一条是模型厂商把"能替掉某个职级多少工作"直接写成了内部指标的目标函数。 ✅ 本页认为这意味着这个数字将来会以某种形式被报出来，于是它比任何推演都更接近一个可追踪的前瞻信号。 🔗 eval 本身的方法论问题记在 评估与 Benchmark。
• ⚠️ 而本页标注它的口径限制：他说的是"预测自动化的能力"，不是"已经自动化了多少"——所以即便这个 eval 做出来，它度量的仍是技术上限而非实际采用。 🔗 本页既有材料里采用闸门反复不是能力（WHOOP 的监管分类、Eve 的劳动力供给与费用线），而这一条不会改变那一点。

⚠️⚠️ 二、往上爬：junior analyst → associate → MD，而难度来自目标变模糊

（[00:19:07]–[00:21:09]）

• ⚠️⚠️ 对现状的概括："到目前为止，AI 在金融里绝大多数的应用，真的都聚焦在 junior analyst 的活上。"
• 而他给的两条原因里，第二条本页认为更该被这一页记：
• ① 迁就今天的模型能力："今天的模型很擅长接受相当具体的指令然后去执行。"
• ⚠️⚠️ ② 人的意愿在选题（[00:20:07]）："有一个很强的偏好，是把模型做得擅长人类不擅长、或者不喜欢做的事。" Excel 模型"很枯燥，非常细节导向，容易做错"；片子"你在复制 logo，把它们非常精确地放在页面上某个位置。那是很多人都不喜欢做的枯燥活"。
• ✅ 本页标注这条的含义，因为它解释了替代的顺序而不只是替代的事实：⚠️⚠️ 最先被自动化的不是"最容易被自动化的工作"，而是"既容易被自动化、又没人愿意做的工作"的交集。本页认为这使早期替代看起来比实际温和——被拿走的第一批任务恰好是从业者乐于交出的那批，所以这个阶段的低抵抗不能外推到下一阶段。
• 2027 的路线："这两件事上的低垂果实我们已经摘掉很多了。所以进入 2027，我们要开始往上爬——从 junior analyst 能做的任务，到 associate 能做的一些任务，再到 MD 会做的一些任务。"
• ⚠️⚠️ 而他给的阻力是技术性的、且量级很具体（[00:21:09]）："你越往上爬，目标就变得模糊得多。从'这显然是一张好片子还是坏片子'，变成'我不知道这个投资想法好不好'。而要给你一个清楚具体的答案，我可能得等个三年，才真的能看市场做了什么。" ✅ 本页标注"验证周期以年计"是一条对替代速度的实质约束，而且它不随算力增加而缩短。

⚠️ 三、一条对"一个错误就断送职业生涯"的反驳，以及它对岗位结构的含义

（[00:12:04]–[00:14:04]）

• 主持人转述的从业者顾虑：金融圈里"一个错误就会压垮你，交上去一个错的东西，整个职业生涯都有风险"；他的 keynote 里有一张片子说 2027 年不再有 PowerPoint。
• ⚠️ 他认为这个说法本身不对，但选择假设它为真来回答："不是所有错误生而平等"；"VP 的风险比 junior analyst 高，因为到那一层已经有一个'工作已被复核过'的预设。"
• ⚠️⚠️ 而本页标注这一段里对就业最相关的一句，因为它把一整层岗位的存在理由说成了纠错（[00:12:04]）：junior analyst 干基础活 → associate 复核并加判断 → VP → MD 的层级，"本来就是为了防住人会犯的错误而建起来的——因为人犯的错和模型犯的一样多"。
• ✅ 本页的推论：如果这条链的功能主要是互查，而被替代的是最底层的产出者，那么中间几层的工作量不会等比下降——复核对象从人换成模型，复核本身仍在。 ⚠️⚠️ 但本页同时指出这条推论依赖一个这一期未经论证的假设（模型的错误与人的错误分布可比、且跨层独立），相关讨论记在 LLM 安全。
• 🔗 ⚠️ 而本页标注这一期没有讨论入口岗位问题：如果 junior analyst 的活先被拿走，那么产生 associate、VP、MD 的那条人才通道在哪里接上，本期完全没有涉及——而他自己描述的恰恰是一条靠逐级历练形成判断力的链条。 ✅ 本页认为这是这一期在就业议题上最明显的缺口。

⚠️ 四、一个被新设出来的岗位

（[00:26:11]）

• ⚠️⚠️ subject matter expert：理由是"我们在编码上做对的一件事是，那些在训模型、让模型变好的人，自己懂什么叫好代码……等到要让模型更懂金融的时候，我们没有那个优势" → 因此要招金融领域专家来与工程师、研究员、PM 协作。
• ✅ 本页标注这是一类值得长期跟踪的新岗位：它的职能是把某个行业的隐性判断标准搬进模型训练，而它的存在本身意味着该行业的 taste 尚未被模型学会。 🔗 与 Arca 把知识库交给领域专家而不是工程师 是同一现象在模型层与应用层的两个版本。
• ⚠️ 另记："优秀的产品管理是想在这个领域赢下来的主要瓶颈"，要招的 PM 按金融子行业分（投行、股票研究、资产管理）。

---

⚠️ 一条来自垂直厂商的"初级岗位没消失"否定，以及合伙制金字塔的产权解释（Legora，2026-11-02）

来源：Latent Space × Legora（Jacob Lauritzen，CTO）（人物页：Jacob Lauritzen（Legora CTO））

⚠️⚠️ 一、对"初级岗位没了"的直接否定，而说话人本该受益于肯定

（[00:16:10]–[00:17:10]）

• ⚠️⚠️ 主持人给的是一个会抬高他产品价值的说法："初级律师助理没了。初级律师没了。我不需要他们了。"
• ⚠️ 而他直接否定："那其实不是我们看到的情况。"
• ✅ 本页标注这是一处对自己不利的让步，因为"我们消灭了初级岗位"恰恰是这类产品最有力的销售说法。本页认为这使这条证词比同类说法可信。
• 替代判断是分化而不是消失："总体上你还是需要下一代人。而至少在工程上，我的想法是：你今天有一个好工程师，他比两年前值钱得多，因为他能产出多得多的东西。而我觉得法律里是同一件事……真正好的初级律师值钱得多了。" ⚠️ 他同意这是"在更进一步极化"。
• 🔗 ⚠️ 而主持人在同一段把工程侧说得更重（"初级工程师基本上是熟了"、"你基本上得从大学全熟了再退学出来"），但随即自己收回了力度："我觉得我有点为了搞笑而夸张了。" ✅ 本页照录两边并标注工程侧那句是主持人的印象、无数据。
• 🔗 与 Legora CEO 在 2026-07 的说法一致并被强化：那边是"junior lawyer 工作不消失但从逐份读文件变成编排 agent"；✅ 而这一期给的是四个月后同公司技术侧的同一结论，以及一个更锋利的版本——值钱的不是"初级"这个位置，是"好"。
• ⚠️ 具体被替掉的那件事他说得很干净（[00:21:13]–[00:22:14]）："我在办一个大案子，我有一百万份文档。以前我通常会扔一队律师助理进去，坐到凌晨四点。" → "那不需要再发生了，因为现在他们能把它抽出来，而你可以回去重新 prompt 一遍。所以我现在不需要一个律师助理来做那件事了——但一个好的、会用 AI 的律师助理会去做别的事。" ✅ 或者，用他补的那句："或者真的去睡觉，谁知道呢。"

