AI 对劳动力市场的影响与职业风险分析
2023 年,OpenAI 发布了一篇论文《GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models》,深入研究了 AI 技术对劳动力市场的潜在影响。这一研究引发了全社会的积极参与讨论,其中许多分析方法和理论框架都极具启发性。
然而,早期的研究多面向美国社会和劳动力市场,视野相对局限。国内作为一个超级巨大且与美国截然不同的劳动力市场,同时经受着人口老龄化和劳资结构变化的挑战,在生成式人工智能 (GenAI) 的冲击下,其变化趋势值得深入探讨。基于中国招聘数据的研究团队借鉴了 OpenAI 的思路,计算出了 1639 种职业被 AI 替代的可能性。
分析结果显示,左侧为「高替代率」职业,程序员榜上有名;右侧为「低替代率」职业,受到 AI 的冲击更小、相对更安全。进一步的数据分析表明,工资高低与 AI 替代率之间不存在显著正相关关系,但是岗位年龄越高被替代的风险越高。我们可以理解为,大语言模型轻松抹平了人类通过长期工作积累带来的技能提升优势,这对资深从业者提出了新的警示。
精益副业:程序员的优雅生存之道
面对 AI 对人类职业发展的深远影响,早早行动并构建副业是未雨绸缪的有效策略。独立开发者 @Easy 撰写的《精益副业:程序员如何优雅地做副业》手册提供了一套超完备的解决方案。
该手册体系化地梳理了副业经营心得,内容涵盖多个核心维度:
1. 核心资源与优势
副业的核心在于识别自身的核心资源和核心优势。这包括技术栈、行业经验、人脉网络等。明确这些基础要素是选择赛道的前提。
2. 时间片管理
时间片的销售与优化是关键。突破时间片限制意味着从出售时间转向出售产品或资产。这需要建立自动化的交付流程。
3. 资产与被动收入
理解什么是资产至关重要。资产的获得方式包括知识付费、自有产品和服务等。量化评估资产价值有助于制定增长计划。
4. 优选资产路径
- 知识和人脉变现:包括付费视频课、付费专栏、付费社群及图书出版。
- 自有产品和服务:例如在应用市场售卖 APP,或通过 SaaS 模式提供服务。
5. 精益实践流程
采用精益创业的方法论,利用商业模式画布验证最小可行产品 (MVP)。通过用户画像细化客户群体,遵循场景→功能→分期的开发逻辑。此外,还需关注独特的 Logo 设计、界面交互以及支付和反馈处理系统的搭建,最终实现 2A3R 漏斗和增长优化。
一人企业方法论:从螺丝钉到超级个体
随着大模型技术成本降低,个人逐渐被赋能为「超级个体」。《一人企业方法论》提供了从螺丝钉到超级个体的完整成长路径。
核心概念
- 一人企业:以个体或个人品牌为主导的业务体。
- 一人企业方法论:为个体优化的创业方法论,从副业开始构建双线收入,低风险地实现蜕变。
规划与策略
- 底层逻辑:理解以小博大的可能性,掌握资产和被动收入的滚雪球效应。
- 赛道选择:根据竞争策略选择差异化赛道,避免正面竞争,建立结构化优势。
- 思考工具:使用《一人企业画布》和《一人企业月报》进行复盘与规划。
业务构建
- 优势发现:利用副产品优势切入市场。
- 风险评控:从副业开始尝试,管理和利用不确定性,逐步扩大规模。
AI 产品经理的角色重构
在 AI 技术爆发后,「优秀的 AI 产品经理」成为稀缺资源。许多团队抱怨难以招到合适的人选,甚至岗位空缺半年。实际上,市场上极大概率不存在那种「来了就能砍瓜切菜解决所有业务问题」的全能型人才。
理想的 AI 产品经理通常需要具备以下能力项:
- 技术:熟悉现有大模型方案,了解实现成本和路径,展望技术未来。
- 产品:熟悉客户需求,判断需求满足度与付费意愿。
- 数据:寻找针对目标场景的数据集,构建量化评估方式。
- 运营:熟悉触达客户的方式,运营生态社区。
