作者：@字符序列
当我们讨论“哪些工作会被 AI 替代”时，很容易按照职业或者学科去排序：程序员、会计、律师、科研人员，谁会先消失？
但这种问题本身可能就问错了。
AI 很少一次性取代一个完整职业。一个人的工作往往由很多不同任务组成，其中一些任务可能很容易交给 AI，另一些却很难。
国际劳工组织（ILO）2025 年对近 3 万项工作任务进行分析后发现，全球大约 四分之一的劳动者所在职业存在一定程度的生成式 AI 暴露，但处于最高暴露等级的就业只占约 3.3%。ILO 因此认为，至少在目前阶段，更可能发生的是工作内容的重新组合和转型，而不是整个职业的大规模消失。
所以，比“哪个职业最先被 AI 淘汰”更有意义的问题是：
什么样的任务，最容易被 AI 自动化？
AI 最容易进入的是信息世界
目前的生成式 AI，本质上仍然是一种非常强大的信息处理系统。
如果一项工作的输入可以变成文字、数字、图片或结构化数据，工作过程可以在计算机中完成，输出同样是数字信息，而且最终结果能够被快速检查，那么它通常就非常适合 AI。
软件开发就是典型例子。
程序代码完全存在于数字世界中，而且天然具有反馈机制。AI 可以完成“生成代码 → 运行测试 → 发现错误 → 修改代码 → 再次测试”的循环，而不需要真正进入现实世界。
类似的情况还存在于资料检索、翻译、文本整理、数据分析、报告撰写、部分财务工作和法律文本处理中。
真实 AI 使用数据已经表现出了这种倾向。
Anthropic 2026 年的 Economic Index 显示，Claude 的工作相关使用高度集中在编程和计算机任务上。在 API 场景中，Computer & Mathematical 类任务占约 52%，而 Claude.ai 中约为 36%；Office & Administrative 类任务在 API 中也明显高于普通对话场景。这说明，当企业真正把 AI 接入自动化流程时，最先大量进入的是那些数字化程度较高、能够程序化处理的工作。
微软对约 20 万条匿名 Copilot 对话的研究得到了类似结果。用户最经常让 AI 完成的是信息搜集和写作，而 AI 实际执行得最多的活动则包括提供信息、写作、教学和建议。Computer & Mathematical、Office & Administrative Support 等知识工作表现出了较高的 AI applicability。
这意味着这一轮 AI 自动化和过去工业自动化有一个很有意思的区别：
它并不一定先从传统意义上的“低技能劳动”开始。
大量需要大学教育甚至专业训练的知识工作，反而因为已经高度数字化而较早暴露在 AI 面前。
真正重要的不是任务有多难，而是结果能不能验证
为什么 AI 在编程、数学和标准化推理领域进步特别快？
一个很重要的原因是：
结果容易验证。
一道数学题可以检查答案，一个程序可以运行测试，一个数据库查询可以核对结果。AI 完成任务以后，很快就能知道自己是否成功，然后根据反馈再次尝试。
这种环境非常适合 AI。
相反，有些问题虽然人类看起来并不一定觉得“更难”，但 AI 却很难获得明确反馈，例如：
“这个研究问题值得研究吗？”
“这个设计真的好看吗？”
“这次实验出现异常，是发现了新现象，还是仪器出了问题？”
“这个商业判断五年以后仍然成立吗？”
这些问题通常不存在一个可以立即得到的标准答案。
因此，判断一项工作是否容易自动化时，“智力要求高不高”其实不是最好的指标。
更关键的问题是：
这个任务能不能形成快速、明确、低成本的反馈闭环？
反馈越清楚，AI 越容易通过不断尝试提高能力。
这也能解释为什么 AI 已经能够处理一些非常困难的数学问题。Stanford 2026 AI Index 记录，Gemini Deep Think 在 2025 年国际数学奥林匹克竞赛题目上得到 35 分，达到金牌水平。但同一批前沿模型在一些非常基础的视觉和现实理解问题上仍然可能失败。Stanford 将这种现象称为 AI 的“jagged intelligence”——能力并不是均匀增长的。
从数字世界进入现实世界，难度会突然增加
如果 AI 只需要处理文字、代码和数据，它面对的是一个相对干净的世界。
但一旦真正进入物理环境，事情会复杂很多。
