过去一年关于 Google 的讨论大多围绕 Gemini、搜索产品和大模型竞争展开。但在产品发布和模型排名之外Google Research 仍然在用另一种时间尺度工作押注那些短期看不到结果却可能改变未来计算、科研和社会基础设施的问题。Google Research副总裁 Yossi Matias 在官方播客中谈到生成式 UI、世界模型、AI Co-Scientist、洪水预测和量子计算也谈到了一个更直接、和普通职场人更相关的问题当 AI 接管了大量基础工作年轻人还需要从最底层岗位开始积累十几年吗这个问题的答案并不轻松。AI 的确会减少一部分初级执行工作但它同时会把更高阶的任务提前推到职业生涯的起点。过去靠时间慢慢熬出来的判断力未来可能从入行第一天就成为考核标准。一、岗位头衔正在让位于能力组合工业时代的岗位划分建立在一个前提上不同职能需要不同的人长期承担。产品经理负责需求设计师负责界面工程师负责开发测试人员负责验证。一个人只需要把自己的那块工作做好组织就能通过流程把这些能力拼起来。AI 正在削弱这种分工边界。今天一个产品经理可以借助 AI 生成交互原型一个设计师可以直接把页面跑起来一个工程师可以快速完成用户调研、竞品分析和方案草拟。软件、设计、分析和研究之间的距离被压缩了。这并不意味着所有人都会变成全能专家。现实更可能是一个人能够调动一组虚拟协作者完成过去需要多人配合的工作闭环。变化首先发生在任务颗粒度上。过去一个新人可能被安排做资料整理、基础编码、测试用例、文献检索。这些工作看似琐碎却是组织培养人的主要入口。新人通过大量重复任务逐步理解业务、系统和质量标准。如果 AI 可以在几分钟内完成这些事情组织就会自然追问还需要多少人来做基础执行这也是初级岗位最先受到冲击的原因。它们往往具有三个特点输入和输出相对标准化结果可以通过规则或样例验证工作价值主要来自执行速度而非复杂判断。但岗位减少并不等于能力要求降低。恰恰相反剩下的工作通常更接近问题定义、方案取舍、结果验证和责任承担。换句话说岗位头衔的含义会变淡能力组合的重要性会上升。一个真正有价值的工程师未必只是会写某种语言他需要理解业务目标、系统约束、数据质量、成本边界和上线风险。一个真正有价值的研究人员也不能只会检索论文和运行模型他需要判断哪个问题值得研究哪个结果值得相信以及下一步实验应该怎么设计。二、AI压缩了经验曲线也压缩了容错空间Yossi Matias 提到过去一个年轻研究者可能需要十到十五年才能成长为能够独立提出重大问题、统筹复杂资源的研究者。这十几年并不只是学习知识。更重要的是人在一次次失败和反馈中形成了判断模型什么问题值得投入什么数据可能存在偏差什么结果只是偶然什么方案虽然漂亮但无法落地什么指标提升并不代表真实价值什么风险不能交给自动化系统处理。AI 可以把大量资料、代码和工具交到新人手里却很难直接交付成熟的判断。于是一个明显的矛盾出现了新人拥有了资深专家级别的工具却缺少判断工具输出的经验。这就像给一个刚学会开车的人一辆性能极强的赛车。速度上去了刹车距离和事故代价也一起上去了。很多企业在部署 AI 时容易把效率提升理解为“同样的人做更多事”。但在高风险业务里更常见的结果是系统生成更多方案团队需要花更多时间筛选、验证和负责。AI 让生产变便宜也让错误变便宜。错误越容易产生验证就越重要。这也是为什么判断力会成为新的稀缺资源。判断力不是抽象的“聪明”它至少包含四个部分能力具体表现问题定义能把模糊诉求转成可验证的问题约束识别知道数据、成本、时间和合规边界结果评估能识别幻觉、偏差和不完整结论取舍决策能在多个不完美方案中承担选择后果过去这些能力可能在十几年工作中逐渐形成。未来组织会希望新人更早具备它们。这会让新人更快接近高价值工作也会让入行门槛明显提高。三、科研案例说明了AI真正擅长什么Google Research在访谈中提到的 AI Co-Scientist很适合用来理解这种变化。它并不是简单地帮科学家查几篇论文而是尝试把科研流程拆成多个协作环节检索和整理相关文献生成多个候选假说对假说进行交叉比较根据已有实验数据进行初步验证对结果排序并交给研究人员进一步判断。这类系统的价值来自规模和广度。一个人很难同时通读不同学科的大量论文也很难持续检查某个假说是否已经在其他领域出现过类似证据。多 Agent 系统可以把不同角色拆开让它们分别提出观点、相互质疑再汇总成候选方案。大致可以抽象成这样的流程但这里有一个容易被忽略的关键点AI 生成假说不等于科学发现已经完成。科学研究的难点从来不只是“提出一个看起来合理的解释”。真正困难的部分还包括假说是否具有可证伪性数据是否足以支撑结论实验条件是否存在隐藏变量模型是否只是学习了相关性结果能否被独立复现结论能否迁移到真实场景。AI 可以快速扩大假说空间但假说数量增加后验证成本也会增加。因此科研人员的角色不会消失工作重心会向两个方向移动一是提出更有价值的问题二是建立更严格的验证体系。这和传统科研训练有明显差别。过去年轻研究者可能花大量时间掌握某个实验流程或计算工具未来这些基础能力仍然重要但它们不再构成完整竞争力。研究者需要更早理解整个问题链路从问题提出到模型构建再到实验验证和现实应用。四、生成式UI和世界模型代表两种不同的升级访谈中提到的生成式 UI解决的是交互层问题。传统界面通常由产品团队预先设计好页面、按钮和流程。