敲响一口钟，声音听起来是慢慢消失的，但在量子世界里，它其实是一跳一跳没掉的。2026 年 9 月 17 日，斯坦福大学团队在《科学》期刊发表研究，首次在真实时间里直接观测到单个声子——也就是声音的最小量子单位——消失的瞬间，填补了量子跃迁研究在”声音”这一对象上的长期空白。

声音的能量是一格一格少的

量子跃迁指的是一个量子系统从一个能量状态突然跳到另一个状态的现象，这一概念由尼尔斯·玻尔在 1913 年提出。科学家此前已经在囚禁离子（1986 年）和光子（2007 年）身上观测到这种跃迁，唯独声音的量子跃迁始终没能实时目睹。原因在于，声子并不是一颗飞来飞去的小颗粒，而是固体中大量原子协调振动的一份能量；日常音叉里同时存在的声子多到天文数字，单个丢失看起来自然是平滑渐弱。

更深的困难在测量方式上。常规手段测的是振子的”位置”，其平均值完全可以平滑变化。要看到跳变，必须反复直接询问振子”现在还有几份能量”，而且问的方式不能把它碰坏——这类测量被称为量子非破坏性测量。

微米级”音叉”配超导探测器

斯坦福团队的方案是把两个器件拼在一起。一个是用芯片工艺制造的微米级机械谐振器，工作原理类似一把微型音叉；团队特意把它的振动寿命设计得足够长，达到约 2 毫秒。放到宏观尺度类比，这相当于一把普通音叉能持续振动数个小时，为连续测量留出了充足窗口。另一个是超导量子比特，充当读出振子状态的”探测器”。两者通过转移印刷技术集成到同一块芯片上，互不拖累。

在谐振器振动衰减的过程中，量子比特反复清点其中的声子数，区分”存在一个声子”和”没有声子”两种状态，连续进行了数百次读数，最终捕捉到振动能量从数值 1 跳到 0 的精确瞬间。论文共同第一作者高间拓真与埃里克·萨基尔负责开发了让谐振器与量子比特集成而不损伤任一组件的制备工艺。

对量子计算与传感意味深长

这项研究由斯坦福大学应用物理学教授阿米尔·萨法维-纳伊尼领衔。他认为，能够探测声子的量子跃迁，有望帮助解决量子计算的关键问题——在许多量子计算架构中，一次不受控的量子跃迁本身就代表一次计算错误，而实时定位这类跳跃，正是纠错的前提。

由于谐振器采用标准芯片制造工艺，单块芯片上可集成大量器件，这一平台也具备成为超灵敏传感器的潜力。萨法维-纳伊尼团队正与加州理工学院物理学家迈克尔·鲁克斯的团队合作，探索利用该平台在细胞内部检测和识别蛋白质。研究人员还表示，对声音的精细量子控制，未来或许能改善智能手机等依赖声学技术的消费电子设备。

从 1913 年理论提出，到 1986 年、2007 年分别在离子与光子上验证，再到 2026 年首次在声音上实现，量子跃迁的百年追猎又补齐了一块拼图。

「垃圾手榴弹」横飞

吕特克去年曾要求员工把使用 AI 当作基本要求——在申请更多资源前，先证明现有工作无法用 AI 完成。如今他却批评员工把未经检查的 AI 邮件和代码直接交出去，却不愿为粗糙的结果负责。「我们把这种东西叫作『垃圾手榴弹』（slop grenades），人们把它们互相扔来扔去。这绝对是一件坏事。」

他指出，让 AI 彻底放开手脚很容易，但滥用只会把麻烦转嫁给接收和审核工作的人。AI 本该帮助整理邮件要点，而不是把几句话扩写成浪费别人时间的长篇大论。「你自己根本没认真读，现在却要让同事来审核，他们看完会说『这个不太对劲』。你只是把工作直接丢给 AI 去做。」

