视频号里最近实在太热闹...Claude发布职业替代报告，会计、程序员是最能被替代的岗位，原来需要很多天的账目AI一天就搞定。Antiropic也发布了失业报告，AI淘汰75%的编程。openAI深夜突发，不接受996就走人，AGI不养闲人—反正AI让人失业的焦虑正在蔓延。每个人都似乎突然生活在一个即将失业的未来。

哪个行业以“颠覆”为口头禅?

在所有行业里，似乎AI界天生就是“颠覆性”的，你看从2023年这个ChatGPT、OpenAI发布后，在过去的两年里，每次都是“颠覆式”的-回望历史，AI也都是这样的。

1960年，达特茅斯会议定义AI才4年左右，司马贺就预言"Machines will be capable, within twenty years, of doing any work a man can do"（机器将在20年内能够做任何人类能做的工作），并且，他在1957年还以“四连发”方式预言了以下几个推断：

10年内计算机将成为国际象棋世界冠军（直到2017年AlphaGO，已经过去了50年）；

10年内发现重要的新数学定理

10年内创作有审美价值的音乐（也就最近吧？）

心理学理论将全部用计算机程序表达（现在还不知道呢！）

另一位AI创始大佬明斯克1970年Life杂志采访："In from three to eight years we will have a machine with the general intelligence of an average human being"（3到8年内，我们将拥有具备普通人类一般智力的机器）——这意味着1973-1978年就能实现AGI。看看，到2026年这个预言已经过去了55年，今天的大佬都不敢说AGI真的实现了。

为什么AI这个领域如此的“乐观”？

资本推动是很重要的力量，为了赢得资本—这个饼得画，越大越好-否则，这个巨大的投入谁来买单？

Antiropic CEO又预测，软件工程将在12月内实现自动化—12个月就是2027年2月啊！

AI大佬们主要还是没玩过制造业

黄仁勋去年底提出未来要发展物理AI—物理AI现在可火热了。我突然想为什么黄仁勋就有这么大的话语权，他说的未来是物理AI—其实，这个不难理解，因为这些大佬以前做的主要是游戏、软件服务等领域，这些领域纯软件。但到了自动驾驶、具身智能和制造业场景，他们突然发现，物理对象不像软件那么的“灵活”，所谓的“软件定义”似乎遇到了不听指挥的工况变化、机械磨损、不确定、未知的原因—这些工程上都无法有规律的对象时候。AI那些“灵活性”就无法适应了—这才想起来，物理模型是最有效的，经济、可预测、可解释、算力要求低。就像去年的AI界顶流坐一起开了闭门会达成了一个“AI的未来要为客户创造价值”，这种“废话”—因为之前他们都是卖工具的，结果，到了每个行业，发现千奇百怪的各种事，尤其到了这种制造业，完全就不是他们想象的—匹配不上啊！然后他们才恍然大悟，哦！原来如果不能带来成本降低、不能提高产品品质、不能快速交付的话，AI也没啥用啊！还有，这个物理对象好像跟我们软件的“自由定义”完全不是一回事啊！

所以，他们说的物理AI—其实是机电工程一直在做的事情。当然，黄教主说的物理AI指用AI的方式来发现物理规律，加速物理模型、求解器的研发—这个本来就是机电、化学、材料科学在做的事情。甚至已经做了上百年了—当然，AI能够推进这个科学规律探索的过程，这是毋庸置疑的。只是，我发现大部分人都似乎对这种高度话语权的人很崇拜，他们说的都是对的，其实，他们不说，我们大部分人也知道。只不过，谁也没他们那种业界顶流的极限话语权而已。

AI究竟淘汰了谁？

AI整天说要淘汰会计、律师、程序员，但是，根据电话交换技术（程控交换机）的历史文献，有一个广为流传的估算，如果今天美国的所有电话都按照早期的人工交换处理，那么每个美国公民都必须是接线员。

在美国的顶峰的1950年，全美有35万接线员，当然这就是顶峰了，再不发明程控交换机，或者再不推出这个技术，美国劳动力就得被这个工种给霸占了。

自从工业革命以来，无论是纺织行业，还是饮料、能源行业—其实，自动化技术的快速发展，使得每个领域几乎都摆脱了依靠手工作业的局面。甚至今天所有的制造领域，它都依赖于自动化技术的进步，包括通信、电机与驱动技术、机器人技术。从这个视角，哪个行业没有大量的劳动力被机器取代呢？