⚠️ 二、新职称与一个被反转的贬义词

（[00:21:13]）

• legal engineer：⚠️ 他说这现在也成了行业用语；画像是"在大所干过大概三四年、通常可能还有一个 CS 学位、非常 tech forward 的人"，⚠️ "那是我们最难招的人"，✅ 但"巨大的力量放大器……一池 100 位专家，每天用这个产品、每天去跟客户谈"（⚠️ "100" 在本期指向三个不同的东西，本页不合并）。
• ⚠️ "CSJDs"（CS 学位 + JD 的交集）被当场提出；⚠️ 主持人建议的供给侧做法是奖学金：让 CS 背景的人去念法学院、费用由厂商覆盖；⚠️ 他说法学院推广"确实是一个我们已经启动的项目，但我其实不太确定我们到哪一步了"，并对法学院课纲是否在变直接答"我其实不会知道"。
• ⚠️⚠️ 一个贬义词及其反转："meat proxy"——"你就坐在机器前面，把别人叫你打的东西打进去，然后把机器告诉你的话重复出来"；✅ 而他给的反转是："但我确实觉得，一个非常好的 meat proxy 就是——你很懂 agent、你很懂 Legora，你知道怎么……这是我的工具箱，而每个行业都有一个工具箱，我能用我的工具去做你需要我做的事。" ⚠️ 主持人当场接："那你就不是 proxy 了，你其实就是在做有意义的工作。"
• ✅ 本页标注这组词值得长期跟踪，因为"岗位有没有被替掉"在实际行业里常常先表现为职称与招聘画像的变化，而不是人数变化。

⚠️⚠️ 三、合伙制金字塔为什么挡着知识沉淀：对本页"岗位结构会怎么变"的一条产权解释

（[00:14:09]–[00:16:10]）

• 合伙制的存在理由："这些公司唯一拥有的那类资本就是人力资本……你全部的价值都在你的人身上，而你没法真正拥有人力资本。" ⚠️ "你没法拥有人，奴隶制已经被废除了。但你可以租他们——你付他们钱。所以合伙制本质上是一种结构：你把人力资本变成公司的所有者，这样他们就留下。"
• ⚠️⚠️ 而激励是反的："我们需要搞出一种激励结构，让合伙人有动力去把东西编码下来、为公司建一项资产。但现在他们没有动力——因为他们一旦离开合伙制，就拿不到他们建起来的那些资产的任何分红。"
• ✅ 本页标注这对就业议题的含义，因为它给了一条比"AI 会替掉多少人"更可观察的指标：⚠️⚠️ 如果专业服务业的知识真的开始被沉淀成系统资产，那么受影响的首先不是初级岗位的人数，而是合伙人的分配机制——而后者是公开可查的。于是"分配机制有没有改"可以当成"知识资产有没有真的在被建"的前置指标。 🔗 商业侧的完整记录在 AI 商业化与价值捕获。
• ⚠️ 而本页标注本库在 Joseph Kim 那期 提的那个入口岗位问题，在这一期也没有被正面回答：他说"总体上你还是需要下一代人"，但"如果初级的活先被拿走，那条靠逐级历练形成判断力的通道在哪里接上"两期都没有人回答。 ✅ 本页记下这是一个在两期材料里反复出现、但始终悬空的问题。

---

⚠️⚠️ "连 iPhone 的包装也是人装的"：被自动化的那些工位长什么样（Tutor Intelligence，2026-11-02）

来源：a16z × Tutor Intelligence（Josh Gruenstein，联创兼 CEO）（人物页：Josh Gruenstein）

⚠️⚠️ 立场（双重标注）：他是 Tutor 的 CEO，全部数字为自述；而主持方 a16z 是这家公司的投资人并多次主动背书。 ✅ 但本页收录这一段的理由是它描述的是工位的具体形态与劳动条件，而这是本页此前关于物理劳动替代最缺的那一类材料。

⚠️⚠️ 一、美国制造业的心理图像是错的，而错的方向正好掩盖了手工工位

（[00:20:16]–[00:22:17]）

• 他说大众的图像来自电视节目《How It's Made》："你会看到那些鲁布·戈德堡式的杠杆机器，而在那些画面里你看不到任何人——是有人造了那台'就是整座工厂'的机器。" ⚠️⚠️ "那确实存在。而如果它存在，他们大概把它拍下来放进《How It's Made》了——因为那是美国制造与物流的最顶端 0.01%。"
• ⚠️⚠️ 而那之下是："你走进这些上百万平方英尺的设施，你会看到一堆人站在传送带或折叠桌旁边用手做事。而这对任何不来自这个行业和社群的人来说都相当震惊。"
• ⚠️⚠️ 那句最该被本页引用的：

  "你买过的任何装在盒子里的东西，都是一个人把它装进那个盒子的。这对大多数人是个疯狂的揭示。任何需要任何程度组装的东西，连 iPhone 也是——你会以为是机器人在把那个包装拼起来。不是，即便在最高的规模上，那也是一个人。"

• ✅ 本页标注这条为什么该被单独记：⚠️⚠️ 本页既有的物理劳动替代材料基本是按行业或职业统计来讨论的，而那类统计（工厂自动化率、机器人密度）会系统性地低估手工工位的数量——因为它们度量的是设备而不是人在做什么。这一条给的是一个来自现场的、方向明确的修正。

⚠️⚠️ 二、这些工位的劳动条件：三个月离职率，平均年龄 55 岁

（[00:21:17]）

• ⚠️⚠️ "一个巨大量的工作，是那种体力活、是真的很难招人的活，离职率是三个月，而做那份工作的工人平均年龄是 55 岁、快要退休了。"
• ⚠️ 而他把客户的采购动机说成用工问题而不是效率优化（[00:36:23]–[00:37:24]）："他们知道自己劳动力的年龄，他们知道需求因为所有这些长期趋势在上升，而完成那些工作的成本基数在上涨，于是他们在问'我们这门生意还算得过来吗'。"
• ✅ 本页标注这组事实改变了替代叙事的方向：⚠️⚠️ 在这一类工位上，自动化面对的不是"要不要替掉现有工人"，而是"这些岗位本来就在失去供给"——离职率、年龄结构与招聘失败同时出现。本页认为这使这一段比大多数关于物理劳动替代的讨论更具体，也更难用"保就业 vs 提效率"那组框架去读。 ⚠️ 但本页标注这全部是来自卖方的描述，无独立劳动统计佐证。
• ⚠️ 他对工人收益的表述（[00:27:17]）："如果你是设施里的产线工人，你不用再做那么多体力活了，你能被提升到一个更高的位置——而这些地方全都招不到人。而如果你是工厂经理，你的工作轻松了一千倍。" ✅ 本页标注"被提升到更高位置"这条路径在本期没有任何具体例子或比例，记为立场陈述。

