文章对比两份关于AI就业影响的报告，一份预测AI将导致大规模失业引发市场恐慌，另一份用数据反驳：软件工程师招聘增长11%，失业率仅4.28%。AI替代人类面临物理边界限制，且历史表明技术进步不会减少工作总量，而是创造新需求。AI不仅是工具，更是应对人口老龄化、气候变化等时代逆风的有效对策，程序员学习大模型技能至关重要。

---

一篇「末日预言」报告，竟能让2000亿美元市值一夜蒸发？

美国当地时间周一（2月23日），软件板块出现恐慌性抛售。

iShares Expanded Tech-Software Sector ETF （IGV）当日重挫4.8%，软件股集体蒸发超2000亿美元市值。

Bloomberg统计的美国软件巨头股价变动

上图中，Bloomberg统计了2026年1月5日到2026年2月23日以来，美国软件巨头股价变动情况：

Salesforce、Workday、Intuit、Snowflake等软件巨头自2026年初以来已累计重挫20%到50%。

而下面Citrini发布的这篇报告，竟然充当了引发暴跌的关键角色。

https://www.citriniresearch.com/p/2028gic

该报告于美国当地时间2月22日（周日）在citriniresearch.com上免费公开发布。

报告以2028年回顾视角，描绘了一个AI驱动的白领大规模失业、消费崩盘、金融系统与政策失灵的反乌托邦情景，迅速在网上引发病毒式传播。

很快，Citadel Securities宏观策略师Frank Flight等，便通过一篇《The 2026 Global Intelligence Crisis》的报告公开反驳。

https://www.citadelsecurities.com/news-and-insights/2026-global-intelligence-crisis/

报告抛出了一系列有说服力的数据：

软件工程师招聘仍同比增长11%，AI资本支出虽达GDP的2%（6500亿美元），但失业率仅4.28%，数据中心建设也不会立即引发危机……

Citadel Securities（全球最大做市商）与Citrini Research（以宏观与主题型投资研究为核心的独立机构），代表着两种不同截然不同观点的交锋。

