深度 · 小互解读
普林斯顿教授在 ICML 讲 AI 与工作：个人如何在这场浪潮中自我调适？
24 个月里模型能力大幅跃升，SAGE 实验室自建的可靠性复合指标只涨 5–10 个百分点
一分钟速览
- 普林斯顿计算机教授 Arvind Narayanan 在 ICML 2026（首尔）做主题演讲《我们还剩下什么可做的？》，框架来自他与 Sayash Kapoor 的「AI as Normal Technology」。
- SAGE 实验室观测约 24 个月：3 家头部公司模型能力大幅跃升，可靠性复合指标（一致性／鲁棒性／校准／操作安全）只提高 5–10 个百分点。
- 软件工程「decide–execute–deliver」三层里，AI 主要压缩中间的 execute（原本约 1/3 工时）；两端未被压缩甚至在扩张。
- ATM、放射科、译员、软件工具史：自动化往往不按比例减员；软件工程就业在多轮约 10 倍工具跃升下反而增长约 10,000 倍。
- 他把 RSI／类人智能／经济变革级 AI／超级智能拆成四个互不蕴含的维度，反对「实验室达成某里程碑＝人类立刻无工可做」。
- 个人调适：抬天花板不躺地板；生产力／成长／控制三脚凳；拒黑箱、先掌握再增强；省下的时间每周约 10 小时再投资技能。
1开场
两种叙事之争：AI 圈自己也在焦虑饭碗
普林斯顿大学计算机科学教授 Arvind Narayanan 上周在韩国首尔的 ICML 2026 上，做了题为《我们还剩下什么可做的？》的主题演讲。
他直接对上 AI 圈里的焦虑：能力越来越强，我们还要不要、还能不能继续做现在这行？
🎯
为什么值得看：他不是一般评测博主。他带 SAGE 实验室做 AI agent 评测的科学研究，并与 Sayash Kapoor 合著长文框架 AI as Normal Technology（约 1.5 万词，正扩成书）。这场演讲把框架、自建可靠性数据，和软件工程一线观察绑在一起。
演讲标题页。来源：Arvind Narayanan · ICML 2026 主题演讲幻灯片
他先把路分成两条，不是哲学辩论，而是每个人要选的实操立场：
叙事一 · 替代
几年内 AI 会取代我们今天做的几乎一切。合理反应是尽快积累财富，赶在技能贬值之前。硅谷有人走这条路，外面还有「permanent underclass（永久底层）」这类迷因。叙事二 · 放大（他的立场）
AI 会大幅放大人的潜力。现在正是建立技能的最佳时机，尤其是与 AI 互补的 agency（能动性）、taste（品味）、judgment（判断），以及围绕它建的整套东西。
两种叙事：替代 vs 放大。来源：演讲幻灯片
他提醒：若你赌的是替代，而结果却是放大，接下来几年可能正好错过历史上最好的「练出超能力」窗口。全世界都在看 AI 圈怎么回应，若从业者先躺平接受「工作交给 AI」，政治反弹可能比现在更猛。
2框架
AI 落地要经过四个阶段，最慢那步还没开始
「AI as Normal Technology」里的 normal，不是说 AI 像锤子或牙刷。他们承认这是工业革命量级的变革技术，不是怀疑派口号，而是一套因果框架：能力怎么一步步变成经济与社会影响。
过去研究电力这类技术，常用创新扩散：发明 → 创新（电器这类下游产品）→ 扩散（人们逐渐采用）。他们把这套拉成四段，并以软件工程为例：
① 方法／能力模型快速变强
→
② 产品／应用coding agent 等
→
③ 早期采用vibe coding → agentic engineering
→
④ 适应性变革组织重构，要几十年
创新扩散应用到 AI：能力 → 产品 → 早期采用 → 适应性变革。来源：演讲幻灯片
第四段最慢。即便在 coding agent 的「相对早期采用者」软件工程里，他说真正的组织级重构也还没真正开始。他允许自己做一点推测：若将来 agent 能稳定做出无少 bug、少安全洞的千万行代码库，那「做一个给十亿人用的统一软件」就不那么划算了，软件会走向为每个团队定制的极致个性化，连「还要不要软件公司这种组织形态」都可能被重问。这类变化是人与组织的变化，历史上看往往以十年计。