这两年，招聘市场上的一个变化引人注目。智联招聘发布的《2025年人工智能产业人才发展报告》显示，AI训练师在北京的平均月薪已达9063元，上海、深圳紧随其后。

BOSS直聘上，美团为这一岗位开出月薪1.8万至2.2万、外加15薪的待遇，小红书则直接挂出月薪2万至3万、16薪的标准。

关于这一点，斯科特·哈特利在《模糊与技术》一书中提出过一个反直觉的观点：拥有技术技能，并不一定能让一个人在未来以技术为主导、由数据驱动的经济中保持竞争力。要理解这句话，先得把“工作”这件事拆开来看，看清它究竟由什么构成。

任何一份工作，都由许多具体任务组成。其中一部分任务按固定脚本进行，高度重复、高度常规。

时间一长，这类任务如果是体力性的，就可以编程交给机器人；如果是非体力性的，则可以借助机器学习交给机器。这部分工作，本质上就是在等待被自动化接手。

但每份工作中，总还有另一部分更复杂的任务。它们需要协作，需要沟通，需要处理前所未见的前沿问题，需要临场发挥和随机应变。完成这些任务，依靠的不是背熟一套流程，而是适应性的、灵活的学习能力，也就是在陌生局面里迅速找到出路的本事。

由此得出的结论颇有些反常识：如果一个人只掌握机械的、按部就班的技术能力，他面临的自动化风险，反而可能比一个拥有灵活思维的人更高。会操作某种工具，并不等于安全；只会按固定步骤操作，恰恰最容易被那个工具的下一代版本取代。

人们习惯把“技术技能”和“软技能”对立起来，认为前者才是硬通货，后者可有可无。哈特利认为这是一种错误的二分法，现实情况更接近相反。在机器能力不断扩张的年代，那些难以写成脚本的能力，正在从“加分项”变成决定一个人能否留在牌桌上的关键。

这并不意味着技术不重要。面对自动化，我们必须与数据打交道，必须理解技术的基本原理，学习编程，学会说这门“新语言”。

但同样不能忘记软技能。随着机器从人类手中接过越来越多机械的、程式化的任务，正是这些软技能，能够帮助人们安然度过不断变化的经济环境。

AI训练师这个岗位内部的薪酬分层，恰好印证了这一逻辑。同样挂着这个名头，基础的数据标注岗月薪可能只有几千元，干的是重复性劳动；高端的定制岗却能拿到3万至5万，资深专家月入10万也不稀奇。差距的来源，正是“照章办事”与“灵活判断”之间的距离。

为什么机器擅长前者而难以胜任后者？近年来，深度学习等领域进展显著。

DeepMind开发的AlphaGo与围棋世界冠军对弈，这类尝试具有开创性的意义。但值得注意的是，今天所谈论的人工智能依然依赖于特定情境：它依赖一块棋盘，依赖一套既定规则所划定的边界。

从这个角度看，简单任务就是基于规则的任务，往往非常容易实现自动化。人工智能已经沿着难度的“漏斗”不断向上迁移，开始处理极其繁复的任务。

但“繁复”并不等于“复杂”。一盘围棋的变化可以多到惊人，可它终究发生在一块边界清晰、规则明确的棋盘上。

哈特利认为，人工智能还没有真正跨入复杂性的领域，也就是那种完全脱离棋盘、不在国际象棋或围棋规则框架之内的世界。

在他看来，只有当人工智能能够进入不依赖特定情境的领域时，才算具备“真正的人工智能”的定义性特征；在此之前，它在很大程度上仍是由人类主导、由人类引导的。

自动驾驶就是一个典型例子。这项技术频繁出现在媒体报道中，但深入其内部会发现，它面临的一些最大挑战与“混合使用环境”有关。

道路不是一块规则清晰的棋盘，而是一个充满不确定性的真实世界，许多难题早已超出单纯的工程范畴，涉及人的行为、社会规则与公共判断。

这也解释了为什么AI训练师这样的岗位会走热：既然今天的人工智能仍需由人类引导，那么懂得如何理解问题、表达需求、做出判断的人，自然成了技术链条上不可缺少的一环。

再把视线拉远一些。关于自动化对就业的冲击，社会情绪经历过明显的摆动。2014年前后，恐惧达到顶点。

牛津马丁学院发布的一项研究认为，美国47%的工作面临被自动化取代的高风险。按哈特利的说法，马丁·福特的《机器人的崛起》也在那一年问世，舆论的钟摆完全摆向了恐惧一端。

退后一步看，麦肯锡全球研究院在哈特利发表这番谈话的那一年早些时候发布了一项研究，考察了800种职业，并深入分析了构成每种职业的具体任务。

结果发现，大约只有5%的职业，其全部任务都可能被机器自动化；而在约60%的职业中，只有约30%的任务是机器随时间推移能够承担的。

换句话说，机器将逐步接管的，是工作中机械的、程式化的、常规的部分，是那些我们已经做过很多次、有最佳实践可循的事情。就像墙上贴着一张便条，写明“按这个顺序完成这十个步骤”。这类任务随着时间推移，可以比较容易地通过编程交给机器去完成。

不过，这一切不会在一夜之间发生。企业需要决定是否动用内部团队、投入资源去优化某些流程而非另一些流程，其中涉及大量关于资源配置的管理问题。技术上可行，只是自动化的第一步，此后还有成本、组织、优先级等一系列问题需要权衡，替代进程远比想象中缓慢。

麦肯锡研究更值得关注的含义在于：对那些可能逐渐交给机器的30%的任务来说，自动化的作用其实是提升人的技能层级。人类会把注意力集中到工作中非常规、复杂的部分。机器拿走的是最枯燥的环节，留给人的，则是更需要判断力和创造力的那一部分。

在这个充满复杂性的世界里，你可能擅长一件事，我擅长另一件事，于是人们会越来越多地进行“任务交换”：一个人负责这一块，另一个人负责那一块，彼此分工协作。工作不再是一个人从头做到尾的封闭流程，而是许多人围绕复杂问题不断衔接、配合的网络。

哈佛大学教育研究生院的经济学家戴维·德明指出，在任务交换日益增多的环境中，正是软技能降低了交换任务时的摩擦，也就是降低了交易成本。

能把问题讲清楚、能理解别人需求、能在团队里顺畅协作的人，会让整个分工体系运转得更高效，这种价值在协作越密集的地方越突出。

回头再看那些高薪招聘，逻辑就清楚了。美团、小红书愿意为AI训练师开出两三万月薪外加十几薪，看中的显然不是会不会重复点击标注，而是能否理解模型的表现、发现问题、做出判断，并与技术团队有效沟通。

市场给出的高价，本质上是在为机器暂时拿不走的那部分能力定价。

综合来看，当机器接管工作中机械的、常规的部分，人类手中剩下的将是复杂的、非常规的任务，软技能的分量会越来越重。

学习编程、理解数据仍然必要，但仅靠技术技能并不能让人免于被取代；能沟通、会协作、可以灵活应对未知的人，才更有可能在机器不断进步的经济中站稳脚跟。