學校新開了個AI專業，第一屆學生剛畢業，崗位已經沒了

No.0294

Science Partner

Bring you to the side of science

導 讀

旻宏跟你說一個真實的荒唐事。

中部內陸一所職校，這兩年嗅到AI風口，在能源轉型綠電豐富的一個城市火速開了個幾個新專業，名字起得很氣派“人工智能技術應用“”數據科技服務”。招生老師跑進每一個可以跑進去的班級，站在講臺上說：

“同學們，AI是未來。數據是AI的糧食。現在全國缺口超過百萬，你們只要學會打標注，月薪四五千起步，穩的。”

臺下坐著一批十六七歲的孩子還有他們的父母，聽完覺得這事靠譜。反正聽起來比那些明日黃花的老專業好聽多了，名字里帶著AI，聽上去就像站在了時代正中央。

于是第一屆招滿了。

兩年后，這批孩子畢業了。

有人發現工作沒著落，托關系問了一圈，得到的答案大同小異：要么崗位縮編了，要么干脆說“現在這塊大部分交給模型自動跑了，你們來干嘛呢。”

整件事加在一起，從招生到失業，不超過三年。

一個專業的壽命，比一些網紅餐廳還短。

這個世界、當下的教育設置，到底怎么了...

走，跟伙伴君來！

今日主筆 | 旻宏

學校新開了個AI專業，第一屆學生剛畢業，崗位已經沒了

我知道您看到這里可能想說：這不就是個例嗎，哪個行業沒有這種情況？

但問題是，這還真不是個例。

這兩年，全國陸續開了幾百個類似的專業方向，名字各有變體：AI技術應用、大數據標注與處理、智能信息服務……核心內容大同小異，都在教一件事：如何給AI打工。

學生學的是框圖標注，是文本分類，是語音轉寫，是內容審核。

然后他們走出校門，信心百倍。然后，他們發現，這些工作，AI自己已經能做了。

不是做得和他們一樣好，而是做得比他們更快、更便宜、更不需要交社保。

這就是今天職業教育里，最真實、最少人愿意正面講的那個問題。

01. 你可能聽過一個詞，叫“知識蒸餾”。

如果沒聽過，旻宏幫你翻譯一下：就是用大模型來教小模型，讓小模型花更少的錢，干跟大模型差不多的活。

這本來是AI公司壓縮成本用的技術。但這幾年它被玩出了一種更激進的用法：各家公司開始直接拿競爭對手的模型輸出來當訓練數據，喂進自己的系統。

GPT的輸出喂給Llama，Llama的數據流進Gemini，GEmini的輸出再轉手可能就成了下一代產品的語料。

整個AI行業的潛規則之一就是“互抄作業”。

而抄作業最直接的結果，就是原來需要大量人工來做的“數據生產工作”，正在被這個循環越來越多地內化進去。于是，那些職校開出來的課程里，本來依賴的那層崗位需求，開始快速萎縮。

學校不是沒努力，企業也不是臨時變卦，是整個行業底層的邏輯悄悄換了，而且換得太快，沒給任何人留太多反應時間。

最慘的，是那些剛好在這個時間窗口里讀完兩年的孩子。

他們不是受害者，也談不上被誰坑了。

他們只是，趕上了一個專業的有效期比他們的學制還短的年代。

02. 好消息是蒸餾這件事也有命門

要搞清楚這件事為什么會發生，我們得先想明白一個問題：AI互相抄作業，到底會抄出什么后果？

研究人員發現，純合成數據的訓練閉環是有極限的。這個現象有個專業名詞，叫模型坍塌（Model Collapse）。

打個比方吧。你把一張高清照片復印，再把復印件復印，再復印，再復印。前幾次看不出來，但復印到二十次的時候，圖像已經模糊到認不出原來是什么了。

模型蒸餾的多代循環，本質上是同一個問題。每轉一圈，都在累積誤差。幾代之后，模型開始丟失那些只有在真實世界里才會出現的東西：文化細節、邊緣場景、人的真實判斷，以及那些很難被歸納成規律的、活生生的認知復雜性。

特斯拉前AI總監，也是OpenAI的聯合創始人之一大神Karpathy專門說過這件事。他的判斷是：純合成數據訓練出來的模型會“靜默崩潰”，質量不是一下子垮掉的，而是悄無聲息地在你看不見的地方慢慢爛掉。

