上周五，亚利桑那大学的毕业典礼上出现了一个尴尬场面——前 Google CEO Eric Schmidt 谈到 AI 和自动化对就业的影响时，礼堂里响起一片嘘声。
这不是偶然的失礼。Schmidt 自己在演讲中承认，他参与构建的互联网技术"比预期的更加复杂"：同样的工具连接了人们，也隔离了人们；同样的平台给了每个人发言权，也放大了噪音。这段忏悔还没说完，台下已经不买账了。
一个亲手推动了技术浪潮的人，站在台上对即将面对浪潮冲击的年轻人说"结果比预期复杂"——这种姿态本身就是嘘声的来源。
嘘声不是对技术的恐惧，是对不对称代价的愤怒
Schmidt 的演讲逻辑并不新鲜：技术带来变革，变革带来阵痛，但长远看是进步。这套叙事在硅谷流传了二十年，对站在收益端的人来说始终成立。
问题在于代价的分配。互联网平台重塑了媒体、零售、物流，创造了一批巨头和一批新岗位，同时摧毁了大量中间层职业。AI 正在做同样的事，但速度更快、范围更广，而这一次站在台上解释"长远进步"的人，恰恰是上一轮不对称收益的获得者。
毕业生嘘的不是 AI 本身，而是这种"我来解释为什么你们的生活会被重塑"的权力姿态。
Schmidt 坦白了什么，回避了什么
Schmidt 的坦白值得注意。他承认：
- 连接与隔离是同一套工具的双面效果；
- 发言权与噪音放大是同一平台的共生问题；
- 技术后果"比预期复杂"。
但他回避了更尖锐的问题：谁在预期中？谁在复杂性之外？Google 的广告系统、YouTube 的推荐算法、Android 的生态锁定——这些"比预期复杂"的结果，恰恰是 Schmidt 任内推向规模化的产品。坦白后果而不坦白决策，忏悔就只停留在修辞层面。
AI 对就业的冲击：哪些领域最先被挤压
抛开情绪，AI 对就业市场的挤压有具体的路径，不是笼统的"所有岗位都会受影响"。根据目前大模型的能力边界，冲击呈现明显的梯度：
高暴露区——任务高度结构化、输出可量化评估、训练数据充足： - 初级代码编写与测试 - 合同与文书起草 - 客服与标准问答 - 数据整理与报表生成
中暴露区——核心任务可辅助，但最终判断仍需人： - 医疗影像初筛 - 法律研究与案例检索 - 产品设计的原型迭代 - 财务分析与风险建模
低暴露区——需要物理交互、实时适应或深度信任： - 现场施工与维修 - 心理咨询与社工 - 复杂谈判与战略决策 - 需要手眼协调的精细操作
梯度意味着：不是"AI 取代人"，而是"AI 先挤压高暴露区的初级岗位，再逐步向中暴露区渗透"。毕业生面对的正是高暴露区的门槛抬升——入门岗位被工具替代，而经验岗位仍然需要人。
给自己做一个 AI 冲击评估
与其争论宏观叙事，不如对自己的职业路径做一次量化评估。下面是一个可运行的 Python 脚本，基于技能的"AI 可替代性评分"来计算某个岗位的暴露指数：
#!/usr/bin/env python3
"""
AI Exposure Score Calculator
评估一个岗位的 AI 自动化暴露程度
使用方法：
python ai_exposure_score.py
评分规则：
每项技能按 AI 可替代性打 1-5 分：
1 = 几乎不可替代（需要物理交互/深度信任）
5 = 高度可替代（结构化输出/充足训练数据）
暴露指数 = 所有技能评分的加权平均
< 2.0 : 低暴露，短期安全
2.0-3.5: 中暴露，需要调整技能组合
> 3.5 : 高暴露，必须规划转型路径
"""
SKILLS_DB = {
# 技能名称: (AI替代性评分, 权重)
# 权重反映该技能在该岗位中的时间占比比例
"书面沟通": (4.0, 0.15),
"数据分析": (4.5, 0.20),
"代码编写": (4.8, 0.25),
"标准问答处理": (4.7, 0.10),
"文档检索整理": (4.2, 0.10),
"创意设计": (2.5, 0.05),
"复杂决策判断": (1.5, 0.05),
"人际沟通协调": (1.2, 0.05),
"物理操作执行": (1.0, 0.05),
}
def calc_exposure(skills: dict) -> tuple[float, str]:
"""计算暴露指数和风险等级"""
total_weight = sum(w for _, w in skills.values())
if total_weight == 0:
return 0.0, "无数据"
weighted_sum = sum(score * weight for score, weight in skills.values())
exposure = weighted_sum / total_weight
if exposure < 2.0:
level = "低暴露 — 短期内 AI 难以替代核心任务"
elif exposure < 3.5:
