病毒式傳播的 AI 勞動力市場實驗
在快速演進的生成式 AI（Generative AI）領域中，很少有人能像 Andrej Karpathy 那樣吸引如此多的關注。作為 OpenAI 的聯合創始人及 Tesla 前 AI 總監，Karpathy 長期以來一直是該行業發展方向的風向標。在 2026 年 3 月 15 日的週末，他以一項被稱為「氛圍編碼」（Vibe-coded）的 AI 勞動力市場分析項目，點燃了科技社群的熱情，隨後又迅速試圖平息這股熱潮。
該項目曾短暫在線託管後被撤下，是一項數據視覺化實驗，旨在繪製 342 種美國職業對 AI 自動化的暴露程度。Karpathy 利用美國勞工統計局（BLS）《職業展望手冊》的數據，將工作描述輸入大語言模型（LLM），為每個職業在 0 到 10 的「AI 暴露程度」量表上評分。視覺化為彩色矩形式分區圖（Treemap）的結果立即在網絡上瘋傳，這主要歸功於一個鮮明且違反直覺的發現：高薪、白領職業比低薪、體力勞動角色的 AI 衝擊風險顯著更高。
方法論：「氛圍編碼」方法
「氛圍編碼」（Vibe-coding）一詞是 Karpathy 在前幾個月協助推廣的短語，指的是一種開發方法論，程序員在其中高度依賴大語言模型來生成代碼，通常不經過人工審查或深度調試，優先考慮輸出結果的「氛圍」或大致方向，而非嚴謹的軟件工程標準。
在這次特定的勞動力市場分析中，Karpathy 將這種由 AI 輔助的高級方法應用於社會科學數據。通過抓取 342 個不同的職業類別，他要求 AI 分析每個角色的核心職責，以確定其中有多少工作理論上可以由自動化系統重塑或執行。
該方法論基於一個簡單的前提：
- 輸入數據： 詳盡的 BLS《職業展望手冊》。
- 評分機制： 大語言模型根據 AI 能力評估每份工作描述。
- 衡量指標： 0 到 10 的量表，其中 10 代表對 AI 驅動自動化的最高暴露程度。
雖然數據科學界的批評者迅速指出這種方法缺乏同行評審研究的學術嚴謹性，但它成功創建了一個引起公眾共鳴的「基本事實」（Ground-truth）視覺化。它超越了理論爭論，提供了一個具體但並不完美的視角，揭示了 AI 轉型可能如何影響現代勞動力。
關鍵發現：自動化暴露差距
Karpathy 分析的頭條結果挑戰了一個普遍假設，即 AI 自動化將首先針對入門級或常規手動任務。相反，數據顯示，高技能、高收入的專業人士面臨最高的暴露評分。
分析揭示了一個一致的模式：產生數位人工製品（代碼、文本、報告或行政數據）的工作在暴露量表上的得分顯著較高。相反，需要肢體靈巧度和現實世界環境互動的工作，如屋頂施工或維修，則基本上不受影響。
下表根據該項目的數據總結了不同收入水平的暴露分佈：
| 職業類別特徵 | 平均暴露評分 (0-10) | 主要風險因素 |
|---|---|---|
| 高收入角色 ($100k+) | 6.7 | 認知/數位產出 信息處理 常規邏輯任務 |
| 中等收入角色 ($60k-$99k) | 4.9 | 混合任務 行政支持 數據管理 |
| 低收入角色 (<$35k) | 3.4 | 需要物理存在 現實世界的靈巧度 不可預測的環境 |
這組數據描繪了一場醞釀中的「白領危機」，原本賦予知識工作的溢價正在被旨在提高生產力的工具所侵蝕。雖然軟件開發人員、法律分析師和行政經理的評分在 8 到 9 之間，但需要物理存在的工作角色始終處於低暴露區間。
為何撤回該項目
在交互式視覺化獲得病毒式關注後不久，Karpathy 移除了該網站及其相關的 GitHub 倉庫。在隨後的評論中，他澄清說該項目是一個「快速實驗」，而非正式的科學研究。他解釋說，該項目源於探索特定問題的願望，使用的是手頭現有的工具，而不是為了給美國政府或勞工組織提供權威的政策框架。
此次撤回凸顯了 AI 研究界日益增長的張力：AI 影響者生成和傳播數據驅動見解的速度，與傳統驗證所需時間之間的矛盾。雖然地圖具有影響力，但在 X（前身為 Twitter）和 Reddit 等社交平台上的快速傳播過程中，細微之處往往被忽視，這些發現經常被當作絕對事實引用，而非一次「氛圍編碼」的探索。
與機構研究的背景對比
值得注意的是，Karpathy 的實驗並非孤立存在。它出現的同一週，Anthropic 的研究人員發表了一項重大的、經過同行評審的勞動力市場研究。Anthropic 的研究側重於「觀察到的暴露程度」——即 AI 在專業工作流程中實際在做什麼，而非它理論上能做什麼。
| 研究重點 | 方法 | 主要發現 |
|---|---|---|
| Karpathy 的分析 | 理論/潛力 | 由於數位任務性質，高薪工作暴露程度最高 |
| Anthropic 研究 | 觀察/部署 | AI 能力與實際企業部署之間存在巨大差距 |
Anthropic 的研究對關於即將發生的大規模失業敘事起到了必要的降溫作用。通過追蹤實際的 Claude 使用數據，研究人員發現，雖然 AI 在技術上能夠執行許多任務，但在企業環境中的實際部署仍然有限。這種「差距」並非立即失業的警告，而更像是企業在應對整合、變更管理和文化適應挑戰時的「待辦清單」。
工作的未來：不斷變化的格局
儘管 Karpathy 的項目被撤回，但它引發的對話仍然至關重要。無論是病毒式傳播的「氛圍編碼」地圖，還是更為正式的 Anthropic 研究，核心觀點都是一致的：勞動力並非面臨被 AI 一夜之間全面取代，相反，我們正在進入一個角色基本進化的時期。
對於年收入超過 10 萬美元的專業人士來說，暴露評分為其日常任務的本質敲響了警鐘。轉變正從單純的執行導向工作轉向策劃、管理和策略監督。那些能夠取代入門級任務的 AI 工具，同時也正在成為留存角色提高生產力的主要槓桿。
隨著 AI 的持續成熟，「高暴露」與「安全」之間的區別可能會變得模糊。未來十年最成功的勞動者將不是那些忽視這些趨勢的人，而是那些將 AI 視為副駕駛（Co-pilot），並將自己的技能組合視為日益自動化經濟中動態變量的人。Karpathy 的實驗雖然短暫，但成功地凸顯了一個現實：工作的未來不僅關乎我們構建的技術，更關乎我們如何選擇將其融入全球勞動力市場的結構中。
