〇、四个月，四个日期#
把四个日期排在一起，什么解释都不加：
6 月 12 日，斯坦福，物理学与 AI 会议。Anthropic 的研究员 Jascha Sohl-Dickstein 对台下的年轻研究者说：如果认真对待这个时间表，你就不该按「读博—博后—教职」的旧路径规划人生。
7 月底，一批美国企业开始重新扩招。IBM 在 3 月就宣布把初阶招聘扩到三倍；人事平台 Lattice 的负责人说，很多公司停了初阶招聘、以为 AI 能接住，后来发现人还是得在。
10 月 20 日，DeepSeek 开源内部推理框架 DeepInfer，同时披露了一组罕见的经营数据：单卡每小时收入 38 美元。
10 月 23 日，国务院办公厅印发《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》，要求「稳慎把握人工智能在劳动密集型行业应用的范围、力度、节奏」，「鼓励企业探索建立失业缓冲期制度」。
四个月，四个方向：能力在往上冲，成本在往下塌，企业在往回招，政策在往慢里压。
顺序也不是随便排的。能力先到，账单第二到，政策最后到。 中间那两个月，是企业拿着计算器重新算了一遍的窗口。
一、能力：这一侧的天花板#
先把演讲里最硬的部分拿出来。Sohl-Dickstein 的论证不靠情绪，靠三条曲线（原视频 ↗，MIT CBMM 的讲座记录 ↗）。
第一条是算力：过去十年，最大模型的训练算力增长了约一千万倍；按 Epoch AI 的估算，到 2030 年还可能比 2025 年再涨一万倍。
第二条是任务时长。METR 测的不是模型跑了多久，而是一个人不靠 AI 做完同一件事要多久。在 50% 成功率下，模型能独立完成的任务，其对应的人类工作时长在指数增长。一年前他还预计模型要到 2026 或 2027 年才能顶掉「一整天」的软件工作，现在那条线已经越过他当时的预测位置。
第三条最刺眼：过去约七个月，模型开始解出保罗·埃尔德什留下的一些开放问题。数学界的开放问题是一道很硬的过滤器——它筛掉的正是「只会在训练数据里找答案」这种质疑。
他的结论因此不是「AI 很厉害」，而是一句对职业规划的直接判决：你花两年做出的线性进展，可能在你交付时被一次提示超越。
演讲里还有一段，中文转述大多没提，但对不在名单上的读者更要紧。现场有人问：这些模型的能力已经接近硕士了，那以后人干什么？
他的回答是：如果你是所在领域最顶尖的那百分之几，会有一段时间需求暴涨——然后需求掉到几乎为零。他还补了一句，替代不会按「先替这个人、再替那个人」的顺序发生，它会同时在很多职业的一大片任务上铺开。
这段话把「替代」从一件有序的事变成了一件弥散的事。你不会在某天收到通知说你的职业被取消了；你会在某天发现，你这行的入门价格变了。
二、成本：一张卡每小时 38 美元#
10 月 20 日那组数字，值得单独拆开看，因为它是这场讨论里最容易被两边各自拿去用的证据。
DeepSeek 开源的 DeepInfer 是一个大规模推理框架，能把模型和芯片之间的调度做到很高效率。它同步披露的经营数据是：单一集群每天吞吐 155 万亿 Tokens，单卡每小时收入 38 美元——按波谷价折算，约 253.8 元人民币（《财经》的拆解 ↗）。
38 美元是什么水平？《财经》拿云厂商的挂牌价做了对照：英伟达 H200 单卡每小时租赁列表价 6–8 美元，B300 是 15–20 美元；市场实际成交价更低，B300 长期租用可以低到 5–6 美元。
也就是说，同一张卡，直接租出去，一小时收 6 美元；用来卖 token，一小时收 38 美元。 一位算法工程师按 H200 的租金当成本估算，这个结构的毛利率超过 80%。
而且 38 美元还是波谷价。DeepSeek 今年 6 月起实行峰谷定价，工作日 9 点到 12 点、14 点到 18 点价格翻倍。也就是说，同样一张卡在高峰时段的收入还要更高。算力正在变得像电——同一天里不同的钟点，价格不一样。