机器人需要处理光照变化、遮挡、材料差异、摩擦、设备老化、传感器噪声、物体位置变化，以及大量没有出现在训练数据里的意外情况。
Stanford 2026 AI Index 给出了一个很有代表性的对比：机器人在 RLBench 这类软件仿真操作环境中的成功率已经达到 89.4%，但在真实家庭环境中的任务成功率仍然只有约 12%。这两个测试并不是完全相同难度的任务，因此不能直接把两个百分比当作严格实验对照，但它们很好地说明了机器人研究中长期存在的 Sim-to-Real Gap，也就是“从仿真到现实的差距”。
现实世界最大的特点之一，就是存在大量例外。
实验室里可能突然出现样品污染、激光偏移、探针损坏、真空泄漏、温度漂移、光纤耦合下降、奇怪的背景噪声，甚至某一批试剂的状态和以前不同。
一个有经验的研究人员可能看几眼数据就感觉：
“今天这个装置不太对。”
但如果要让 AI 独立处理这个问题，它必须同时完成感知、诊断、推理、操作和再次验证。
因此，今天的 AI 已经非常擅长处理关于现实世界的信息，但距离可靠地操纵开放的现实世界仍然存在明显距离。
但现实世界这道屏障正在被机器人打破
这并不意味着实验、制造和其他现实世界工作能够长期与 AI 隔离。
真正重要的变化，是 AI 开始拥有“手”。
在实验科学中，这种趋势尤其明显。
传统实验研究大致是：研究人员提出假设、设计实验、操作设备、获得测量结果、分析数据，再决定下一轮实验。
现在，一些实验平台已经开始把这套流程变成闭环：
AI 设计实验 → 机器人执行实验 → 仪器自动测量 → AI 分析数据 → AI 决定下一轮实验。
这种系统通常被称为 Self-Driving Laboratory（自驱动实验室，SDL）。
2026 年发表在 Nature Reviews Chemistry 的综述指出，自驱动实验室在过去十年中已经从针对单一实验步骤的自动化工具，逐渐发展成能够由算法提出、执行并解释实验的多功能发现平台，只需要有限的人类干预。
因此，AI 对科学研究的影响很可能经历两个相互重叠的阶段。
第一阶段已经大量发生：AI 帮助研究人员查文献、写代码、处理数据、统计分析、模拟计算、绘图和撰写论文草稿。
第二阶段正在发展：AI 开始通过机器人和自动仪器进入实验环节，完成加样、合成、培养、测量、筛选和实验条件优化。
一旦第二个阶段足够成熟，AI 对科研组织方式的影响可能远远超过今天使用聊天机器人的变化。
会做题，距离会科研还有很远
现在有一个很容易产生的误解：
AI 已经可以完成许多博士水平甚至竞赛水平的问题，于是似乎意味着 AI 很快就能够独立完成科学研究。
目前的数据并不支持如此简单的推断。
Stanford 2026 AI Index 收录的 ChemBench 测试中，前沿模型在超过 2700 道化学问题上的平均表现已经超过人类化学专家。
但是，当问题从“回答一道专业题”变成“完成真实科研任务”时，模型能力会明显下降。
在 ReplicationBench 中，前沿模型面对论文尺度的天体物理研究复现任务时得分仍低于 20%；在 PaperArena 这种端到端科研任务中，表现最好的 AI Agent 准确率为 38.8%，而博士专家基线达到 83.5%。针对真实生物信息学分析的 BixBench 中，前沿模型准确率则只有约 17%。
这说明“回答专业问题”和“独立完成科研”之间仍然存在一道很大的鸿沟。
科研不是连续回答几千道专业题。
真正的研究还包括：选择值得研究的问题、提出假设、决定采用什么方法、判断异常、设计验证手段、识别真正重要的结果，以及把一个发现放进更大的知识体系中。
这些环节往往没有即时标准答案，也很难完全写成规则。
判断一项工作是否容易被 AI 改变，可以看什么？
与其制作一张不断变化的“职业死亡名单”，不如观察任务本身。
一个比较实用的判断框架是看七个维度：
| 特征 | 对 AI 自动化的影响 |
|---|---|
| 数字化程度 | 越高，通常越容易 |
| 工作流程标准化程度 | 越高，通常越容易 |
| 结果可验证程度 | 越高，越容易形成反馈闭环 |
| 可获得的数据量 | 越多，通常越有利 |
| 对现实世界操作的依赖 | 越高，通常越困难 |
| 环境的不确定性 | 越高，通常越困难 |
| 错误造成的责任和损失 | 越高，完全自动化越谨慎 |
