李飞飞：十年后职场只剩两种人丨Silicon Valley Girl

李飞飞：十年后职场只剩两种人丨Silicon Valley Girl 李飞飞：十年后职场只剩两种人丨Silicon Valley Girl Modified June 21 🔗 原文链接： https://mp.weixin.qq.com/s/bDl1DlLP... 原创 Capihom Capihom 晚点再听LaterCast2026年6月21日 00:06 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听 “面对如此先进的认知技术，主动性才是关键。” “用 AI 的人，能完成过去从没做到过的事。” “未来会分成两类人：顶级专家，和高主动性通才。” 李飞飞把 ImageNet 做成现代深度学习的底座之一，如今在 World Labs 融了 10 亿美元，继续押注 AI 对物理空间的理解。MasterClass CEO David Rogier 则从另一侧看同一件事：公司里的人已经开始用 Claude Code 和 Codex 给自己造工具。Silicon Valley Girl 这期对话真正有用的地方，不在于预测 AI 抢走多少工作，而在于把未来职场拆成两个很具体的问题：谁还在等流程喂任务，谁已经能带着 AI 改写自己的工作边界。节目里还出现了一个很强的画面：同一个公司里，有人把 Claude 当搜索框，有人已经把自己的邮件、待办、研究流程做成内部工具，两种人的差距会在日常交付里不断扩大。 大学文凭不再自动通向职业路径 主持人开场说，很多人的恐惧来自一个旧假设：上大学，拿到专业训练，然后沿着职业阶梯往上走。AI 把这条路的不确定性提前暴露出来。李飞飞没有把变化说成末日，她用一个词回应：agency，主动性。 当技术开始承担越来越多认知任务，稳定感不再来自岗位名称，而来自一个人能否主动学习、主动试用、主动把工具变成自己的生产力。 这套建议很现实：先把工具拿到手，再用日常任务验证它。 "面对如此先进的认知技术，主动性是核心。" David Rogier 也补了一层残酷性：过去每次技术迁移，没跟上的人损失很大。他提到电脑和电子表格普及时，拒绝适应的人不只收入受影响，健康和生活也会被连带冲击。 所以躲开 AI 并不能保住旧职业，反而会让人错过重新设计工作的窗口。 这段话对今天的工程师、PM、运营和内容团队都很刺耳：公司不会等每个人准备好，工作流会先变，绩效标准随后跟上。 “智能归零”的说法太粗糙 对话里有一个很重要的纠偏。主持人问，如果智能成本趋近于零，职业会怎样？李飞飞没有顺着这个刺激性表述往下讲。她说，工业革命并没有“自动化劳动”，它提升、放大、重组了劳动。人类智能也远不止语言能力，还包括感知、空间、身体、情感和创造力。今天的大模型非常强，能帮商业分析、软件工程、逻辑推理做很多事，但把它说成“人类智能归零”，会把讨论带偏。 "人类智能太深了，不能负责任地说智能成本会归零。" 这也是文章标题里“只剩两种人”的背景：职场正在分出两种工作方式。第一种人把 AI 当作外部威胁，等公司、学校、行业给答案；第二种人把 AI 当作需要亲手掌握的新基础设施，开始改自己的流程、工具和判断半径。李飞飞反复提醒，语言模型很强，但不能把它神化成全部智能；David 也提醒，工具本身没有价值观，价值来自人怎么设计和使用它。 医生不该把时间耗在病历录入上 David 用医生和护士举例：一个职业通常是一组任务的集合，其中有些任务承载专业判断，有些任务只是消耗注意力。医生要看病人，也要写病历、整理记录、补系统字段。AI 进入这个流程时，更好的切入点是把那些让医生远离病人的任务抽走。 岗位不会被一个按钮整体吞掉，真正先发生变化的是任务包被重新拆开。 同一套逻辑也适用于产品团队：需求整理、会议纪要、用户反馈归类可能先被自动化，路线判断和跨团队取舍仍然要有人承担。 "没有医生会说，自己最爱的工作是写病历。" 这个视角对公司管理者也更可操作。与其抽象讨论“AI 会不会裁员”，不如回到每个岗位的任务清单：哪些环节靠重复整理信息，哪些环节靠情境判断、责任承担、与人协作。前者会被快速压缩，后者会变得更贵。 