用户只能在固定结构中操作。生成式 UI 则尝试根据问题、用户特征和上下文动态决定内容如何呈现。同一个问题可能被生成成一段文字解释一张可交互图表一段实时运行的代码一个动态仿真一套适合儿童理解的视觉演示。这让界面从固定容器变成了动态解释器。但 GenUI 也带来新的工程问题。界面可以动态生成测试方式却不能完全动态化。企业必须回答生成的交互是否稳定关键流程是否可审计用户是否会被错误的视觉表达误导不同设备上是否保持一致体验如何控制模型调用成本和延迟。对高风险系统来说完全自由生成的界面并不一定更好。医疗、金融、政务等场景通常需要保留一部分固定结构和强约束组件。世界模型则更靠近系统建模层。语言模型主要从已有数据中学习模式世界模型希望进一步理解物理环境、因果关系和状态变化。例如洪水预测不仅要读懂文本还要综合地形、降雨、河流、水位和历史事件等信息推演不同变量组合下可能发生什么。这两类技术的共同方向是让 AI 更贴近真实世界。但它们的工程难度完全不同技术方向主要目标关键难点生成式UI动态组织信息和交互可控性、一致性、体验评估世界模型建模环境状态和变化数据质量、因果推断、泛化能力科研Agent加速假说和实验流程结果验证、责任边界、可复现性行星级AI连接地理、气候与人群数据数据权限、隐私、治理和计算成本技术从 Demo 走向生产往往会在这些地方卡住。能生成并不代表能稳定运行能预测也不代表能直接指导决策。五、数据稀缺时AI的价值在于寻找代理信号Google Flood Hub 的案例更能说明工程创新的来源。洪水预测通常依赖水位、降雨、地形和河流等数据。但在很多地区传感器并不完善历史数据也不连续。单纯依赖传统水文观测很难覆盖全球所有区域。Groundsource 的思路是从过去多年的新闻报道中提取洪水事件把自然语言里的时间、地点和灾情信息转化为结构化事件数据再用于模型训练。这是一种典型的代理信号方法当直接测量不可行时从其他记录中寻找能够反映真实状态的信号。类似的方法在搜索趋势、公共卫生和供应链分析中也很常见。技术价值不只在于模型架构很多时候更取决于能不能找到一批足够可靠、此前没有被系统利用的数据。但代理信号存在明显风险新闻报道具有地域和语言偏差严重事件更容易被报道同一事件可能被重复报道报道时间与实际发生时间可能不一致媒体描述中的地点和损失程度未必准确。因此生成式 AI 做数据抽取时必须配合去重、来源评级、人工抽样和不确定性标注。否则模型可能只是把媒体偏差规模化了。这就是典型的工程权衡覆盖范围扩大了数据精度和可解释性却需要额外治理。真正可用的系统不能只展示预测结果还要说明结果基于什么数据、可信度有多高、在哪些区域可能失效。六、企业真正要培养的是“系统架构师”AI 时代企业培养人的方式需要变化。过去的成长路径往往是执行具体任务 → 掌握专业技能 → 理解业务流程 → 负责完整模块 → 参与战略决策这条路径的问题在于它依赖大量低成本、低风险的练习机会。AI 接管基础任务后组织不能简单地把中间环节全部删掉然后要求新人直接承担高风险决策。更合理的方式是把基础工作从“生产任务”改造成“训练任务”。例如让新人使用 AI 完成方案但必须提交问题定义数据来源约束条件多方案对比风险清单验证计划失败后的回滚方案。这样AI 负责降低执行成本人负责训练判断过程。工程团队可以建立一套类似的工作闭环需求理解 ↓ 问题拆解 ↓ AI生成候选方案 ↓ 人工审查与取舍 ↓ 自动化测试 ↓ 小流量验证 ↓ 监控与复盘​这里最不能省的是审查、验证和复盘。没有这三步AI 只是把“写代码”变快了却没有让系统更可靠。对个人而言也需要从单一技能转向能力组合。未来更有价值的组合可能包括一个专业领域的深度基本的数据和编程能力使用 AI 工具完成复杂任务的能力对结果进行验证和解释的能力与不同角色协作的能力对成本、风险和业务目标的理解。这并不意味着每个人都必须成为全栈工程师。全栈的核心也从来不是掌握所有技术而是理解一项工作从目标到交付的完整链路。七、初级员工不会消失但初级任务会消失“还要不要初级员工”这个问题容易把岗位和任务混在一起。初级员工仍然需要存在因为组织总要培养新人业务也需要大量执行工作。但基础任务的结构会发生改变能被标准化的任务会被自动化需要上下文理解的任务会由人机协作完成涉及责任和取舍的任务仍然需要人承担能连接多个领域的任务会变得更有价值。真正减少的可能是那些只要求机械执行、不要求理解上下文的岗位内容。这对企业是效率机会对个人则是能力压力。过去工作年限本身能带来一定信用。未来单纯“做过很多年”越来越不够。更重要的是你是否能解释为什么这么做是否能识别方案风险是否能在不确定条件下做出合理决策。Google Research谈到的“科学奇迹循环”其实也适用于普通组织提出问题借助工具快速试验在真实反馈中修正再提出更高阶的问题。AI 加速了这个循环但没有替人类决定什么值得循环。技术会继续接管更多基础工作模型也会继续把复杂能力封装成更简单的接口。接下来真正拉开差距的不是谁会不会调用某个工具而是谁能在工具给出大量答案之后准确判断哪一个答案值得继续投入。这也是 AI 时代最现实的职场变化新人不再需要花十几年等待工具升级但必须更早学会承担判断。工具让人起点更高也让错误更快暴露。至于能不能站稳取决于一个人是否真正理解问题、约束和后果。