共计 3428 个字符，预计需要花费 9 分钟才能阅读完成。
2026 年 3 月 15 日，[[Andrej Karpathy]] 在个人网站上发布了一个名为 AI Exposure of the US Job Market 的交互式可视化项目。他从美国劳工统计局（BLS）抓取了 342 个职业的数据，涵盖约 143 万个工作岗位，然后让 LLM 按照一套详细的评分标准，为每个职业打出 0 到 10 的 AI 替代风险分数。最终结果以 treemap（矩形树图）的形式呈现——矩形面积代表该职业的就业人数，颜色从绿到红代表被 AI 替代的可能性从低到高。
项目上线后迅速走红，[[Elon Musk]] 在 X 上回复称「所有工作都将变成可选的」（All jobs will be optional），各大新闻媒体纷纷报道。然而就在发布数小时之内，Karpathy 删除了 GitHub 上的源代码仓库，以及网站（karpathy.ai/jobs）。他后来表示，「这只是周六早上两小时的 vibe coded 项目，灵感来自我正在读的一本书」。
Karpathy 是谁
Andrej Karpathy 是深度学习领域最有影响力的人物之一。他是 [[OpenAI]] 的联合创始人，曾担任 [[Tesla]] 的 AI 总监，负责自动驾驶视觉系统。离开 Tesla 后，他回到 OpenAI 工作了一段时间，后来创办了 AI 教育公司 [[Eureka Labs]]。他在 YouTube 上的 AI 教学视频（如 Zero to Hero 系列）广受欢迎，是 AI 社区中极具影响力的布道者。
正因为 Karpathy 在 AI 领域的权威地位，这个本质上是一个周末小项目的可视化分析，引发了远超预期的关注和讨论。
核心发现
整体风险水平
342 个职业的加权平均 AI 替代风险分数为 4.9 到 5.3（不同来源的报道数据略有差异），这意味着美国就业市场约有一半左右的岗位面临中等以上的 AI 替代压力。
高风险职业（7 分以上）
42% 的职业得分在 7 分以上，涉及约 5990 万工人和 3.7 万亿美元的年薪资总额。典型的高风险职业包括：
- 医疗转录员：10 分（满分），被认为几乎可以完全被 AI 替代
- 会计和审计师：9 分
- 律师：9 分
- 软件开发人员：8-9 分
- 数据分析师：8-9 分
- 律师助理：8-9 分
- 客服代表：8 分
低风险职业（0-1 分）
需要体力劳动、物理在场或在不可预测的现实环境中操作的职业得分很低：
- 屋顶工人：0 分
- 清洁工：0-1 分
- 建筑工人：1 分
- 家庭护理助理：1 分
- 重型卡车司机：1 分
- 水管工：0-1 分
收入与风险的反直觉关系
Karpathy 的数据揭示了一个反直觉的现象——收入越高，AI 替代风险越大：
| 收入水平 | 平均 AI 替代风险分数 |
|---|---|
| 年收入低于 3.5 万美元 | 3.4 |
| 年收入超过 10 万美元 | 6.0-6.7 |
同样的，学历越高，替代风险反而越高：
| 学历要求 | 平均 AI 替代风险分数 |
|---|---|
| 无学位要求 | 2.7 |
| 学士学位 | 5.7 |
| 博士学位 | 5.7 |
这与很多人的直觉相反。传统观念认为「多读书就能不被淘汰」，但在 AI 时代，恰恰是那些坐在电脑前处理文字、数据和代码的白领工作者面临更高的替代风险。
一条核心规律
Karpathy 评分体系的核心判断标准是：如果一份工作的产出本质上是数字化的，而且可以完全在家办公完成，那么这份工作的 AI 替代风险天然就很高。反之，需要物理存在、手工操作或应对不可预测现实环境的工作，暂时是安全的。
方法论与争议
项目的技术实现
整个项目的流程是开源的：
- 从 BLS 的 Occupational Outlook Handbook 抓取 342 个职业的数据
- 将每个职业的描述喂给 LLM（据报道使用的是 [[Gemini]] Flash），按照预设的评分标准进行打分
- 将评分结果生成交互式 treemap 可视化
Karpathy 自称这是一个「vibe coded」的项目——也就是凭感觉快速搭建的原型，而非经过严格论证的学术研究。
主要批评
这个项目引发了大量争议，主要集中在以下几个方面：
第一，循环论证问题。用 LLM 来评估工作被 LLM 替代的可能性，存在明显的自指偏差。LLM 天然倾向于高估自己能做的事情。Karpathy 本人对此是透明的，但在病毒式传播的过程中，这些 caveat 被大量忽略了。