⚠️⚠️ 三、买方不是用户：一条本页此前没有的结构性双主体问题

（[00:25:17]–[00:28:18]）

• ⚠️⚠️ "有意思的是，在机器人学里，你的买方不是你的用户。你的买方是 COO 或总经理，而用户是整天和机器人一起工作的产线工人。而在那里你确实需要去培育那些工人和机器人之间的关系——因为我们不会百分之百地自动化一家工厂，我们自动化一家工厂或仓库里的某些工作。"
• ⚠️ 他引的一句（说"我得去搞清楚出处"）："一个机器人是个机器人，除非它能用——那时候它就是一台机械。" ✅ 而他的补充是分层的："至少在工厂经理那一层，是的"——⚠️⚠️ 也就是说"把它当设备看"这件事只发生在买方那一层，而用户那一层需要另外处理。
• ⚠️⚠️ 而处理方式里有一条带激励设计的，本页认为值得记：每台机器人都有名字，而命名权是作为复购奖励给出去的——"当一个客户扩大采购、下重复订单的时候，他们就被允许给机器人命名。" ✅ 他给的依恋信号："有人用自己孩子的名字命名机器人、用自己最喜欢的橄榄球球员、最喜欢的流行歌手的名字命名。"
• ✅ 本页标注这条为什么对就业议题重要：⚠️⚠️ 它说明在部分自动化的现场，被替代者与被取悦者是同一批人——厂商需要产线工人接受这台设备，而这台设备正在拿走他们的一部分工作。本页认为这解释了为什么这类产品的话术一定会落在"你不用再做体力活了"而不是"你的岗位被优化了"，而本页把这个表述倾向本身记为材料，不作为对实际岗位影响的证据。

⚠️ 四、一个可能改变劳动地理的推论，以及一处本页不采信的论断

（[00:38:24]–[00:39:24]）

• ⚠️ 他对工厂数量的推论相对可检验："我们会有多得多的工厂，就像我们有多得多的生意一样——因为云和所有软件工具让人们能建起新生意。如果我们有这种无限弹性的劳动力基底，任何人都将能在物理世界里开一门生意、也能在物理世界里把一门生意做大。" ✅ 本页标注这条如果成立，影响的首先不是某个岗位的数量，而是制造业就业的地理分布。
• ⚠️⚠️ 而同一段里那条"中国得拆掉重建"的论断被本库标为立场陈述、不采信，理由与完整讨论记在 中美 AI 生态对照。

---

⚠️ "工程化那个造软件的系统，而不是直接去造软件"：一条 product engineer / factory engineer 的岗位二分（Warp，2026-11-03）

来源：Latent Space × Warp.dev（Zach Lloyd）

⚠️ 立场与完整度：他是 Warp CEO，而这一段是他对即将在 AIE code 做的 keynote 的预告，因此只有提纲、没有展开。本页照此记录，不当作已论证的材料。

• 二分本身（[00:33:24]）："两种工程是哪两种——product engineering、factory engineering"，而他把后者当成一门新学科来问："factory engineering 这门新的学科（如果你想用这个词的话）实际上长什么样？工具是什么？"
• ⚠️⚠️ 落点那一句本页认为是本页目前关于工程师角色变化最往上一层的表述：

  "你作为一个工程师要怎么练出对的技能，去工程化那个造软件的系统，而不是直接去造软件？"

• ✅ 本页标注它与本页既有材料的层级差：⚠️ 本页此前关于工程师角色的材料基本落在"从写代码变成审代码 / 定 spec"（DHH 的三阶段划分、徐天音的任务规约成本、品味 > 代码、调试 > 编写）；⚠️⚠️ 而这一条是再往上一层——不是审那一次输出，而是改那条产线的配置、打分器与 benchmark。
• ⚠️ 而这条二分的受众范围被他自己限定得很窄（[00:12:07]）：用 factory 控制台的是"工程经理或 CTO，但也非常常见地是平台团队……不是你那种日常的工程师"，✅ 且他给的组织下限是 5–10 个工程师（[00:26:19]）。 本页因此记：这不是一条关于多数工程师的预测，而是关于一个新职能是否会在平台团队里分化出来的预测。
• ✅ 本页记下它的可检验形态：⚠️⚠️ 平台 / DevX 团队里是否出现以调优 agent 工作流（factory 定义、scorer、内部 benchmark）为全职的职位，以及这类职位的招聘口径里是否出现"成本/PR"与"人类介入次数"这类指标。 🔗 相关设施与指标口径记在 LLM 实用方法论 与 评估与 Benchmark。

⚠️ "AI 工程师"作为一次职业命名，以及一条判断 AI 评论者可信度的启发式（Latent Space × AIEi Shanghai，2026-11-04）

来源：Latent Space × AIEi Shanghai（swyx 作为被访者）

⚠️⚠️ 立场：这一期是 swyx 自家大会品牌在中国首场的预热节目，而本节的主题（"AI 工程师"这个职业）恰好就是他的生意所依赖的那个范畴。 ✅ 本页仍收录，因为这是本页第一份关于"一个新职业范畴是怎么被有意造出来的"的一手叙述——而创造者本人讲它的动机结构，比旁观者的描述更有信息量。

⚠️ 一、这个词是怎么被造出来的

（[00:12:07]–[00:18:12]）

• ⚠️ 触发点很具体：一次黑客松上，一位非技术出身的人问"我全力投入 AI，但我能做什么"；⚠️⚠️ 而他给自己的答案是"相比一个工程师，她什么都做不了"——理由是"工程师可以同时控制 100 个 AI 并给它编程，而一个非技术的人最多只能把提示词写得更好"。
• ⚠️⚠️ 而他对当时行业风气的诊断本页认为是本节最有价值的一条：有声望的事是训大模型（预训练、后训练、读博、做花哨算法），"那确实有声望，而且会继续有声望"；但——

  ⚠️⚠️ "人们的那种过度矫正是：看着所有不是 ML 研究的东西，觉得那都没价值。而那其实是不对的。"