多邻国也踩了刹车

多邻国 CEO 冯·安同样收回了此前的激进立场。去年他宣布公司转向「AI 优先」，员工考核参考 AI 使用情况，部分人工承包商被 AI 取代，只有团队无法自动化时才增加人手。今年 5 月接受《Fast Company》采访时，他坦言自己曾被 AI 在写作演示中的出色表现「冲昏头脑」，但真正扩大规模后才发现，AI 最终仍比不上员工的创造力。「我们可能需要写 1000 个不同的故事来帮助人们学习语言，到最后你会发现，其中 20% 完全就是垃圾。每当我们用 AI 大规模处理工作时，都必须非常小心，不能让这些垃圾混进来。」

「workslop」有了学名

研究人员把吕特克描述的现象命名为「工作垃圾」（workslop）：表面精致、看似像模像样，实际却缺乏实用内容、还需要别人返工的 AI 产出。BetterUp 实验室与斯坦福大学社交媒体实验室今年调查了 962 名美国全职办公室员工，结果超过一半（52.7%）的受访者承认把 AI 工作垃圾发给过同事，而且所在机构越鼓励使用 AI，这种情况越常见；另有 38% 的受访者称收到过这类内容，平均每月要花 3.4 小时修改。

这类产出还会伤害同事关系——一旦对方怀疑收到的是 AI 工作垃圾，就会认为发送者能力更差、也更不友善；在收到过的人里，36% 表示今后希望避免再与这些同事合作。

返工成本持续走高

成本也在攀升。去年同主题调查中，40% 的受访者称遇到过 AI 工作垃圾，平均花费 2 小时修改；今年这一数字升至 3.4 小时。按 2025 年的估算，单名员工每月修改这类内容造成的成本约 186 美元（约合 1249 元人民币），而一家拥有 1 万名员工的机构，每年因此损失的生产力成本最高可达 900 万美元（约合 6042.7 万元人民币）。

AI 进入职场已是不可逆的趋势，但「用了 AI」不等于「提高了效率」。当工具把产出门槛降到极低，真正的瓶颈反而回到了人的判断与责任：哪些内容值得发出、哪些必须自己读过再交付。大佬们集体踩刹车，提醒的正是这一点。

这项研究是斯坦福数字经济实验室“煤矿里的金丝雀？关于AI近期就业影响的六个事实”系列的最新版本，于2026年8月更新，由埃里克·布林约尔松（Erik Brynjolfsson）等人撰写。上一版报告中这一差距为13%，新数据表明差距正在扩大。

研究团队使用了人力资源公司ADP汇总的大规模匿名高频薪资数据，并参考了此前的劳动力市场影响评估指标，以及Anthropic经济指数（衡量各行业实际使用Claude模型的方式）和谷歌基于Gemini使用情况的类似报告，来给每个职业的“AI暴露度”打分。

整体来看，在全经济范围内，受AI影响最大与最小的岗位之间相对就业差异并不明显。但当把22至25岁的年轻劳动者单独拎出来后，趋势十分清晰：自2022年以来，处于AI影响度前40%的岗位中，这一年龄段就业下降了约11%；而在受AI影响最小的60%岗位中，同龄人就业同期增长了10%。

研究人员进一步发现，这种现象主要通过入门级岗位招聘率下降体现，而非裁员或员工主动离职增加；受影响的主要是整体就业人数减少，而非薪资下降。

Anthropic经济指数将任务分为“自动化”（完全替代人力）与“增强型”（辅助人力提效）两类。会计与审计员、接待员与信息文员被归为最易被AI自动化替代的岗位；而首席执行官、注册护士则更多使用AI作为增强工具。研究显示，自动化取向的AI使用与入门级就业下滑直接相关。

研究还提出，依赖“显性知识”（可通过教材、文本、流程文档传授的标准化知识）的岗位，其入门级就业增长更慢；而依赖“隐性知识”（通过实践、师徒传承获得）的岗位，中高级劳动者就业增长更快。使用O*NET职业数据库的教育要求作为代理指标，结论得到印证：大学毕业生占比较高的岗位，AI带来的就业差异被明显稀释。

布林约尔松近日接受《华盛顿邮报》采访时警告，当前趋势预示一个未来：前AI时代入职的人岗位大体保留，而新进入职场的一代人，许多岗位正在悄然消失。“我们测到的入门级影响是真实的、持续的，而且在扩大，”他说，“比起一个整体就业水平不变、却悄悄关上新人上升通道的劳动力市场，我更感到担忧。”

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。