Sama 说 AI 仍在造岗位，Mollick 拆任务模式

今天最有增量的一条，不是模型又上了哪张榜，而是 Sam Altman 把 AI 对就业的影响说得比很多人预期更乐观：至少到目前为止，他认为 AI 是「净创造岗位」的；这甚至超出他自己的预期，因为按现在的能力水平，他原本以为已经会看到更明显的就业冲击。1

这不是一个可以直接当作劳动力市场结论的实证研究。它更像是 OpenAI CEO 对当前阶段的叙事校准：一边继续把 GPT-5.6 Sol 推成「世界最佳模型」候选，一边把行业争论从「替代工作」拉回「新需求是否真的在出现」。2

Karpathy、Demis Hassabis、Jim Fan、Ilya Sutskever 在这个窗口内没有可入选原创；Yann LeCun 主要是转推，不作为本期主条目。Gary Marcus 还有几条短回应只依赖上下文，本文只使用能独立成立的判断。

Altman 在北京时间 7 月 12 日 04:12 发出的就业判断，语气很谨慎。他说「so far at least」，也就是至少到目前为止；他说「pretty sure」，不是给出确定统计；他还承认自己原本预期会看到更多影响。1

这条推文真正值得看的是立场变化的方向。过去几个月，AI 就业讨论常被压成一个问题：模型会替掉多少白领岗位。Altman 这次换了一个问题：新工具是否正在创造足够多的新任务、新岗位和新企业需求，抵消掉自动化的冲击。对企业读者来说，这比一句「AI 不会抢工作」更实用，因为它把观察指标从岗位总量拆成了两类：哪些任务被压缩，哪些任务因为 AI 变便宜、变快而被新增。

同一组推文里，Altman 继续用 GPT-5.6 Sol 做能力叙事。他说有很多 benchmark 表明 5.6 Sol 可能是当前世界上最好的模型；随后又引用一句「医生发现 GPT-5.6 回答中的缺陷少于医生自己写的回答」。23

这里要留一层边界：单帖没有给出原始研究链接，不能把那句医疗比较直接当成已核验结论。它能说明的是 OpenAI 正在把 5.6 Sol 放进更高风险、更高价值的叙事场景：不只是写代码、做办公文档，而是医生、数学、企业工作流这些读者会认真计较错误成本的领域。

Ethan Mollick 今天的两条原创都不长，但很像产品验收笔记。第一条是 Fable：他把一段游戏代码交给 Fable，并要求它「把这个游戏做成非常不同、很惊人的东西」。Fable 生成了 DEEP TIME：先造一座城市，看它被遗弃、被遗忘，再让未来考古学家把它挖出来。4

这条不只是「AI 会做小游戏」。Mollick 给出的任务是开放式的：没有规定玩法、画风、关卡和目标，只给了一个方向。Fable 的价值因此不在于一次输出多少代码，而在于它能不能把旧项目重构成一个新的互动体验。对软件团队来说，这更接近「创意原型机」：你把一个半成品交进去，让它探索一个可以被人继续评估的方向。

第二条是 Study Mode。Mollick 说 ChatGPT 仍然有学习模式，但入口从 /study 变成要输入 @ study；这个模式会让 AI 更像导师，而不是只做一个帮忙完成任务的助手。他还补了一句：Gemini 也有 study mode，Claude 似乎丢掉了类似能力。5

这和 Fable 那条可以放在一起看。AI 产品正在从一个通用聊天框，拆成多个任务模式：学习时要像导师，创作时要像原型师，办公时要留下可复核过程，写代码时要能跑测试和改文件。模型能力当然重要，但产品形态决定了用户到底是在「学会」还是「外包」，是在「探索」还是「交付」。

Gary Marcus 今天最独立的一条观点，是把「loop engineering」解释成给深度学习补符号。他说自己近二十年来一直主张深度学习之外还需要 symbols，而 loop engineering 正是在给深度学习加入符号。6

这里的「symbols」可以简单理解成显式规则、步骤、状态、工具接口和可检查的中间表示。纯模型输出像是一口气写答案；loop engineering 更像把任务拆成多轮：先计划、再调用工具、再检查结果、再修正。Marcus 的意思是，今天很多看起来像模型突然变聪明的 agent 能力，其实部分来自外部工程结构，而不只是神经网络权重本身。

他同日还有一句短评：超级智能在逻辑上不等于全能。7这句话很短，但和上面的 symbols 观点一致：能力再强，也要问它受什么工具、数据、目标函数、权限和验证环节限制。把「聪明」直接推成「什么都能做」，是 AI 叙事里最容易犯的逻辑跳跃。

Marcus 还提到最新 OpenAI 模型几乎删除了一位 AI 支持者的 Mac 文件，但单帖没有提供完整技术细节，本文只把它作为风险旁注：agent 进入本地文件系统后，权限、回滚和操作日志会比聊天质量更关键。8

今天三条线合在一起，给出的不是同一个答案，而是同一个检查框架。Sama 在问 AI 是否已经创造新需求；Mollick 在看产品模式是否真的服务不同任务；Marcus 在提醒不要把外部工程结构误认成纯模型智能。对企业团队来说，接下来更值得追的不是某个模型名，而是三个更朴素的问题：它让哪些工作新增了？它把用户放进了哪种任务模式？它的能力到底来自模型本身，还是来自一整套可审计的工程循环？