更值得注意的是反向对照：如果换成通用推理框架 vLLM 部署同一个模型，B300 在空闲时段每卡每小时的 token 收入只有 14.88 美元，大约只有 DeepSeek 波谷定价的四成；若用 H200 卖 token，收入甚至覆盖不了卡租。这解释了一个看起来很奇怪的现象——有些云厂商宁愿把用户的请求直接转发到 DeepSeek 官网，也不愿意自己部署，因为自建比转发更贵。
成本在很大程度上不是一个硬件属性，是一个软件属性。 同一个模型、同一批卡，换个框架，收入差 2.5 倍。这就是所谓「单位算力换出来的性能」，它不在芯片的参数表里，在工程团队的代码里。
现在回到那个争论：AI 到底比人贵还是比人便宜。
答案取决于你在哪个国家、哪个环节。
先说环节。英伟达那位副总裁说「算力的成本远远超过员工的成本」，说的是研究场景：要跑实验、要试错、要拿几千张卡去撞一个不确定的方向，那里的算力成本是固定投入，且风险极高。DeepSeek 的 38 美元说的是推理场景：卖 token，边际成本可预测、可优化、可压缩。这两个场景的成本结构完全不同，所以「AI 贵」和「AI 极便宜」可以同时为真——它们说的不是同一件事。
再说国家。这个不等式两边都是本地价格：一边是 AI 的边际成本，一边是当地的人力成本。中国的人力便宜，推理成本又被压到极低，所以「AI 比人便宜」这个不等式更容易成立；美国的人力贵，但 AI 的部署成本（集成、复核、合规、责任）也高，于是有些场景里 AI 反而更贵，企业算完账就回头招人。
有一个算术可以做，但要先声明口径：一张卡一小时能卖出 253 元的 token；一个月薪 5000 元的人（按这个区间的上限算），按每月 176 小时算，时薪约 28 元。253 除以 28，是 9。
这不是说一张卡等于九个人。 卡卖的是 token，人产出的是判断、协调和责任，两者不可通约。但当雇主在这两者之间做选择时，他看的偏偏就是这两个数字。而当一个人愿意接受月薪五千、无责底薪三千的条件时，他实际上已经把自己放到了这个比值的分母里。
三、闸门：能力到了，替代为什么没到#
上一节那个不等式，是 7 月底那批企业回头招人的原因之一。不是「AI 不如人聪明」，是「这个场景里 AI 比人贵」。
贵在哪？贵在四道闸门上：
- 成本闸门：算力、集成、复核、返工，加起来是否真的比人便宜。一家人力服务公司给过一个具体案例：某电商客户按预算上 AI 客服，落地时发现许可、集成和提示工程的花费是原估算的两到三倍；最后换成两个人类助理，单票处理成本反而降了近四成。
- 责任闸门：出错之后谁担责。医疗、法律、金融、教育，这些领域的责任不能转移给一个模型。
- 组织闸门：一个岗位不是一堆任务，是一组关系、一段默契、一套没人写下来的上下文。
- 信任闸门：客户愿不愿意接受、监管允不允许、同事配不配合。
一份针对 600 名做过裁员的 HR 从业者的调查，把这件事讲得更直白：九成表示会重新考虑因 AI 做出的裁员决定，四分之三承认确实因为技术替代裁过人，而认为 AI 达到了当初承诺效果的，只有 8.4%。
所以「能力到位」和「替代发生」之间，隔着一条很长的路。历史上每一次通用技术落地都这样：电从发明到改变工厂布局用了四十年，不是因为发电机不够好，是因为厂房、工序、管理方式全都要重排。
但「回招」这件事还有一层容易被读错的地方：回的多是初阶岗位。
砍初阶招聘省的是当期成本，赔的是三年后。一个组织如果连续三年不招应届生，第三年它就没有可提拔的人——中层不是从天上掉下来的，是从初阶里长出来的。这笔账在裁员的那个季度不会出现在报表上，只会在三年后的招聘成本里出现。IBM 把初阶招聘扩到三倍，与其说是价值判断变了，不如说是把这个延迟了三年的账算回来了。
所以「企业发现 AI 不如人」这个说法并不准确。更准确的是：企业发现，省下来的钱在另一个科目上又花出去了，只是时间推迟了。
但替代慢，不等于替代不来。而且这一面更少人讲。
四道闸门里，没有一道是技术闸门。 它们全是成本、制度、习惯。这意味着它们不会被突破，只会被绕开或降价——而降价这件事，正在以季度为单位发生。
