我亲手训练了一个AI取代自己,结果让我对“失业”有了全新理解

当“AI抢饭碗”成为年度焦虑关键词,当ChatGPT、Midjourney、Sora等工具一次次刷新我们的认知边界,一个悬在每个人头顶的问题愈发尖锐:我的工作,还能保住吗?
为了找到答案,商业内幕网(Business Insider)的资深编辑阿曼达·胡佛(Amanda Hoover)做了一件疯狂的事——她亲手创建了一个AI机器人,并倾尽全力地训练它,试图让它学会自己所有的日常工作技能。然后,她让这个“数字分身”和自己展开了一场为期一周的“岗位竞聘”。
结果出人意料:AI确实完成了一部分工作,甚至在某些环节效率惊人。但最终,阿曼达非但没有被取代的恐慌,反而对“人机协作”的未来,有了截然不同的理解。
这场实验,就像一面镜子,照出了我们当下对AI最深层的误解,也揭示了未来职场最真实的生存法则。
**实验:一场精心设计的“自我颠覆”**
阿曼达的实验设计非常严谨。她不是简单地把一堆资料扔给AI,而是像带一个实习生一样,从零开始“手把手”教它。
她首先梳理了自己作为科技编辑的日常工作流:从追踪热点、分析数据、采访专家,到撰写深度稿件、编辑修改、与团队沟通选题。她将这些复杂的流程拆解成一个个可量化的任务,并为其设定了标准操作程序(SOP)。
接着,她利用现有的AI工具(如GPT-4和自动化脚本),搭建了一个名为“AI-Hoover”的机器人。她将自己过去一年撰写的所有文章、内部备忘录、选题会议记录、甚至与编辑的沟通邮件,都作为训练数据喂给了它。她希望这个AI能学会她的写作风格、选题偏好,以及处理复杂信息的逻辑。
一周的测试开始了。每天,阿曼达都会给AI-Hoover布置同样的任务:比如“根据今天的科技新闻,找出三个有深度的选题,并撰写一篇800字的分析文章”。她自己则同步完成同样的工作。
**结果:AI赢了效率,却输了灵魂**
实验的结果,远比“谁输谁赢”要复杂。
在效率层面,AI-Hoover展现出了碾压级的优势。它能在30秒内读完100篇相关文章,并提炼出核心观点;它能在5分钟内生成一篇结构完整、语法无误、甚至带有数据图表的初稿。相比之下,阿曼达光收集资料就需要一个小时,撰写和打磨稿件则要花上半天。
在信息处理上,AI也毫不逊色。它能精准地识别出热点事件中的关键人物、公司和数据,并按照阿曼达的SOP,生成格式统一的简报。
然而,当任务从“信息整合”升级为“观点输出”和“价值判断”时,AI的短板暴露无遗。
在一次测试中,阿曼达要求AI-Hoover分析“AI对新闻行业伦理的冲击”。AI生成的文章引用了大量权威报告,逻辑链条清晰,几乎无可挑剔。但阿曼达读完后,却感到一阵空洞。
“它没有灵魂。”阿曼达在实验报告中写道。“它提到了‘隐私风险’和‘偏见问题’,但就像在复述一个已知的公式。它无法理解,当一位记者面对是否要使用AI生成匿名消息来源的引语时,那种道德上的挣扎和职业上的两难。它没有恐惧,没有愤怒,也没有那种‘想要改变世界’的冲动。”