AI要是真的比起这些历经百年的行业—可能它的颠覆性远没有他们忽悠的那么大。因为，光一个手机都能替代电视机、收音机、相机、胶卷、手环、手表…这还是手机没有AI加持的时代就已经能做到的事情。要这么说，手机的颠覆性让多少领域破产才对？又得多少人在这里失业呢？

图2-手机替代的电子设备可不止这些

但是，这个世界因为程控交换机替代了接线员、汽车替代了马车夫、手机替代了那么多的电子设备的功能—这个世界就崩塌了吗？

显然，这个世界并没有因为他们的这种颠覆性而崩塌，世界该怎么样就怎么样，人们也没有因此而就流落街头、食不果腹吧？相反，由于这么多技术的进步，才能让每个人都能过上比30年前更为美好的生活。

哪些行业以“编程”为核心竞争力？

最近一段时间，作为焦虑的是AI正在替代“程序员”，而且，这个自动编程这个领域每天都能让你在视频号里看到各种AI顶流大佬们的这种颠覆—反正给我的感觉他们每个月都在颠覆上个月的自己。似乎程序员都将马上失业—每天都有大厂裁员的消息流传于各个视频号里。

有一天苏姐还写了个嵌入式工程师关于AI替代编程的焦虑—我问她“究竟哪个行业的核心竞争力是编程？”，自动化行业的核心是编程吗？或者说工程师的核心工作是编代码？

仔细想了想，似乎除了AI，这些All in AI的IT大厂的核心工作是编程，除此以外的行业似乎没有谁的核心竞争力是编程吧？所以，我感觉最近裁员最大的都是AI界—也就是说真正被替代的程序员都是他们AI圈自己。

META要裁员1.6万，今天还看到阿里要裁员6.6万，Google、Amazon、Oracle这些大厂都在裁员。

这个时候，我们就必须承认AI的实力，在这种具有大量的开源程序在网络世界，在大量的代码可以用于训练的领域—AI学习并替代工程师的编程，这当然是很容易的。但，如果放在自动化领域，你看过什么套色算法、点火控制算法能够在网上到处被你搜索到？最多是理论公式—当然可以把PDF、图形转化为代码，但是，从代码到易用性的设计、HMI交互、与其他程序的耦合（逻辑、运动控制）--这些事能够自动来由代码完成吗？

图3-每个行业都有他们独特的工艺控制算法需求

在每个制造业的领域里，如图3，其实，他们都有和机电工艺相关的核心算法。当然，我觉得AI的一个巨大的潜能在于将这些核心工艺做的更好，过去花费数十年、极为昂贵的这些专家系统、核心工艺，能否借助AI重新把它变得更快快速实现，软件更为易用，这当然是AI可以干的事，但是，编程这个事本身它并不是关键，而是你得知道这些物理对象特征，以及相关性的指导，否则，大数据进行了低相关性的分析，折腾了半天，事倍功半就没有什么大的价值，而这种判断力，来自于行业专家深入的洞察。

所以，在更为结构化的场景里，在海量训练资源的领域里，这个替代程序员大部分工作，提升代码效率是可以的。但更多的垂直领域，即使是MES/ERP领域，不了解管理的流程、任务调度的方法、法律法规的约束-你让程序自己生成程序就可以运行—请问谁对结果负责？

印刷行业是给人们提供精美的色彩、机械行业设计好用的机器、包装行业提供安全经济的容器，纺织为人们提供多姿多彩的服装、脱口秀为人们提供情绪价值。你问我会去一个全是机器人的餐厅吗？如果这样，何必纠缠于“预制菜”-人们就想吃个厨师炒的菜。

尽管我们反复说“软件定义制造”“软件是核心竞争力”—自动化行业的人也都谈软件，但这里的软件不是指“编程”啊！这里的软件是指“工艺Know-How”、你用AI去设计机器和系统—你AI生成的工具是为了让机械设计工程师更方便，而他们不会因此而失业，他们只是更快的干这件事情。

会计是可以被AI替代工作、律师也可以啊！但，我想问的问题是“AI承担责任吗？”—对它的财务审计、对他的法律判断负责吗？对交通事故负责吗？责任主体是谁？AI承诺为安全、责任负责吗？

如果法律说自动驾驶造成的车祸由AI负责—那AI是谁？是研发这个软件的公司？还是那个不知道是谁的AI—一堆软件？让一堆软件对你负责，那它赔偿100万的话，这个软件的钱从哪里来呢？