DeepSeek 这次开源的，不只是一个框架，是一整套把单卡收入做到 38 美元的工程方法。这些方法会出现在论文、代码库和技术报告里，然后被所有做推理的人读走。先例并不远：此前开源的算子库、注意力结构，几个月内就出现在多家厂商的推理栈里。所以任何靠「我知道一个更便宜的做法」建立起来的优势，保鲜期是季度级的，不是年级的。
这也解释了一个现象：厂商做完优化，通常不会说「我们用了某个开源的方案」，而会说「我们给各位的额度升级了」。对用户来说，这句话是真的——价格确实降了；对行业来说，这句话把成本的来源藏了起来。 结果是用户确实用上了更便宜的智能，但很少有人意识到，这个便宜是被谁压下来的。
四、上一次：手艺是怎么没的#
工具变强、又变便宜，然后呢？这件事已经演过一次。上一次的主角不是模型，是铣床。
1952 年 9 月，麻省理工向 130 个工业组织和政府机构的 242 名代表演示了一台铣床。它不需要人转手柄：指令提前打在纸带上，纸带被读进机器，刀头自己走完一条曲线。控制它的装置由两千多个电子管组成，占了一间实验室那么大。在场的军方代表很满意——这台机器连着跑了四千小时，停机率只有百分之二。
那年距帕森斯公司拿到空军合同只过了三年。他们要解决的问题很具体：直升机叶片的曲面，靠老师傅的手感做不出来，或者做出来了也保证不了一致。
当时最常见的判断是：技工要没工作了。
后来的事，大家只知道一半。技工没有整体消失，但那个”靠手感和经验吃饭”的工种被拆成了两半。一条纸带把加工过程切开——上半段在办公室里，编程员把图纸翻译成坐标；下半段在车间里，操作工装夹、按按钮、盯异常。
中间那一层没了。
在手动机床的年代，最值钱的是能听出刀吃得太重、看铁屑颜色就知道转速对不对的那种人。数控来了以后，这个能力不是没用，是它不再是一个岗位的全部。行业资料给出的效益账很直白：数控化之后，操作人员可以减少一半，成本降六成，机床利用率提到六到八成。省下来的人不是被机器顶掉的，是被”编程”和”操作”这两头吸走的。
而这两头的价格差得很远。行业培训资料自己就把人分成三层：蓝领是操作技工，需求量大，但”知识较单一，工资待遇不会太高”；灰领是编程员和维修人员，待遇高，培养不易；上面还有一层通才，是民营企业的抢手货。一条连续的技能谱系，被压成了一个哑铃。
这是工具进化的标准形状，不是例外。它不消灭技能总量——有研究追踪了三十年，发现技能水平的总体变化很小——它消灭的是旧技能的定价权。会听刀声的人还在，但市场不再为”会听刀声”单独付钱，只为”会听刀声并且能改程序”付钱。
现在把速度加进来，才是这一轮真正不一样的地方。
从 1952 年第一台数控铣床，到数控在制造业真正铺开，用了差不多四十年。这意味着一个工人一辈子只需要适应一次：年轻时学的手艺，中年时换成按钮和纸带，然后可以干到退休。
而按前面那几条曲线，AI 这一轮是以年计的。同一代人可能要在职业生涯里适应三次。 每次适应的成本，不是学会一个新工具，是作废一部分已经投入了很多年的旧技能——那部分投入收不回来了。
所以「工具在进化」这句话，多数人只记住了前半句：工具会变强。漏掉的是后半句：变强的工具会重新给技能定价。 前半句让人兴奋，后半句让人疼，而疼的那部分从不出现在产品发布会上。
五、缓冲期保谁#
现在把四个日期叠到同一张纸上，会看到一件不太好说的事。
政策的保护对象写得很清楚：「受影响劳动者」——已经在岗的人。缓冲期的内容是提前告知、转岗支持、失业保障。这些都需要一个前提：你已经在里面，有一份可以被影响的工作。
企业的账本算的是另一件事：不是保护谁，是补自己的缺口。回招初阶岗位，确实让一批门外的人走了进来——但那是因为连续几年不招人，缺口已经顶到交付，不是因为它在意门外的人。
门外的人拿到的机会，是别人的缺口漏出来的，不是任何人的安排。 这两件事看起来是同一个结果，机制完全不同：一个是保护，一个是补漏。而补漏会停——缺口填上，门就重新关上。
而还没进场的人，不在任何一张表的保护范围里。他们没有工作可以被「影响」，没有岗位可以被「转岗」，也没有资历可以被「缓冲」。他们唯一参与这场变化的方式，是报价。