PM 从等原型变成自己动手试 李飞飞给了一个很贴近互联网从业者的例子：过去 20 年，硅谷产品经理常常是用户、市场和工程师之间的“指挥者”。他们未必写代码，要做原型就找设计师和工程师，收集反馈再整理需求。一个产品循环可能耗掉几个月。现在，很多产品经理开始自己用 AI 写一点代码、搭一个简单原型，甚至用 AI 模拟用户行为，反馈闭环被明显压短。 "很多产品经理现在自己写代码，不必等一整队人先做出原型。" 李飞飞强调，这并不指向设计师和工程师消失。相反，基础试错被 PM 先做掉后，设计师和工程师能把时间放到更复杂、更有杠杆的工作上。她看年轻产品经理时，也会看对方是否站在这波变化上，而不是只会复述五年前教科书里的流程。换到招聘场景，一个候选人如果能展示自己如何用 AI 把需求、原型、用户反馈串成闭环，信号会比“熟悉标准流程”更强。 这里的变化也会影响团队协作。过去 PM 写 PRD，设计师出稿，工程师排期，用户研究再回收反馈。现在一个人可以先用 AI 做出可讨论的低成本版本，再把有限的工程和设计时间用在更难的体验、架构和边界条件上。 流程没有消失，流程的起点被提前到了个人手里。 CEO 的软件栈开始自己长出来 David 说，如果几个月前问他最常用的 AI 工具，他可能会列 Claude、ChatGPT 等名字。现在答案变了：很多应用是他自己用 Claude Code 或 Codex 做出来的。他甚至给团队做了一个“Davidfy”，把自己写过的邮件和表达方式放进去，让团队在需要用他的语气写东西时有参照。还有一个待办应用，任务超过一天半还没处理，就必须立刻做、删掉，或交给团队成员。 "做一个应用的成本，已经从几个月降到一个周末。" 这段最像新的工作现场。软件不再全是采购来的标准工具，也可能是个人和团队按自己的思考方式长出来的临时系统。 未来有竞争力的人，未必拥有最多 SaaS 账号，更可能能把自己的工作方式产品化。 过去一个 CEO 要等内部工具排期，今天可以先做一个足够好用的版本，带着团队在真实任务里试。 公司会奖励会造流程的人 在 David 看来，MasterClass 内部已经出现一种杠铃结构。一端是顶级专家，某个手艺做到前 1%，普通人加上 LLM 也追不上。另一端是高主动性的通才，能把很多事情做得不错，判断力强，推进力强，还知道什么时候找顶级专家合作。中间那层只会完成标准任务的人，被挤压得最明显。 "我猜会出现分化：顶级专家，以及能把很多事做好的高主动性通才。" 李飞飞同意这套判断，并补充说，两端都需要 agency。专家要用工具把自己的深度放大，通才要用工具跨过过去的能力边界。公司结构也会跟着变：个人能做和不能做的边界会降低，岗位之间的分工会被重新画线。中层执行者如果只靠“我负责这块流程”来定义自己，很容易被更小、更主动、更会调用工具的人追上。 教育的瓶颈不在模型能力 David 把 AI 对教育的冲击讲得很直接。过去 60 年，大家都知道一对一教学效果最好，可学校仍然是 20 人、300 人的大班，本质原因是成本。AI 让接近一对一的学习辅导变得便宜许多。他提到，同样的教育体验，过去可能是一年 1.2 万美元、8 万美元，现在有机会降到 100 美元量级。 "如果学校禁用 AI，另一所学校允许学生使用，后者会在更短时间学到同样内容。" 他还提到，用 AI 学习可以减少 60% 的时间。更大的阻力不一定来自技术，而来自害怕改变的制度。放到职场也一样，培训、晋升、招聘如果仍按旧流程运行，很快会和真实生产方式脱节。一个团队如果还把 AI 当作课外兴趣，另一个团队已经用它做研究、写草稿、搭原型、复盘数据，半年后交付节奏会完全不同。 空间智能会把 AI 带回物理世界 李飞飞目前最关注的是 spatial intelligence，空间智能。她提醒大家，语言智能只是人类智能的一部分。开车、打篮球、煎蛋、叠衣服，都不是只靠文字就能学会的动作。动物和人类用了漫长演化才形成对空间、身体、物体关系的理解。World Labs 想推进的，正是让 AI 更懂物理空间。 "语言智能很强，但空间智能是另一块古老而基础的能力。" 这也让“未来十年”不只关乎白领软件。