黄棱潇 投稿
量子位 | 公众号 QbitAI
人类和AI在工作中如何协作？耶鲁和南大的研究人员合作的这篇论文讲清楚了。
这篇论文提出了一个数学框架，通过把工作技能拆分成两个层次来解释这个问题，具体包括：
决策层子技能（decision-level subskill）：确立目标、界定问题、权衡取舍的认知工作。 执行层子技能（action-level subskill）：实施计划、运用工具达成具体结果的操作行为。
结果发现，人类和AI在这两个层面各有所长，当不同主体的优势互补时，整体成功率就会远高于单打独斗。
同时，这种拆分也揭示了人类价值优势所在，以及AI重塑人类工作的具体路径。
目前，该论文已被ICML 2025接收。
人工智能时代的工作新视角
关于AI与人类工作关系，公众讨论仍困在一个简单化的问题上：AI会取代人类还是帮助人类？
这种说法将工作视为单一集成块。真正的挑战不在于猜测哪些工作会消失，而在于理解工作价值正如何被根本性重塑。
大量先前研究已将讨论维度从工作层面推进至任务（task）层面。任务导向经济学（源于Autor、Levy、Murnane及Acemoglu、Restrep等学者）表明，技术替代或补充的是具体任务而非整个工作。
Brynjolfsson、Mitchell和Rock等学者则绘制了“适合机器学习”的任务图谱，而Frey和Osborne的研究聚焦于工作层面的自动化影响程度。
然而即便是这种任务中心视角，也常常忽略每种能力内部的关键分野：即构建与验证任务的判断框架，以及实际执行任务的实施过程。
基于此，这篇论文的作者在ICML 2025发表的新研究提出创新框架：将工作解构为技能单元（skill），再将每项技能拆解为两个核心构件——决策判断（decision-making）与执行实施（execution）。
以软件工程师张三为例展开分析。几年前，他的价值由产出衡量：编写的代码、修复的缺陷、撰写的文档。
如今，GitHub Copilot和GPT等AI工具接管了大部分执行环节，加速甚至自动化了他工作中的“实施”部分。
然而他的价值不降反升——他的角色已从实施转向监督，核心竞争力不再体现于执行计划的能力，而在于制定方案的判断力：决定开发内容、论证项目价值、核验AI产出是否符合复杂且常具隐性的战略目标。
执行可委托，判断不可代劳。
这个案例揭示了现代工作的深层结构。作者的研究在任务经济学（如Autor-Levy-Murnane理论；Acemoglu-Restrep框架）和“机器学习适配性”评估（Brynjolfsso-Mitchell-Rock模型）基础上，提出了更精准的分析工具。
具体来说，论文将每项技能解构成了开头提到的两个层级：
决策层子技能（decision-level subskill）：确立目标、界定问题、权衡取舍的认知工作。 执行层子技能（action-level subskill）：实施计划、运用工具达成具体结果的操作行为。
这种决策与执行的分离正成为劳动力市场的新分水岭，并且这一趋势在各类高技能工作中清晰可见：
即便AI标记出扫描影像中的异常，医生仍需敲定诊断方案；即便AI草拟了分析报告，分析师仍需确定叙事框架。
在此新兴范式下，AI充当着强大的执行引擎，而人类则掌控着不可替代的判断方向。
正是这种分野，最终将决定谁能创造独特价值。
用数学方法看人机协作
这一数学模型框架不仅诠释了新型分工现实，更使其变得可量化、可预测。
通过将岗位解构为任务与技能的集合（每项均包含特定决策难度与执行难度），同时为人类与AI建立对应的“能力图谱”（ability profile），该框架能测算任意劳动力-岗位组合的成功概率（job success probability）。由此衍生出若干深刻洞见。
该框架提供了量化工具，可精准评估劳动者能力与岗位需求的匹配度。通过剥离决策贡献度与执行贡献度，它超越了传统绩效指标，构建出更精准公平的评估机制。
该模型最显著的发现，是揭示了工作成功中存在相变现象（phase transition）。
研究表明，成功概率并非随能力提升而线性增长。当劳动者能力——尤其是决策层技能——出现微小进步时，可能触发成功概率的非线性跃升，使其从几近必然失败转向几近必然成功。
△P：成功概率，a_1：决策层能力参数，σ：能力方差
同时，该框架理论证实，技能互补的劳动者组合——或人类与AI的协作——能显著提升岗位成功率。
当强于决策的人类与擅于执行的AI配对时，其协同效能将超越个体能力。这为设计高效人机团队提供了数学基础。
研究同时阐释了近期观测到的“生产力压缩”效应：生成式AI通过补足低技能劳动者的执行短板，使其成功概率获得巨大的提升，从而缩小与高技能劳动者的能力差值。
此外，本研究还通过应用真实世界数据验证了框架的实用性，从O*NET综合数据库提取岗位结构，通过评估人类与AI表现的基准测试Big-bench Lite获取劳动者能力数据。
借助大语言模型构建数据桥梁，研究证实理论预测成立，该模型对理解当今劳动力市场具有现实指导意义。
新型工作体系实用指南
本研究蕴含了深远而迫切的现实意义，为机构适应新型工作体系提供了实用指南：
一是重塑技能升级路径。
当前多数技能培训聚焦工具使用——这类执行层技能极易因AI进化而淘汰。
本框架揭示，最持久的竞争力源于提升决策层能力：精准定义问题、权衡冲突目标、在不确定性中调整策略。
技能再造（upskilling）应推动劳动者转向人类判断不可替代的岗位，因为目标不是超越AI的编码能力，而是实现决策制胜。
二是招聘互补者，而非全能者。
传统招聘依赖学历等粗放指标，将人才压缩为单一参数，迫使机构雇佣“综合全能者”。
通过区分决策层与执行层能力，本框架可识别互补优势：企业可发掘“高决策力但执行欠佳”的人才，辅以工具稳定其产出，释放当前被埋没的潜能。
招聘不再需要押宝全能型人才，而是精准配置能力拼图。
最后，要为人类判断而设计。
AI浪潮正将执行与决策剥离，迫使我们重新定义人类独特价值。
若继续基于执行层产出培训、招聘和评估人才，我们将误判潜力、错配资源，最终将未来的工作拱手相让——并非因AI更强，而是我们遗失了衡量人类独特贡献的标尺。
本框架为机构提供实用工具，构建能识别决策层卓越能力（判断力、验证力、战略推演）的体系。问题不再是人类在工作中的定位，关键在于我们是否为此而设计。
作者简介
本论文由南京大学黄棱潇与耶鲁大学的L. Elisa Celis和Nisheeth K. Vishnoi合作完成。
黄棱潇，现任南京大学副教授、博士生导师。
他本科与博士毕业于清华大学交叉信息研究院，并先后在瑞士洛桑联邦理工（EPFL）、耶鲁大学担任从事博士后研究，以及在上海华为理论计算机实验室担任高级研究员。
他的研究领域为理论计算机科学，主要研究兴趣包括：数据压缩、计算社会学与机器学习理论，入选国家青年高层次人才。
其论文陆续发表于理论计算机科学国际一流会议（STOC/FOCS/SODA）和人工智能国际一流会议（ICML/NeurIPS/ICLR）。
论文地址：
https://arxiv.org/abs/2505.23432
相关博客：
https://nisheethvishnoi.substack.com/p/the-anatomy-of-work-in-the-age-of
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
🌟 点亮星标 🌟