• ✅ 具体反驳落在技能门槛上："你确实想造 harness，而造 harness 不要求你懂高深数学或有大量超算经验——实际上你只需要是一个足够开放、能理解怎么把 AI 放进传统软件代码里的很好的软件工程师。" ⚠️ 他明确说"当时我们还没有 harness 这个词"。
• ⚠️ 而造词的方法论他归到身份认同上（归于《原子习惯》作者，⚠️ 他自己说不确定作者归属）：要在身份层面而不是职业或爱好层面连接——"你是谁？你渴望成为什么？"；⚠️ 而落地很直白："你给他们一个能挣钱的职位名称，那他们就会忠于你。"
• ✅ 本页标注这一节为什么值得保存：⚠️⚠️ 本页此前的材料多在讨论 AI 消灭或改变了哪些岗位；而这一条记录的是一个新岗位范畴被有意命名、并被包装成一条身份升级路径的过程。本页认为这值得单记，因为"岗位"在这一轮不只是被动变化的对象——它也是被供给侧主动构造的产物，而构造者承认了自己的动机。
• ⚠️ 他说这个角色三年来"其实没怎么变"（[00:18:12]）：变的是热点（早期是 RAG 与上下文管理 → 近期是 coding agent、harness 工程、"loop 工程"）；⚠️ 而正在浮现的上层角色名是 AI architect——"决定一家公司里所有人怎么做 AI 的那个人"。

⚠️⚠️ 二、一条判断 AI 评论者可信度的启发式，而它也适用于说话人自己

（[00:19:14]–[00:20:15]）✅ 本页认为这是本期最锋利的一段，而它对本库本身有用。

• ⚠️⚠️ 他的批评：

  ⚠️⚠️ "AI 的另一个问题是有很多夸夸其谈的人，他们一辈子没写过一天代码，但他们非常宏观、非常非常资深……但他们不碰代码。" ⚠️⚠️ "他们听起来全都一个样。都是'我到 AGI 的时间线是两年''你们将来都不会有工作了''你需要为接下来的事做准备'。而很方便的是，接下来那件事看起来就是他们的工作。所以它非常自利。"

• ✅ 而他给"工程师"下的那个操作性定义很干净："如果出了问题，你负责吗？不负责的话你就不是工程师。"⚠️ "凌晨四点起来去修它的那个人，那才是工程师。"
• ✅ 本页标注这条启发式的用处：⚠️⚠️ 它给"该不该相信某条关于就业的预测"提供了一个可执行的检查——看那个人描述的未来是否恰好把自己放在中心位置、以及他是否承担该预测出错的后果。本页认为这对本页尤其有用，因为本页收录的大量关于 AI 与就业的材料，正来自有此结构性动机的说话人（模型厂商、投资人、工具卖方）。
• ⚠️⚠️ 而本页必须标出这条同样适用于他自己：他描述的未来（AI 工程师作为一个有声望的职业、因此需要一个行业级大会）恰好就是他的生意。 ✅ 本页认为他在本期并未自我豁免——他在另一处明确说"我也是那个的一个小号版本"；⚠️ 而他对自己最担心的事给的回答同样指向这一点："如果我们真有一个 AI 冬天……我会不会破产——对一家依赖炒作的会议公司来说，这是个真实的担忧"（[01:08:45]）。✅ 本页因此把这条启发式与他自己的披露并列保存：它既是一条可用的工具，也是一个用在提出者身上同样成立的例子。

⚠️ 三、一条关于零和与正和的区分，以及一条反鸡汤的限定

（[00:08:05]–[00:12:07]）

• ⚠️⚠️ 他对两个行业的区分：

  ⚠️⚠️ "金融是零和的。如果我知道一件事然后告诉你，那个真相就失去了价值。但在科技里大多数东西是正和的——如果我知道一件事然后告诉你，它增加价值。"

• ✅ 而可见后果很具体："它意味着人们会上台、会开源自己的工作、会分享自己的代码、搞砸了也会把搞砸的事分享出来。在金融里不会——你想装作自己从没搞砸过，而一切都是最高机密。"
• ⚠️ 他对亚洲文化里的凭证主义给了一段批评："如果不是学位，就是证书；不是证书，你就必须有过一份工作才能做它。而你怎么拿到那份工作？你必须有学位"——"就是一个无限循环，基本意味着你 16 岁时就得决定这辈子要干什么。"
• ✅ 而那条限定本页认为比前半段更该被保存，因为它是对自身叙事的一处约束：

  ⚠️⚠️ "而且要意识到，仅仅因为你非常努力，你并没有被赋予获胜的资格。你必须非常努力并且很好。" ⚠️ "很多人试了，很多人失败了，然后说'为什么没成'。那是因为你不够好。太糟了。"

• ⚠️ 而他对自己起步的解释不体面，本页认为可信度因此较高：第一份工作在软件工程一侧，"我发现我有一个糟糕的老板。于是我变得非常无聊，然后我开始大量写作和演讲，因为在工作上我做不了我想做的事"；✅ 落点是"因为我在工作上那么无聊，我把全部精力投到了工作之外，于是那件事当然起飞了，因为没别人在做那个"。 ⚠️ 他对自己资格给的自嘲式限定："我今天大概仍然不那么够格，但我比四年前够格一点了。"

⚠️⚠️ 本页第一条来自"实际控制编制的那个人"的表述：一条带反事实的编制判断（a16z × Figma CFO，2026-11-05）

来源：a16z × Figma CFO（Praveer Melwani）

✅ 本页认为这条材料的位置是它最主要的价值：本页此前的材料绝大多数来自卖方（厂商创始人）或观察者（投资人）；⚠️⚠️ 而本页在这条线上最缺的恰好是"控制编制的人自己怎么说"。他是一家上市公司的 CFO，也就是实际做采购决定、并实际决定人数的那个人。 ⚠️ 立场：这一期是 a16z 自家《You Need a New CFO》一文的配套节目，因此整期在验证一个已写好的主张；✅ 但本页判他的厂商色彩轻，依据之一正是那条编制判断是条件式的、而那个条件对节目的叙事不利。

⚠️⚠️ 那条判断

（[00:38:19]–[00:40:20]）

• ⚠️ 规范性愿望："我很想处在这样一个位置：只有当业务的复杂度增长快于支撑它所需要的东西时，我们才加人。"
• ⚠️ 现状判断："我确实觉得我们现在处在这样一个位置：很多常规的业务节奏类的工作，你可以开始往反方向走了，而不是需要加人才跟得上。"
• ⚠️⚠️ 而那条反事实是本节的核心：

  ⚠️⚠️ "如果我们的业务复杂度保持不变，我想一年之后我们大概就不需要同样多的人了。"

• ✅ 而他紧接着把实际方向说成相反的，本页认为这个让步是这条材料可信的原因：

  "我们还会继续跟它搏，因为我们在加新产品，我们在收购团队和业务，我们在继续演化我们做的事。所以在那个世界里，复杂度仍然跑在我们能真正做到完全效率化的前面。" ✅ "但我们确实在变得更有效率，一期比一期。"

