前阵子，我在社交平台上刷到一篇引发热议的经济学论文，其对AI与就业关系的剖析堪称“手术刀级别”。不同于市面上充斥着情绪煽动的AI讨论，这篇文章用海量真实数据，撕开了AI冲击就业市场的残酷现实——它没有制造大规模失业潮，却在悄悄改写职场的底层逻辑。今天，我们就从这篇极具分量的研究出发，聊聊AI究竟如何重塑我们的工作未来。

这篇论文来自哈佛大学，由经济学博士生赛义德·M·侯赛因（Seyed M. Hosseini）和盖伊·利希廷格（Guy Lichtinger）联合撰写，而他们的导师，正是劳动经济学领域的权威学者拉里·卡茨（Larry Katz）。熟悉学术研究的人都知道，有顶尖导师加持，加上严谨的数据分析，这篇论文的结论绝非“纸上谈兵”。它抛开了所有主观臆断，仅用2023年以来美国就业市场的全量数据，还原了AI影响就业的真实路径。

一、诡异的“剪刀差”：初级岗位为何突然“失宠”？

作为曾经被经济学论文“折磨”过的“学术逃兵”，我深知这类研究的价值往往不在结论本身，而在于其层层递进的论证逻辑。这篇论文的第一个核心问题就直击要害：AI真的在冲击就业市场吗？

经济学研究最忌讳“凭感觉下结论”，一切都要以数据为依据。两位研究者没有采用笼统的就业统计数据，而是找到了一个“宝藏级”数据源——来自Revelio Labs公司的招聘与简历数据库。这个数据库堪称美国职场的“全景图”：涵盖28.5万家招聘企业、6200万职场人的简历信息，以及超过1.5亿条招聘记录。要知道，美国总人口约3.4亿，剔除老人、儿童等非劳动人口后，这个数据库几乎覆盖了绝大多数活跃职场人。

当数据被梳理成趋势图时，一个耐人寻味的“剪刀差”出现了：

• 2015年至2022年中，初级岗位（Junior-level）与高级岗位（Senior-level）的就业增长曲线几乎同步，像“手拉手”般稳步上升；
• 2022年中成为关键转折点：高级岗位的就业人数继续“昂首向上”，初级岗位的增长却突然停滞，到2023年中甚至直接“掉头向下”。
  

两条曲线从此“分道扬镳”，形成了鲜明的反差。更值得注意的是，当时美国整体经济环境并未出现大幅波动，既没有爆发金融危机，也没有出现行业性衰退。那为什么偏偏是面向年轻人的入门级岗位，突然变得“不香了”？

时间点成了关键线索：2022年底，ChatGPT正式发布，标志着生成式AI进入爆发期。这个时间点与初级岗位增长“失速”的节点高度重合。但“时间巧合”只能说明“相关性”，不能证明“因果性”。要确认AI是幕后推手，还需要更直接的证据。

二、聪明的“分组实验”：如何锁定AI的“破坏力”？

要证明“AI导致初级岗位减少”，最科学的方法是做“对照实验”——对比“使用AI的公司”和“不使用AI的公司”在岗位招聘上的差异。但问题来了：如何判断一家公司是否真的在应用AI？总不能挨个去问CEO，毕竟企业对技术应用的披露往往“掺水”。

研究者想出了一个“釜底抽薪”的办法：不去看企业“说什么”，而是看它们“招什么人”。他们提出了“AI整合者”（AI Integrator）的概念：如果一家公司的招聘岗位描述中，出现了LLM（大语言模型）、Prompt Engineer（提示词工程师）、GenAI（生成式AI）等与前沿AI技术相关的关键词，就说明这家公司正在将AI深度融入业务，属于“真用AI”的企业。

通过这个标准，研究者从28.5万家公司中筛选出10.6万家“AI采纳者”，约占总数的3.7%。更关键的是，这类公司的数量从2023年第一季度开始急剧增加，与生成式AI的扩散节奏完全吻合。由此，“实验组”（使用AI的公司）和“对照组”（不使用AI的公司）正式确立，一场关于AI与就业的“自然实验”就此展开。

