本文分析了 Karpathy 创建的 GitHub 项目，该项目使用 AI 模型对美国 342 个职业的"AI 暴露度"进行评分，揭示了数字化程度高的职业（如软件开发者）评分最高，而体力劳动职业评分最低。文章强调暴露度高不等于职业消失，而是工作方式将被改变，并对比了中国版项目的类似结论，适合关心职业趋势和 AI 影响的读者。
Tags:
Karpathy 用 AI 给美国 342 个职业打了个分，看哪个职业受 AI 影响最大。
然后这个项目太火，他就给删了。
他从美国劳工统计局抓了 342 个职业的数据，然后用 Gemini Flash 模型给每个职业打了一个 0-10 分的 AI 暴露度。
简单说，暴露度就是：这个职业的工作有多少比例可以搬到电脑上完成。
能全在电脑上干的就高，必须动手动脚的就低。
做完之后做成了一个热力图：
矩形的面积代表这个职业的从业人数，颜色代表 AI 影响的分数。
你可以切换不同维度来看：AI 暴露度、薪资中位数、就业增长率、学历要求。
项目上线后直接炸了，Elon Musk 转发了，各大媒体都报道了。
然后 Karpathy 把项目删了。
他后来在 Twitter 上发了条消息解释：
"This was a Saturday morning two hour vibe coded project... It's been wildly misinterpreted, so I took it down."
翻译一下：周六早上花两个小时 vibe coding 搞了个东西，被全网严重误读了，所以撤了。
他还专门强调了一点：
"The 'exposure' was scored by an LLM based on how digital the job is. This has no bearing on what actually happens to these occupations."
暴露度只是看这个职业有多数字化，跟职业会不会消失是两回事。
后来有人克隆了项目重新部署，Karpathy 又把仓库恢复了。
但这个上线→爆火→删除→恢复的过程本身，已经说明问题了：数据和解读之间隔着一道巨大的鸿沟。
几个关键数字：
342 个职业被评估，平均 AI 暴露度约 5 分（满分 10），42% 的职业评分在 7 分以上。
7 分以上大概涉及 5990 万工作者，接近一半的美国劳动力。
工作内容在数字层面可以被 AI 大规模渗透。
哪些职业得分最高？
软件开发者、数据科学家、计算机研究科学家、翻译人员、市场研究分析师、精算师、数学家。
清一色 9 分，而且基本都是高薪白领。
得分最低的呢？
建筑工人、屋顶工、电工、水管工、厨师、理发师。大多 1-2 分。
规律很清晰：
坐在电脑前干活的，AI 暴露度最高
需要动手的，暴露度最低
高薪更容易受影响？
这个项目最有意思的地方在交叉对比。
你切换一下维度，会发现一个扎心的趋势：AI 高暴露度职业和高薪高学历高度重合。
过去二十年最吃香的那些工作，写代码的、做数据分析的、写文档的、做翻译的，恰恰是 AI 最容易渗透的。
而那些被认为是门槛不高的蓝领工作，反而在 AI 面前不会受影响。
这跟十年前大家的预期完全相反。
那时候都觉得最先被淘汰的是流水线工人，结果发现 AI 最擅长的是坐在工位上用电脑干的事。
madeye 用类似的思路做了一个中国版本，覆盖了 250 个中国职业。
数据源换成了国家统计局的数据和 2024 年国民经济和社会发展统计公报。
中国版的结论和美国版方向一致，具体看数据。
哪些中国职业 AI 暴露度最高？
软件工程师、前端开发工程师、证券分析师、投行分析师、翻译、电话销售，都是 9 分。
数据分析师、AI 工程师、UI 设计师、测试工程师、大数据工程师、算法工程师、银行柜员，8 分。
暴露度最低的呢？
建筑工人、装修工人、水暖工、钢筋工、混凝土工，都是 1 分。种植业农民、渔民、林业工人，也全是 1 分。
还有中式厨师、西式厨师、面点师、消防员，也都是 1 分。
搬家工人最低 0 分。
有一个细节挺值得注意的。
中国版的平均暴露度是 5.0，比美国版（5.3）略低。而且中国暴露度 7 分以上的职业占 31%（76 个），美国那边是 42%。
这跟中国的就业结构有关。
中国第一产业大概 22.8%，第二产业 29.1%，第三产业 48.1%。美国第三产业占比超过 80%。
说白了，中国有更大比例的劳动力在干 AI 难以渗透的实体工作，所以整体暴露度会偏低一些。
这篇文章最想说的其实是这段。
AI 暴露度高，不等于工作会消失。
Karpathy 自己反复强调过这一点，甚至不惜删掉整个项目来防止误读。
举个例子：软件开发者评分 9 分，最高档。
但想想看，一个工程师用 AI 编程助手，效率可能提升 3 倍。
这意味着需要的工程师数量可能不会减少，反而可能增加。
因为开发成本大幅下降，原来做不起的项目突然变得可行了。需求端释放大量新需求，最终需要的工程师总数可能比现在还多。
只不过工作方式变了，不会再手搓了。
历史上这种事发生过很多次了。
电子表格出现后，会计师没有被淘汰。因为成本降低，每家公司都开始做财务分析，会计师数量反而大幅增长。
编译器出现后，程序员没有被淘汰。
因为编程成本降低，软件行业爆发式增长。
AI 暴露度高，真正意味着的是：这个职业的工作方式会被改变，但工作本身未必会减少。
所以这个项目真正告诉我们的，是一个更本质的问题：
你的工作有多少成分可以被数字化？
如果一个程序员 80% 的时间在写代码，20% 的时间在理解需求、做架构决策、和团队沟通。
那 AI 帮你把 80% 效率提升 3 倍后，省下的时间会投入到那 20% 更有价值的事情上。
如果一个翻译 90% 的时间在逐字翻译，10% 的时间在做文化适配和语言润色。
那 AI 会把那 90% 的时间压缩掉，翻译工作的价值将完全取决于剩下 10% 的能力。
建议你自己打开这两个项目看看，热力图比文字直观得多。
美国版：https://github.com/karpathy/jobs中国版：https://madeye.github.io/jobs/
打开之后切换不同颜色维度，把自己的职业找出来看看。
你会对数字化这个词有全新的理解。
05
点击下方卡片，关注逛逛 GitHub
这个公众号历史发布过很多有趣的开源项目，如果你懒得翻文章一个个找，你直接关注微信公众号：逛逛 GitHub ，后台对话聊天就行了：
没有评论:
发表评论