如果一定要把它写成一个概念模型，可以粗略表示为：
需要强调的是，这不是现有论文提出的定量公式，也不能真的拿来计算某个职业几年以后还剩多少岗位。它只是根据现有研究总结出的一个思考框架。
但这个框架能够解释很多现象。
写代码为什么发展这么快？因为整个任务高度数字化，而且可以运行测试。
财务表格为什么容易自动化？因为数据结构相对清楚，规则相对明确。
为什么医学影像辅助分析可能比真正完成复杂手术更早进入 AI 时代？因为后者涉及真实人体操作、极高的错误成本和现实世界的不确定性。
为什么同样是科研人员，数据分析已经大量使用 AI，而复杂实验装置调试仍然很依赖研究者？因为它们虽然属于同一个职业，却是完全不同类型的任务。
AI 对就业最早的影响，可能不是“大规模裁员”
AI 改变就业市场，并不一定表现为公司突然把大量员工解雇。
另一个可能更加隐蔽的过程是：
企业开始减少新人招聘。
Stanford Digital Economy Lab 在 2026 年 8 月更新的一项研究中分析了 ADP 覆盖的数百万美国劳动者工资和就业数据。
研究人员没有发现整个经济范围内已经出现大规模 AI 导致的就业替代，但他们发现了一个值得关注的年龄差异：截至 2026 年 6 月，22～25 岁劳动者在高 AI 暴露职业中的就业水平，比按照低 AI 暴露同行趋势推算出的水平低约 19%；经验更丰富的劳动者并没有出现类似缺口。
为什么年轻人可能更早受到影响？
因为企业过去需要初级员工完成的大量工作，本身就是资料整理、基础分析、写初稿、写简单代码、制作表格和信息检索。
当 AI 能够承担其中相当一部分工作以后，组织结构可能发生变化。
过去一个团队可能需要“1 名资深员工 + 3 名初级员工”，未来同样的工作量也许可以由“1 名资深员工 + AI + 1 名初级员工”完成。
这里的数字只是为了说明组织结构变化，并不是就业预测。
它说明了一个很重要的问题：
AI 不需要首先把一个成熟员工赶出办公室，才能改变就业市场。
只要一个行业每年减少一部分新人岗位，几年之后整个职业的人才结构就会发生很大变化。
“AI 暴露度”不等于“失业概率”
2026 年，美国劳工统计局（BLS）第一次为其进行就业预测的 831 个详细职业建立了 AI Exposure Categories。
BLS 综合了五类数据，其中三类来自理论上的 AI 能力与职业任务匹配，另外两类来自 Anthropic 和 Microsoft 的真实 AI 使用数据，然后把职业分成 Low、Moderate、High 和 Very High 四类。
但 BLS 在报告中反复强调：
Exposure 不能解释成失业概率。
高 AI exposure 不意味着这个职业一定会减少就业，低 exposure 也不代表这个职业不会受到技术影响。它既不是工资预测，也不是生产率预测，更不是“多少员工会被 AI 替换”的预测。
这是理解所有“AI 将影响 XX% 工作”新闻时非常重要的一点。
AI 对一项任务可能产生两种不同效果。
一种是 Automation：过去需要人完成的任务，现在直接由 AI 完成。
另一种是 Augmentation：人仍然完成这项工作，但借助 AI 能够更快、更好地完成。
现实往往是两种作用同时存在。
所以“一个职业高度暴露于 AI”和“这个职业即将消失”之间，还有很长的逻辑距离。
真正发生的，可能是工作的重新分层
把这些研究放在一起，会出现一个越来越清晰的趋势：
AI 首先进入工作的执行层。
搜索资料、整理信息、计算、翻译、生成文本、编写代码、制作图表、完成基础分析，这些过去需要人投入大量时间的工作正在迅速变便宜。
于是人的价值可能逐渐向更高层移动。
未来越来越重要的问题可能不是：
“你会不会写这一段代码？”
而是：
“为什么要写这段代码？”
不是：
“你能不能找到这些论文？”
而是：
“这些论文里面什么真正重要？”
不是：
“你能不能获得一组实验结果？”
而是：
“这个结果可信吗？它意味着什么？下一步应该做什么？”
这意味着，一些过去被认为是专业竞争力的技能，可能逐渐变成普通的基础工具。
真正稀缺的能力会继续向上移动，包括提出好问题、构建框架、跨领域理解、判断证据、处理异常、理解现实环境、审美、决策，以及为最终结果承担责任。