三、残酷的数据：AI公司正在“关闭”初级岗位的大门

当两组公司的招聘数据被对比分析后，结论令人心惊：在AI技术爆发后，“AI采纳者”的初级岗位招聘量，相对于“对照组”出现了断崖式下跌。并且，随着时间推移，这个差距还在不断扩大——在AI扩散后的六个季度，两类公司的初级岗位就业人数差距已拉大到7.7%。

与之形成鲜明对比的是，高级岗位的招聘在两组公司中几乎没有差异，甚至“AI采纳者”的高级岗位增长更强劲。这就形成了一条完整的证据链：在相同的经济环境下，那些主动拥抱AI的企业，恰恰是对年轻人“关上大门”的企业。AI对就业的冲击，并非泛泛而谈，而是精准瞄准了初级岗位。

四、比裁员更隐蔽：AI正在“冻结”初级岗位招聘

接下来的问题更值得深思：AI是如何“抢走”初级岗位的？是直接裁员，还是用了更隐蔽的方式？

研究者将企业的人员变动拆解为三个维度：新招聘（Hires）、离职（Separations）、内部晋升（Promotions）。数据结果颠覆了很多人的想象：“AI采纳者”的初级岗位减少，主要原因并非离职率上升——也就是说，企业并没有因为用了AI就大规模裁掉现有初级员工。

真正的“杀手锏”是：停止招聘新的初级员工。数据显示，2023年第一季度后，“AI采纳者”平均每个季度比“对照组”少招3.7名初级员工；对于原本招聘规模较大的AI企业，初级岗位招聘量甚至暴跌了22%。

这种方式比裁员更隐蔽，也更“经济”：裁员需要支付补偿金、承担沟通成本和公关风险，而“不招人”则毫无额外成本。但对年轻人而言，这比裁员更残酷——老员工可能通过晋升或自然流失“腾出位置”，但新毕业的年轻人，连踏入职场的“第一级阶梯”都被抽走了。这就像“温水煮青蛙”，没有轰轰烈烈的失业新闻，却让职场新人的就业路越走越窄。

五、重灾区并非互联网：批发零售业成“受冲击之王”

AI对初级岗位的冲击，是否在所有行业都一样猛烈？论文数据给出了明确答案：所有行业都存在这种“初级岗位压缩”效应，但程度天差地别。

很多人会想当然地认为，互联网、软件、设计等“技术密集型”行业会是重灾区——毕竟这些领域与AI的交集最直接。但数据却显示，真正的“受冲击之王”是批发和零售业。在这个行业里，“AI采纳者”的初级岗位招聘量，比“对照组”每季度减少了近40%。

这其实不难理解：批发零售业的初级岗位，大多集中在文员、客服、导购、库存管理等领域，这些工作往往涉及重复的信息处理、简单的沟通对接，而这正是AI最擅长替代的场景。比如，智能客服可以替代人工处理80%以上的常规咨询，AI库存管理系统能精准预测需求、减少人工盘点工作量，这些都直接挤压了初级岗位的生存空间。

相比之下，互联网行业虽然也受影响，但部分初级技术岗位（如基础编程、测试）仍有一定需求，且行业整体薪资较高，对年轻人的吸引力尚未完全消失。

六、名校学历“失效”？中间层成AI冲击“重灾区”

最后一个问题，也是最扎心的一个：在AI面前，名校学历还能“护体”吗？

研究者将员工毕业院校分为5个等级（Tier 1至Tier 5）：Tier 1是哈佛、斯坦福等顶尖精英名校，Tier 5是普通地区性大学。通过对比不同学历背景的初级员工在“AI采纳者”中的就业变化，他们发现了一条清晰的“U型曲线”：

