如果一个行业只保留专家的工作,却不再提供成为专家的练习,它正在消耗自己的未来。
设想一间未来的维修车间。机器人完成拆装、测量和常见故障处理,资深工程师只在异常发生时接手。交付更快,返工更少,现场看上去也更整洁。
但门口那个刚毕业的年轻人,该从哪里开始?
这是一种情景推演,不是已经得到验证的行业结局。它提出的问题却很具体:当机器接管的是入门任务,被移走的可能同时是一段学习过程。
上一篇讨论怎样识别真正的理解。这一篇把问题推进到工作现场:理解和熟练,究竟在哪里长出来?
入门任务有两张账单
企业给一项任务定价,通常看它当下产生多少价值。可对于新手,同一项任务还可能提供观察、判断、动作和反馈的机会。
拧好一颗螺栓是一项产出;发现扭矩异常、解释原因并知道何时停手,是另一种积累。两者相关,却不能互相替代。
当然,不能因此把所有杂活都美化成教育。连续搬运一年,不会自动培养出机械工程师。没有解释、反馈和逐步增加的责任,重复也可能只是廉价劳动。
值得保留的,是能够通向下一层能力的练习。值得淘汰的,是消耗时间却不产生学习的安排。
国际劳工组织的《优质学徒制建议书》把学徒制界定为有协议、有结构、获得报酬或其他经济补偿,结合工作内外学习并通向认可资格的训练。这提供了一个判断标准:学徒不是等待被替代的低效工人,而是需要明确培养路径的学习者。来源:ILO,2023 年建议书与 2024 年实施指南
不要切断能力的阶梯
AI 也可能把第一层台阶变宽
最强的反对意见是:为什么假设机器只会夺走练习?它也可能成为随时解释、反复示范的教练。
这并非空想。Brynjolfsson、Li 和 Raymond 对 5,172 名客服人员的研究发现,使用生成式 AI 助手后,每小时解决问题数平均提高约 15%,经验较少、技能较弱者的改善更明显。作者还报告了与学习有关的证据。来源:Generative AI at Work,2025 年期刊论文;作者公开版本
这项研究针对屏幕中的语言助手和客服工作,不能直接证明机器人能培养维修技师。它至少反驳了一个过于简单的故事:AI 的到来,未必只能让新手失去价值。
真正的分岔,在于部署方式。一种系统把答案递给人,让人更快完成当前任务;另一种系统要求人先判断,再提供提示,最后逐步撤去帮助。二者的即时产出可能接近,留下的能力却需要分别检验。
对 Physical AI 而言,新增机会是把反馈带回动作和物体:工具放置、受力方向、操作顺序、环境变化。新增风险则是,机器人做得越流畅,旁观者越容易把“看懂了”当成“我会了”。
训练现场可以重建,不能只重建外观
教育不必等待真实工作恰好出现一个适合新手的错误。
美国 NCSBN 的全国护理仿真研究提供了一个有边界的先例:研究覆盖 10 个护理教育项目,666 名学生完成研究要求;在相应条件下,用高质量仿真替代最高 50% 的传统临床学时,在所测毕业能力、知识和执照考试通过率上未发现显著组间差异,并跟踪了开始临床执业后六个月内的部分表现。来源:NCSBN National Simulation Study,2014
这不是“机器人可以取代一半护理教师”的证据,也不是任何仿真都有效的保证。它研究的是包含教学设计、受过培训的教师指导、复盘和评估的训练安排,并非自主机器人教师。
对未来的机器人训练场,我更愿意从这里提出一个假设:若系统能安全、可重复地呈现关键情境,并提供适当反馈,它有机会增加练习供给。这个假设必须在具体专业里重新验证。
维修训练可以设置不同原因造成的相似故障,让学生先说明判断依据,再动手排查。护理训练可以练习观察、沟通与团队交接,但不能把真人的感受、尊严和复杂处境压缩成传感器分数。这些是课程设计建议,不是对现成产品效果的宣称。
两种账本,分别验收
企业必须同时设计生产线和学习线
如果我负责部署这样的系统,会要求团队同时画出两条路径。
第一条是生产路径:机器负责什么,人负责什么,异常如何处理。第二条是成长路径:新手先练什么,怎样获得反馈,何时减少辅助,达到什么标准后可以独立承担责任。
成长路径至少需要三个环节。
首先,把专家的判断说出来。示范不能只有正确动作,还要解释为什么排除另一个选择。其次,让新手有受控的尝试机会。涉及安全的任务,应先在合适的训练环境中进行,不能为了学习让真实服务对象承担额外风险。最后,设置撤去提示和改变情境的考核,检验能力能否独立使用。
企业因此需要一张与交付效率并列的表:新手完成了多少有效练习?在相同标准下,独立完成率是否改善?面对未见过的问题,能否识别不确定性并正确求助?
这些指标不是要求员工永远不用工具。成熟的专业能力本来就包括使用工具。关键是区分:他在驾驭系统,还是只在系统正确时显得熟练?
谁来支付专家形成的成本?
还有一个不能留给教育部门独自回答的问题:如果企业都希望招聘已经成熟的人,却都减少培养岗位,训练成本由谁承担?
行业联合实训、学校与企业共建训练场、带薪学徒岗位,都可以成为安排的一部分。但应支付给真实发生的训练,而不是只奖励购买了多少台设备。
我的判断是,Physical AI 对职业教育最深的冲击,将不只是改写“需要多少人”,还会迫使行业重新设计“人如何变得有用”。这种影响有多大,仍取决于岗位重组、训练制度和技术能力,不能从一段机器人演示直接推算。
自动化可以减少某项工作需要的人,却不能替我们决定下一代人从哪里获得能力。
如果训练机会能够被重新制造,下一个问题就是:谁能获得它?下一篇,我们把视线从能力形成转向教育资源的价格和分配。
本文中的维修车间与机器人训练场为明确标注的情景推演。客服 AI、护理仿真与自主实体机器人属于不同证据类别,不互相替代。
