数据：冲击比想象温和

斯坦福大学经济政策研究所（SIEPR）的一项分析显示，自 2022 年 ChatGPT 发布以来，受 AI 影响最大的 20% 劳动者，失业率仅上升 0.77 个百分点，反而低于受 AI 影响最小群体的 0.85 个百分点。应届生失业率一度达到 5.6%，高于 4.2% 的全国均值，但远程办公退潮与疫情期过度招聘的回落同样难辞其咎。

「在那些我们预期最先受到冲击的职业里，就业趋势基本稳定。」报告合著者、斯坦福研究员 Erika McEntarfer 表示，「计算机革命用了几十年才彻底改变劳动力市场，眼下的情况与之惊人相似。」

真正发生的是「改变」而非「消失」

招聘端的信号更清晰。ZipRecruiter 最新雇主调查显示，74% 的雇主将 AI 技能视为显著优势或硬性要求，13% 的公司在全公司范围强制要求；半数受访雇主期望候选人在入职第一天就已是熟练或进阶的 AI 使用者。

「最清晰的趋势线是门槛在升高，而不是岗位在收缩。」ZipRecruiter 劳工经济学家 Nicole Bachaud 说。纽约大学斯特恩商学院的 Robert Seamans 将 AI 的影响分为三类——被淘汰、被创造、被改变，其中「被改变」这一类远远最大。斯坦福教授 Nicholas Bloom 则用「湍流」形容当下：AI 一边摧毁一些岗位，一边催生出部署、销售、维护与开发 AI 系统的工作。

灵活用工可能扩张

风险也并非不存在。麻省理工学院荣誉退休教授 Paul Osterman 在新书《Disposable Workers》中指出，约 35% 的美国劳动力已被视为容易替代，AI 只会加剧这一趋势，更多企业会转向合同工与自由职业。在他看来，高技能劳动者的对策是提升技能与外部人脉，而底层劳动者更需要公共政策托底。

来源：The Guardian / Varsha Bansal（2026-08-12）

科技媒体 ZDNET 的专栏作者戴维·格维茨（David Gewirtz）近期把注意力投向了一门 2011 年的老课程——由彼得·诺维格（Peter Norvig）与塞巴斯蒂安·特龙（Sebastian Thrun）在斯坦福大学开设的《人工智能导论》。这门课目前由在线教育平台 Udacity 免费开放。

一门促成了 Udacity 诞生的课

这门课在规模和影响力上都称得上标志性事件。最初的线上版本吸引了超过 16 万人报名，是最早的大规模开放在线课程之一，也直接为特龙后来创办 Udacity 铺平了道路。

两位授课者的分量不容小觑。诺维格是斯坦福以人为本人工智能研究院的杰出教育研究员，同时担任谷歌研究总监，还是《人工智能：一种现代方法》的合著者——这本教材至今仍是多所高校人工智能课程的主选，2026 年在卡内基梅隆大学、波士顿大学、得克萨斯农工大学、圣何塞州立大学等校依然在用。特龙则是 Udacity 的创始人兼执行主席、前斯坦福教授、谷歌院士，以自动驾驶和机器人领域的开创性工作为人熟知。

格维茨推荐这门课的核心理由是：它把人工智能当作计算机科学的一个完整分支来讲，而不是把”人工智能”简化成大语言模型的代名词。

课程讲什么

课程内容覆盖十二个方向：

• 问题求解与搜索
• 概率与概率推理
• 机器学习与无监督学习
• 基于逻辑的知识表示
• 规划，以及不确定条件下的规划
• 强化学习
• 隐马尔可夫模型与滤波
• 马尔可夫决策过程
• 对抗搜索、博弈与博弈论
• 计算机视觉
• 机器人与运动规划
• 自然语言处理

这些都不是转瞬即逝的产品或功能，而是数学和概念层面的长期基础。围绕它们建起来的技术会一直变，底下的东西却相当耐久。这也正是它能与当下的生成式人工智能课程形成互补的原因——即便到今天，大语言模型也无法解决所有人工智能难题。

格维茨的观察是，这门课呈现的是聊天机器人主导公共讨论之前，研究者们认为最根本的那批问题。它同时说明了一件事：智能远不止于生成文字和图像，人工智能系统还需要表示知识、评估不确定性、搜索解法、规划行动、感知周遭环境，并从结果中学习。

要花多长时间

Udacity 没有公布完课时间估计。课程包含 22 节主课，此外还有习题集、导论和考试等内容。格维茨完整上了博弈论那一节，其中包含 19 个片段，连同练习一起花了大约两小时。按这个节奏推算，他建议为整门课预留 75 到 100 小时。

