引子：丰收不等于富裕，热门也不等于安全

整理对象从初中课文讲起：叶圣陶《多收了三五斗》里，丰年多收了粮食，本该高兴，可到了米行才发现，原本能卖十五块钱一担的大米只剩五块钱一担——「希望犹如肥皂泡，一会儿又迸裂了三四个」。

作者借这个比喻说选专业：丰收不等于富裕，热门也不等于安全；真正要看的不是眼前的价格和热度，而是更长远的规划。

高考前后，很多家庭都会进入另一个考场：选大学、选专业、想未来。这几年一个越来越常见的问题是——这个专业会不会被 AI 替代？问题当然重要，但作者认为它还没触及本源：很多时候我们选专业时，缺乏对这个专业相关工作的认识。如果只问「会不会被替代」，我们很容易把未来想象成一张职业清单（哪些安全、哪些危险、哪些热门、哪些过时）；而 AI 不一定直接拿走一个职业，却可能改变我们进入这个职业的方式——它不一定让某个专业消失，却可能改变一个人从新手变成熟手的路径。

所以更好的问题也许是：这个领域的能力，是先学会再上手，还是在上手过程中慢慢学会？

一、别只问「会不会被替代」，要问「能力如何培养」

整理对象介绍的报告是 Burning Glass Institute 2025 年 7 月发布的《The Expertise Upheaval: How Generative AI’s Impact on Learning Curves Will Reshape the Workplace》（副题：生成式 AI 对学习曲线的影响将如何重塑职场）。以下要点我已回到报告 PDF 逐项核对：

• 作者与数据：Matt Sigelman、Joseph Fuller、Michael Fenlon、Erik Leiden、Gwynn Guilford；使用 Lightcast 提供的美国在线招聘数据（报告致谢中说明）；
• 核心判断：生成式 AI 最大的影响不在岗位数量，而在于做这些岗位所需的专业水平（level of expertise）——它改变的是学习曲线，进而影响人的去留与流动；
• 两类职业：
  • 先学后做型（Mastery Roles）：前置学习曲线，需要先掌握一套明确、可编码的技术性知识。报告举例：网络管理员、数据仓储专家、贷款面谈人员（另处还提到数据分析师、CAD 技术员）。入门爬坡陡，但越过入门后能力增长相对平缓。
  • 边做边学型（Growth Roles）：能力在经验、反馈、协作与责任递增中逐步形成。报告举例：法律助理（paralegal）、营销／市场专员、项目经理、初级项目管理者。早期任务看似常规、重复、低风险，却是新手学习行业语言、形成判断的训练场；学习曲线起步平缓、随责任增加而显著变陡。
• 规模与薪酬：两类职业合计涉及接近 5000 万美国劳动者；其中约 1800 万人、约占劳动力的 12% 属于上述范畴；边做边学型岗位平均薪酬比先学后做型高 28%（约合每年 2 万美元），且要求大学学历的可能性高 51%。

整理对象强调，这只是两个主要原型（archetype）；报告自己也说明，完整图景是四种走向：

整理对象还补了一句自己的判断，我认为很诚实：简单二分肯定会片面——教师就是既得先学后做、又必须边做边学的职业；更可能的情况是「所有工作都是这两种类型在不同程度上的综合」。

二、AI 能降低准入门槛，也可能拆掉上升台阶

两类职业最大的差别在于能力从哪里来，而 AI 对两者的作用方向并不相同。

**对先学后做型任务，最难的是入门。**学生要先掌握术语、规则、工具、公式、流程，才有资格进入真实问题。而现在 AI 可以成为很好的脚手架：解释概念、演示步骤、生成练习、提供反馈，帮助学生快速跨过最初的知识门槛。一个原本被编程语法挡在门外的学生，可以让 AI 帮他读代码、看报错、做小项目；刚接触统计、法律、医学、工程图纸的学生，也能借助 AI 更快建立基本理解。这时 AI 的价值是：让更多人更早进入复杂任务。

**但边做边学型任务不一样。**这类能力不是先在书本里完整学会再进入现实，而是在真实任务中锻炼出来的：写一篇不成熟的文章被老师批注、做一次笨拙的汇报被同伴追问、参与一个项目发现协调比计划更难；第一次带班、第一次访谈、第一次做研究，才知道教材、学生、数据和现实之间有多少缝隙。这些看起来基础、琐碎、低级的任务，常常不是杂活，而是锻炼综合素养的台阶。

于是出现一个不对称的风险：如果 AI 把它们全部替新手做掉，短期看产出更漂亮；长期看，新手没有经历那些能提升专业判断力的过程。报告对这一风险的描述是「截断（truncating）」学习曲线的早期阶段——用整理对象的话说，就是台阶被拆掉了。

三、选专业时，多看一层能力结构

整理对象给了一套很实用的自查清单，可以据此判断一个专业属于哪一类、该重点准备什么：

如果更接近先学后做型，要问：这个专业的入门门槛是什么（数学、编程、实验技术、专业术语、法规体系，还是某种工具熟练度）？AI 能不能帮我更快建立基本能力？我能不能在大学期间把这些能力转化成项目、作品、证书、实验记录或真实问题解决经验？——在这类领域里，不要满足于「这门课拿了高分」，更重要的是把基础知识变成可证明的能力。

如果更接近边做边学型，要问：这所学校、这个专业有没有足够的真实练习场？有没有导师指导、项目制学习、实习机会、实验室、田野调查、教学实践、写作训练和案例讨论？——在这类领域里，不要只看课程表好不好看，也要看有没有让你「做中学」的机会。

