AI时代核心软技能

AI Era Durable Soft Skills · ai-era-durable-soft-skills--karina-nguyen

解决什么问题

"AI 时代该培养什么能力"的建议大多停留在口号层面。这位在 Anthropic 和 OpenAI 都深度参与过模型训练一线工作的研究者,给出了具体、可拆解的判断:哪些原本被认为"硬核"的技能正在被模型追平,哪些"软"能力反而更持久,以及为什么。

核心内容

判断的反直觉之处:人们通常认为编程、设计、写作是"硬技能"、更值钱,而沟通、共情这类"软技能"更容易、更廉价。作者的实际观察是反过来的——AI 已经能很好地完成"把大量数据综合、写出东西"这类硬技能工作,但极难被教会的是:
1. 创造性思维(creative thinking):生成一堆想法、筛选出好的那个,而不只是把"最优的一个产品体验"直接建出来。作者明确说"教模型如何有审美、如何有很好的视觉设计品味,或者如何以极具创造力的方式写作,是真正非常难的事"。
2. 倾听与快速迭代(listening):即便通用模型能替代很多东西,你为特定用户群体打磨到极致的体验、以及你能不能倾听用户反馈快速迭代,这个"护城河"本身就体现在你的用户反馈循环里,而不是某个静态的产品特性。
3. 研究管理/资源分配(prioritization & management):作者指出 AI 研究进展本身的瓶颈其实是"研究管理"——算力有限,要把有限算力分配给你认为最有希望的研究方向,这是一个高置信度判断+投资回报权衡的问题,涉及"哪些项目优先级更高""哪些具体实验现在值得跑、哪些该砍掉"。
4. 人际协作与共情(collaboration, empathy):作者举了 Canvas 项目的例子——一群不同背景的人(GraphQL 联合创作者 Lee Byron、顶尖苹果设计师等)能协作出一个好产品,这件事本身"依然是很人性化的东西"。
为什么模型目前难以做好创造性判断:作者的解释是,这类判断依赖大量"有品味的人"提供的示例数据来教模型辨别"什么是好的",而这类数据目前对模型来说并不容易获取("It's not accessible to models to learn from these people")——这不是能力上限问题,而是数据可得性问题,意味着这个短板未来可能被填补。

适用边界

作者明确这是她基于两家最前沿实验室一线训练经验的判断,不是长期不变的定论——她自己也承认"创意/审美难被教会"更多是当前数据获取的限制,不排除未来被突破。
这套判断主要针对"产品/研究"类知识工作者,不直接推广到所有职业类别。

关键引述 · 原话

Karina Nguyen: "It's actually really, really hard to teach the model how to be aesthetic or do really good visual design or how to be extremely creative in the way they write."

Karina Nguyen: "I think creative thinking... listening... management, prioritization, communication... people skills like empathy, understanding people, collaboration [are what remains valuable]."

— Karina Nguyen

关联卡片

需求弹性职业耐久过滤器

- 与 `elastic-demand-job-durability-filter--brendan-foody` 从不同角度回答同一个问题("AI 时代哪些能力/工作更持久"),一个从模型训练一线视角,一个从劳动力市场视角,结论方向一致。

出处：Karina Nguyen (OpenAI 研究员,前 Anthropic) · 03-podcasts/karina-nguyen.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2