机器人、医疗、教育、家庭劳动、工业场景，都会因为 AI 对物理世界的理解变强而变化。李飞飞不敢给出精确年份，但她认为不会等 100 年，甚至可能在她的有生之年看见重要进展。主持人问到叠衣服和周日洗衣这类小事时，她也把问题拆到传感器、硬件和具身行动，而不是只谈模型参数。 别从宏大口号开始，从一项任务开始 如果员工说自己想学 AI，David 不建议一上来就让他们 vibe code 一个仪表盘。他见过很多前端看起来能跑、数据却没接回真实输入的半成品。更有效的方式，是坐下来带一个人或两三个人做基础任务，比如深度研究，手把手走一遍。听上去慢，但他发现，只要有人陪着跨过第一次尝试的门槛，后面很多人会自己跑起来。 "先抓住工具，再想办法把它设计得更好。" 李飞飞最后给出的建议也很朴素：熟悉这项技术。她并没有要求每个人都变成研究员或创业者，而是鼓励 K12 学生、大学生、职场人都保持智识开放，主动学习、升级技能、亲手试。 未来十年被拉开的差距，很可能来自这种日常动作的复利。 如果还不知道从哪里开始，可以先挑一个低风险任务：整理会议、拆解竞品、生成研究提纲、把反复出现的表格处理成自动流程。第一次不追求完美，只追求让自己看见工具能接住哪一段工作。 写在最后 这期最有分量的判断，是把焦虑落回可执行的动作。AI 不会把每个人立刻推到同一个终点，但会放大主动学习者和旁观者之间的差距。今天最小的开始，可以只是把一个重复任务交给 AI，亲手跑通，再问自己：我的工作里，还有哪一步可以被重新设计。先完成一次真实协作，比收藏十个工具清单更能改变手感。手感建立起来后，判断力才会跟着增长，下一次面对新工具时，也更容易看见自己的用法，而不是只等别人给标准教程。 内容来源："Godmother of AI: In 10 Years There Will Be Only 2 Kinds of Workers"丨Silicon Valley Girl 原视频：https://www.youtube.com/watch?v=subu xHrp1w 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣ https://mp.weixin.qq.com/s/bDl1DlLP... 🔗 原文链接： https://mp.weixin.qq.com/s/bDl1DlLP... https://mp.weixin.qq.com/s/bDl1DlLP... 原创 Capihom Capihom 晚点再听LaterCast2026年6月21日 00:06 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听 “面对如此先进的认知技术，主动性才是关键。” “用 AI 的人，能完成过去从没做到过的事。” “未来会分成两类人：顶级专家，和高主动性通才。” 李飞飞把 ImageNet 做成现代深度学习的底座之一，如今在 World Labs 融了 10 亿美元，继续押注 AI 对物理空间的理解。MasterClass CEO David Rogier 则从另一侧看同一件事：公司里的人已经开始用 Claude Code 和 Codex 给自己造工具。Silicon Valley Girl 这期对话真正有用的地方，不在于预测 AI 抢走多少工作，而在于把未来职场拆成两个很具体的问题：谁还在等流程喂任务，谁已经能带着 AI 改写自己的工作边界。节目里还出现了一个很强的画面：同一个公司里，有人把 Claude 当搜索框，有人已经把自己的邮件、待办、研究流程做成内部工具，两种人的差距会在日常交付里不断扩大。 大学文凭不再自动通向职业路径 主持人开场说，很多人的恐惧来自一个旧假设：上大学，拿到专业训练，然后沿着职业阶梯往上走。AI 把这条路的不确定性提前暴露出来。李飞飞没有把变化说成末日，她用一个词回应：agency，主动性。 当技术开始承担越来越多认知任务，稳定感不再来自岗位名称，而来自一个人能否主动学习、主动试用、主动把工具变成自己的生产力。 这套建议很现实：先把工具拿到手，再用日常任务验证它。 "面对如此先进的认知技术，主动性是核心。" David Rogier 也补了一层残酷性：过去每次技术迁移，没跟上的人损失很大。