第二，对体力劳动替代风险的盲区。评分体系只关注了 LLM 层面的替代，完全忽略了机器人、自动驾驶等技术对体力劳动的威胁。比如卡车司机得了 1 分，但自动驾驶行业正在快速发展。
第三，确认偏误（Confirmation Slop）。Stacker News 上的评论者指出，Karpathy 在给 LLM 的 prompt 中预置了偏向性的框架和示例，导致输出结果本质上只是在「回填」（backfill）研究者预设的结论。有人为此创造了一个新术语——Confirmation Slop，即通过预设偏见的 prompt 工程让 LLM 生成符合预期的「研究成果」。
第四，与现实数据矛盾。[[Citadel Securities]] 指出，Indeed 的职位发布数据显示，2026 年初软件工程师的需求同比增长了 11%。尽管 Karpathy 的分析给软件开发人员打了 8-9 分的高风险，但现实中的招聘市场并没有显示出相应的萎缩。
第五，数据的误导性。3.7 万亿美元的数字听起来触目惊心，但这只是高风险职业的年薪资总额，并不意味着这些钱会「消失」。大多数工人会适应、转型或看到自己的工作内容演变，而不是直接失业。
为什么发布后又删除
关于 Karpathy 为什么快速删除 GitHub 仓库，他没有给出明确的公开解释。但从各种迹象来看，可能的原因包括：
- 项目的传播规模远超预期，一个周末小实验被当作权威研究来引用
- Elon Musk 的回复进一步放大了影响，使得讨论脱离了 Karpathy 原本想表达的范畴
- 删除仓库但保留网站，说明他想保留自己对展示方式的控制权，防止原始数据和代码被 fork 后以各种方式被修改和重新分发
不过，有人在仓库被删除之前就 clone 了完整的代码和数据，并重新上传到了 GitHub，所以代码实际上仍然可以被获取。
一个更深层的视角：可验证性
值得注意的是，Karpathy 在 2025 年 11 月曾提出过一个更精确的分析框架。他认为，判断一个任务是否会被 AI 替代，关键不在于它是否「重复」，而在于它是否「可验证」——具体来说要满足三个条件：
- 环境可重置（可以开始新的尝试）
- 试错成本低（可以进行大量尝试）
- 可自动奖励（存在某种自动化的评价机制）
这个框架比简单的 0-10 打分更具解释力。它解释了为什么 AI 能下棋但写不出伟大的小说，为什么 [[AlphaFold]] 能预测蛋白质结构但不能取代实验科学家。编程任务之所以特别容易被 AI 接管，正是因为它完美满足这三个条件：编译器可以检查语法，单元测试可以验证逻辑，性能指标可以量化优化效果。
对普通人意味着什么
Karpathy 的这个项目虽然方法论上存在缺陷，但它提供了一个有价值的思考框架。以下几点值得关注：
第一，屏幕前的工作比体力劳动更先受到冲击。这与很多人的直觉相反，但确实是当前 LLM 技术发展的逻辑结果。处理文本、数据、代码的工作本质上就是 LLM 最擅长的领域。
第二，「AI 替代」不等于「失业」。更准确的理解是：AI 会改变工作的内容和方式，让同样的产出需要更少的人。一个 30% 的生产力提升不会让所有人失业，但会让企业在边际上减少招聘。
第三，不要把这当作预言。Karpathy 自己也说过，理论上的「AI 能做」和现实中的「AI 在做」之间存在巨大的鸿沟。组织惯性、监管要求、客户信任等因素都会大大减慢实际的自动化进程。
第四，关注自己工作中的「不可验证」部分。根据 Karpathy 的可验证性框架，那些需要人类判断力、创造力、实地经验和跨领域整合能力的工作环节，是最不容易被替代的。与其焦虑分数是多少，不如思考如何让自己的工作向「不可验证」的方向倾斜。
后续影响
这个项目虽然只存活了几个小时就被删除，但它引发的讨论不会就此结束。它实际上揭示了当前 AI 讨论中的几个结构性问题：
- AI 领域的权威人物发布的即兴分析，会被公众当作严谨研究来对待
- 媒体和社交网络的传播速度远超纠错速度，caveat 和限制条件永远跑不过标题党
- 我们缺乏一个被广泛认可的、量化 AI 对就业影响的标准方法论
无论如何，这个可视化本身是值得一看的。它把一个抽象的问题——AI 会影响哪些工作——变成了一幅直观的图景。即使分数不够精确，它至少让每个人都开始认真思考：在 AI 时代，我的工作将会如何改变？
相关链接
- karpathy.ai/jobs – Karpathy 的交互式可视化（网站仍在线）
- Awesome Agents 报道
- Fortune 报道
- Glen Rhodes 深度分析
- Stacker News 讨论