其实，我特别反感这种制造焦虑的环境—这是他们为了获得资本的关注而释放的各种“力量”，显示他们的摧枯拉朽的力量，将真正成为未来颠覆世界的力量-其实，这种AI竞赛里，真正被消灭的可能还是AI自己领域的公司和程序员，在如此变化剧烈的技术竞争中，很容易就被淘汰。

AI使得人们失业-谁来买单？

辛顿前几天说AI泡沫一定会破灭-AI取代人类，没人买单，工程师失业了，这个行业被颠覆了，那个行业被颠覆了，这些用AI收割了很多行业的公司，他们的用户消费者在哪里？共产主义要实现了吗？系统给大家发钱？让大家消费—AI帮你赚钱，然后把你裁掉但它会给你发钱，让你能购买它的服务？

这是不是有点荒谬？

文科生就更为重要了吗？

有大佬又说“AI时代文科生将变得更为重要”，这让人很困惑—文科生就变得重要了吗？其实，这里并不是文科生，而是有共情能力的设计师、有人文情怀的工程师、懂得与客户沟通的人。这些人可以是个工程师，也可以是个心理学专业的（心理学是理科而不是文科）。

其实，每个专业最终都是数学，经济学还要建模呢、金融工程的数学可能比理工科的数学要求一点不低吧？心理学也是基于实验数据的积累，最终还是数学比较强的人才能更好的用简明的语言解读世界。

不能说文科更重要了，但是，具有人文情怀的、懂得历史的规律的。优秀的工程师是那些能够懂得易用性设计（考虑用户使用的隐性需求）、能够组织团队共同开发产品、能够把握技术的需求，如何更好使用AI来服务于设计工作的、能够使用AI去提升生产效率的—即，你必须完成工作的目标和任务，获得用户认可—这些能力不是AI赋予的，而是AI帮助你，前提是你具有这样敏锐的思考能力的。

元知识能力的价值

高博士前几天写了篇关于他的导师徐飞老师课程中提到的“元知识”-谈到未来的学习，是要去训练“元知识”（Meta Knowledge），我也是外行，但是我的理解就是“知识的知识”，知识是人们对于因果和相关逻辑的理解，而知识的知识则是这种知识的认知能力本身，称为“根能力Root Capability”。根能力是人作为完整主体具备的底层综合能力，覆盖智力、情感、意志、品格多个维度。与具体专业技能不同，它是一切能力的源头，不可再拆解。

其实，工程（Engineering）的核心思想在于“化繁为简”，将复杂问题拆分为不可再分的最小模块。而拆分这个复杂问题本身，如何把它拆分为最小模块的能力就是工程师的根能力。比如，在机电系统里，我们可以把机电一体的最小控制闭环（Close Loop）即检测、传输、反馈、控制、输出这个最小单元，例如一个放卷单元、一个温度控制闭环、一个称重传感器检测单元—这些是构成机器与产线的最小模块。这个就是工程的拆分原则，然后所谓的高内聚低耦合思想，就是这些模块具有完整的功能性，独立运行一个任务，并可以低耦合方式重构，进行软件复用（Software Reuse），以提升开发效率，应对变化的场景。

而在思维上，我们可以理解为“批判性思考”的能力，即，我们能够对问题进行清晰的定义、能够基于数据的精度、准度进行采样，能够深度（Depth）而不停留于表面、能够广度不停留于局部点的问题，而能在线、面、空间、时空（历史）多个维度去思考问题，能够保持对数据的辨别（真伪）、能够做出有效的（价值、伦理、法律与道德视角）的判断，并能够与目标高相关的决策，达到设计的目标、目的。并且，保持“客观”、“公平”。

图4-批判性思考与大模型“提示工程”的一致性思想

批判性思考的核心训练是“提问”—这其实与AI的提示工程同样道理。如果我们不知道走向哪里，就不知道该问什么样的问题，我们没有专业基础，甚至都无法和AI对话—提出关键问题，发现隐藏在背后的问题。这就是AI的能力，隐藏在事务背后的规律，如何被挖掘。而批判性思考、创新思维都是在挖掘隐藏在人们的需求背后那些看不到的部分、能够看到事物表象背后的真相。

所有这些训练，在工程师的训练里都是关键的能力，是能够让人以不变应万变的根能力。

这篇文章可没有半点想说AI没啥用的意思—这篇文章唯一想回答的就是“AI时代没有必要焦虑”—其实，很多焦虑的人，他本身就缺乏思辨力。你如果问那些非常优秀的工程师他们非常积极的拥抱AI-他们是更早的尝试者，因为，AI真的能够带来效率的提升。

来源：微信号 说东道西