AI 学者 ICML 演讲：AI 是「正常技术」，不会突然让所有人失业
来源AI Snake Oil查看原文
速览
- AI as Normal Technology 不是口号，而是关于 AI 如何影响经济与社会的因果模型
- 该框架承认 AI 是工业革命级别的变革性技术，作者并非 AI 怀疑者
- 递归自我改进的定义模糊，从自动调参到取代全球研究者创造力跨度极大
- AI 在可验证任务上进步快，但创造力等不可验证维度难以突破
- 不存在某个实验室里程碑会突然让所有人失业
- 未来工作将截然不同，需要大量适应，人类与 AI 可形成「共同超级智能」
- AI 社区如何回应这一时刻，将影响全球对 AI 的政治态度
普林斯顿大学研究者、AI Snake Oil 作者 Arvind Narayanan 在首尔举行的 International Conference on Machine Learning（ICML）上发表主题演讲，题为「What will be left for us to work on?」，回应 AI 社区对能力快速提升的普遍焦虑。他提出三个论点：其一，「AI as Normal Technology」框架是理解 AI 影响的有效方式，除非未来出现递归自我改进这类不连续性；其二，即便应认真对待递归自我改进，也不存在某个实验室里程碑会突然让所有人失业；其三，未来的工作将截然不同，需要大量适应，他提出人类与 AI「co-superintelligence」（共同超级智能）的愿景。演讲幻灯片已公开，附有轻度编辑的讲稿注释，ICML 也发布了演讲视频。
关键事实
- Narayanan 在首尔举行的 ICML 2026 上发表主题演讲，标题为「What will be left for us to work on?」
- 他提出三个论点：AI as Normal Technology 框架有效、递归自我改进不会突然导致大规模失业、未来工作需要大量适应
- 他与 Sayash Kapoor 合著了 15000 字的论文《AI as Normal Technology》，目前正将其改写为书
- 他在普林斯顿大学带领团队研究 AI agent 评估的科学，试图超越「benchmark 分数上涨」式的能力宣称
- 他区分了递归自我改进的两种含义：一端是「美化的超参数搜索」（如 AutoML），另一端是取代全球数十万 AI 研究者的创造力
- 他认为 AI 在可验证任务上远强于不可验证任务，而创造力是典型的不可验证任务
本站视角
这篇演讲值得中文 AI 从业者认真对待，因为它直接针对「AI 会不会取代我们」这个当下最实际的焦虑，而且作者不是空谈者——他领导的普林斯顿团队专门做 agent 评估，清楚 benchmark 分数与现实部署之间的鸿沟。对国内做 Agent 的团队、依赖 API 的中小企业和一线开发者来说，Narayanan 的判断提供了一个可操作的立场：如果 AI 是放大而非替代技术，那么现在正是积累互补技能（判断力、品味、能动性）的窗口期，而不是急着变现或躺平。我们认为，他对递归自我改进的拆解尤其有价值——把「AI 自己造出下一代 AI」区分为自动超参数搜索和取代全球数十万研究者的创造力，后者在可验证性框架下短期内难以实现，这为「AI 不会突然让所有人失业」提供了机制性理由，而非单纯乐观。需要指出的是，演讲本身是观点而非实证研究，其结论依赖「可验证 vs 不可验证」这一二分法，而这一边界可能随技术演进而移动；此外，他对政治反弹的警告带有规范性主张，读者应将其视为立场而非预测。对中文读者而言，最需要观察的是：国内 AI 社区是否也会像硅谷那样出现「尽快积累财富」与「积累互补技能」的路线分化，以及这种分化会如何影响人才流向。
背景与影响
Arvind Narayanan 是普林斯顿大学计算机科学教授，与 Sayash Kapoor 合著了《AI as Normal Technology》一文，该文主张将 AI 视为一种需要社会和经济适应的变革性技术，而非要么末日要么乌托邦的极端叙事。他领导的团队专注于 AI agent 评估的科学，试图将能力之外的现实部署因素纳入评估。此次 ICML 主题演讲将这一框架延伸到 AI 研究者自身：软件工程和 AI 研究本身正是 AI 能力推进最快的领域，因此「如何适应」的问题首先冲击了这个社区。演讲中他讨论了递归自我改进（RSI）的两种极端含义，并引用播客主 Dwarkesh Patel 的评论说明 AI 创造力与人类创造力的差距。他还提到硅谷部分人选择「在技能过时前尽快积累财富」的路径，以及「永久底层」（permanent underclass）的说法。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