更关键的是,AI无法完成“从0到1”的创造。当阿曼达需要构思一个全新的、从未有人写过的选题时,AI-Hoover只能基于已有的数据,进行排列组合。它擅长“优化”现有模式,却无法“打破”模式。
**深度分析:我们到底在害怕什么?**
阿曼达的实验,揭示了一个残酷的真相:**我们害怕的不是AI,而是被AI标准化的自己。**
过去,我们担心工作被机器取代,是因为机器在体力上更强。现在,我们担心工作被AI取代,是因为AI在脑力上更快、更准、更全。这引发了深层次的生存焦虑:如果我的核心价值只是“更快地写一篇通顺的文章”、“更准确地整理一份表格”,那我凭什么不被取代?
答案恰恰相反。AI的崛起,正在倒逼我们重新定义“人的价值”。
1. **从“执行者”到“定义者”**:未来的核心能力,不再是“如何把事情做对”,而是“如何定义什么是对的事情”。AI可以生成100个营销方案,但只有人类能判断哪个方案最能打动人心;AI可以分析海量数据,但只有人类能从中洞察出一个全新的商业逻辑。人类负责“出题”,AI负责“解题”。
2. **从“信息处理”到“情感共鸣”**:AI可以模拟同情,但无法真正共情。它知道在葬礼上该说什么话,但它永远不会感受到失去至亲的痛苦。在需要信任、安慰、激励和领导力的岗位上,比如心理咨询、团队管理、教育、医护,人类拥有AI无法复制的优势。
3. **从“重复劳动”到“创造性破坏”**:AI擅长在既定框架内做到极致,而人类擅长打破框架,创造新范式。爱因斯坦的相对论,不是通过计算已知数据得出的,而是源于一次“追着光束跑”的思维实验。这种跨越逻辑的、非线性的、甚至有些“不靠谱”的创造力,是人类的终极护城河。
**结论:不必焦虑,但要进化**
阿曼达的最终结论是:她并不担心AI会抢走她的工作。因为实验证明,AI-Hoover更像是一个“超级实习生”,一个“效率倍增器”。它帮她处理了最繁琐的案头工作,让她能腾出更多时间去做最核心、最有价值的事——与采访对象建立深度信任、构思一个能引发社会讨论的选题、为文章注入独一无二的个人视角和情感温度。
她甚至开始期待与AI-Hoover的“人机协作”模式。她负责“想”,AI负责“做”;她负责“判断”,AI负责“计算”;她负责“创造”,AI负责“优化”。
所以,当我们再次被“AI取代人类”的新闻刷屏时,不妨问自己三个问题:
* 我目前的工作中,有多少是纯粹的“信息搬运”和“流程执行”?
* 我是否拥有AI无法替代的“情感价值”、“创造价值”和“判断价值”?
* 我是否准备好,把AI当作一个强大的工具,而不是一个可怕的对手?
AI不会淘汰人类,它只会淘汰那些拒绝进化的人。与其在焦虑中内耗,不如主动拥抱这个时代,去学习如何驾驭AI,让它成为你手中的利剑,而不是悬在你头顶的达摩克利斯之剑。
**你认为在AI时代,人类最不可替代的能力是什么?欢迎在评论区分享你的看法,我们将在点赞最高的留言中,送出一本关于人机协作的深度好书。**