他提到电脑和电子表格普及时，拒绝适应的人不只收入受影响，健康和生活也会被连带冲击。 所以躲开 AI 并不能保住旧职业，反而会让人错过重新设计工作的窗口。 这段话对今天的工程师、PM、运营和内容团队都很刺耳：公司不会等每个人准备好，工作流会先变，绩效标准随后跟上。 “智能归零”的说法太粗糙 对话里有一个很重要的纠偏。主持人问，如果智能成本趋近于零，职业会怎样？李飞飞没有顺着这个刺激性表述往下讲。她说，工业革命并没有“自动化劳动”，它提升、放大、重组了劳动。人类智能也远不止语言能力，还包括感知、空间、身体、情感和创造力。今天的大模型非常强，能帮商业分析、软件工程、逻辑推理做很多事，但把它说成“人类智能归零”，会把讨论带偏。 "人类智能太深了，不能负责任地说智能成本会归零。" 这也是文章标题里“只剩两种人”的背景：职场正在分出两种工作方式。第一种人把 AI 当作外部威胁，等公司、学校、行业给答案；第二种人把 AI 当作需要亲手掌握的新基础设施，开始改自己的流程、工具和判断半径。李飞飞反复提醒，语言模型很强，但不能把它神化成全部智能；David 也提醒，工具本身没有价值观，价值来自人怎么设计和使用它。 医生不该把时间耗在病历录入上 David 用医生和护士举例：一个职业通常是一组任务的集合，其中有些任务承载专业判断，有些任务只是消耗注意力。医生要看病人，也要写病历、整理记录、补系统字段。AI 进入这个流程时，更好的切入点是把那些让医生远离病人的任务抽走。 岗位不会被一个按钮整体吞掉，真正先发生变化的是任务包被重新拆开。 同一套逻辑也适用于产品团队：需求整理、会议纪要、用户反馈归类可能先被自动化，路线判断和跨团队取舍仍然要有人承担。 "没有医生会说，自己最爱的工作是写病历。" 这个视角对公司管理者也更可操作。与其抽象讨论“AI 会不会裁员”，不如回到每个岗位的任务清单：哪些环节靠重复整理信息，哪些环节靠情境判断、责任承担、与人协作。前者会被快速压缩，后者会变得更贵。 PM 从等原型变成自己动手试 李飞飞给了一个很贴近互联网从业者的例子：过去 20 年，硅谷产品经理常常是用户、市场和工程师之间的“指挥者”。他们未必写代码，要做原型就找设计师和工程师，收集反馈再整理需求。一个产品循环可能耗掉几个月。现在，很多产品经理开始自己用 AI 写一点代码、搭一个简单原型，甚至用 AI 模拟用户行为，反馈闭环被明显压短。 "很多产品经理现在自己写代码，不必等一整队人先做出原型。" 李飞飞强调，这并不指向设计师和工程师消失。相反，基础试错被 PM 先做掉后，设计师和工程师能把时间放到更复杂、更有杠杆的工作上。她看年轻产品经理时，也会看对方是否站在这波变化上，而不是只会复述五年前教科书里的流程。换到招聘场景，一个候选人如果能展示自己如何用 AI 把需求、原型、用户反馈串成闭环，信号会比“熟悉标准流程”更强。 这里的变化也会影响团队协作。过去 PM 写 PRD，设计师出稿，工程师排期，用户研究再回收反馈。现在一个人可以先用 AI 做出可讨论的低成本版本，再把有限的工程和设计时间用在更难的体验、架构和边界条件上。 流程没有消失，流程的起点被提前到了个人手里。 CEO 的软件栈开始自己长出来 David 说，如果几个月前问他最常用的 AI 工具，他可能会列 Claude、ChatGPT 等名字。现在答案变了：很多应用是他自己用 Claude Code 或 Codex 做出来的。他甚至给团队做了一个“Davidfy”，把自己写过的邮件和表达方式放进去，让团队在需要用他的语气写东西时有参照。还有一个待办应用，任务超过一天半还没处理，就必须立刻做、删掉，或交给团队成员。 "做一个应用的成本，已经从几个月降到一个周末。" 这段最像新的工作现场。软件不再全是采购来的标准工具，也可能是个人和团队按自己的思考方式长出来的临时系统。 未来有竞争力的人，未必拥有最多 SaaS 账号，更可能能把自己的工作方式产品化。 过去一个 CEO 要等内部工具排期，今天可以先做一个足够好用的版本，带着团队在真实任务里试。 公司会奖励会造流程的人 在 David 看来，MasterClass 内部已经出现一种杠铃结构。