⚠️⚠️ 本页认为它的形式比它的结论更值得保存

• ✅ 它做了一次本页在这条线上收到的大多数材料都没做的拆分：⚠️⚠️ 把"AI 带来的效率提升"与"编制会不会下降"分成两件事，并点名了把两者解耦的那个变量——业务复杂度的增长。于是"我们没裁人"与"AI 没带来效率"不再是同一句话，而这恰好是本页此前反复遇到的那种含混。
• 🔗 ✅ 它给本页一组长期并存的矛盾提供了调和机制：
• ⚠️ 一侧是否定：Legora 那条"初级岗位没消失"。
• ⚠️ 另一侧是肯定：Microsoft 的"收入翻倍而人数几乎不变"。
• ✅ 而这一条说两者可以同时为真：在一家复杂度还在增长的公司里，效率提升会被增长吸收掉，于是编制数字上看不出来。 ⚠️⚠️ 本页据此判定"有没有裁人"是一个很差的 AI 效率指标，而更好的指标是他自己给的那个——每单位业务复杂度所需的人数。本页认为这是本页目前对"为什么关于 AI 与就业的证据这么难对上"最简洁的一个解释，而它不需要任何一方说谎。
• ⚠️⚠️ 但本页必须限定这条材料的效力：他没有给任何数字——没有人数、没有"一期比一期更有效率"的口径、也没有业务复杂度的度量。因此这条材料的价值全部在那个拆分的形式上，不在任何可核对的量上。
• ⚠️ 而那条自动化上限他自己落在了一个非能力性的闸门上（[00:39:20]）："我希望越来越多的东西能被完全自动化。我想我会从那些真正确定性的部分开始"，⚠️⚠️ 但"对一个真正业务关键的系统，要把东西做到那种 audit ready 的输出，门槛是极高的"，✅ 落点是"这也会是一场和审计师之间很有意思的对话——什么东西才能让他们放心"。 🔗 ✅ 本页标注这对本页很重要：在这个职能里，岗位会不会被自动化掉取决于外部审计师的接受度，而不是模型能力——于是进展应该表现为审计准则的变化，而不是模型榜单的变化。详见 在实践中用 LLM。

⚠️ 两条配套的岗位侧内容

• ⚠️⚠️ 一条可直接搬用的面试设计，本页认为它回答的是"产出物不再是能力证据之后怎么招人"（[00:08:05]–[00:10:06]）：他在招 VP Finance，而案例研究环节考的不是你能不能做出那个模型（"任何人都能去做一个模型……随便挑你喜欢的 LLM"），而是"你有没有把它揉过，有没有测过这个模型里哪些部分对任何变化是最敏感的？" ✅ 本页判探针的选法是这条设计的聪明之处：敏感度结构恰好是生成一个模型时最容易被跳过的那一步，因此它在"用没用 AI"上几乎不可伪装。
• ⚠️⚠️ 而主持人提了一条他没有回答的参照标准流失问题，本页认为它该与上一条一起引用：该招更熟练工具的年轻人，还是更有经验、知道世界级长什么样的人？ ⚠️⚠️ "让我有点担心的是，我们会忘记世界级原来长什么样。" ✅ 本页标注两者互补——那条面试设计考的是个人是否理解自己的产出，这一条问的是组织还有没有人知道"好"的上限在哪；本期只提出了后者，没有处理。
• ⚠️ 另记一条关于留才的角度，本页此前没有（[00:31:18]）："我不知道人们有没有像他们本来可以、或者本来应该的那样，把技术访问权真当成一个招聘载体"；⚠️ 他指出它对非技术背景的人最有力（"这就像是我进入一个全新世界的前门"）；✅ 而他补的那条更难被复制："不只是那样，还在于你让人们理解周围其他人在搭什么……而且你在面试过程里就能看到、能感觉到。"

⚠️⚠️ "白领工作还没有 Claude Code 时刻"，而他把瓶颈指向未成文的机构知识（Reducto，2026-11-06）

来源：Latent Space × Reducto：失效模式在 recall 不在 precision、每月十亿页，以及白领的 Claude Code 时刻

⚠️⚠️ 立场：说话人是 Adit Abraham，Reducto 联创兼 CEO，而这一期同时是产品发布现场。⚠️⚠️ 而本节要特别标注一处利益相关：他对"白领工作缺什么"的诊断，恰好指向他自家下一步的产品方向（文档编辑）。本页因此把诊断与处方分开处理。

⚠️ 一、诊断：白领工作的后半段没有被覆盖

（[00:38:32]–[00:40:33]）

• ⚠️ "我大体的看法是，白领工作还没有真正迎来相当于 Claude Code 的那个东西。"
• ⚠️ 他对白领工作的拆法是两段："很多白领工作不只是信息综合、人从文档里取东西，而且在很多这些流程的末尾，你要写进一张表格、或者写进一个 Word 文档。"
• ⚠️ 于是目标是："我们想让模型能尽可能可靠地给合同划红线，想让它们能填贷款申请，做一个人本来必须做的事。"（⚠️ 这一段即他自家产品方向，本页不作为独立证据）
• ⚠️ 他举的量化例子："人类每年在文档本地化上花掉数十亿美元"，⚠️ 而难点不在翻译而在把编辑应用回去："模型在翻译上很好。但把那个编辑应用到文档上非常难，因为你得拿一份用英文生成的文档去改版面。当你换成一个从右向左的语言，你现在得考虑——也许文字会溢到下一页。"（⚠️ "数十亿美元"无口径无来源，不采信）

✅ 本页标注这条拆分本身可用，且不依赖他的产品：⚠️⚠️ 本页此前关于白领自动化的材料绝大多数讨论的是"读与综合"那一段（检索、起草、分析），而"把结果写回一个有格式约束的产物里"这一段几乎没有被单独讨论过。 ✅ 本页记为一个此前被跳过的环节，而它恰好是很多岗位真正耗时的部分。

⚠️⚠️ 二、归因：卡住的不是智能，是没写下来的机构知识

（[00:42:35]–[00:44:35]）✅ 本页判这是本节真正的增量。

• ⚠️ 他先把智能排除："模型智能差不多就在那儿了。而很多前沿实验室显然是先在 codegen 上爬坡，才去想模型要解决的其他一些问题。" ⚠️ 理由两条："代码在很多情况下是一个可验证的问题"、"工程师是最可能去采用的那群人"。
• ⚠️⚠️ 然后给了真正的瓶颈，而它很具体：

⚠️⚠️ "企业的数据在各种各样不同的地方，而且存在一些很怪的启发式。你跟一家大型金融机构聊某个纸面流程是怎么做的，他们就是有那种机构内的知识——噢，如果我在屏幕左下角看到这个，我就知道它来自 Kentucky，因此我做 X。"

⚠️⚠️ "而这种东西很少是被明确写下来的。"

• ⚠️ 处方落在工具层而不是模型层："工具这一侧的人有一大堆活要干——去把那些上下文聚合起来，帮他们建起合适的知识库，给模型足够的上下文让它能在那些数据上推理。"
• ⚠️ 时间判断很松："但我不觉得我们离那件事大规模发生还很远。"（⚠️ 无时间尺度、不可核对，本页记为立场陈述）
• ⚠️ 主持把它概括成"所以是数据和上下文的碎片化、而不是性能"，并补了一句自己的断言："模型在长时程推理上已经好到这个程度，以至于智能是最大瓶颈这件事越来越不像是真的。" ⚠️⚠️ 本页标注这是主持的判断、未给依据，不采信。

