摘要：2025 年 6 月 4 日，伦敦 SXSW 大会主舞台灯光刚亮，Google DeepMind 首席执行官、诺贝尔奖得主德米斯·哈萨比斯（Demis Hassabis） 走上台。没有 PPT，没有宏大的宣言，他只说了一句让全场安静下来的话：
2025 年 6 月 4 日，伦敦 SXSW 大会主舞台灯光刚亮，Google DeepMind 首席执行官、诺贝尔奖得主德米斯·哈萨比斯（Demis Hassabis） 走上台。没有 PPT，没有宏大的宣言，他只说了一句让全场安静下来的话：
“AI 正在替代一批岗位，但它同样会创造出全新的、非常有价值的工作。（I think new jobs will appear — new very valuable jobs）”
这不是一句安慰，而是一张时间表。
哈萨比斯预测：未来 5–10 年，真正懂得如何与 AI 协作的人，将进入下一代工作红利的第一梯队。他直言，未来最吃香的人才，不是 MBA，而属于那些掌握数学、物理、计算机等能力的人。
这一预测并非空穴来风，当下的就业市场已经给出了答案。
LinkedIn & Microsoft 发布的《Work Trend Index 2025》显示，全球 75% 的知识型岗位已融入生成式 AI，“AI 工程师”是全球增长最快的新岗位之一；
在中国，艾媒咨询 2024 年 Q4 调研显示：AI 数据工程师、AI 机器人工程师、AI 算法工程师位居招聘缺口前三，占比分别为 29.6%、27.4%、27.1%。（截至目前，该数据仍是公开渠道中最新的一份系统调研）
1、复原哈萨比斯在伦敦 SXSW 对话中的原始观点，拆解他对“AI 替代与创造”双螺旋路径的判断；
2、结合全球与国内招聘趋势，归纳出“3 类高价值新工种”的雏形：
AI 协作师：不是写代码，而是调度模型、提问、验收结果；科学合作者：从 AlphaFold 到聚变研究，AI 成为科研搭档；AI 伦理专员：提前测试模型、划出边界、为关键场景设计防护措施；3、梳理出一条“学好基础 → 掌握工具 → 解决实际问题”的发展路线，帮你看看：自己在这场职场变革中处于什么位置。
如果说，AlphaFold 帮助哈萨比斯拿下诺贝尔奖，那么这场 SXSW 对话，则更像他在 2025 年送给所有“尚未做决定”的职场人的一次提醒。
在伦敦 SXSW 的现场，德米斯·哈萨比斯没有用任何技术术语，他只是讲了一个已经发生的现实：
AI 正在接手一批工作任务。
他没说“可能会”，而是正在。
什么叫“接手”？哈萨比斯给出的例子很具体——在 DeepMind 内部，AI 已经能完成视频生成、代码编写等复杂任务，有的甚至比新手程序员还快。这些事，过去要好几个人做，现在一个 AI 模型几分钟就能搞定。
而最先受到影响的，是那些流程重复、操作明确、评价标准固定的岗位。你可以理解为——
招聘岗位：筛选简历、安排面试，AI 正在顶上；基础编程：写模板代码、查接口文档，AI 写得比新手快；文案编辑：初稿生成、结构润色，AI 能一天出几十份。这些变化，并不是哈萨比斯的假设，而是他作为 CEO，在 DeepMind 和 Google 内部真实看到的趋势。
而且他不是一个人在说。
微软、Meta、亚马逊，都已经在大量岗位中引入 AI 协作，很多入门级职能正被重塑。
在演讲结束后，哈萨比斯在接受CNN采访时进一步指出 ：“AI会带来比工业革命更大的变革（AI to be a bigger transformation than the Industrial Revolution）。”
稍早前，Anthropic CEO Dario Amodei 也同样认为：AI开始在几乎所有脑力工作上超越人类（AI is starting to get better than humans at almost all intellectual tasks）。这不是预判，而是已经发生的事实。
哈萨比斯对此的看法很明确：
这不是什么灾难，只是提醒我们——要学会和它一起工作。
也就是说，那些仍然把 AI 当作“别人家技术”的人，很快就会发现：它不是远方威胁，而是你办公桌对面坐的新同事。
哈萨比斯在现场直接说：我最想要的 AI 产品，是一个能自动帮我处理电子邮件的工具。
