2026年初，AI研究者Andrej Karpathy（前OpenAI联合创始人、前Tesla AI总监、现Eureka Labs创始人）发布了一个令人震撼的互动可视化项目：karpathy.ai/jobs。这个工具以树状图（treemap）形式，将美国劳工统计局（BLS）《职业展望手册》（Occupational Outlook Handbook）中涵盖的342个职业全部映射出来，每个职业方块的大小代表就业人数，颜色则代表AI暴露度（0-10分，绿色低暴露→红色高暴露）。
项目上线后迅速在X（Twitter）、LinkedIn、Hacker News等平台引发热议。为什么？因为它用最简单、直观的方式回答了当下最焦虑的问题：AI到底会先取代哪些工作？
一、项目核心数据与可视化一览
- 总覆盖就业人数：约1.43亿（占美国劳动力市场的绝大部分）
- 加权平均AI暴露度：4.9/10（部分讨论中提到5.3/10，可能因权重或更新略有差异）
- 暴露工资总额：约3.7万亿美元（意味着经济体量巨大的劳动价值面临重塑）
- 暴露度分级占比（按就业人数加权）：
- 极低（0-1分）：约620万，占4%
- 低到中：大量蓝领与服务类职业
- 高（8-10分）：大量白领认知类工作
树状图采用经典的矩形布局：
- 方块越大 → 该职业雇员越多（如护士、软件开发员、零售售货员等常年位居前列的职业）
- 颜色越红 → AI越容易大幅改造或取代该职业的核心任务
- 颜色越绿 → 当前AI难以撼动，需要大量物理操作、现场判断或人际情感
用户可以交互式探索：
- 按工资水平过滤
- 按教育要求分组
- 按暴露度区间查看
- 放大具体行业集群（如医疗、IT、金融、建筑等）
二、高暴露 vs. 低暴露：典型职业举例
高暴露职业（红色/橙色，8-10分）
这些工作大多以屏幕为核心生产场所，核心产出是数字化的文本、代码、表格、报告、分析、决策。LLM（大语言模型）在生成、总结、分析、编程等方面已表现出色。
- 医疗转录员（Medical Transcriptionists）：10/10
- 软件开发人员（Software Developers）：8-9/10
- 会计师与审计师（Accountants & Auditors）
- 财务分析师（Financial Analysts）
- 市场研究分析师（Market Research Analysts）
- 数据录入与处理相关角色
- 部分行政助理、客户服务（文字/邮件/聊天类）
- 计算机支持专家（部分技术支持可被AI接管）
中度暴露（黄色/橙色，4-7分）
- 管理分析师
- 项目经理（部分文档与协调）
- 律师（法律研究、合同起草）
- 高等教育教师（备课、批改、内容生成）
- 销售经理（部分数据分析与报告）
低暴露职业（绿色，0-2/10）
这些工作高度依赖物理世界交互、不可预测环境、人体接触或即时情感判断，当前机器人与多模态AI仍远未达到实用水平。
- 重型卡车司机
- 建筑工人、木工、电工、水管工、屋顶工
- 家政护理员（Home Health Aides）
- 注册护士（直接护理部分）
- 厨师、服务员
- 清洁工、保安
- 农业工人
- 焊工、屠宰工等手艺活
一句话总结Karpathy地图最醒目的规律：“如果你的全部工作发生在屏幕上，你就很危险了。”
三、方法论：简单却强大的LLM打分
Karpathy的做法极简而高效：
- 从BLS官网爬取全部342个职业的官方描述（包括典型职责、工作环境、教育要求、薪资、就业前景等）。
- 使用前沿大语言模型（具体模型未公开，但推测为2025-2026年顶级闭源或开源模型）对每个职业的官方描述进行打分。
- 打分维度：单一轴线0-10分，评估"AI将在多大程度上重塑（reshape）该职业"。