🔗 ✅ 本页与 用 LLM 的实践 上关于"企业里 agent 为什么还没落地"此前的两条并读： - ⚠️ Ali Ghodsi 的"不是模型不够聪明"（归因到数据治理）； - ⚠️ 陈然的"落地问题，不是模型能力问题"（归因到流程改造）。

✅ 本页判这一条机制最具体——它点名了被卡住的是未成文的机构知识，而那个 Kentucky 的例子本身就是一条可以拿去检验的形态（去问一个具体流程的从业者，看能不能把判断规则写出来）。 🔗 ⚠️ 而本页标注它与 a16z / Lio 那条"直觉写不成规则" 咬合成同一问题的两端：那一条说的是人写不出来，这一条说的是组织没写下来。 ⚠️⚠️ 若两条都成立，"聚合上下文建知识库"这个处方就有一个他没有处理的前置困难：要被聚合的东西此刻并不以可被聚合的形式存在。 ✅ 本页记为对他处方的一条限定，而本期没有碰它。

⚠️ 另记他对"那谁去挖这些知识"给的答法是分工声明而不是回答（[00:44:35]–[00:45:37]）：点名了几家垂直公司（法律侧的 Harvey 与 Legora、一家做自动化报税的公司），理由是"他们专门化的好处之一是，他们会开始搞清楚在某个特定情境下，端到端交付那个价值到底需要什么"。 ⚠️ 他指出有人在做，没有说那些未成文的知识怎么被挖出来。主持没有再追。

⚠️⚠️ 雇主侧：面试从第一天就允许用 LLM，而题目被设计成"不会用就做不出来"（Reducto，2026-11-06）

来源：Latent Space × Reducto：失效模式在 recall 不在 precision、每月十亿页，以及白领的 Claude Code 时刻

（[00:17:19]–[00:19:19]）✅ 本页判这是本页第二份"雇主侧把 AI 写进招聘流程"的材料，而它与第一份的做法相反。

⚠️⚠️ "我们从第一天起就在 onsite、或者说一般的面试里允许用 LLM。而我们的 onsite 其实是整整一天，你要跟团队待 8 个小时。"

⚠️⚠️ "而那些题目最后会变得相当难做出来——除非你正确地用 LLM。所以我觉得就其性质而言，最后能通过 onsite 的人，通常就是知道怎么有效使用编码工具的人。"

🔗 ⚠️⚠️ 与本页 Retell AI 那份雇主侧材料 对照：⚠️ 那一份是重新设计流程去防/测 AI 使用，这一份是把"会用"直接设成通过条件。 ✅ 而本页认为更值得记的是实现方式的差别：他靠提高题目难度来让工具使用成为必要，而不是靠加监考或改评分规则。 ✅ 本页归纳为一句两期都没说的话：把筛选交给题目，而不是交给规则。

⚠️ 本页标注这套做法的一个未被讨论的代价：⚠️⚠️ "8 小时 onsite"把筛选成本转嫁给了候选人，而这会对能否负担一整天的人群产生选择效应。本期完全没有提到这一点。

⚠️ 配套：内部采用不是自上而下推的

• ⚠️ "不是我们在给工程师下指标说你必须用 Claude Code。" ⚠️ 他给的扩散机制是示范：联创"大概是你会见到的最 LLM-native 的人之一"；而"我们销售团队现在大量用 Devin，人们会给潜在客户做定制网站"，原因是"他们就是开始看到——嘿，我在 Google Slides 上花了一堆时间，结果 Claude 做出来的提案比你费劲弄的那个更好"。
• ⚠️ 他的总结："更多是把价值可能是什么展示出来，而不是别的。"
• ⚠️ 他举的个例（字幕作 Arth，⚠️ 他当场说"如果 Arth 在看这个，抱歉把你抬出来"）：Berkeley 在读时加入、onsite 时约 20 岁、GPT-3 出来时大一；⚠️ "我们给了他标准的软件工程 onsite，他大概 2 小时就全做完了"，于是"我们把整套 ML 工程 onsite 也给了他"。⚠️⚠️ 单一轶事、自述，本页不作为能力分布的证据。

⚠️ "对手艺的痴迷"作为第一条文化价值，以及它的测法是启发式

（[00:20:19]–[00:22:20]）

• ⚠️ "我们的第一条文化价值是对自己手艺的痴迷。" ⚠️ 他明确说这不等于欲望，看的是"严苛"："跟任何一个真的真的痴迷于'在某件事上做到极好'这个念头的人聊——厨师、运动员，随便谁——你总会发现他们对待日常有这种严苛。"
• ✅ 对工程师给了一条具体外延，本页认为这条比那个价值本身有用："我觉得工程师需要对客服这类事情有痴迷。不只是那个亮眼的功能发布，而是确保在生产里那些长尾情况被处理掉。"
• ⚠️ 测法："我很喜欢问人：有什么事情是你世界级的。然后你会看到他们聊到那个东西时眼睛亮起来的样子。" ⚠️ "可以是电子游戏都行——只要你把他们导向对的东西、对的问题，那种痴迷是会迁移的。" ⚠️⚠️ 本页标注这是招聘启发式而非筛选标准：它没有给出任何验证方式，而"痴迷会迁移"这个前提他没有给依据。

⚠️ 本页第一份供给侧材料："Y 模型"——两位导师、八年，以及它要造的能力恰好是"把没形式化的问题翻译成指标"（Fabian Theis / Helmholtz Munich，2026-11-06）

来源：Latent Space AI for Science × Fabian Theis："我们最大的想法其实花在了指标的构造上"

（[00:41:19]–[00:46:23]）✅ 本页判这条材料填的是一个明确的缺口：⚠️⚠️ 本页"领域 taste 携带者是瓶颈"这条线此前全部是需求侧——Legora 的 legal engineer（"那是我们最难招的人"）、Joseph Kim 新设的岗位——全部在说"这种人很难招"。 ✅ 而这一条是第一份供给侧材料：一个声称运行了八年的培养机制。 ⚠️ 但全部产出描述为自述、无第三方核对。

• ⚠️ 机制：Munich School for Data Science（⚠️ 他说范围远超生物），要求两位 PI 共同提一个课题——一位方法侧、一位领域侧，⚠️ 于是形状像 Y（⚠️ "有时候我们在 Y 模型下有两个学生，所以 Y 加 Y 等于 H。你懂的吧？"）。
• ⚠️ 他自己承认这个想法"甚至在今天看来有点平凡"，✅ 但给了把它做硬的理由：学生理想上去两个组会——一个让他们"真的学习并理解一些更深的生物学问题，理解比如一个医学场景的语言"，另一个推方法面。
• ⚠️⚠️ 而机制描述里这一句本页判为最有用的：

