AI教母李飞飞访谈，10年后只有两类人能找到工作
2026年6月19日Silicon Valley Girl: AI, Tech and Career Growth的一期访谈，主持人是 Marina Mogilko，嘉宾是Fei-Fei Li（李飞飞）和MasterClass创始人兼 CEO David Rogier，访谈中针对“10年后只剩两类工作者”展开讨论。
李飞飞在对话中认可了其中的一些判断，并进一步强调了agency（主动性/自主行动能力） 的重要性。首先需要澄清，不少文章把标题直接简化成了“李飞飞预言10年后只剩两类人”，并不准确。
这场访谈到底讲了什么？
整场对话其实围绕一个问题展开：当AI让“获得知识”和“完成任务”的成本越来越低，人还有什么价值？
讨论覆盖AI对就业的影响、未来公司形态、教育、Spatial Intelligence（空间智能）、AI 工具以及个人如何在 AI 时代保持竞争力。官方节目介绍特别强调，他们并不赞同两个极端：“AI 会解决一切”和“AI 会抢走所有工作”。
1. 最重要的观点：“杠铃效应”
这是传播最广的部分。David Rogier 提出了一个 Barbell Effect（杠铃效应）， 未来 AI 可能让职场逐渐向两个极端发展。第一类：Top 1% 的专业专家，也就是Deep Specialist / Elite Expert。
例如普通文案写作者以前可能具有一定市场价值，但现在一个普通人借助 LLM，就可以写出“还不错”的文案。因此“Good enough” 的专业能力越来越容易被 AI 商品化。但是，如果你是某个领域最顶尖的 1%，AI 反而可以成为你的超级杠杆。
2. 第二类：High-Agency Generalist
另外一个极端可能更加值得关注，High-Agency Generalist。我觉得翻译成，“高主动性的多面手”，比简单翻译成“通才”更准确。这种人未必在某一个领域世界第一，但有几个特点，主动发现问题 → 主动学习 → 找工具 → 使用 AI → 组合资源 → 把事情做出来。一个人完成以前 5–10 人团队的一部分工作。Rogier 自己就是访谈中的例子。他提到现在会用 Claude Code 给自己制作工作工具，而不是直接购买现成软件；节目介绍甚至提到他做了一个自己的 To-do App。所以第二类人的核心不是“我什么都会一点。”，而是“给我一个问题，我能够利用 AI、软件、知识和其他资源把它解决掉。”
3. 真正危险的是中间层
这实际上是“杠铃效应”最值得思考的地方。未来可能出现，Top Expert，AI 放大专业能力。Good-enough Middle，AI 大幅压缩价值。High-Agency Generalist，AI 放大执行范围。换句话说，危险的不一定是“不会 AI 的人”这么简单，而是工作内容高度标准化，同时专业能力又没有形成明显差异化的人。比如普通的信息整理、普通文案、基础分析、基础代码、简单 PPT、标准化 research 等，恰恰都是 Generative AI 非常容易提升效率的区域。这也是为什么“AI 会不会取代工作”这个问题可能问错了。更好的问题是：AI会把哪些技能从稀缺能力变成普通能力？
4. 李飞飞：工业革命并没有简单“自动化人类劳动”
这一部分其实比“两类人”的标题更有深度。主持人提出一种现在非常流行的说法,工业革命自动化 physical labor；AI 革命自动化 intellectual labor。李飞飞对这个说法并不完全认同。她指出，工业革命不是简单地把“劳动”自动化，而是提高劳动效率、扩大生产规模，同时改变劳动市场和劳动形式。而且 physical labor 本身也包含大量 intelligence。
5. 对 AI Engineer 来说，李飞飞提出值得注意的AI 工程师的职业发展
把这套逻辑放到AI Engineer职业路径上，会得到一个很有意思的模型。过去Software Engineer
Python
↓
Backend
↓
Database
↓
API
↓
Cloud
现在逐渐变成AI Engineer
Software Engineering
· LLM
· RAG
· Agent
· Cloud
· Product
· Domain Knowledge
再往前走，很可能变成：
路线 A：Deep AI Specialist
例如：
LLM Training
Multimodal
AI Security
Inference Optimization
Agent Architecture
AI Research
成为 Top Expert。
路线 B：High-Agency AI Builder
不一定研究 Transformer 最底层理论，但可以，发现问题 → 设计 AI Solution → Agent → RAG → Coding → Deployment → Evaluation → Product。一个人推动完整 AI 产品落地。实际上，这两条路径正好对应 Rogier 所说的“杠铃两端”。
感谢阅读！你还可以订阅我们的YouTube频道，观看大量大数据行业相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/。