一个更接近现实的结论
AI 改变工作的顺序，可能既不是简单的“脑力劳动 → 体力劳动”，也不是“简单工作 → 复杂工作”。
一个更接近当前证据的描述是：
封闭的信息世界 → 标准化的现实世界 → 开放而不可预测的现实世界。
第一层已经在迅速发生。文字、代码、数据和规则构成的工作环境，是今天 AI 最熟悉的世界。
第二层正在随着 AI Agent、机器人和自动化实验平台发展。只要现实任务足够标准化，机器就有可能逐渐建立完整闭环。
第三层仍然最困难。开放的现实世界充满噪声、未知、例外以及无法提前写进规则的事件。
因此，真正值得思考的问题，也许不是：
我的职业什么时候会被 AI 替代？
而是：
我的工作中，哪些部分其实只是信息加工？哪些部分可以被标准化？哪些部分需要面对真实世界的不确定性？哪些决定即使 AI 给出了答案，仍然需要一个人判断、负责并承担后果？
前两类工作的成本很可能会持续下降。
后两类能力，在未来相当长的一段时间里，仍然会是人与 AI 分工的重要边界。
参考资料
1. Stanford Institute for Human-Centered AI, The 2026 AI Index Report
本文关于 AI 数学能力、科研 benchmark、机器人现实任务与仿真任务差距的数据主要来自该报告的 Technical Performance 和 Science 两章。
技术能力章节：Stanford AI Index 2026 — Technical Performance
科学章节：Stanford AI Index 2026 — Science
2. Gmyrek et al., Generative AI and Jobs: A Refined Global Index of Occupational Exposure, International Labour Organization, 2025
研究基于近 3 万项任务构建全球生成式 AI 职业暴露指数，是本文讨论“职业转型而非简单职业消失”的主要依据之一。
ILO 官方报告页面
3. Anthropic, Anthropic Economic Index: Economic Primitives, 2026
基于匿名 Claude.ai 与 API 使用记录分析真实世界中的 AI 使用结构，包括不同职业任务、自动化与增强等指标。
Anthropic Economic Index 2026
4. Tomlinson et al., Working with AI: Measuring the Applicability of Generative AI to Occupations, Microsoft Research, 2025
研究分析约 20 万条经过匿名化处理的 Bing Copilot 对话，并将真实 AI 使用活动映射到不同职业。
Microsoft Research 官方页面
5. U.S. Bureau of Labor Statistics, Artificial Intelligence (AI) Exposure Categories, 2026
BLS 综合五项理论和真实使用指标，对 831 个详细职业进行相对 AI 暴露分类，并明确说明 exposure 不能等同于失业或替代概率。
BLS AI Exposure Categories
6. Brynjolfsson, Chandar & Chen, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab, revised 2026
使用 ADP 数百万美国劳动者的行政工资数据研究生成式 AI 普及后的就业变化，尤其关注年轻劳动者与高 AI 暴露职业。
Stanford Digital Economy Lab 官方页面
7. Canty & Abolhasani, The Past, Present and Future of Self-Driving Laboratories, Nature Reviews Chemistry, 2026
综述自驱动实验室如何结合 AI、机器人、自动化实验和反应器技术形成科学发现闭环。
Nature Reviews Chemistry 论文页面