為什麼 AI 會先取代工程師，卻不會取代理髮師？
OpenAI o1 共同創作者 Jason Wei 提出「智慧的鋸齒狀邊緣」理論：AI 不會一夕之間超越人類所有能力，而是在不同任務上呈現極度不均勻的進步。他用三個因素預測哪些工作會先被取代，哪些會倖存。
本文整理自 Stanford AI Club 2025 年的演講。
你可能聽過一種說法：一旦 AI 突破某個臨界點，就會在短短幾年內遠遠超越人類，接管一切。這個「快速起飛」的論述聽起來很嚇人，但 Jason Wei 不這樣看。
Jason Wei 是 OpenAI o1 和 Deep Research 的共同創作者，曾在 Google Brain 推廣 Chain-of-Thought Prompting，學術引用超過 9 萬次。他在 Stanford AI Club 的演講中提出了一個不同的框架：智慧的鋸齒狀邊緣。
簡單說，AI 的能力不是一條平滑上升的曲線，而是高低起伏的鋸齒。有些任務 AI 已經做得比人類好，有些則還差得遠。更重要的是，不同任務的進步速度差異極大。理解這個不均勻性，比預測「AI 何時超越人類」更有用。
快速起飛不會發生
先說結論：Jason Wei 認為「快速起飛」不太可能發生。
傳統的論述是這樣的：如果 AI 能自我改進，它就能訓練出更強的 AI，那個更強的 AI 又能訓練出更更強的 AI，形成指數級的爆發。所以一旦跨過某個門檻，就會在極短時間內從「比人類弱」跳到「遠超人類」。
但 Jason Wei 指出，「自我改進」不是一個開關，而是一個連續的光譜。
今年，AI 可能連程式碼都跑不起來。半年後，可以跑但結果很差。再過半年，可以自主訓練但不如頂尖研究員。再過一年，可以獨立運作但偶爾需要人類介入。這是漸進的過程，不是跳躍。
更關鍵的是，這種漸進式進步會在不同任務上以不同速度發生。這就是鋸齒狀邊緣的由來。
三個預測因素
Jason Wei 給出三個判斷任務會多快被 AI 征服的因素：
第一，是不是數位任務。
這是最重要的因素。數位任務可以在電腦裡快速迭代、大規模平行測試。實體任務則受限於物理世界的速度——你沒辦法用 1000 倍速度練習剪頭髮。
他舉了一個對比：1981 年有一幅漫畫預測了 AI 幫小孩寫作業，畫面是一台電腦。這個預測成真了。但科幻電影裡的人形機器人管家？到現在還沒實現。兩者的差別就在數位與實體。
數位任務的迭代速度可以比實體快上百萬倍。這就是為什麼 AI 下棋、寫程式、做數學進步神速，但 AI 機器人還在學怎麼不絆倒。
第二，對人類來說有多難。
這個比較直覺：人類覺得簡單的事，AI 通常也比較快學會。翻譯英文到法文，人類覺得不難，AI 早就做到了。證明黎曼猜想，人類也做不到，AI 當然也還沒有。
但這不是絕對的。有些事人類覺得簡單是因為我們有幾百萬年演化出來的硬體——比如辨識人臉、抓住飛來的球。這些事對 AI 反而很難。
第三，資料是否豐富。
這個也很直接。有大量訓練資料的任務進步快，資料稀缺的任務進步慢。
他用語言模型在不同語言上的數學能力來舉例。如果你把語言的網路使用頻率（也就是訓練資料量的代理指標）和模型的數學表現畫在一起，會看到非常明確的正相關。資料越多，表現越好。
但有一個重要的例外：如果任務有明確的評估指標，就可以用強化學習生成合成資料，繞過資料稀缺的限制。這是 AlphaZero 下圍棋和 AlphaEvolve 解數學優化問題的做法——不需要人類資料，自己跟自己玩就能進步。
Jason Wei 的任務預測表
他在演講中列了一張表，用這三個因素預測各種任務何時會被 AI 征服：
已經完成的：
- 翻譯前 50 大語言（簡單、數位、資料豐富）
- 除錯基本程式碼（2023，中等難度、數位、資料豐富）
- 競賽數學（2024，困難、數位、資料豐富）
可預期的近期：
- AI 研究（他猜 2027，困難、數位、但資料不算特別豐富）
- 製作電影（他猜 2029，很困難、數位、資料豐富）
不確定的：
- 化學研究（困難、不完全數位、資料普通）——可能比 AI 研究晚
- 股市預測（很困難、數位、資料豐富）——他說他不確定
可能永遠不會的：
- 翻譯 Tlingit 語（一種只有幾百人會說的美洲原住民語言）——簡單但資料極度稀缺
- 修水管（中等難度、不數位、資料還好）
- 理髮（中等難度、不數位、資料普通）
- 傳統烏茲別克地毯編織（很困難、不數位、資料稀缺）——一個團隊要花一個月才能織一塊地毯
最後一項他開玩笑：「帶女朋友約會讓她開心」——人類本來就做不到，不是數位任務，也沒有資料，所以 AI 應該也不行。
這對你的職涯意味著什麼
Jason Wei 引用了他前同事 Rune 的話：「現在沒有人應該給或接受任何職涯建議。所有人都嚴重低估了變化的範圍和速度。你那個在 Meta 當 L4 工程師的朋友說『CS 學位完蛋了』，他其實什麼都不知道。」
這聽起來很悲觀，但其實是誠實的。沒有人真的知道確切的時間表。
不過，Jason Wei 的框架至少給了一個思考方向。如果你的工作主要是數位任務、對人類來說不難、而且有大量公開資料可以訓練——那你應該認真考慮這件事了。
反過來說，如果你的工作涉及實體世界、需要與人類互動、資料不容易被收集——你可能還有比較多時間。
但「比較多時間」不是「永遠安全」。鋸齒的谷底也會慢慢被填平，只是速度不一樣。
他最後的總結是這樣的：某些領域會被 AI 極度加速（軟體開發是最明顯的），某些領域會在很長一段時間內保持不變（理髮、水電、手工藝）。
不是所有工作都會同時被取代。但也不是所有工作都會被保留。理解這個不均勻性，比恐慌或否認都更有用。