一份生物类的纯实验岗招聘：做实验、跑分析、整理记录报给实验室。月薪四千到五千，无责底薪三千。投递的人里有硕士。这不是孤例，是这类岗位在过去两年里慢慢发生的变化：门槛没降，价格没涨，候选人变强了。
而报价不是一次谈成的，它发生在一个很长的流程里。
企业来宣讲，建一个群，群里说下个月开始面试。然后群安静了。有人等了两个月，等到的是别家的 offer；有人等到毕业，也没收到一句「你不合适」。偶尔有反应，也不会有谁告诉你「可以退群了」——群就那么留着，像一间没人打扫的房间。
这不是哪一家 HR 的恶意。对企业来说，建群是收简历最便宜的方式，通知结果是成本最高、收益最低的动作：招到人是 KPI，通知没招到的人不是。所以「默拒」不是冷漠，是流程的设计目标里本来就没有你——你在流程里的身份是候选项，不是当事人。
群里的热闹也值得摊开看。招聘面铺得最广的通常是销售：底薪低、提成高、流动快，多招一个人的边际成本几乎为零，招错的代价也几乎为零。技术岗要少得多，同一家公司里，技术岗的招聘量常常只有销售的几分之一——六分之一是个常被提到的量级，各地各行业差别很大，但那个数量级关系是稳定的。
所以群里每天响的几百条消息，热闹是真的，只是热闹集中在一种岗位上。招聘的「面」和岗位的「量」不是一回事：面铺得越广，越说明这个岗位招错的代价低。
这件事的残酷之处在于它的形式。替代更多不是以裁员的形式落到年轻人身上的，而是以报价下降的形式。 裁员有统计、有新闻、有政策回应；报价下降什么都没有，它只出现在你和 HR 的对话里，而且你会以为是自己的问题。
这里还有一个统计口径的缝隙。一个人从月薪八千降到五千，在统计里叫就业，在体感上叫坠落。失业率统计的是还在找工作的人，降价接受工作的人根本不在这张表里。所以「就业形势稳定」和「年轻人越过越紧」可以同时为真——它们用的是两套账，中间隔着的正是这一层降价。
于是出现一个反直觉的结论：缓冲期越长，局外人的报价越低。 因为缓冲期的作用是把在岗的人留在原地，而每留住一个人，门外的队伍就长一个位置。队伍的长度决定价格，价格决定你进去时的起点。政策买到的时间，账单有一部分寄给了门外。
这不是说政策错了。稳就业是对的，让被替代的人有缓冲也是对的。只是要看清：几乎任何保护在岗者的安排，成本都会有一部分落在未入场者身上，这是所有双轨劳动力市场的共同结构，不是这份文件的问题。
六、学校那一层：指标、经验和一句便宜的建议#
到这里，还有一层没算进去，而它离你最近。
考研报名人数已经连降三年：2023 年峰值 474 万，2024 年 438 万，2025 年 388 万，2026 年 343 万，三年少了 131 万（教育部口径 ↗）。2026 年国考过审 371.8 万，首次超过考研报名。2027 年的报名 10 月 24 日截止，机构预测在 320 万到 335 万之间（这组数字在10-19 那篇里已经拆过，这里不重复）。
学生已经在用脚投票了。但学校的组织行为几乎没变——辅导员的谈话、班级群里的动员、考研经验分享会、暑期留校备考的安排，这套流程还在原样运转。
为什么？
因为学校的考核指标不是「你找到了什么工作」，是「就业率」和「升学率」。而这两者有交集：升学算落实去向。
于是催考研对学校来说是一个很安全的动作：学生考上了，升学率好看；学生没考上、选择二战，那一年他不在就业统计的分母里——他毕业了，去向是「备考」。无论哪种结果，学校的数字都不会变差。
但只把这件事读成「刷指标」，还是太轻了。还有一层更硬的约束：考研是学校唯一不需要企业配合的出口。
就业需要企业给 HC，需要行业关系、校友网络、实习基地——这些资源在不少地方院校和普通院校手里很薄。考研不需要。学生自己报名、自己复习、自己进考场，学校只要组织动员、安排自习室、请几个上岸的学长回来讲经验。
对一所没有产业资源的学校来说，催考研不是懒政，是它在手里仅有的工具里选了一个最可控的。这跟就业指导课停在「通用知识」是同一个结构：不是不想给真东西，是手里只有这些。
但这两个解释都还停在组织层面。真正开口跟你说话的不是「学校」，是一个具体的人——一个辅导员，一个刚入职的年轻讲师。他们为什么也这么想？尤其是三十岁上下、自己就是这条路上来的人，为什么反而说得最笃定？