- 提示词（prompt）大概率聚焦于：当前及近期AI能力下，该职业的核心任务中有多少比例可以被自动化、显著增强或完全取代。
- 结果直接生成交互式网页（基于GitHub仓库karpathy/jobs开源实现）。
这种方法优点明显：
- 全面：覆盖官方认定的全部职业，无遗漏
- 一致性：同一个模型、同样的提示，对所有职业打分，避免人为偏见
- 可重复：代码与数据公开，任何人可复现或用其他模型重新打分
- 更新性：BLS数据定期更新，模型能力每几个月跃升，未来可快速刷新
缺点也很明显：
- 依赖模型主观判断（不同模型/提示词可能有1-2分波动）
- 基于当前能力评估，未充分考虑未来机器人、多模态、具身智能的爆发
- 职业描述是概括性的，忽略了任务级细粒度差异（不像Anthropic的"observed usage"那样结合真实使用日志）
四、深度观察：三大核心洞见
洞见1：屏幕 vs. 物理世界的终极二分法
这张地图本质上是Moravec悖论（Moravec’s Paradox）的2026年版：对人类来说困难的（下棋、国际象棋、复杂推理）AI早已超车；对人类来说简单的（走路、抓取物体、在混乱环境中操作）却是AI最难的。
结果就是：
- 认知例行任务（写代码、写报告、填表格、做Excel、客服回复）→ 红色高危
- 具身、现场、脏乱差、需要触觉与即时反馈的任务 → 绿色安全
但安全是暂时的。随着Figure、Tesla Optimus、1X等具身机器人公司在2025-2028年间快速迭代，建筑、护理、物流等绿区可能逐步变黄。
洞见2：高学历、高薪资 ≠ 安全
传统观念认为AI先取代低技能工作，但Karpathy地图显示相反趋势：
- 许多博士/硕士要求职业（部分大学教师、律师、分析师）暴露度反而较高，因为它们大量涉及信息处理与文本生成
- 低薪体力劳动（护理员、清洁工）反而更安全
这对教育与职业规划构成巨大挑战：花20年读书获得的"知识壁垒"，在LLM时代可能贬值最快。真正的护城河正在转向：
- 与AI共舞的能力（prompt engineering → agent orchestration）
- 人类独有的同理心、伦理判断、复杂人际协调
- 物理执行与现场应变
洞见3：不是消灭，而是重构与生产率爆炸
高暴露不等于失业。软件开发者暴露度8-9分，但BLS预测该职业仍将增长。原因类似Jevons悖论（效率提升→需求爆炸）：
- AI让一个程序员一天写出过去一周的代码 → 公司敢接更多项目 → 需要更多"AI+人"组合
- 放射科医生用AI辅助读片更快 → 医院敢做更多检查 → 放射科反而扩张
Anthropic 2026年2月的论文也佐证：理论能力上AI可处理大量白领任务，但实际部署（observed usage）仍落后很多，更多是增强而非取代。
五、宏观启示与未来展望
1. 经济层面：3.7万亿美元工资面临重塑，可能导致工资两极分化（AI熟练者薪资暴涨、非熟练者承压），也可能整体生产率爆发拉高生活水平（关键看收益如何分配）。
2. 政策层面：是否需要大规模再培训计划？是否探讨AI影响税、UBI？教育系统是否应从"传授知识"转向"教人驾驭AI"？
3. 个人层面：Karpathy本人目前专注Eureka Labs（用AI革新教育），某种程度上给出了答案——未来最有价值的技能是"教AI"与"被AI教"。
结语
这张地图不是末日预言，而是清醒的诊断书。它告诉我们：AI浪潮已至，但淹没的不是"工作"本身，而是工作的旧形态。活下来的人，将是那些最早学会与AI共生、把AI当作"认知外骨骼"的人。
参考链接：
- Karpathy AI Jobs可视化：karpathy.ai/jobs
- GitHub开源代码：github.com/karpathy/jobs
- 美国劳工统计局职业展望手册：bls.gov/ooh