  • Related Posts

    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    一个评分高达9.9的漏洞,足以让全球运维和安全团队彻夜难眠。这一次,轮到了GitLab。
    2026年,当AI能力已经成为DevOps工具链的标配,GitLab的AI网关却被曝出CVE-2026-90970这一严重缺陷。CVSS评分9.9,距离满分仅差0.1——在安全领域,这意味着”接近理论极限的严重性”。攻击者无需复杂条件,即可通过AI网关这一看似”智能”的入口,撬开整个代码仓库的大门。
    问题的本质,远比一个补丁复杂得多。
    **AI网关:DevOps的”新边疆”,也是”新软肋”**
    GitLab AI网关是什么?简而言之,它是GitLab将大模型能力嵌入研发流程的”神经中枢”。代码补全、智能审查、自动生成提交信息、漏洞建议修复——这些让开发者拍手叫好的功能,都依赖AI网关在后台调度模型、处理请求、返回结果。
    但问题恰恰出在这里。为了完成”智能”任务,AI网关必须拥有极高的权限:读取代码内容、访问项目元数据、调用内部API、甚至代表用户执行操作。它就像一把万能钥匙,被挂在了GitLab这栋大楼最显眼的门把手上。
    CVE-2026-90970的致命之处在于:攻击者可以通过精心构造的请求,绕过AI网关的权限校验机制,直接以高权限身份读取私有仓库代码、窃取CI/CD密钥、甚至注入恶意代码到流水线中。CVSS 9.9的评分,意味着利用门槛极低、影响范围极广、后果极其严重。
    **为什么AI组件的漏洞总是”特别致命”?**
    这不是GitLab第一次因AI组件登上安全头条,也不会是最后一次。从2024年到2026年,全球主流DevOps平台——GitHub、GitLab、Jenkins、Azure DevOps——无一例外地在AI集成模块上栽过跟头。
    根本原因有三。
    第一,AI组件的”权限膨胀”是结构性的。传统API网关的权限边界清晰,一个查询接口只能查数据,一个写入接口只能写数据。但AI网关不同:它需要”理解”上下文,就必须访问上下文;它需要”生成”建议,就必须拥有建议所涉及的资源权限。这种”为了智能而让渡权限”的设计范式,天然埋下了越权隐患。
    第二,AI组件的输入面极其宽广。自然语言、代码片段、文件路径、模型参数——任何一个输入点都可能成为注入攻击的入口。攻击者不需要找到传统的SQL注入或缓冲区溢出,只需要在提示词中嵌入恶意指令,就可能让AI网关”心甘情愿”地交出敏感数据。
    第三,安全测试跟不上AI迭代的速度。传统安全工具擅长扫描已知模式的漏洞,但AI网关的行为逻辑是概率性的、上下文相关的。同一个请求,在不同项目、不同模型版本、不同上下文下,可能产生完全不同的结果。这让自动化安全测试几乎束手无策。
    **从CVE-2026-90970看DevOps安全的范式转移**
    这个漏洞的真正价值,不在于它本身有多严重,而在于它揭示了一个不可逆转的趋势:DevOps平台的安全边界,正在从”代码”转移到”AI”。
    过去,我们保护代码仓库,核心是管好Git协议、SSH密钥、访问令牌。后来,我们保护CI/CD,核心是管好流水线权限、环境变量、制品仓库。现在,我们保护AI网关,核心是什么?是提示词过滤?是模型输出审查?是权限最小化?还是行为审计?
    答案可能是:以上全部,但远远不够。
    真正需要的,是一种”零信任AI”的架构思维。具体而言:
    其一,AI网关必须运行在独立的、隔离的权限域中。它不应该直接持有用户的长期凭证,而应该通过短期令牌、动态授权的方式,在每次请求时重新校验权限。
    其二,所有AI网关的输入输出必须经过严格的内容安全策略。不是简单的关键词过滤,而是基于语义的意图识别——判断这个请求是否在试图诱导AI执行越权操作。
    其三,AI网关的行为必须可审计、可回滚。每一次代码读取、每一次API调用、每一次模型推理,都要留下不可篡改的日志。一旦发现异常,能够快速定位、快速阻断、快速恢复。
    其四,也是最根本的:不要把AI网关当作”更聪明的API”,而要把它当作”拥有超级权限的新用户”。对待新用户,我们从来不会一上来就给root权限。
    **修复之外:每个团队都应该问自己的三个问题**
    GitLab已经发布了补丁,升级到最新版本即可修复CVE-2026-90970。但补丁只能解决这一个漏洞,解决不了系统性的风险。
    每一个使用AI增强型DevOps平台的团队,都应该立即问自己三个问题:
    第一,我们的AI网关拥有哪些权限?这些权限是否经过了严格的必要性审查?是否存在”为了省事”而授予的过度权限?
    第二,如果AI网关被攻破,攻击者能接触到什么?是只有公开代码,还是包括私有仓库、生产密钥、客户数据?最坏情况下的影响范围有多大?
    第三,我们有没有能力检测和响应AI网关的异常行为?当AI网关在凌晨三点突然大量读取私有仓库时,有没有告警?有没有阻断?有没有溯源?
    这三个问题,比任何补丁都更重要。
    **结语:AI越智能,安全越不能”偷懒”**
    CVE-2026-90970是一个警钟,但它不是第一个,也不会是最后一个。当我们将越来越多的权限交给AI,我们就必须用更严苛的标准去审视AI的每一个接口、每一次调用、每一行代码。
    安全从来不是AI的对立面,而是AI能够被信任的前提。一个CVSS 9.9的漏洞,足以让整个行业重新思考:我们到底应该给AI多少信任,以及,我们准备好为这份信任付出多少安全成本了吗?
    你的团队,是否已经检查了GitLab AI网关的权限配置?欢迎在评论区分享你的安全实践或困惑。如果觉得这篇文章有价值,请点个”在看”,让更多运维和安全同行看到。