这话听上去像个玩笑，但他说得很认真：
我愿意每月花几千美元，也不想再被邮件折磨。
这不是老板想偷懒，而是他点破了一个关键变化：
AI 应该不再只是能回答问题，而是能完成一件事。
也就是说，AI 不只是告诉你“邮件怎么回”，而是帮你动手回——理解对方说了什么，判断是不是重要信息，用你的语气写出一封合理的回复，然后发出去，甚至归档和提醒。
而为了让 AI 真正干这些事，就需要一个新角色出现——不是开发模型的人，也不是写代码的人，而是调动 AI 去做事的人。
你可以把这个角色想象成一位“AI 协作师（AI Workflow Orchestrator）”：
他不亲自写代码，但知道该让 AI 写什么；他不懂每个模型的结构，但清楚哪种工具适合什么工作；他不管服务器细节，但懂得怎么下达清晰的任务，怎么检查结果靠不靠谱。哈萨比斯在这次对话中说：我会亲自试用每一个最新的 AI 工具，找出它真正好用的方式。
这听起来像个人习惯，其实已经是一类新岗位的雏形。
在 AI 内容团队中，有人专门把产品文案需求拆解成提示词；在营销行业，有人负责“喂资料”“给反馈”“测效果”；在电商客服和财税行业，有人开始尝试用 AI 执行预设任务流程。这些工作，既不像程序员那样写代码，也不像设计师那样做创意，它们的本质是：
让 AI 开始工作，并跟进它做到什么程度，哪里不够好人来完善。
这类岗位，未来可能有很多种叫法：“AI 营运”、“提示设计”、“任务协调员”……但核心工作是一样的：
你要懂AI能力的边界，简单来说就是AI能做什么、不能做什么，
会跟它沟通，还能判断它做得对不对。
而这，恰恰是哈萨比斯所说的第一批红利岗位：真正懂得怎么和 AI 协作的人，将进入一个全新的职业赛道。
哈萨比斯说过一句话，现场引发全场沉默：
AI 已经能在没有任何人干预的情况下，
独立发现重要科学规律。
他说的是 DeepMind 的 AlphaTensor，一款用 AI 来优化矩阵乘法的工具。听起来很学术？其实意思很简单：
这是一项50 年没人改进的基础数学运算，最后却被一个 AI 自己找到了更快的方法。
哈萨比斯说：AI 已经从模拟科学，进入到了生成科学阶段。
什么意思？
过去我们是用 AI 帮科学家跑实验，现在 AI 本身就能像科学家一样，自己设实验、试方案、找突破。
这就是他提出的新岗位方向——Scientific Collaborator，我们可以理解为科学合作者。
它不是传统意义上的研究助理，也不是写代码的工程师，而是：
和 AI 一起提出假设；用 AI 去搜索、交叉比对资料；甚至让 AI 自己设计验证方式，再由人去检查这些成果。比如在 DeepMind 的 AlphaFold 项目中，他们用 AI 预测了超过 2 亿个蛋白质结构，比人类过去几十年的总和还多。
Hassabis 回忆说：
AI 把蛋白质折叠问题的难度，
从几十年缩短到了 18 个月。
这背后的模式，未来可能应用到更多学科：气候建模、新药设计、量子材料、粒子物理……
所以，新岗位的出现是必然的：谁能和 AI 一起提出问题、一起筛选方向、一起验证成果，谁就是下一代科研团队的中坚。
这类人不一定是院士或专家，但他们需要三种能力：
懂一点数学、懂一点领域知识；能快速搞懂 AI 工具的长短板；最重要的是，有强烈的问题意识和“打破常规”的勇气。正如哈萨比斯所说：AI 是科学的放大器。它不会替代所有科学家，但会带来一批全新形式的科研角色。
这些人未来可能挂的头衔是“AI 研究助理”“AI Lab 协同员”“生成式科研顾问”……最大的不同是：你和 AI 不再是老板和工具的关系，而是并肩作战的战友。
我们不能等到出事才来修规则，
AI 的发展速度太快了。
这句话背后，藏着一个全新的岗位需求：AI 伦理与安全专员（AI Safety & Ethics Officer）——当然，具体叫什么不重要。
在 DeepMind 内部，他们已经设立了专业的“红队”（Red Team）机制： AI 模型在上线前，必须经过一组专门训练的人“故意捣乱”测试，试图诱导它输出偏见、错误信息或敏感内容。
如果你能从这些测试中发现问题、提出改进建议、再设计规则去防止类似问题再发生——你就是“AI 安全链条”中的关键一环。
这听起来是不是很像那些专门'挑毛病'的技术专家？ 确实，这个岗位融合了三种思维方式：
