人類和AI在工作中如何協作？耶魯和南大的研究人員合作的這篇論文講清楚了。

這篇論文提出了一個數學框架，通過把工作技能拆分成兩個層次來解釋這個問題，具體包括：

• 決策層子技能（decision-level subskill）：確立目標、界定問題、權衡取舍的認知工作。
• 執行層子技能（action-level subskill）：實施計劃、運用工具達成具體結果的操作行為。

結果發現，人類和AI在這兩個層面各有所長，當不同主體的優勢互補時，整體成功率就會遠高于單打獨斗。

同時，這種拆分也揭示了人類價值優勢所在，以及AI重塑人類工作的具體路徑。

目前，該論文已被ICML 2025接收。

人工智能時代的工作新視角

關于AI與人類工作關系，公眾討論仍困在一個簡單化的問題上：AI會取代人類還是幫助人類？

這種說法將工作視為單一集成塊。真正的挑戰不在于猜測哪些工作會消失，而在于理解工作價值正如何被根本性重塑。

大量先前研究已將討論維度從工作層面推進至任務（task）層面。任務導向經濟學（源于Autor、Levy、Murnane及Acemoglu、Restrep等學者）表明，技術替代或補充的是具體任務而非整個工作。

Brynjolfsson、Mitchell和Rock等學者則繪制了“適合機器學習”的任務圖譜，而Frey和Osborne的研究聚焦于工作層面的自動化影響程度。

然而即便是這種任務中心視角，也常常忽略每種能力內部的關鍵分野：即構建與驗證任務的判斷框架，以及實際執行任務的實施過程。

基于此，這篇論文的作者在ICML 2025發表的新研究提出創新框架：將工作解構為技能單元（skill），再將每項技能拆解為兩個核心構件——決策判斷（decision-making）與執行實施（execution）。

以軟件工程師張三為例展開分析。幾年前，他的價值由產出衡量：編寫的代碼、修復的缺陷、撰寫的文檔。

如今，GitHub Copilot和GPT等AI工具接管了大部分執行環節，加速甚至自動化了他工作中的“實施”部分。

然而他的價值不降反升——他的角色已從實施轉向監督，核心競爭力不再體現于執行計劃的能力，而在于制定方案的判斷力：決定開發內容、論證項目價值、核驗AI產出是否符合復雜且常具隱性的戰略目標。

執行可委托，判斷不可代勞。

這個案例揭示了現代工作的深層結構。作者的研究在任務經濟學（如Autor-Levy-Murnane理論；Acemoglu-Restrep框架）和“機器學習適配性”評估（Brynjolfsso-Mitchell-Rock模型）基礎上，提出了更精準的分析工具。

具體來說，論文將每項技能解構成了開頭提到的兩個層級：

• 決策層子技能（decision-level subskill）：確立目標、界定問題、權衡取舍的認知工作。
• 執行層子技能（action-level subskill）：實施計劃、運用工具達成具體結果的操作行為。

這種決策與執行的分離正成為勞動力市場的新分水嶺，并且這一趨勢在各類高技能工作中清晰可見：

即便AI標記出掃描影像中的異常，醫生仍需敲定診斷方案；即便AI草擬了分析報告，分析師仍需確定敘事框架。

在此新興范式下，AI充當著強大的執行引擎，而人類則掌控著不可替代的判斷方向。

正是這種分野，最終將決定誰能創造獨特價值。

用數學方法看人機協作

這一數學模型框架不僅詮釋了新型分工現實，更使其變得可量化、可預測。

通過將崗位解構為任務與技能的集合（每項均包含特定決策難度與執行難度），同時為人類與AI建立對應的“能力圖譜”（ability profile），該框架能測算任意勞動力-崗位組合的成功概率（job success probability）。由此衍生出若干深刻洞見。

該框架提供了量化工具，可精準評估勞動者能力與崗位需求的匹配度。通過剝離決策貢獻度與執行貢獻度，它超越了傳統績效指標，構建出更精準公平的評估機制。

該模型最顯著的發現，是揭示了工作成功中存在相變現象（phase transition）。

研究表明，成功概率并非隨能力提升而線性增長。當勞動者能力——尤其是決策層技能——出現微小進步時，可能觸發成功概率的非線性躍升，使其從幾近必然失敗轉向幾近必然成功。

△P：成功概率，a_1：決策層能力參數，σ：能力方差

同時，該框架理論證實，技能互補的勞動者組合——或人類與AI的協作——能顯著提升崗位成功率。

當強于決策的人類與擅于執行的AI配對時，其協同效能將超越個體能力。這為設計高效人機團隊提供了數學基礎。

研究同時闡釋了近期觀測到的“生產力壓縮”效應：生成式AI通過補足低技能勞動者的執行短板，使其成功概率獲得巨大的提升，從而縮小與高技能勞動者的能力差值。

此外，本研究還通過應用真實世界數據驗證了框架的實用性，從O*NET綜合數據庫提取崗位結構，通過評估人類與AI表現的基準測試Big-bench Lite獲取勞動者能力數據。

借助大語言模型構建數據橋梁，研究證實理論預測成立，該模型對理解當今勞動力市場具有現實指導意義。

新型工作體系實用指南

本研究蘊含了深遠而迫切的現實意義，為機構適應新型工作體系提供了實用指南：

一是重塑技能升級路徑。

當前多數技能培訓聚焦工具使用——這類執行層技能極易因AI進化而淘汰。

本框架揭示，最持久的競爭力源于提升決策層能力：精準定義問題、權衡沖突目標、在不確定性中調整策略。

技能再造（upskilling）應推動勞動者轉向人類判斷不可替代的崗位，因為目標不是超越AI的編碼能力，而是實現決策制勝。

二是招聘互補者，而非全能者。

傳統招聘依賴學歷等粗放指標，將人才壓縮為單一參數，迫使機構雇傭“綜合全能者”。

通過區分決策層與執行層能力，本框架可識別互補優勢：企業可發掘“高決策力但執行欠佳”的人才，輔以工具穩定其產出，釋放當前被埋沒的潛能。

招聘不再需要押寶全能型人才，而是精準配置能力拼圖。

最后，要為人類判斷而設計。

AI浪潮正將執行與決策剝離，迫使我們重新定義人類獨特價值。

若繼續基于執行層產出培訓、招聘和評估人才，我們將誤判潛力、錯配資源，最終將未來的工作拱手相讓——并非因AI更強，而是我們遺失了衡量人類獨特貢獻的標尺。

本框架為機構提供實用工具，構建能識別決策層卓越能力（判斷力、驗證力、戰略推演）的體系。問題不再是人類在工作中的定位，關鍵在于我們是否為此而設計。

作者簡介

本論文由南京大學黃棱瀟與耶魯大學的L. Elisa Celis和Nisheeth K. Vishnoi合作完成。

黃棱瀟，現任南京大學副教授、博士生導師。

他本科與博士畢業于清華大學交叉信息研究院，并先后在瑞士洛桑聯邦理工（EPFL）、耶魯大學擔任從事博士后研究，以及在上海華為理論計算機實驗室擔任高級研究員。

他的研究領域為理論計算機科學，主要研究興趣包括：數據壓縮、計算社會學與機器學習理論，入選國家青年高層次人才。

其論文陸續發表于理論計算機科學國際一流會議（STOC/FOCS/SODA）和人工智能國際一流會議（ICML/NeurIPS/ICLR）。

論文地址：
https://arxiv.org/abs/2505.23432
相關博客：
https://nisheethvishnoi.substack.com/p/the-anatomy-of-work-in-the-age-of