level = "中暴露 — 部分任务可被 AI 辅助或替代，需调整技能组合"
else:
level = "高暴露 — 大量任务与当前 AI 能力高度重叠，必须规划转型"
return exposure, level
def print_report(skills: dict):
"""打印完整评估报告"""
exposure, level = calc_exposure(skills)
print("=" * 50)
print(" AI 冲击暴露评估报告")
print("=" * 50)
print(f"\n暴露指数: {exposure:.2f}")
print(f"风险等级: {level}\n")
# 按暴露度排序，找出最脆弱的技能
sorted_skills = sorted(
skills.items(), key=lambda x: x[1][0], reverse=True
)
print("技能暴露度排名（从高到低）：")
print("-" * 50)
for name, (score, weight) in sorted_skills:
bar = "█" * int(score) + "░" * (5 - int(score))
print(f" {name:12s} [{bar}] {score:.1f} (权重 {weight:.0%})")
# 给出具体建议
high_risk = [n for n, (s, _) in sorted_skills if s >= 4.0]
safe = [n for n, (s, _) in sorted_skills if s < 2.0]
print("\n--- 行动建议 ---")
if high_risk:
print(f"⚠ 高暴露技能: {', '.join(high_risk)}")
print(" → 寻找这些技能中 AI 无法覆盖的细分场景")
print(" → 或将重心转向低暴露技能的组合")
if safe:
print(f"✓ 低暴露技能: {', '.join(safe)}")
print(" → 加大投入，构建差异化壁垒")
print("\n" + "=" * 50)
if __name__ == "__main__":
# 使用默认技能库评估
# 你可以修改 SKILLS_DB 来匹配自己的岗位
print_report(SKILLS_DB)
# 示例：自定义一个"初级前端开发"岗位
print("\n\n示例：初级前端开发岗位评估\n")
frontend_skills = {
"代码编写": (4.8, 0.40),
"书面沟通": (4.0, 0.10),
"标准问答处理": (4.7, 0.05),
"文档检索整理": (4.2, 0.10),
"数据分析": (3.5, 0.05),
"创意设计": (2.5, 0.15),
"复杂决策判断": (1.5, 0.05),
"人际沟通协调": (1.2, 0.10),
}
print_report(frontend_skills)
运行方式：
# 保存为 ai_exposure_score.py 后直接运行
python3 ai_exposure_score.py
输出会给出暴露指数、风险等级、每项技能的暴露度排名和具体行动建议。修改 SKILLS_DB 中的评分和权重，就能评估不同岗位。评分依据是当前大模型在该技能上的实际表现——能稳定产出结构化输出的打高分，需要物理交互或深度信任的打低分。
这个脚本的价值不在于精确预测，在于迫使你把"AI 会影响我吗"这个模糊焦虑拆解成具体的技能项，然后逐项判断、逐项应对。
技术人该站在哪一边
Schmidt 被嘘的事件揭示了一个越来越难回避的立场问题：构建技术的人，是否对技术的后果负有主动责任？
对正在进入行业的开发者来说，有几件事值得想清楚：
- 你写的代码会挤压谁？ 每个自动化功能背后都有一个被替代的重复性岗位。这不是说不要写，而是说写的时候要知道。
- 你的技能组合是否过度集中在高暴露区？ 如果你的核心竞争力是"写 CRUD 和调 API"，暴露指数不会低。向低暴露区偏移——系统设计、跨团队协调、领域深度理解——不是放弃技术，是重新分配权重。
- 你是否在用 AI 扩大自己的能力边界，还是只在加速自己被替代的任务？ 用 AI 写更多 CRUD 是后者；用 AI 辅助自己做原本做不了的系统架构分析是前者。
Schmidt 的忏悔停留在"结果比预期复杂"。对台下的人来说，复杂不是抽象的——它是具体的简历被筛掉、具体的入门岗位消失、具体的薪资被压低。技术领袖如果只停留在忏悔修辞，不进入具体的代价分配和补救方案，嘘声就不会停止。
作为技术从业者，至少可以做到一件事：在评估自己职业路径的同时，也评估自己正在构建的工具对别人的路径意味着什么。这不是道德装饰，是长期职业判断的一部分——被嘘的行业领袖，公信力也在被挤压。