像技术人一样找漏洞；像监管者一样立规矩；像心理学家一样考虑人会怎么用 AI。哈萨比斯特别强调，这不是某个行业的附加功能，而是所有AI部署都需要的一块“保险垫”：
在医疗、金融、教育等高敏感场景，AI 出错的代价太大，必须提前介入风险控制。
放在国内市场，这类岗位已经悄悄上线： 字节、阿里、百度等大厂正在招聘“模型安全测试工程师”“AI 伦理分析师”“人工智能红队专家”，岗位描述集中在审查模型输出、识别潜在风险、提供改进意见。
你不一定是博士，也不需要写代码，但你要有：
好奇心：愿意提出“AI 有没有可能被误用”这类问题；逻辑性：能设计测试，把问题一步步套出来；责任感：明白你不是让 AI 跑得更快，而是防它撞墙。哈萨比斯相信：如果我们不给 AI 设置边界，它不会自己停下。
而 '谁来定规矩'，将成为未来AI时代最重要的新职业之一。
我们正在进入一个新阶段：AI 不是工具，而是你的合作者。
德米斯·哈萨比斯在 SXSW 现场反复强调，“你要能和 AI 共事，而不仅仅是使用它。”
那问题来了：普通人该怎么准备？
整场演说，没有讲空泛的理论，也没劝人去考MBA或者研究生。现场，他只给出四句话，短短几秒，却能看出 DeepMind 创始人对下一代人才的清晰判断。
第一句：我会优先选理工（STEM）类学科。
当被问到“如果你今天重新选大学专业”，Hassabis 没有犹豫：
我还是会选理工科（数学、物理、计算机）。
AI 的底层能力，离不开这些基础知识。
数据也印证了这一判断。LinkedIn 最新一份《AI人才流动报告》揭示：在岗位快速增长的背后，三类技能正在成为关键能力。
数学 → 用来训练和优化模型；计算机 → 掌握工具、写自动化流程；物理 → 特别是在机器人、传感器和强化学习中作用越来越大。学这些不是为了考试，而是帮助你理解 AI 在做什么、哪里能出错、怎么让它表现更好的核心技能。
第二句：要亲自试用 AI 工具，越多越好。
“你很难仅仅通过看资料，就真正理解AI能做什么。”
哈萨比斯说，工具本身就是一位老师，每试一次，你就多理解一层它的能力边界。
而现实情况是： 很多人天天刷 AI 新闻，也确实用过 ChatGPT、DeepSeek 等工具，甚至能说出一些技巧，但真正花时间研究、尝试把它们组合起来解决实际问题的，仍然是少数。
他提醒：未来的工作，不是你写文档、AI 帮你润色，而是你给出目标，它跑完整流程。
第三句：要适应变化，而不是被流程框死。
哈萨比斯说，他最看重年轻人的一个特质是：
适应性（Adaptability）——你能不能快速看懂新工具在干嘛，并改变自己的做法。
会写提示词（Prompting）；能用 GPT/DeepSeek 做结构化资料搜索；懂 Notion AI / 飞书 等工具的流程接入。两年前这个岗位不存在，而未来两年它可能还会变成别的角色。适应工具迭代，不等于贬低人类能力，而是找到更合适的工作方式。
第四句：把科学、人文和哲学的连接点找回来。
这是全场最意外的一句话。
哈萨比斯并没有只讲技术，他反问：
我们太多时候在优化参数，却忘了问：
我们希望 AI 去解决哪些问题？为什么？
他说，真正优秀的 AI 使用者，既能用工具做事，也能看清事情该不该做”——这不是工具能决定的，而是靠我们自身的价值判断、跨学科理解。
未来人才，不是技术工人，而是思考者、连接者。
一句总结，也是一段过渡：
这四条建议背后，连成一条完整路径：
懂工具 → 能适应 → 会连接 → 最终能引导 AI 做出有价值的贡献。
你会发现，这也正好对应我们前面说的三类新工种：
执行者、合作者、监管者，组成 AI 时代协作链上的三种关键角色。
他们不是三个岗位，而是——
我们与 AI 搭档时，必须学会切换的三种身份。
到这里，哈萨比斯的视角已经拉远——他谈的不是某个岗位被替代，而是整套做事方法的重写。
他给出的，不是就业建议，而是一套“人类 + AI 如何共事”的方法论草图。
未来的工作，不是人对机器，
而是人和 AI 一起解决更复杂的问题。
真正的挑战，不是你用没用 AI，而是你学会把它当作“合作者”而非“工具”来看待。
下一代人才，关键不是学哪一行，而是会不会分解任务、指挥、配合AI。
这不只是技术能力，而是：
来源：趣闻捕手一点号
