普林斯顿计算机科学家Arvind Narayanan过去十年一直在研究AI如何冲击别人的饭碗——律师、记者、放射科医生。上周在首尔举行的ICML 2026大会上，他做了一场主题演讲，题目直白到近乎自嘲：《What will be left for us to work on?》。这一次，矛头对准了他自己所在的机器学习研究和软件工程社区。
他给出的答案不是投降，也不是唱衰。核心判断是：没有哪个实验室里的单一里程碑会让所有人一夜失业，但工作形态会被彻底重排，重排的速度比很多人以为的要慢，代价也比很多人以为的要真实。
AI研究者也慌了，这件事本身就是新闻
Narayanan和合作者Sayash Kapoor几年前提出的“AI作为常规技术”（AI as Normal Technology）框架，原本是拿来分析法律、新闻这些外部行业的。这次演讲的反讽在于，他承认这套理论第一次被迫拿来解释自己人的处境——机器学习研究员和程序员，是最早被coding agent（编程智能体）冲击工作方式的一批人。
他把这件事的重要性讲得很直接：AI圈自己怎么应对这场冲击，会被全世界当作范本。如果研究者集体“躺平”接受工作被AI取代，而不是划出清晰的能力边界，招来的可能是比现在更猛烈的政治反弹。这不是一句场面话——它意味着AI从业者的姿态本身，正在变成一种政策信号。
能力涨了，为什么不等于失业潮
演讲里最硬的一段论证，是反驳“递归自我改进”（RSI）会带来骤然性大规模失业的叙事。Narayanan的立场是：应该认真对待这个风险，但不必因此推翻整个框架。
原因在于能力和自主性之间隔着一整套现实瓶颈——基础设施、数据、组织流程、真实世界部署中的摩擦。模型跑分再高，也得先跨过这些坎，才能真正接管一份工作的完整责任链条。这和电力刚进入工厂时的情形几乎一模一样：电动机效率远超蒸汽机，但工厂主想直接“拔掉锅炉换发电机”时发现根本行不通，真正的产能释放，靠的是花了四十年重新设计整个厂房布局、重新培训工人。
Narayanan团队后来把这套逻辑用到软件工程上，得出一个更具体的结论：AI压缩的是任务里的执行层，不是判断与交付层。写代码这件事本身在被自动化，但决定“要不要写、写成什么样、能不能上线”的判断权，暂时还留在人手里。
硅谷囤钱，学界划界，两种应对逻辑的分岔
演讲里提到的另一个背景，是硅谷内部流传的“永久底层阶级”说法——这个词来自《纽约时报》今年四月的一篇评论，指的是一批人已经默认“AI几年内会替代大部分工作”，于是选择尽快变现、囤积财富，赶在自己的技能贬值前落袋为安。
Narayanan的态度是明确反对的。他认为如果AI真的是一种放大能力而非替代能力的技术，那些提前“认输”的人，等于亲手错过了历史上积累复合型技能——判断力、品味、agency——最好的一个窗口期。
- 风险.如果押注错了方向，代价不是对称的。信“替代论”而囤钱的人，一旦AI走的是放大路径，他们浪费的是本可以用来建立护城河的几年；信“放大论”而持续学习的人，就算判断错了，至少手里的技能没有贬值。
提前认输的人，赌的不是AI会不会赢，而是自己愿不愿意再学一遍。
对法律、新闻这些此前已经被AI研究者反复分析过的行业来说，机器学习和软件工程这次算是给出了一份“先行者样本”：真正的结构性调整不是靠一次模型发布完成的，而是要花上十几二十年重新设计谁来做决策、谁来交付成果、组织怎么围绕新工具重新分工。
演讲结尾提到的“人机共同超级智能”（co-superintelligence）愿景，Narayanan自己也没给出可操作路径——这恰恰是这个框架目前最大的悬念：判断层留给人类，听起来合理，但判断层本身会不会被慢慢压缩，谁都说不准。