你以為它還好，其實它已經爛了。

所以模型互相抄作業的盡頭，不是徹底不需要人了，而是如果沒有高質量的真實人類數據壓陣，整個鏈條最終會一起失效。

這也就是為什么，真實人類的高質量判斷，在這個時代反而更值錢，但遺憾的是，值錢的，可能不是職校在教的那種。

03. 最先被吃掉的，恰好是最多學校在教的

數據標注這門生意，過去幾年確實火過一陣。

邏輯很簡單：大模型要吃大量數據，數據要有人去分類、打標簽、做審核。于是市場上出現了很多崗位，也出現了很多培訓班、職校專業、校企合作項目。很多地方一看，這不就是新時代的就業出口嗎？

于是趕緊上馬。

這套判斷在當時不能說完全錯。問題在于，技術演進的方向，比教育系統的反應速度快得多。

現在模型已經不只是需要人打標簽，它自己也開始會打標簽、會生成候選答案、會做初步分類、會幫你篩一遍數據。更重要的是，行業正在從低成本人工堆量轉向高質量人類校準。換句話說，AI并不是把人徹底踢出去，而是把人從勞動密集型那一層往上推了一層。

可職業教育最難受的地方就在這兒：它最容易批量培養的，恰恰是最容易被替代的那一層，就比如我們提到那家設在綠電替代火電城市的職校。

這就很尷尬了。

學校教學生怎么框圖、怎么分類、怎么轉寫、怎么做基礎審核；但行業真正缺的，慢慢變成了懂業務、會判斷、能質檢、能仲裁的人。

一個是操作員，一個是把關人。這中間隔著一條很寬的河。

04. Scale AI為什么還值138億？

說到這里不得不提一個人：Alexandr Wang，華裔，1997年生，19歲創業，做的就是數據標注生意，公司叫Scale AI，估值一度高達138億美元，后來還拿到了美國國防部的AI合同。

很多人聽到這里會困惑：這行不是要完了嗎，他怎么還能值這個數？

原因在于，大多數人誤解了Scale AI賣的是什么。

它賣的不是便宜的人力，而是一套數據工程體系——如何組織一條高質量的標注管道，如何做質量控制，如何讓數據和模型訓練形成真正的閉環，如何持續更新評測集和對齊反饋。

蒸餾時代，這套東西的價值反而在漲。

因為整個蒸餾鏈條需要一個錨，那些被反復驗證、質量可靠、能防止模型漂移的高質量人類數據，是整個體系不塌的地基。沒有這個錨，合成數據訓出來的模型就是那張被復印了二十次的照片。

所以到今天，行業里的共識是這樣的：合成數據管規模，人類標注管質量。兩者不是你死我活，是分工配合。

05. 職校這次撞上的，不只是行業變化

說到這里，問題就不只是“數據標注行業會不會被替代”了，而是更扎心一點：

職校到底是在培養一個學生，還是在押注一個崗位？

這兩者差別很大。

培養學生，意味著你面對的是長期穩定的技能需求輸出。押注崗位，意味著你默認這個崗位在未來幾年里還會存在，而且數量還不少。

問題在于，很多職業教育機構的邏輯，其實更接近后者。

他們不是先研究未來三年的行業結構，再去設計課程；而是先看到一個崗位熱了、企業招人了、市場缺口大了，然后迅速把課程開出來。動作快的時候，確實能吃到紅利。可一旦行業變向，學校就會比公司更被動。

公司不行，可以裁。學校不行，往往只能拖。而學生是最被動的那個。

他花了兩年時間，學了一套當時看起來很對的技能，最后發現這個技能還沒來得及成為自己的飯碗，就先變成了行業過渡期的臨時工具。

學生們這種落差，和實實在在搭進去的時間，才是最傷人的。

因為它不是“你不努力”，也不是“你學不會”，而是你認真學了，最后發現課程本身押錯了方向。

最后問一個真問題：當下職業教育最該重新思考的地方是什么

過去，很多職校強調的是上手快、能就業、證書好拿。這當然沒錯，但前提是市場對基礎操作工的需求足夠大。

可現在不一樣了。

AI把很多基礎活兒做掉之后，真正留下來的，是更靠近判斷、質檢、仲裁、反饋、行業知識的工作。未來更值錢的，不是“會不會按流程做”，而是“你知不知道這一步為什么要這么做”。

這對學校來說，意味著課程必須升級：不能只教工具，要教方法；不能只教操作，要教理解；不能只教一個固定崗位，要教學生如何在崗位變化之后繼續活下去。

真正好的職業教育，不是給學生一張通往某個工位的門票，而是給他一套在崗位變化后還能重新站穩的能力。

這才是關鍵！

我是旻宏，咱們下期見～

本文僅作科普分享使用，歡迎小伙伴們點、收藏、關注，以備不時之需，當然更歡迎您把 介紹給周邊可能需要的更多伙伴們呀。