AI赢过顶尖专家之后,普通人最先该调整的不是专业,是位置
AI"赢过顶尖专家"最近确实有了实打实的比分,但它赢的是任务,不是职业——对普通人来说,真正需要提前调整的,是把位置从"生产答案"挪到"判断、核验、担责"的环节,并把经验积累的方式从等公司派活,换成自己跑完整闭环。
11月12日,未来医生联合国内顶级三甲医院胸外科团队公布了一项实验结果:250名三甲医生在无辅助条件下平均得分53.26,医疗大模型MedGPT得85.29;同一道病例一对一比,在750份诊疗方案中AI获得660次更高评分,比分88比12。新智元动脉网
这是近期最刺眼的一组"AI战胜专家"数字,但它的边界必须先说清。这套打分体系的前置设计相当严格:研究团队从100例复杂肺癌病例中筛出40例"灰区"难题——指南推荐不明确、共病与治疗限制冲突、多因素交织或治疗时序直接影响结果的病例,再由20位多学科顶级专家先给每例定好6条参照标准,共240条规则,每条都写死成立与不算数的条件,其中40条是踩线直接判负的安全红线。参与对比的也不是泛泛之辈,250名医生均来自三甲医院,覆盖全国27个省级地区、98个标准化中心,覆盖胸外科、呼吸科、肿瘤科三大关键科室,代表了该领域的中坚力量。新智元动脉网
这项研究由企业和医院团队联合开展、在其关联公众号首发,衡量的是方案对关键临床要求的说明是否充分——有没有主要方案、有没有备选路径、每条路径的成立条件是什么,它给出的不是"更聪明的回答",而是"可被追问的判断"。换句话说,AI赢下的是"结构化、可审查、有预设规则"的那类任务。动脉网
同一时间窗口里,诊断环节不止赢了一次:微软在《科学》杂志上甩出一篇论文:自家AI诊断系统诊断正确率83%,对照组的全科医生只有36%,微软AI CEO苏莱曼直言,这是通往「医疗超级智能」的一步。其针对325个急诊患者病例的另一组评估显示,AI系统的诊断准确率约为80%,医生约为47%。新智元字母榜

另一项证据指向"赢"的另一种含义。Anthropic对齐团队10月底公布一项随机对照实验,让50位资深数据分析师用AI完成真实的商业分析,却在背后用"掷硬币"的方式偷偷给AI设定立场,分析师全程不知情。新智元
实验结果令人意外:综合四个技术决策点,86%的专家判断跟着AI被随机指定的倾向走了;在38个分析师已提前表达立场的案例中,AI唱反调时60%的人改了主意,AI附和时只有6%改主意;事后仅15%的人注明AI来源,52%认为最终建议主要属于自己。顶尖专家的判断,正在被不知不觉地改写——这比比分本身更值得普通人警觉,因为它意味着"人类兜底"这道工序并不天然可靠。新智元

被抽走的第一级台阶,在最底下
把视野从实验室挪到就业市场,会发现AI率先改变的不是专家的位置,而是普通人的入口。机制未必以裁员的形式出现:公司既没有裁员、工资也没有下降,但过去交给新人的那部分工作已经由老员工借助AI完成,原本会出现的招聘名额最终没有获批。涌现

斯坦福数字经济实验室今年8月公布的研究是迄今最醒目的观测:用美国薪资服务商ADP的数据,截至2026年6月,高度受AI影响的职业中,22至25岁员工的就业规模比低影响职业同龄人轨迹推算的水平低约19%,且主要表现为年轻人招聘减少而非离职增加。需要准确理解这个数字:它衡量的是特定样本中两类职业年轻员工就业走势的相对差距,属于描述性证据;研究者本人也强调,现有结果无法确定差距究竟有多少由AI造成。涌现
这个问题已经被提到国际议程上。10月12日,新加坡总统尚达曼在国际货币基金组织和世界银行年会上提醒各国关注AI对毕业生就业的冲击,特别指出职业生涯的第一级台阶正面临需求减少。涌现