一端是顶级专家，某个手艺做到前 1%，普通人加上 LLM 也追不上。另一端是高主动性的通才，能把很多事情做得不错，判断力强，推进力强，还知道什么时候找顶级专家合作。中间那层只会完成标准任务的人，被挤压得最明显。 "我猜会出现分化：顶级专家，以及能把很多事做好的高主动性通才。" 李飞飞同意这套判断，并补充说，两端都需要 agency。专家要用工具把自己的深度放大，通才要用工具跨过过去的能力边界。公司结构也会跟着变：个人能做和不能做的边界会降低，岗位之间的分工会被重新画线。中层执行者如果只靠“我负责这块流程”来定义自己，很容易被更小、更主动、更会调用工具的人追上。 教育的瓶颈不在模型能力 David 把 AI 对教育的冲击讲得很直接。过去 60 年，大家都知道一对一教学效果最好，可学校仍然是 20 人、300 人的大班，本质原因是成本。AI 让接近一对一的学习辅导变得便宜许多。他提到，同样的教育体验，过去可能是一年 1.2 万美元、8 万美元，现在有机会降到 100 美元量级。 "如果学校禁用 AI，另一所学校允许学生使用，后者会在更短时间学到同样内容。" 他还提到，用 AI 学习可以减少 60% 的时间。更大的阻力不一定来自技术，而来自害怕改变的制度。放到职场也一样，培训、晋升、招聘如果仍按旧流程运行，很快会和真实生产方式脱节。一个团队如果还把 AI 当作课外兴趣，另一个团队已经用它做研究、写草稿、搭原型、复盘数据，半年后交付节奏会完全不同。 空间智能会把 AI 带回物理世界 李飞飞目前最关注的是 spatial intelligence，空间智能。她提醒大家，语言智能只是人类智能的一部分。开车、打篮球、煎蛋、叠衣服，都不是只靠文字就能学会的动作。动物和人类用了漫长演化才形成对空间、身体、物体关系的理解。World Labs 想推进的，正是让 AI 更懂物理空间。 "语言智能很强，但空间智能是另一块古老而基础的能力。" 这也让“未来十年”不只关乎白领软件。机器人、医疗、教育、家庭劳动、工业场景，都会因为 AI 对物理世界的理解变强而变化。李飞飞不敢给出精确年份，但她认为不会等 100 年，甚至可能在她的有生之年看见重要进展。主持人问到叠衣服和周日洗衣这类小事时，她也把问题拆到传感器、硬件和具身行动，而不是只谈模型参数。 别从宏大口号开始，从一项任务开始 如果员工说自己想学 AI，David 不建议一上来就让他们 vibe code 一个仪表盘。他见过很多前端看起来能跑、数据却没接回真实输入的半成品。更有效的方式，是坐下来带一个人或两三个人做基础任务，比如深度研究，手把手走一遍。听上去慢，但他发现，只要有人陪着跨过第一次尝试的门槛，后面很多人会自己跑起来。 "先抓住工具，再想办法把它设计得更好。" 李飞飞最后给出的建议也很朴素：熟悉这项技术。她并没有要求每个人都变成研究员或创业者，而是鼓励 K12 学生、大学生、职场人都保持智识开放，主动学习、升级技能、亲手试。 未来十年被拉开的差距，很可能来自这种日常动作的复利。 如果还不知道从哪里开始，可以先挑一个低风险任务：整理会议、拆解竞品、生成研究提纲、把反复出现的表格处理成自动流程。第一次不追求完美，只追求让自己看见工具能接住哪一段工作。 写在最后 这期最有分量的判断，是把焦虑落回可执行的动作。AI 不会把每个人立刻推到同一个终点，但会放大主动学习者和旁观者之间的差距。今天最小的开始，可以只是把一个重复任务交给 AI，亲手跑通，再问自己：我的工作里，还有哪一步可以被重新设计。先完成一次真实协作，比收藏十个工具清单更能改变手感。手感建立起来后，判断力才会跟着增长，下一次面对新工具时，也更容易看见自己的用法，而不是只等别人给标准教程。 内容来源："Godmother of AI: In 10 Years There Will Be Only 2 Kinds of Workers"丨Silicon Valley Girl 原视频：https://www.youtube.com/watch?v=subu xHrp1w 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