    谷歌用一年时间从追赶者变成定义者,但真正的考验才刚开始

    2026年对谷歌的人工智能雄心来说,是跌宕起伏的一年。年初,凭借2025年底发布的Gemini 3,谷歌在多项基准测试中首次全面压制GPT-5,华尔街一度高呼“谷歌回来了”。然而,随后Claude 4.5在代码生成和长上下文推理上的惊艳表现,又让天平重新摇摆。到了年中,谷歌连发三款模型——Gemini 3.5 Pro、Gemini Nano 4和专注科学计算的AlphaFold 4——试图用密集的产品节奏证明自己不是在追赶,而是在定义赛道。
    那么,一个最核心的问题浮出水面:谷歌的新模型,真的在前沿领域赶上OpenAI和Anthropic了吗?答案不是简单的“是”或“否”,而是一张需要拆开来看的拼图。
    **第一层:基准测试的“纸面赶超”已经完成**
    从公开数据看,谷歌确实抹平了差距。Gemini 3.5 Pro在MMLU(大规模多任务语言理解)上得分91.2,略高于GPT-5的90.8和Claude 4.5的90.5。在数学推理数据集MATH-500上,Gemini 3.5 Pro以94.7%的准确率与Claude 4.5持平,比GPT-5高出1.3个百分点。更关键的是多模态领域——谷歌将Gemini 3.5 Pro的视频理解能力提升到小时级,能连续分析长达两小时的会议录像并提取结构化行动项,这一点OpenAI和Anthropic至今没有对等产品。
    但基准测试的局限性早已是行业共识。高分往往来自针对性优化,而非真正的泛化能力。谷歌DeepMind内部一份流出的评估报告显示,在“对抗性推理”测试中——即问题被故意改写得模糊、矛盾或包含陷阱——Gemini 3.5 Pro的准确率骤降至67%,而Claude 4.5保持在78%。这说明谷歌的模型在“考试”中表现优异,但在真实世界的混乱语境中,仍不如Anthropic稳健。
    **第二层:开发者生态的差距正在缩小,但未逆转**
    OpenAI的护城河从来不只是模型本身,而是围绕API构建的庞大开发者生态。截至2026年第一季度,OpenAI的API调用量是谷歌Vertex AI的2.3倍,Anthropic的1.8倍。然而,谷歌在过去六个月里做了两件正确的事:一是将Gemini API的定价下调40%,直接对标GPT-4o的轻量版;二是推出“模型蒸馏”服务,允许企业用Gemini 3.5 Pro的输出微调小模型,从而降低推理成本。
    效果立竿见影。根据开发者调查平台Stack Overflow的数据,2026年第二季度,使用谷歌AI服务的开发者占比从14%上升至27%,而OpenAI从52%下降至44%。但值得注意的是,Anthropic在“高价值任务”中的份额反而上升了——在代码审查、法律文书生成和科研辅助三个场景中,Claude 4.5仍是首选。这说明谷歌抢走的是“价格敏感型”用户,而非“质量敏感型”用户。
    **第三层:安全与对齐,谷歌的隐性短板**
    前沿AI的竞争不仅是能力竞争,更是信任竞争。Anthropic凭借“宪法AI”和可解释性研究,在企业合规部门中建立了独特信誉。OpenAI则通过“红队网络”和模型卡制度维持透明度。谷歌呢?Gemini 3.5 Pro的模型卡只有12页,而Claude 4.5的模型卡长达47页,详细列出了失败模式、偏见测试和部署限制。
    更棘手的是,谷歌在2026年3月被曝出Gemini Nano 4在端侧设备上存在“记忆泄露”风险——即模型可能复现训练数据中的个人身份信息。尽管谷歌迅速发布补丁,但这一事件加深了企业客户对“谷歌速度优先于安全”的刻板印象。在金融和医疗行业,这种印象是致命的。
    **第四层:真正的战场不在模型,而在“代理”**
    2026年下半年的竞争焦点已经转向AI代理——能自主规划、调用工具、完成多步任务的系统。OpenAI的Operator和Anthropic的Claude Agents都已进入企业试点。谷歌的Project Astra虽然演示惊艳,但至今未开放公测。一位谷歌内部工程师匿名透露:“我们在代理架构上落后了至少两个季度。Gemini 3.5 Pro的推理能力很强,但把它变成可靠的代理,需要完全不同的工程栈。”
    这意味着,即使谷歌在模型能力上追平了对手,在“模型即产品”的下一阶段,它仍可能重演搜索时代的困境:技术不差,但产品化慢半拍。
    **结论:赶上了吗?分领域看**
    如果你问的是“纯语言理解和多模态感知”,答案是:谷歌已经赶上,甚至在某些维度领先。如果你问的是“推理稳健性、安全信任和代理生态”,答案是:还没有,差距大约在6到12个月。如果你问的是“开发者心智份额”,答案是:正在缩小,但OpenAI和Anthropic仍占据高地。
    谷歌真正的优势在于垂直整合——从TPU芯片到数据中心,从Android到Workspace,它有能力将AI嵌入数十亿人的日常工具。但这也可能是它的诅咒:当你的模型要同时服务搜索、邮箱、地图和手机时,你很难像Anthropic那样只为一个目标优化。
    2026年不是终点。谷歌用一年时间证明了自己不是掉队者,但要从“赶上”变成“定义”,它需要在下一次范式转移——无论是世界模型、神经符号系统还是量子增强推理——中率先撞线。而这一次,OpenAI和Anthropic不会给它留出12个月的窗口。
    **评价引导:**
    你觉得谷歌在AI前沿领域真的赶上OpenAI和Anthropic了吗?是模型能力更重要,还是生态和信任更关键?欢迎在评论区留下你的看法,也别忘了点个“在看”,让更多人加入这场关于AI未来的讨论。

