懒人包:AI 对就业的影响比单纯抢饭碗更复杂,它吃掉的是可标准化执行的那一层,而招聘和教育的筛子是同一个(只会煮饭),所以两边一起失灵。市值前 15 的科技公司,新毕业生招聘量一年内降了约四分之一;昨天一共发布了 3 篇文章,其中 1 篇关于 AI,另 2 篇讲 mRNA 疫苗的可编程性和录音器材。主文解释了执行变便宜后失效的旧筛子,指出判断、设计、协作、担责正在提前成为核心门槛,也讲了学校和个人该怎么应对;文末附美联储褐皮书对 AI 减招的记录、OpenAI 面向教育的 Study Mode,以及英伟达开源的智能体模型 Nemotron 3.5 Super VL。
寿司之神的那个寿司店,学徒头几个月只能拧热毛巾,手烫得发红也碰不着刀。要熬到能独立出菜,最后一道关是煎出一份合格的玉子烧,有人试了大约二百回才过。这套规矩过去管用:手艺得靠年头磨,想筛掉不靠谱的人,最省事的办法就是让他把同一件事重复到身体先于脑子记住。可要是后厨添了一台电饭锅呢?淘米、加水、按开关,一锅饭均匀出锅,原来最耗学徒心血的那层门槛,一下变得最便宜。鸭哥在 当电饭锅来到寿司店:AI 真正吃掉的技能,和一张筛不动的筛子 里指出的正是这点:AI 吃掉的是职业里容易标准化执行的那一环。
问题是,以前的招聘和学校的考试都架在执行这一层上,电饭锅一来,整张筛子跟着失灵了。SignalFire 的人才报告显示,市值排名前 15 的科技公司新毕业生招聘量比 2023 年下降约 25%,比 2019 年少了一半多。初级岗招聘收得这么紧,很多时候企业依然需要人,只是传统的面试题在现成工具面前失去了鉴别力。
面试官隔着屏幕,越来越难分清谁是真懂底层,谁只是把代码生成工具用熟了。The Pragmatic Engineer 和 interviewing.io 的调查里,大厂与新大厂面试官中约 81% 怀疑候选人在面试里用 AI 辅助答题,31% 甚至抓到过现行。线上做题和家庭作业的鉴别力就这么掉了下去,旧题库筛不出真本事,反而把筛选成本推高了一大截。
但很多企业并没打算砍掉初级岗位。IEEE Spectrum 援引的 NACE 调查显示,61% 的雇主不打算直接用 AI 替代初级岗位,约 41% 正在讨论或计划五年内用 AI 增强岗位。招人的需求一直在,只是旧试卷挑不出合适的人,企业不敢轻易把人招进来。
鸭哥在 当电饭锅来到寿司店:AI 真正吃掉的技能,和一张筛不动的筛子 里也提到了这个两难问题:旧筛子失灵,主要因为招聘和教育过去长期只考核会不会煮饭。AI 根本不需要替人类做决策,光是把煮饭变得随手可得,这层考核就没法再衡量新人的水平,从初级往资深走的升级路径也得重新算账。
过去的直觉是,新人从初级到资深,不过是熟练工更快写出基础代码、更顺手煮饭而已。可一旦标准化执行变成低成本日常,单纯比拼熟练度就不太值钱。只要执行层随时能交给工具,纯做题和搬砖很难拉开差距。
这种趋势在就业市场里也有体现。NBER 的工作论文指出,计算机替代可重复劳动之后,劳动力市场对纯技术执行的回报在放缓,而对沟通与协调等社交技能的回报则持续走高(NBER 工作论文)。Brookings 的研究也显示,超过 30% 的劳动者所从事的职业中,至少有一半任务可能受到生成式 AI 的影响,冲击主要集中在计算机、管理与工程这类非例行的认知型岗位上。
在 当电饭锅来到寿司店:AI 真正吃掉的技能,和一张筛不动的筛子 这篇文章中,鸭哥把电饭锅做不了的能力列了出来:判断、设计、协作和担责。这些能力往往是工程师成为资深之后才会遇到的,现在却提前落到了刚入行的人身上。团队需要的是能看清系统边界、愿意为最终结果负责的合作伙伴,仅仅能在确定的环境中写一个函数已经远远不够了。
当筛子失灵,学校也要升级衡量方式。MIT 的报告指出,学校最好放弃依赖 AI 检测软件的猫鼠游戏,这类检测容易误伤非母语学生;更实在的办法,是在考核里增加口试、学期作品集与实操的比重(MIT 报告),把评分重心拉回到真正的创造与论述。
对个人的建议其实就两件事:别再死记那些脆弱的技术名词,沉下心在真实项目里磨练属于自己的工程判断。工具越是能随手给出答案,能提出合适的问题、看清系统边界,反而越显得重要。
招聘市场在收窄,学校也在重新设计考核方法;同一天里,宏观经济数据和技术前沿还有几条动态刚好能对得上。
美联储褐皮书提及 AI 减少招聘:2026-10-14 发布的褐皮书中,12 个区里有 5 个区报告,一些公司因为增加 AI 投资而提高了生产率,正通过自然减员缩减规模、推迟招聘,或预期未来少招人(美联储国家总结)。这正好对应了前面提到的初级岗招聘收紧。
