「锯齿状智能」重塑就业讨论：AI 能解奥数，却栽在简单常识

如果一个实习生能在顶尖国际奥数竞赛里做出绝大部分大题，却搞不清楚现实里一个最基础的常识逻辑，你大概会觉得他既天才又古怪。

现在的 AI 就是这个状态。4 月 15 日，越来越多的研究人员和经济学家开始用一个词来重新定义这种怪异的现象：锯齿状智能（jagged intelligence）。

这个概念最初由知名 AI 研究员安德烈·卡帕西（Andrej Karpathy）提出，专门用来描述那些在某些极难任务上惊艳四座、却在基础问题上频频翻车的 AI 系统。

奥数拿高分，常识却翻车

最直观的例子出现在学术竞赛与日常生活的反差中。

在 2025 年国际数学奥林匹克竞赛中，AI 模型一口气解决了六道世界级难题中的五道，实力直逼全球顶尖数学选手。

但同一批系统转过头来，面对一些普通人一眼就能看明白的日常现实推理，却常常出现荒谬的卡壳。

卡帕西提出的「锯齿」，指的就是这种参差不齐的能力边界：它不是一个均匀扩大的圆圈，而是有的地方冲到天花板，紧挨着的另一个角落却深陷洼地。

虽然模型整体能力一直在快速进化，但这种极度不均衡的表现，让外界很难提前预判它到底会在什么时候成功、又会在哪一步突然掉链子。

丢掉工作的不是职业，而是任务

这种认知分歧，正在直接颠覆学界对就业前景的判断。

过去大家聊到 AI 冲击，习惯用「哪些职业会被彻底淘汰」来算账，仿佛程序员、设计师或律师会整体被算法一键替换。

但锯齿状智能告诉我们，事情大概率不会这样发生。

自动化不会一下子端掉整个工种，而是精确切入具体的、被 AI 锯齿尖端覆盖的任务环节。

换句话说，AI 可能会替你写好最复杂的算法逻辑、处理好最繁琐的代码结构，但最后串联业务、确认现实逻辑的那一步，依然需要人类接手。

预测哪个职业会消失没有太大意义，真正受到洗牌的，是每份工作里由不同任务拼成的时间表。

为什么重要

我们认为，接受「锯齿状智能」这个设定，是普通人和企业避免盲目乐观与无效焦虑的第一步。

对普通打工人来说，它打破了「非黑即白」的替代叙事。你不需要恐惧 AI 明天就取代你的职位，但必须搞清楚自己每天做的事里，哪些处于 AI 的超强尖峰，哪些落在它的常识盲区。学会把尖峰任务扔给 AI，把精力收拢到需要综合判断的复杂现实环节，才是眼下最划算的做法。

对整个行业而言，这给盲目的全自动 Agent 泼了一盆冷水。很多团队试图打造端到端的全自主数字员工，结果往往在最微不足道的常识步骤上翻车。认识到锯齿的存在，意味着产品设计的重心应该转向「人机协作容错」，而不是硬扛着不可预测的模型缺陷去画饼。

看清 AI 的长板和短板一样深，我们才能真正把这项技术当成工具，而不是神话。