这个投入量并不轻松，因此有必要把这门课的定位说清楚。

明确的局限

这确实是一门老课，短板显而易见。部分示例和术语带着明显的年代痕迹，视频与音频质量也达不到如今的水准。更关键的是，它的诞生早于 Transformer、大语言模型、扩散模型以及当代所有人工智能开发框架，课程内容也完全没有涉及人工智能伦理，以及这项技术正在世界范围内引发的种种现实议题。

格维茨因此强调，这门课不能替代面向当下的生成式人工智能培训，正确的用法是把它当作新课程的配套材料：如果只想学会怎么把需求丢给聊天机器人，一门生成式人工智能培训课或许就够了；但若想理解那些不会随版本迭代而失效的基础概念，看清人工智能这个领域远比 ChatGPT 大得多，那么诺维格与特龙的这门课值得花时间。

对中文读者来说，还有一个现实层面的便利：Udacity 的课程页面可以正常访问，注册后即可免费学习，无需付费解锁。课程使用英文授课，具备一定英文阅读能力是前提。

来源：ZDNET《Taught by AI pioneers, Stanford’s free online course takes you far beyond ChatGPT》，作者 David Gewirtz；课程信息核对自 Udacity 官方课程页

这门课具体讲什么

Udacity 免费开放了 Peter Norvig 与 Sebastian Thrun 于 2011 年在斯坦福开设的《人工智能导论》。当年超过 16 万人注册，是最早的大规模开放在线课程之一，也直接催生了 Udacity。

Norvig 是斯坦福以人为本人工智能研究院杰出教育研究员、谷歌研究总监，合著的《人工智能：一种现代方法》至今仍是卡内基梅隆、波士顿大学等校主流教材；Thrun 是 Udacity 创始人兼执行董事长、前斯坦福教授，以自动驾驶和机器人领域的开创性工作闻名。

课程覆盖问题求解与搜索、概率与概率推断、机器学习与无监督学习、用逻辑做知识表示、规划与不确定性下的规划、强化学习、隐马尔可夫模型与滤波、马尔可夫决策过程、对抗搜索与博弈论、计算机视觉、机器人与运动规划、自然语言处理。

打算学的话，先掂量三件事

1. 留足时间。 共 22 节主课，另有习题集和考试。Gewirtz 上了博弈论那节，19 个片段连做题花了约两小时，他建议整门课按 75 到 100 小时预留。
2. 接受它的年纪。 部分例子和术语已显陈旧，视频音质也不如今天，但内容深度还在。
3. 别拿它当替代品。 这门课早于 Transformer、大模型和扩散模型，也不涉及 AI 伦理，定位是新课程的补课材料。

说白了，只想让 AI 帮你把活干完，现成教程够用；想搞清楚它为什么这么干、什么时候会失手，这门老课值得花时间。

来源：ZDNet

从基因组语言模型到活的病毒

主导这项研究的，是斯坦福大学化学工程学者 Brian Hie 及其团队。他们借助 Evo1 与 Evo2 两套「基因组语言模型」来设计噬菌体的完整基因组——这两套模型可以视作生物版本的聊天机器人大模型，只不过它们学习的是 DNA 序列而非人类语言。

训练数据来自约 200 万条噬菌体基因组。研究者在训练时有意排除了能够感染植物、人类及其他动物的病毒序列，以降低模型产出危险病毒的风险。AI 据此生成了数千个候选基因组，研究者从中挑出近 300 个在实验室里合成，并注入细菌，由细菌「照单生产」出新的噬菌体。

这个过程效率并不高：最终只有 16 个噬菌体被证实可以存活，但把它们混合后，却迅速突破了两种耐药大肠杆菌菌株的防线。研究团队在论文中写道，能够「快速设计」基因组并针对特定菌株进行微调、同时克服耐药性的能力，有望「重塑噬菌体疗法」，并拓展整个生物技术的工具箱。

生物安全警钟同时敲响

在论文配发的评论文章中，约翰斯·霍普金斯大学健康安全中心的 Tom Inglesby 与 Moritz Hanke 两位学者强化了警告：「虽然这对生命科学研究充满希望，但它同样提出了紧迫的生物安全与生物防御问题。用生成式 AI 拼装病毒基因组的能力现在已经存在，而安全引导它的治理机制还不成熟。」