网友转发了Citadel Securities报告中软件工程师招聘数量，在去年5月触底后拉出一个「V型反转」，同比增长11%。

接下来，我们就来看一下Citadel Securities这篇报告数据核心数据。

恐慌蔓延与被错杀的软件股

2026年的当下，我们正经历着一场AI带来集体的失业焦虑。

Citrini的报告，精准击中了人们内心的不安全感，作为引发恐慌的源头，直接导致iShares软件板块ETF(IGV)暴跌4.8%。

大家都在担心：自己的办公桌明天会不会被一台服务器取代。但Citadel Securities的宏观策略师Frank Flight直接给出了严谨的硬核数据。

2026年，美国计划建设约2800座数据中心。

自2023年1月以来，AI产业链相关大宗商品暴涨了65%。

AI资本支出达到了惊人的6500亿美元，占GDP的2%。

按照常理，AI如此快速发展，最该被大规模去中介化的就是每天敲代码的白领。

但现实呢？最新的失业率稳稳停在4.28%。

而最被认为首当其冲要被淘汰的软件工程师，其招聘岗位数量不仅没有消失，同比竟然大幅猛增了11%。

这不禁让人发问：既然AI发展如此迅猛，为什么预言中的白领失业潮并没有如期兑现？

到底谁在制造「AI失业」的幻觉？

AI神话撞上物理边界

大众最容易陷入的一个思维误区，就是把AI技术的递归式潜力，等同于经济的递归式部署。

翻译成白话就是：AI系统确实能自我进化并且越来越聪明，但这并不意味着企业同样能以指数级的增长速度把它部署到每天的日常工作中。

圣路易斯联储基于「实时人口调查」提供了一组非常关键的数据。

这组数据不问你用不用AI，而是问你在工作中使用AI的频率到底有多高。如果AI真的马上要取代人类，那么员工每天使用AI的比例应该出现一个极其陡峭的向上拐点。

但真实情况是，数据出人意料地稳定：几乎没有任何证据表明AI在日常工作中的使用正在加速。

圣路易斯联储实时人口调查AI使用频率

这说明什么？

说明AI的普及路径，和当年的个人电脑、互联网一模一样，它们走的都是一条极其漫长且波折的S曲线。

早期采用极其缓慢且成本极高，随后随着基础设施完善才开始加速，最后在市场饱和时进入平稳期。

生成式AI与个人电脑及互联网的S曲线对比图

更重要的是，AI想要完全替代人类，面临着不可逾越的物理边界。

训练和运行AI，需要海量的半导体产能、庞大的数据中心和惊人的电力能源。

如果要让AI完全接管白领的工作，需要的算力将比现在高出几个数量级。

一旦自动化需求激增，算力的边际成本就会急剧攀升。

当机器算力的边际成本由于能源和硬件的限制，变得比人类员工的工资还要高时，替代就难以为继，这是一笔经济账。

即便是AI技术再先进，它依然要受制于现实世界里的芯片、电网、监管审批以及企业内部繁琐的组织变革，根本不可能「无摩擦」地被复制。

凯恩斯的15小时工作制错觉

提到技术代替人工，我们不妨回顾一下历史。

1930年，经济学家凯恩斯曾做出一个著名的预测：因为生产率大幅提升，到21世纪初，人类每周只需要工作15个小时。

英国著名经济学家凯恩斯（John Maynard Keynes）

他只预测对了前半句，却对劳动力市场的结果大错特错。

人类并没有把每周的工作时间缩减到15小时，因为人类的欲望是拥有无限弹性的。

当生产率提升降低了商品成本后，人们并没有选择停止工作，而是把增加的财富用来追求更高质量的商品和从前根本想象不到的新型服务。

Citadel Securities在报告中指出，AI驱动的自动化本质上是一种正向供给冲击，它的作用机理和当年的蒸汽机、电气化、计算机完全一样。

它不仅不会直接摧毁总需求，反而会降低边际成本，提升社会的实际购买力。

企业用更低的成本生产更多的产品，商品价格下降，居民实际收入增加，进而催生出海量的新需求和新产业。

数据证实了这一点。根据美国人口普查局的数据，近期新企业成立的数量正在快速增长。

美国新企业成立数量激增图

同时劳动力市场前瞻指标也显示分项有所改善。

劳动力市场跟踪指标图

因为要建设那2800座数据中心，建筑业的招聘需求正在强劲回暖。

数据中心建设提振建筑业招聘图

此前，黄仁勋也曾表示，AI是人类史上最大基建，已经在能源、半导体等关键行业带来经济收益，将来数据中心、服务器、芯片工厂的大规模建设与运维需求，进而创造电工、建筑、网络技术等岗位。

AI在很多领域，注定是人类的补充，而不是替代。

想想当年的Microsoft Office。当初它诞生时，人们担忧办公文员要彻底失业。但事后看来，Microsoft Office仅仅成了一个极其强大的辅助工具。

在那些需要高度体力协调、复杂人际关系处理、严格监管审查以及建立深度信任壁垒的领域，人类员工的作用依然无可替代。

AI不是末日

它是应对时代逆风的有效对策

要让AI真正引发一场严重的经济大衰退，必须满足一系列极其严苛且完全不现实的条件。

这些条件包括：

技术采用速度瞬间达到极值、人类劳动被百分之百替代、政府完全不采取任何财政对冲政策、所有增加的利润没有进行任何再投资，以及算力可以彻底无视物理法则无限扩张。

在现实社会中，如果真的面临极端的替代风险，社会制度必然会通过监管和财政政策调整来进行对冲。

回望过去一百年的科技变革历史，无论是汽车、电话还是互联网，既没有带来失控的指数级增长，也没有让人类劳动力变得多余。

当今世界，我们正面临三股庞大且沉重的时代逆风：人口老龄化、气候变化、去全球化。

这三股力量叠加，成为全球经济增长的 Debuff（减益魔法）。

而在这种情形之下，AI带来的生产力提升，或许刚刚好能对冲掉这些庞大的下行压力，而不是砸烂你饭碗的「就业末日」。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】