鉴于这种顶尖水准人才的稀缺,建议组建一个 AI 产品核心设计团队,由至少 2 个岗位协同完成上述任务。最小配置可以是:① 技术+(部分) 数据,② 产品 +(部分) 运营。这样的组合能保证以合适的成本做出合适的产品。
创新者的窘境在 AIGC 领域的适用性分析
《创新者的窘境》探讨了为什么管理良好的大企业会遭遇失败。Clayton M. Christensen 指出,推动大企业成功的管理体系往往阻碍了其发展破坏性技术。但在 AIGC 领域,这一理论可能并不完全适用。
现状分析
- 没有「窘境」:大企业和初创公司目标一致,行为一致,双方追逐相同的市场和客户。
- 速度优势丧失:初创公司在创新方面不再具备绝对领先,大公司往往能迅速推出竞争产品。
- 信息不对称缩小:大型企业掌握了更多客户需求信息和渠道优势。
- 兴衰周期短暂:AI 初创公司的节奏往往与大模型公司保持一致,独立发展的创新想法较少。
- 分销渠道门槛:技术更新但市场手段成熟,初创公司进入成本高。
这意味着对于创业者而言,机会窗口可能更短,需要更精准的策略。
大模型高效训练的 10 条黄金法则
Google 在线文件总结了大模型部署微调的十条戒律,为工程实践提供了指导原则。
1. 切勿微调 (Thou Shalt Not Fine-Tune)
微调成本高、速度慢且复杂。仅在确实需要时才进行。尽量写 Prompt,利用大模型本身的 Zero-shot 能力,必要时辅以 Few-shot examples 或检索增强生成 (RAG)。
2. 好好调 Prompt (Thou Shalt Write a Freaking Prompt)
用一个 Prompt 创建 Baseline,证明场景可行性。如果 Prompt 能达到基本要求,微调可进一步提升;如果 Prompt 无效,微调成功的可能性很低。
3. 好好搞数据 (Thou Shalt Review Thy Freaking Data)
如果必须微调,确保完全理解数据。大力修正问题数据。数据质量直接决定模型质量。
4. 用真实的数据 (Thou Shalt Use Thy Actual Freaking Data)
确保训练数据尽可能接近生产环境中的实际数据分布。即使存在不完美数据,只要整体分布正确即可。
5. 必须保留测试集 (Thou Shalt Reserve a Test Set)
始终保留一部分数据用于测试,以客观评估模型性能,防止过拟合。
6. 必须选择合适的模型 (Thou Shalt Choose an Appropriate Model)
根据任务和预算选择适当模型。规模和参数量要匹配任务难度,避免杀鸡用牛刀或力不从心。
7. 必须小步快跑评估 (Thou Shalt Write Fast Evals)
高频自动化评估,及时 Early Stop 和监控模型异常,提高效率。
8. 必须慢工细活评估 (Also, Thou Shalt Write Slow Evals)
编写更全面、可靠的评估标准和指标。评估做不好会影响实验效率,增加单位时间的算力消耗。
9. 不要即发即弃 (Thou Shalt Not Fire and Forget)
不要执行一次性训练后就结束。要持续优化模型和 Pipeline,适应数据分布的变化。
10. 不要死板遵循 (Thou Shalt Not Take the Commandments Too Seriously)
规则是指导而非教条,需根据具体业务场景灵活调整。
总结
当前 AI 技术正处于快速演进期,对个人职业发展、企业组织架构以及技术实施路径都产生了深远影响。无论是应对职业替代风险,还是探索副业与一人企业模式,亦或是进行大模型工程落地,都需要结合实际情况灵活运用方法论。保持学习,关注核心技术与商业逻辑的结合,是在这一变革时代中保持竞争力的关键。