✅ "于是他们吸收了一大堆在那个生物实验室里并没有被精确地那样表述出来的问题。他们没法直接把那个塞进一个函数里，但因为他们是方法型的、是定量的，他们实际上能把这个放进一个指标或者别的什么东西里，然后那变成一个模型、再变成一篇论文。"

✅ 本页标注这正好是他同期那条"最大的想法花在指标构造上"的组织版本：⚠️⚠️ 培养机制要产出的能力，恰好就是他认为剩余智力劳动所在的那个能力——把一个没被形式化的领域问题翻译成一个指标。 ✅ 本页记为本期内部两条材料的一次咬合，而他没有把它们连起来。 ✅ 而本页进一步记下这对"领域 taste 怎么批量生产"给出了一个可操作形态：不是招一个既懂领域又懂方法的人，而是让一个方法型的人被迫长期暴露在领域的未形式化状态里。

• ⚠️ 招生侧他给的吸引力解释很具体：✅ 欧洲（他说德国或一般而言）学生通常先读完硕士再读博，"于是他们稍微知道科学是什么，但并不确切知道什么让自己感兴趣"——⚠️ 而这个研究院的形式让他们"能在领域上采样一点，也能在方法面上玩一玩"。 ✅ 本页标注这条承认了这套机制对学生的初始成本（"最初听起来像是更多的活，你得学两样东西、去两个组会"），并把补偿定位在选择权上。
• ⚠️ 下游去向（自述）："一些人去了生物医学领域、进了药厂，一些显然留在研究，一些更多去了某种创业方向，一些去了非常纯的 AI 类工作。" ⚠️ 单例："NVIDIA 几个月前在一个月里雇了我两个人。"
• ⚠️⚠️ 而他给候选人的面试论证本页认为值得单独记，因为它是对一类工作的明确贬值：

⚠️⚠️ "当你在外面被面试的时候，能说'我不只做了那个也许在一篇 NeurIPS 论文里改进了 2% 的花哨模型，而且我还有那个真实的、更复杂更深的应用'，这是个好主意。"

✅ 本页标注这条与本页既有的雇主侧材料方向一致但判据不同：🔗 ⚠️ 本页此前关于"产出物不再是能力证据之后怎么招人"的材料（Figma CFO 的案例研究设计、Reducto 把"会用 LLM"设成通过条件）考的都是过程，✅ 而这一条考的是暴露面——你有没有在一个没被形式化的领域里待够久。 ⚠️ 本页标注这是本库的归纳，他只是在给自己学生的求职建议。

⚠️ 另记一条他自己设的 KPI 与一个与之相反的归因（[00:37:18]）："比如对我协调的那个部门，我说：各位，每一位 PI、每一位组长，我期望你至少在接下来三年里有一个 spin-off。然后看看效果如何。" ✅ 而他对实际驱动力给了一个与自己指令相反的归因，本页认为这处很诚实："但我觉得如今这件事无论如何很大程度上是自下而上在发生的，是学生在推动。" ⚠️⚠️ 本页因此不把那条 KPI 当作有效机制的证据——提出者自己指认了另一个原因。

⚠️ 劳动预算这条线上的一个卖方侧样本，以及本页对它的降权理由（Salesforce 企业发展负责人，2026-11-06）

来源：a16z × Salesforce："ARR 是个很好的指标，但它掩盖流失"

（[00:06:06]–[00:10:13]）⚠️⚠️ 说话人是 Salesforce 企业发展与 Ventures 的负责人（⚠️ 转录稿只出现名 "John"，姓未出现）。本节记录的全部是厂商对自家产品的能力描述，无采用率、无效果数据，本页不采信为事实。 ✅ 本页仍收它，是因为它是一个来源明确的样本，而本页在客服 / SDR 这一侧的材料大多也来自同一类位置——把它并排放着能让那种倾向更容易被看见。

⚠️ 主持给的框架被他直接接受

⚠️ 主持的框架："你在赢得更大一份的劳动预算……你的客户也许付给你的比过去多得多，但他们整体的销售成本下降了。" ⚠️ 他答"绝对如此"。

• ⚠️ 他点名的产品被描述为可以"基本上替掉你的销售开发代表（SDR）组织"：⚠️ 把网站进来的流量全部接住、用一个 agent 回答问题，"是一种非常像人的体验，你在和一个非常逼真的虚拟形象说话"，⚠️ 并自动安排会议"完全不碰到人"。
• ⚠️ 而客服那一侧他给了内部试点数字（自述、无第三方核对）：他们把 Fin 用在自家 help 站点上——"我们其实 14 天就上线了"、"它现在处理超过 40% 的流量"、"而且交付 65% 的解决率、不需要转给人"。 ⚠️⚠️ "解决率"的定义未给、"流量"的分母未给，因此不能与本页别处的同名指标直接比较。

✅ 本页标注三点，而第三点是本页收它的真正理由： 1. ⚠️⚠️ 这组数字的特殊之处是说话人同时是使用方与收购方：✅ 使用方身份让它比纯卖方宣传多一层（他们确实把它装在自己的支持站点上），⚠️ 但收购方身份让"这是一笔好收购"的结论与数字绑在一起——他紧接着的定性就是"那差不多就是一笔好收购长什么样的标志"。 2. ⚠️ "替掉 SDR 组织"这条完全没有数字，✅ 而它恰好是本节里岗位含义最重的一条。本页因此只记它被这样描述过，不记为已发生的替代。 3. ✅ 而本页记下他对定价形态那个很克制的答法，因为它绕开了本页反复出现的"席位制会不会死"："不管他们是按席位付费还是按用量付费，这其实并不真的重要。关键是确保他们开心、成功、会回来。" ⚠️⚠️ 本页标注这条回答没有处理被问到的那一半——客户希望将来需要更少席位，那同一个客户的总支出会不会下降？他没有答。 ✅ 本页判这个没被回答的问题比他答了的那一半更重要：劳动预算叙事成立的前提，恰恰是"省下来的人力钱会流向软件"，而本页目前没有任何一方给出过这个流向的实测比例。

🔗 本页既有的 Jevons 机制材料（Decagon / a16z 的客服版本）与服务边界下移材料给的是方向，✅ 而这一条的位置是：它把方向重复了一次，但没有补上量。本页记为样本，不记为证据。

⚠️⚠️ "两年后 PR 合并数会很荒谬——那你的主指标是什么"：一个被明确提出、明确没有答案的问题（Stanford CS146S，2026-11-08）

来源：Latent Space × Mihail Eric（嘉宾 Mihail Eric / Stanford 兼任教授、Monaco 的 Head of AI；主持 swyx）

⚠️⚠️ 一、本页判这是本页目前最有价值的一个空白

（[01:48:52]–[01:49:53]）swyx 把问题推到底：

"所以我要反过来问你——我们存在是为了解决的那个首要问题是什么？比如说今天一个工程师，你是按你的 PR 合并率、PR 贡献率来衡量的。好，两年后那会很荒谬。那你的主要那件事是什么？"

