在首尔举行的ICML 2026大会上，普林斯顿大学教授Arvind Narayanan发表了一场堪称“反焦虑”的主旨演讲。当整个AI社区沉浸在对递归自我改进和通用人工智能即将到来的狂热讨论中时，Narayanan用“AI是正常技术”这一看似平淡的框架，精准拆解了当下最流行的失业恐慌与超级智能幻想。他的核心主张可以提炼为三个彼此关联的命题：AI不是突然取代人类的神迹，而是与蒸汽机、计算机一样需要逐步适应的正常技术；即使递归自我改进真的发生，也不会在实验室里突然销毁所有白领岗位；未来工作的结构将发生根本性重塑，但决定人类价值的将不再是编码效率，而是判断力与品味。

“正常技术”框架的本质是将AI从“魔法”还原为“工程”。Narayanan引用可靠性研究和软件工程领域的经典案例指出，“写代码不是瓶颈”是一个被反复验证的错觉——当代码生成效率提升10倍时，瓶颈会迅速转移到需求定义、系统集成、合规审计与用户反馈闭环等“非执行”环节。换句话说，AI对执行层的压缩，反而让决策层和交付层急剧膨胀：一个能用AI在几分钟内生成原型的产品经理，需要用数天时间评估风险、协调利益相关者、推理边缘情况。这种“执行越省力，决策越沉重”的辩证关系，正是正常技术发展的典型模式，而非什么终极颠覆。

关于递归自我改进，Narayanan保持了清醒的怀疑。他承认自主改进的可能性值得认真对待，但强调在真实工程系统中，任何“自我改进”都会遭遇数据飞轮、奖励漏洞、安全约束等硬性天花板。他引用机器学习系统失败案例（如推荐算法反馈循环失控、语言模型有害输出未收敛）说明：实验室中的性能跃迁，往往在部署后转化为更隐蔽的治理成本，而非直接导致人类退出生产活动。这一点与不少业界领袖主张的“AI将在一到两年内取代所有程序员”形成鲜明对比——Narayanan暗示，这种论调与其说是技术预测，不如说是资本叙事。

那么未来工作到底会发生什么变化？Narayanan给出了一个既乐观又棘手的答案：人与AI的“共超智能”不是科幻概念，而是已经在局部发生的现实——临床医生用诊断模型扩展推理范围，但最终裁定权仍在于对患者具体情境的判断；架构师用生成式设计工具探索数万种方案，但只有人类能评估哪些方案在审美、伦理与可用性之间取得平衡。他强调，AI社区不应当接受“被取代”的被动身份，而应主动建立一套与AI互补的能力清单：包括但不限于对不确定性的容忍、对多重目标的权衡能力、以及对“好与坏”的品味判断。这些能力无法被分解成算法可优化的奖励函数，却恰恰是未来高杠杆工作者的核心护城河。

这场演讲的价值，不在于提出全新的预言，而在于用严肃的工程逻辑，把漂浮在舆论场中的焦虑落地为可操作的问题。对于每一位从事AI研发或管理的读者，一个实用的建议是：停止追问“我的工作会被AI取代吗”，转而问“我的工作正在压缩哪个执行层，而我又需要膨胀哪些决策与交付能力”。正如Narayanan所暗示的，真正需要忧虑的不是AI变强，而是人类在心态上先认输。