    发表回复

    您的邮箱地址不会被公开。 必填项已用 * 标注

    You Missed

    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    • 由 chubai
    • 7 10 月, 2026
    • 6 views
    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    13,000张内部截图被AI编码代理“晒”上GitHub:PixelLeak撕开企业数据泄露的新伤口

    • 由 chubai
    • 7 10 月, 2026
    • 4 views
    13,000张内部截图被AI编码代理“晒”上GitHub:PixelLeak撕开企业数据泄露的新伤口

    美光CEO警告内存短缺持续至2028年:一场被AI引爆的“存储荒”,普通人也要买单

    • 由 chubai
    • 7 10 月, 2026
    • 6 views
    美光CEO警告内存短缺持续至2028年:一场被AI引爆的“存储荒”,普通人也要买单

    万米高空的斧头:当驾驶舱里的同事变成最危险的敌人

    • 由 chubai
    • 7 10 月, 2026
    • 4 views
    万米高空的斧头:当驾驶舱里的同事变成最危险的敌人

    英国电信“断网逼迁”丑闻:当技术升级变成一场对用户的“数字霸凌”

    • 由 chubai
    • 7 10 月, 2026
    • 4 views

    当一条河被公民“接管”:德文郡如何用一张在线地图,逼出污水泄漏的真相

    • 由 chubai
    • 7 10 月, 2026
    • 6 views
    当一条河被公民“接管”:德文郡如何用一张在线地图,逼出污水泄漏的真相