• ⚠️⚠️ 嘉宾的回答是："我不知道。"
• 接下来被试过又被否掉的候选，本页照录，因为这个否掉过程就是这条问题的全部现有进展：
• "钱" → swyx 自己否掉："人们总是太快跳到钱。它是钱和 PR 之间的某个东西。"
• "客户满意度、你做的功能带来的 CSAT 分数" → "即使那个，那也像是产品决策，不太算代码决策。"
• ⚠️ 嘉宾给的半个答案是把岗位本身换掉："但如果工程正在演化成更像 PM 工程师、产品工程师那种混合体，那我觉得那就是'角色会演化成什么'这个问题的一个答案。"
• ✅ 他能给的可执行建议只到这一层："我今天会建议学生花更多时间去想整体系统，而不只是你在工程拼图里那一小块，以及那一块怎么和别的接起来。" 落地形式是把 capstone 选题种子设成 YC 的 request for startups——"我几乎是在说：去建一家公司"。
• 🔗 ✅ 本页标注这条在本页里的位置，因为它把既有材料统一否掉了一层：⚠️⚠️ 本页此前关于指标的材料都是在给新指标：Warp 的"每个被 merge 的 PR 人类动手几次" 是平台在度量 agent；Jay Parikh 拒绝把 token ROI 算成收入、换成功能交付/成本节省/参与度/留存/CSAT 是公司在度量投入。 ✅ 而个人被度量什么这个问题，两位在场者都说不出来。 ⚠️ 本页记这是一条明确的空白，而不是一条分歧。

⚠️⚠️ 二、一条雇佣硬门槛：psychosis 作为入职前提

（[01:53:59]）✅ 本页判这是本页此前没有的形态——它不是对技能的要求，而是对一段已完成的失败经历的要求。

"我今天在我公司里就有这个问题——我不想招任何没经历过 psychosis、又从另一头走出来的人。因为我现在正在为某个人经历 psychosis 付钱。那从他的薪水上说非常贵，从 token 上说非常贵，而我什么都没得到，而他也不明白，我的反馈传不进去。"（swyx）

• 他对学生的建议是把成本前置："我几乎会鼓励你的学生先去经历 psychosis，然后走出来，然后说：好，我当时哪儿不对？"
• ⚠️ 第二位主持给的学生版本："你以为你在高产，其实不是。你在做 Notion 图表、做各种个人优化，然后发现——糟了，我经历了 psychosis，但什么都没变。"
• ⚠️⚠️ 而本页把它与同期嘉宾那条"地板抬高了"并读，记一处本页目前最悲观的张力：
• 嘉宾（[00:06:01]）："地板高多了。只做到一个 L3 是不够的。你一般得比那个好，几乎要到 senior 的水平才进得去。"
• ✅ 两条合起来是：⚠️⚠️ 毕业就得接近 senior，而 senior 水平里还有一项不可速成、只能靠烧钱烧时间获得的东西。 ✅ 本页判这比任何"学生会不会 cooked"的讨论都更具体，因为它来自一个实际在付薪水的人。 🔗 而它对初级岗位的含义与 Legora 那条"初级岗位没消失" 方向相反，本页两条并存、不做归并——Legora 讲的是法律业的合伙制金字塔，这一条讲的是小型 AI 创业公司的招聘。
• 🔗 而"品味断层"这条线上唯一的机构级处方（把开源维护者调来做 review）记在 AI 与教育。

⚠️ 三、platform engineer：本页目前交叉验证最强的一条"新岗位"

（[01:40:50]–[01:41:50]）

• 嘉宾主动点出来的："一个我觉得越来越重要的未来岗位——platform engineer。我觉得这是个巨大的。" 职责范围："在现代，他们拥有 cloud、拥有 devx、拥有 security ops——所以是全部这些东西。"
• ⚠️ swyx 给的判据是风险集中度："所有你真的可能把公司搞没了、或者会决定成败的地方——那是 platform 的人。" ✅ 他自述这是他自己的职业反事实："如果我没去创业，我会去做 platform engineer，因为那是决定所有这些关键任务的角色。"
• 🔗 ✅ 本页标注它与本页上面 Warp 的 factory engineering 那一节 落在同一个位置：⚠️⚠️ Zach Lloyd 预测会分化出一个"工程化那条产线"的新职能，而他把受众限定为"工程经理、CTO，也非常常见地是平台团队"。而这一期两人独立地把同一个岗位名叫了出来。 ✅ 本页判这是目前关于"新岗位"最有交叉验证的一条——两期、两位受访者、同一个职能、不同的命名。 ⚠️ 而本页记两者的差别：Warp 那条给的是新名字（factory engineering），这一条给的是既有职位名的职责扩张（platform engineer 多拿下 security ops 与 devx）。后者更可被招聘数据检验。

⚠️ 四、"manager of agents"，以及一条可直接拿来降温的参照

（[01:45:51]–[01:46:51]）

• 嘉宾自己标 "manager of agents" 是 buzzword，但给了一个具体类比："甚至一家公司的 CEO 也必须对各个组成部分有足够的监督与理解，才能对方向做出判断——才能纠偏、才能设定指标。" 他认为这个类比能平移到"监管技术那一侧的人"。
• ⚠️⚠️ 而 swyx 给的参照本页认为是目前最可直接拿来反驳"岗位马上要合并"的一条：

  "坐在你这个位置之前的是 Anthropic 的产品负责人和平台工程负责人。我问他们：你们的岗位什么时候会合并？他们说，还没到。所以如果 Anthropic 都还没到，你不该觉得这件事迫在眉睫。"

• 🔗 ⚠️ 那一期是 2026-10-27 Anthropic 平台团队，而本页记这条转述未在该页核对过，标为 swyx 的转述。 ✅ 他另补了一处松动："确实有很多'好吧，我在做她的活，她在做我的活'这种。"

⚠️ 五、"人留在哪两处"：本期给的答案，以及它被同期材料削弱的两处

（[01:41:50]–[01:42:50]）嘉宾的答案是两点：

"今天我觉得答案是 intent 和 review 的某种组合——intent 是你在定义 spec、定义需要被造出来的东西，review 是你在做某种程度的自己的检查。"

• ⚠️ 他对两者的先后给了一个判断："我觉得那个瓶颈（review）会在 intent 那一块之前先被放松。"
• ⚠️⚠️ 而本页标注这两个咽喉点在同一期里都被削弱了：
• review 侧：swyx 指出"codebase 级的 spec 是所有 PR 的总和"而模型做不好、"人类是 spec 之神"——这说的是 intent 侧的担子更重，而不是更轻。
• intent 侧：上面第一节那条"主指标换成什么"整段没有答案，而 intent 的质量恰恰需要一个指标才能被衡量。
• ✅ 本页判这两处是同一个缺口的两面：⚠️⚠️ "人留在哪儿"被讲清楚了，而"留在那儿的人用什么判断自己做得好不好"在同一期里被明确问出、明确没有答案。