这样的基因组可能编码出新型病原体，而现有手段无法将其控制。

研究者自己也在论文中承认，这项工作带来了「重要的生物安全、生物防护与生物防御考量」，并呼吁所有设计完整基因组的人「在整个项目过程中都要咨询安全与防御专家」。

伦敦帝国理工学院的 Tom Ellis 教授认为，这项研究确实令人印象深刻，但也暴露出设计更复杂基因组有多难：「这可以说是最小、最容易造的基因组。」他同时提醒，一个在危险病原体基因上训练出来的 AI 确实可能被用来设计更有害的病毒，但控制基因数据访问、对疑似危险的基因组设限会有帮助。不过他也直言，比起用 AI 从零写病毒，直接拿现成病原体做「功能增益」式改造要容易得多，那才是更现实的危险。

伦敦国王学院的 Filippa Lentzos 则把视线拉到更宏观的治理层面：「最重要的是在 DNA 被制造的那一刻介入。」她主张分层监管：模型开发与访问要设防、研究评审要尽责、合成环节要筛查，再加上实验室层面的生物安全规范。

这场研究与警示，恰好把「AI 能力跑在治理前面」的命题摆上了台面：当设计病毒基因组的门槛因 AI 而骤降，如何让它止步于治病而非造病，正成为科学界与监管者必须共同回答的问题。

来源：The Guardian、Science

硬数据：入门级岗位招聘已明显萎缩

斯坦福数字经济实验室主任Erik Brynjolfsson（埃里克·布林约尔松）展示的研究数据显示，AI暴露度高的职业，入门级岗位招聘量已经出现了可量化的下降：

• 软件开发：22至25岁初级开发人员的招聘量较AI普及前下降了约 20%
• 客服/呼叫中心：初级岗位招聘量减少了约 15%

这些数字不是预测，而是已经发生的事实。

前美国劳工统计局负责人、现任SIEPR政策研究员Erika McEntarfer在峰会上表示，虽然整体就业市场并未崩盘，但AI暴露度高的岗位正在明显走弱。”那些最容易被AI替代的职业，失业率正在缓慢上升。”她补充说，过去18个月招聘放缓主要集中在AI可替代的脑力劳动岗位，而非体力劳动岗位。

从”金字塔”到”钻石”：职业阶梯正在变形

峰会上经济学家们提出了一个形象的比喻：传统职业结构像一座金字塔——底部是大量入门岗位，越往上越少。但AI正在做的事情，就是逐步消解金字塔的底部。

AI模型已经能够接手撰写样板代码、处理例行客户咨询、整理法律文件等入门级工作——而这些恰恰是新人积累经验、往上晋升的必经之路。

斯坦福商学院经济学教授Charles “Chad” Jones指出，当金字塔底部被压缩后，职业结构更像一颗”钻石”——中层岗位相对增多，但底层入门岗位急剧减少。”如果你连第一级台阶都踩不上去，那整个职业阶梯对你来说就失去了意义。”

生产力提升与就业冲击并存

Brynjolfsson在研究中发现一个矛盾现象：AI带来的生产力提升最显著的领域，恰恰是初级岗位就业收缩最严重的领域。

他对此态度明确：”我相当确信AI会带来生产力提升和财富增长，但我非常担心这些收益不会被均匀分配——很多人会受到严重冲击。”

企业层面的调研数据验证了这一趋势。麦肯锡的调查显示，约三分之一的机构预计AI将在未来一年内缩减员工规模，其中服务运营、供应链和软件工程是预期减员比例最高的领域。几乎所有职能部门中，企业预期的岗位缩减规模都高于过去一年已出现的减员幅度。

给年轻劳动者的三条建议

面对这场结构性的变革，经济学家们为年轻劳动者提供了具体建议：

1. 用AI学习，而非替代。Brynjolfsson的研究显示，用AI来学习新技能的劳动者，就业前景反而在增长；而那些只把AI当作”省事工具”的人，就业则在下降。

1. 找到人类优势的”瓶颈点”。Jones建议，在一项工作的任务链条中，找到那些AI无法自动化的”薄弱环节”——定义问题、评估方案、跨领域判断——并把精力集中在这些环节上。

1. “能搞定事情”本身就是价值。McEntarfer的建议相当务实：”永远不要低估’能把事情干完’的能力。不管你的技能清单有多长，老板看重的始终是你能不能出活。”

政策层面的盲区

Brynjolfsson直言，在政策应对方面，政府几乎是”闭着眼睛飞行”——缺乏实时数据，也缺乏帮助劳动者转型的培训基础设施。他呼吁建立更灵活的劳动力市场机制，包括更好的实时就业数据和充分的技能培训项目，帮助被AI替代的劳动者重新进入就业市场。

这场变革的大幕才刚刚拉开，而数据的指向已经非常明确：AI正在重塑就业市场，而首当其冲的，是那些刚刚踏入职场的人。