• 曲线两端：Tier 1（顶尖名校）和Tier 5（普通大学）的毕业生，受AI冲击最小。Tier 1毕业生虽然薪资高，但解决复杂问题的能力强，AI难以替代；Tier 5毕业生薪资要求低，人力成本优势明显，在一些简单体力或服务岗位上仍有竞争力。
• 曲线底部：Tier 2和Tier 3（中上等大学）的毕业生，成了“最受伤”的群体。他们薪资要求不低，却又难以胜任顶尖企业的复杂工作，从事的往往是“高不成低不就”的中间岗位——而这些岗位，恰恰是AI最容易替代的。

这就形成了一个残酷的现实：曾经“考个好大学就能稳拿好工作”的逻辑，正在被AI打破。中上等学历的年轻人，若不能跳出“简单重复”的工作模式，将成为AI冲击的“重点目标”。

七、给普通人的3条生存建议：如何在AI时代站稳脚跟？

这篇论文的价值，不仅在于揭示真相，更在于给每个普通人敲响警钟：如果你只能胜任初级工作，未来5年，你将面临巨大的失业风险。职场的“阶梯式晋升”逻辑正在被改写，底层岗位的消失速度，会比我们想象中更快。

那么，普通人该如何应对？结合论文结论和现实观察，我总结了3条核心建议：

1. 加速“摆脱初级”，让AI不可替代的工作占比超50%

AI正在疯狂“吞噬”初级岗位，所以你必须比AI跑得更快——尽快从“执行层”向“决策层”跃迁。不要沉迷于“能轻松完成”的简单工作（比如数据录入、格式排版、常规报表制作），这些都是AI的“领地”。主动承担复杂任务，比如项目统筹、跨部门协调、客户需求深度挖掘等，这些需要结合经验、人情世故和复杂判断的工作，才是AI短期内难以替代的。

你的目标应该是：在3年内，让自己工作中“AI不可替代”的部分超过50%。

2. 打造“暗知识”壁垒，从“懂How”升级为“懂Why”

AI已经掌握了几乎所有“公共知识”（比如公式、定理、行业通用规则），但人类的优势在于“暗知识”——那些只有你能提供的、结合具体场景的独特认知。比如，同样是做市场营销，AI能写出标准化文案，但你知道“某个客户的决策习惯需要用‘故事化沟通’打动”，这就是你的“暗知识”。

记住一句话：这一轮AI冲击中，“懂How（怎么做）”的人会被替代，“懂Why（为什么这么做）”的人会被放大。多思考自己工作中的“独特上下文”，比如客户的隐性需求、团队的协作痛点、行业的潜在趋势，这些都是你的“护城河”。

3. 激活“兴趣ROI”，让“软实力”成为核心竞争力

过去，品位、审美、幽默感、同理心这些“软实力”，往往被视为职场“加分项”；但在AI时代，它们正在变成“必需品”。AI可以模仿风格，却无法真正拥有“创造力”；可以生成内容，却无法传递“共情力”。比如，AI能设计出符合美学的海报，却无法像人类设计师那样，结合品牌调性和用户情绪，做出“有温度”的作品。

多关注那些“不给钱也愿意做”的事：有人喜欢研究小众文化，有人擅长组织线下活动，有人能把复杂知识讲得通俗易懂。这些基于兴趣的能力，恰恰是AI难以复制的。试着把兴趣与工作结合，比如喜欢“玩社群”的人可以深耕用户运营，擅长“讲故事”的人可以转型内容策划，让兴趣成为你的“核心竞争力”。

结语：在“可怕”与“富裕”之间，找到自己的位置

谷歌DeepMind CEO德米斯·哈萨比斯（Demis Hassabis）曾说：“AI对就业市场的潜在影响是‘可怕’的（scary），但它也会带来‘激进富裕’（Radical Abundance）的时代。” 这句话道破了AI时代的本质：它既会摧毁旧的就业逻辑，也会创造新的机会。

对普通人而言，与其恐惧AI“抢工作”，不如主动拥抱变化：摆脱初级思维、打造独特价值、激活隐性能力。毕竟，AI是工具，不是对手。在这场职场变革中，能留下来的，永远是那些“能与AI共舞”的人。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

---

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】