AI技能转移：在大语言模型时代映射技能过期、涌现与转移路径
计算与语言
2026-04-09 v1 人工智能
计算机与社会
摘要
随着大型语言模型（LLM）重塑全球劳动力市场，决策者和工作者需要关于哪些职业技能最易受自动化影响的实证数据。我们提出了技能自动化可行性指数（SAFI），对四个前沿大语言模型——LLaMA 3.3 70B、Mistral Large、Qwen 2.5 72B和Gemini 2.5 Flash——进行基准测试，覆盖O*NET分类学中35项技能的所有文本技能（共1052次模型调用，0%失败率）。将结果与Anthropic经济指数中的真实世界AI采用数据交叉引用（756个职业，17998项技能），我们提出了AI影响矩阵——一种解释框架将技能置于四个象限中：高置换风险、需要技能提升、AI增强、较低置换风险。关键发现：（1）数学（SAFI: 73.2）和编程（71.8）获得最高的自动化可行性得分；主动倾听（42.2）和阅读理解（45.5）得分最低；（2）存在一种“能力需求反转”，即在暴露于AI的工作中最受需求的技能，LLM在我们的基准测试中表现最差；（3）观察到的78.7%的AI交互为增强而非自动化；（4）四个模型在技能轮廓上收敛到相似结果（3.6分的跨度），表明文本基于的自动化可行性可能更取决于技能而非模型。SAFI衡量的是LLM在文本表示上的技能表现，而非完整的职业执行。所有数据、代码和模型响应均已开源。
引用
@article{arxiv.2604.06906,
title = {The AI Skills Shift: Mapping Skill Obsolescence, Emergence, and Transition Pathways in the LLM Era},
author = {Rudra Jadhav and Janhavi Danve},
journal= {arXiv preprint arXiv:2604.06906},
year = {2026}
}
备注
11 pages, 12 figures, 2 tables, 17 references. Code and data available at