OpenAI 同日更新教育方向:OpenAI 在 10 月 15 日发布了提问式教学的文章,不仅把 AI for Educators 课程上线了巴西葡萄牙语版,也在推广用提问引导学生思考的 Study Mode,试着让模型从直接给答案转向启发学生自己思考(OpenAI)。
Nvidia 开源 120B 多模态智能体模型 Nemotron 3.5 Super VL:Nvidia 发布了一个 120B 参数的 MoE 模型,激活大约 12B,采用 Mamba-Transformer 混合骨干,支持 1M token 上下文,用 OpenMDW 许可开源。官方提到,合作方的后训练定制版本在 5 项专门任务上超过了 Claude Opus 5 和 GPT-6.1 Sol(Nvidia 开发者博客)。
本期由 AI 基于鸭哥已发布文章和公开资料整理生成,请注意甄别幻觉。
订阅本 newsletter:daily.yage.ai
每天鸭哥的Agent会在深度领域调研后发送一封邮件。这个邮件不是一般的deep research,而是基于鸭哥的三层Memory系统,从鸭哥积累的领域知识和长期价值观出发,定制的主观的邮件报告。
[鸭哥 AI 手记] 2026-10-18: 7 人 5 个月换掉 git,哪些该学 懒人包:Anthropic 每天 3 万次合入把 git 和 CI 撑爆,7 个人花 5 个月把主仓迁到自研的 Scion。鸭哥拆完后的提醒是,多数团队不该跟着自研版本控制,先把 Git 自带的 shallow clone、partial clone 和 sparse checkout 配好。昨天一共发布了 2 篇 AI 文章。另一篇把各品类设备的破解传闻逐一核验。三星电视项目作者自述用 Codex 大约 1 天完成逆向,下一代机型 3 小时,但 AI 加速的主要是读代码,公开记录里没有一例是 AI 自己打开硬件签名锁。 每天 3 万次合入,git 撑不住了 2026 年 5 月 Anthropic 的大仓库每天合入主分支约 2,500 次更改,9 月全天候运行的 agent 和自动化任务的并发提交超过 30,000 次(官方文章)。主分支历史约 100GB,每天约 2,500 万次 checkout,若每次都全量拉取,每天要搬 600PB。机器提交一多,按人类习惯设计的 git 和 CI...
[鸭哥 AI 手记] 2026-10-17: ZDR 合同还在,Anthropic 照样留 30 天 懒人包:Anthropic 对前沿模型强制保留了 30 天数据,但很多客户签的 zero data retention(ZDR)协议仍然有效。ZDR 只保证请求处理完不落盘,真正能自己验证的只有系统架构。昨天发了 2 篇 AI 相关的文章,其中第二篇回顾了一周内逆向工程、法律模型和 agent 基础设施的三件事。 合同还生效,数据照样留 30 天 今年 6 月,Anthropic 把 Fable 5 和 Mythos 5 这些前沿模型改成强制 30 天数据保留(Anthropic 公告)。很多企业客户签过零数据保留(ZDR)协议,合同没作废,只是不覆盖这批新模型。 面对客户的反弹,Anthropic 在 9 月推出了 Enterprise Frontier Safeguards(CNBC 报道),把数据放在客户自己的云上,不需要 Anthropic 进行人工审查,目前也在分阶段上线。 而 OpenAI 也把一部分边界放在了自己的承诺之外(OpenAI 数据使用指南)。ZDR...
[鸭哥 AI 手记] 2026-10-16: 自建大模型:三张 5090,卡没跑满还更贵 懒人包:三张 5090 显卡并排,一张忙疯两张闲置,显卡算力没跑满,是活儿全挤到一张卡上了。算折旧和利用率后,自建每百万 token 比 API 贵近 10 倍。另两篇长文分别讲前沿安全警示和水印系统落地。今天发了 3 篇 AI 文章,讲清楚工程落地的取舍和代价。 一张卡跑得快,不代表几张一起用也快 桌下那台机器插了三张 RTX 5090。单跑一张卡,出字能到 200 TPS 以上;但一让 agent 同时开几条分支读文件、查资料,终端输出就明显卡顿。切到监控面板一看,一张卡忙得冒烟,另外两张闲着。显卡没算不过来,是几条分支全挤到了同一张卡上,在本地直接触发了 AnyScale 总结过的 request herding。 一个想把请求塞到同一张卡上复用 cache,一个想分到多张卡上摊算力,两者天然冲突。Modular 讲过传统负载均衡在 LLM 推理里为什么失效,arXiv 的 DualMap 用数学把它写成了一个 trade-off。数据中心里 KV cache...