中国的政策信号已经跟上。2026年10月23日,国务院办公厅印发《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》,把AI应用的就业风险评估、校企联合培养和就业监测预警纳入重点部署。国家层面第一次把AI的就业替代问题当作需要建立机制去评估、去对冲的长期变量,而不是等它发生后再补救。谭寅亮教授
压力端的数字同样明确:教育部此前预计,2026届全国普通高校毕业生规模达1270万人。对于这样一个庞大的群体,仅仅知道市场上有多少岗位还不够,也需要知道其中有多少岗位愿意接纳、培养新人。谭寅亮教授
提前调整什么:位置、经验、观察点
第一,选岗标准从"行业有没有前景"换成"岗位留没留判断和责任的口子"。 同样在AI冲击大的行业里,负责产出交付物的环节和负责定标准、复核、对结果负责的环节,处境完全不同。实验团队自己的结论也划出了这条线:AI负责高效完成信息整合与方案推演,人类医生则承担起共情、判断与责任。AI能输出诊疗参考,却不签字、不担责、无法共情病痛——这是"判断与责任"环节在可见期限内属于人的理由。Anthropic的实验则给出反面警示:如果只是把AI的建议抄过去,“负责复核"就只剩流程意义,这一岗同样保不住;稀缺的不是"人在场”,而是真的能看出AI哪里错了的判断力。动脉网
第二,把经验积累从"等基础活"改成"跑完整闭环"。 初级工作过去是完成任务兼训练人,现在训练环节可能整个被跳过,经验得自己造:接到任务先独立写下自己的判断和方案,再去问AI对照差异——Anthropic研究者给出的实操建议正是如此,“先写下自己的答案,再去问AI,那张纸就是你的陀螺”。对简历和晋升材料来说,多写几个AI工具名称,作用有限;更有说服力的是一个完整项目:你面对什么问题,核实了哪些信息,发现并改正了什么错误,最后产生了什么结果。新智元谭寅亮教授
第三,动手换赛道之前,先看三个可观察的信号。 一是本行业招聘JD里基础任务(整理、初稿、核对)的比重是否持续压缩;二是所在公司的校招名额与社招资深岗位是否明显分化——眼下的秋招里,美团招聘官网已经列出面向应届生的AI全栈工程师、AI后端开发工程师等岗位。入口收窄和新岗位开发是同时发生的,只盯一头会误判方向。谭寅亮教授
三是培养新人的资源在往哪走——国务院《实施就业优先战略「十五五」规划》已提出实施百万就业见习岗位开发计划。行业不能只需要有经验的人,却不再给没有经验的人机会——这条信号线,比任何单一公司的表态都可靠。谭寅亮教授
不必恐慌的理由,和不能省的功课
证据还没有支持"AI全面淘汰某个职业"的程度。国际劳工组织的职业任务分析提供了一个有用的背景:多数职业仍包含需要人参与的任务,AI技术更可能使这些工作内容、过程重组,而非使整份职业直接消失。涌现
跨国证据也没有给出整齐划一的答案。一项研究将丹麦的 AI 聊天机器人使用调查与行政就业记录相连接,在其所考察的 ChatGPT 推出后的两年内,尽管AI 使用已经深入工作甚至重组工作,却没有对收入和记录工时产生显著的平均影响。围绕这类医疗AI,资本市场的定价逻辑也说明了同样的事:锚定的不是参数规模,也不是榜单分数,而是三件可计量的事——能嵌入多少医生的决策流程、能覆盖多少支付方、判断能否被审计。涌现动脉网
所以"AI若能赢过顶尖专家"这个问句,对普通人的真实含义不是去和AI拼专业深度——那条赛道连顶尖专家都守不住全部——而是回答一个更朴素的问题:在一场专家都会被带偏86%的比赛里,你凭什么环节让人相信最终签字的那只手不是橡皮图章。位置挪对、经验自己造、信号盯住,这三件事今天就可以开始,不必等到比分公布在自己所在的行业。
当前文章无评论,是时候发表评论了