动态职业AI暴露

“动态职业 AI 暴露”指源稿介绍的测量思路：职业面临的 AI 能力覆盖不是固定分数，而应随 AI 在语言、代码和其他任务上的能力进展持续更新。频道用“实时风向标”作比喻，强调同一职业在不同时间可能面对不同的技术冲击。[^1]¹

为什么静态分数可能不够

源稿对比两种方法：静态评分在某个时点给职业打分，此后保持不变；动态评分随 AI 能力更新而调整。它举的“三十分变六十分”“会计七十分、水管工二十分”等数字是解释方法的例子，本页不把它们当作实际测得的职业排名。[^1]¹

源稿称研究者把动态评分与美国人口普查局当期人口调查对接，覆盖六万多个家庭，并比较 ChatGPT 刚推出附近与后续能力跃升后的两个半年窗口。[^1]¹ 这使技术能力变化与就业状态、工时、多份工作等指标能够放在同一分析框架中；结果层的讨论见就业降级。

三类研究不能混成一种证明

本期把三个研究方向并列讲述，下面只整理源稿给出的信息。[^1]¹

第三项研究在源稿中的结论是：单独的暴露指标预测力较弱，组合多个指标后对职业失业风险的预测更有效。[^1]¹ 源稿没有给出各项指标定义、准确率或样本外验证结果，因此本页不补写这些方法细节，也不把“有效”改写为确定的预测精度。

暴露、风险与实际损失

暴露评分首先回答职业任务与技术能力如何对应；失业概率、工时与多份工作则是不同的结果指标。源稿自己转述了“高暴露职业没有出现大规模裁员，同时岗位结构正在变化”的情形，因此暴露不能简单换算成被裁员概率。[^1]¹

这个区别有助于对读人工智能即劳动力的结构性论题和智力坎蒂隆效应的劳动定价框架：前者讨论生产要素变化，后者是频道的解释模型，它们都不能替代具体职业的数据验证。个人工作流程的应对可参考意图工程，但能力迁移同样不意味着能够保证就业结果。

使用边界

本页编纂的是频道脚本，而不是对三篇原始论文的独立复核。源稿没有提供完整论文标题、链接、模型参数与因果识别策略，故本文不声称调查已排除其他同期变化，也不把多种方法“方向一致”写成已经证明同一因果结论。AI 对任务的暴露、历史失业预测与未来宏观情景应分别保存，不能据单一评分断言某个个人必须换工作或必然失业。

[^1]: AI没裁掉你，但正在把你变成零工。.md

注释

1. AI没裁掉你，但正在把你变成零工。 ↩