整理对象据此举了教育专业的例子：教育学、心理学、课程论和教学法当然要学，但真正成为教师，不能只靠记住概念——学生需要观察课堂、设计活动、面对真实学生、处理错误答案、理解沉默和抵触。新闻、设计、公共表达、研究与管理同样如此：知识门槛之外，更值钱的能力往往来自真实情境中的判断。

四、不要把「快」误当成「强」

这套框架对已经进入职场的人同样有用。AI 会让很多人更快完成任务——更快写初稿、更快做表格、更快生成代码、更快整理资料、更快做汇报；这当然有价值，但职业成长不能只用速度衡量。

整理对象给出的分法是两个问题：我现在缺的是门槛技能，还是成长经验？

• 如果缺门槛技能，就应该主动用 AI 补：解释难概念、拆解例题、模拟面试、生成练习、比较不同方案，帮助自己快速进入一个领域。
• 如果缺成长经验，就不能只让 AI 代劳：要保留自己的练功区——亲自读材料、亲自写初稿、亲自和人沟通、亲自做判断、亲自承担每一次不完美结果带来的反馈。

一句话：AI 可以让你更快到达门口，但不能保证你真的走过那条路。

五、给教师和学校：分清「门槛」和「台阶」

过去说因材施教，常关注学生基础、兴趣、能力水平和学习风格。把这套框架推而广之，还需要再加一层判断：这个学生在这个任务上，最需要的是降低门槛，还是保留台阶？

• 有些学生卡在入门处：概念不懂、步骤不会、语言陌生、工具不熟，题目还没看懂就已经放弃。对这些学生，教师要做的是扶学生上门槛——换一种说法解释概念、把复杂任务拆成小步、给出相似例子、模拟一个耐心的陪练（例：勾股定理）。
• 还有一些学生并不是不会开始，而是缺少经历：他们需要反复修改、需要在讨论中被追问、需要经历错误答案暴露出来的那一刻、需要学会解释自己为什么这样判断。这时教师要做的是保留台阶（例：写作文）。

整理对象由此得出一个很关键的推论：同一个工具，对不同学生、不同任务、不同学习阶段，意义可能完全不同——对刚接触英文文献的学生，AI 翻译和解释术语是在降低门槛；对正在训练学术判断的研究生，AI 直接生成综述结论可能就是拆掉台阶。所以 AI 时代的因材施教，不只是给不同学生不同难度，而是判断学生此刻需要哪一种帮助。

六、重新设计学习曲线

整理对象的结论是：这份报告最值得教育界借鉴的不是它列出了哪些职业受影响，而是它提供了一个看问题的方法——AI 改变的是工作技能的学习曲线，并不是在抢或者在增加岗位。

• 有些学习曲线会被压缩：更快跨过术语、工具和基本技能门槛，更早接触真实问题——这是机会；
• 有些学习曲线会被截断：学生可能跳过原本用于积累经验的初级任务，直接获得漂亮结果，却没有形成支撑这个结果的判断——这是风险。

因此，教育的责任不是简单赞成或反对 AI，而是和学生一起规划新的学习曲线：哪些门槛会被降低，哪些台阶必须留意？

写在后面

先说这份材料的证据等级

整理对象是一篇随笔式的报告解读（含作者个人的引申与文学化收尾），不是研究报告本身；而报告《The Expertise Upheaval》是研究机构基于招聘数据与技能分析发布的研究（BGI 与 Lightcast），也不是同行评议论文。因此：

• 「先学后做型／边做边学型」是人为建构的分析原型，报告自己就说明完整图景是四种走向，作者也承认二分必然片面——引用时不宜当作精确的职业分类标准；
• 报告的关键数值（约 5000 万人、12% 劳动力、28%／2 万美元、51%）都是美国劳动力市场数据，不能直接外推到中国；尤其「要求大学学历的可能性」这类比例，与两国的学历结构、职业准入制度高度相关；
• 「AI 会截断早期学习曲线」目前主要是基于招聘数据与技能分布推断的趋势判断，报告并未给出企业内的纵向追踪证据。这一点判断趋势时值得留意。

我补的三点

1. 把「门槛／台阶」变成可操作的课堂规则：与其笼统地说「善用 AI」，不如在校内明确一份使用分级——用于解释、示例、练习、反馈的属降门槛（鼓励）；用于直接给出结论、直接产出初稿与判断的属替代判断（在训练性任务中明确限制并要求说明）。这比事后追查「有没有用 AI」更可执行。
2. 评价项目时分开测两个量：入门速度（同上课堂前后测概念掌握）与判断力增长（对真实任务产出的评分、修订质量、能否解释判断依据）。只测前者，会系统性高估 AI 的收益——因为被压缩的可能正是后者所依赖的过程。
3. 对教师的直接推论：整理对象那句「教师是既得先学后做、又必须边做边学的职业」值得再推一步——教师自己的 AI 能力同样要分两类：工具操作、提示编写、政策规范属于先学后做（可以培训、可以考核）；而判断某个 AI 产出能不能进课堂、会不会拆掉学生的台阶，属于边做边学（只能在真实课堂里长出来）。培训设计如果把两类混在一起，最容易出现「培训很多、课堂没变」。

---

来源：The Burning Glass Institute · The Expertise Upheaval（2025 年 7 月，报告 PDF）｜整理对象为一篇关于该报告的中文解读随笔（文中「先学后做型／边做边学型」的译法参考卓克《科技参考》）