当整个行业陷入“AI即将取代一切”的集体焦虑时，普林斯顿大学计算机科学教授Arvind Narayanan在首尔ICML 2026上的主旨演讲犹如一剂清醒剂。他没有重复“AI改变世界”的陈词滥调，而是用一个颠覆性的框架——“AI作为正常技术”——来重新审视这场技术浪潮的实质与边界。

这个框架的核心在于：AI的发展轨迹并非指数级奇点，而是遵循所有成熟技术的演变规律——能力逐渐积累、可靠性缓慢提升、应用场景碎片化扩散。Narayanan用软件工程和可靠性研究中的经验教训拆解了“写代码不是瓶颈”这一流行错觉。他指出，当前AI系统在执行层（如代码生成、图像合成）确实表现出色，这造成一种假象：似乎只要AI能“写”出组件，整个系统就能自动运转。但现实是，执行层的压缩反而导致决策层和交付层急剧膨胀——人们需要花更多时间来验证输出、调试逻辑、处理边缘案例、以及管理人类与AI协作的协调成本。

针对“递归自我改进是否会突然让所有人失业”这一核心恐惧，Narayanan给出了冷静的判断：实验室中没有任何一个里程碑会引发瞬时的大规模失业。反观历史，蒸汽机、电力、计算机都曾引发类似的恐慌，但实际就业结构的变化往往滞后数十年，且以渐进的方式展开。AI也不例外。递归自我改进的真实风险在于它可能加速某些领域的自动化进程，但如同软件工程中的复杂度定律——系统越智能，其行为越难以预测和约束——这反而会催生新的监控、调试、治理岗位。

更值得关注的，是Narayanan对未来工作结构的洞察：AI正在重塑“执行-决策-交付”的链条。执行层被压缩后，人类的价值将更加集中于判断力、品味和情境化决策——这些能力恰恰是当前最先进的大模型也难以复制的。他引用“共超智能”（co-superintelligence）的概念：人类与AI并非零和博弈，而是一种互补增强关系。企业需要重新设计岗位，让AI处理标准化的“中间层”任务，而人类聚焦于定义问题、做出权衡、承担责任。

对AI从业者和企业决策者而言，这场演讲提供的不是安慰，而是一份行动指南：第一，停止迷信“AI替代一切”，转而关注现有系统的可靠性瓶颈和治理缺口；第二，主动投资于人类独特的能力如批判性思维、审美判断和伦理决断，这些在AI辅助的世界中反而更稀缺；第三，推动组织架构变革，让AI与人类形成真正的“共超”而非替代。未来的赢家不是被AI取代的人，而是那些最早学会与AI建立互补关系、将“正常技术”的规律内化为战略常识的人。