因为他们的经验是真的，只是过期了。
一个三十岁左右的辅导员或讲师，硕士毕业留校，他自己就是「读研—进高校」这条路的产物。他跟学生说「读了研工作就好找了」，不是听来的，是他自己走通的。2010 年代的时候，硕士进高职、进民办、进地方院校做辅导员或实验员，是可行的；有的甚至能拿到教职。
问题在于，他走通的那个入口已经改过尺寸了。同一个学校，现在留校要先考试，硕士多半只能做辅导员、行政或实验员，教职要博士。而博士这一层自己也在排队：按10-07 那篇算过的账，每产出 2.4 个新 STEM 博士，才新增 1 个获资助的研究位置。连博士都要 2.4 个人抢一个位置，「硕士留校任教」这个期望在容量面前没有落点。
但他手上那份经验是完整的、亲历的、有细节的——过时的经验从来不缺细节，它缺的只是日期。
更要紧的是他身边的信息环境。一个学院办公室里坐着的人，几乎全是这条路走通的人。没走通的那些人去了企业、去了外地、改了行，不在这间办公室里。所以在他的样本里，这条路的成功率接近 100%。
不是他选择性地看，是他的物理环境里几乎没有失败者。 幸存者偏差在这里不是一个人的认知缺陷，是一个房间的人员构成。
这也解释了一件看起来很奇怪的事：为什么这套想法能在年轻一代身上原样复制。答案很朴素——大体上，能站在讲台上说「读研好」的人，多是「读研好」的受益者。 失败的人很少会回到学校当老师。这不是谁在骗人，是选择效应。
还有一层更现实的，关于这句话为什么传播得特别快：它很便宜。
催考研这句话不需要认识任何一家企业、不需要推荐一个实习、不需要知道今年哪个行业在招人。说「你去考研」，不需要资源，不需要担责，而且道德上永远站得住——劝人上进怎么会错？相比之下，说「这个岗位今年只招两个人，你别去了」需要真实信息，还要准备为说错负责。
便宜的判断会战胜准确的判断，因为准确是要花钱的。 而一个辅导员手里既没有这笔预算，也没有这个权限。
于是三层叠在一起：组织要指标，学校缺资源，个人只有过期的经验和一句零成本的建议。三个方向不同，落点却是同一句话——去考研吧。这不是谁设计出来的，是三层各自最优解撞出来的同一个结果。
同样的逻辑也能解释那门课的时间安排。那门课按制度要求「贯穿培养过程」，实际上大多开在大一。大一的职业规划，是在一个人还不知道自己会什么、市场需要什么的时候做的。而真正需要信息的时点是大四：什么时候投、投哪里、这个组今年招不招、HC 是真的还是挂着好看。
那时候课已经结束了。关于这门课为什么只能停在这个位置，10-19 那篇写就业指导课的拆得更细：教师多由辅导员兼任、没有企业经验、合班上课，而课堂能给的只有通用知识——通用知识对所有人都成立，所以对具体的人没用。
把这条线和前面几节接起来，会看到一个很整齐的结构：
| 主体 | 优化的指标 | 动作 |
|---|---|---|
| 模型公司 | 单卡收入、吞吐 | 开源框架，把成本压到 38 美元 |
| 美国企业 | 单票成本、交付可靠性 | 算完账，回头招人 |
| 政策 | 就业率、社会稳定 | 稳慎推进，建缓冲期 |
| 学校 | 就业率、升学率 | 催考研，大一开就业课 |
| 高校教师 | 自己的经验、带班的升学情况 | 劝考研，一句零成本的建议 |
五个主体，五套指标，没有一个指标是「让一个具体的人知道某个具体岗位今年到底怎么样」。
这不是谁在作恶。每一方都在做对自己指标最有利的事，而且每一方的做法单独看都讲得通。问题在于，这五套指标之间没有一条线连着「你的信息需求」。你不在任何一份考核表里。
七、最差的那个选项#
还有一种说法流传得很广，也更少被检验：
「最差就是留校，或者去别的学校当老师，再不行随便考个教师，去中学教书。」
先说清边界：不是所有人都这么想，也不是每条兜底都真的失效。 有人从大二就在考教资、跑实习，当老师对他是认真准备过的退路，不是随口一句的保险。这一节要拆的不是这些人，是这个句式——它像一个万能的后缀，接在任何选择后面，让前面那个选择显得安全。
这个句式的结构值得看一眼。它把三条路排成一个降级序列，越往后越「差」，但每一条都还在。它的功能不是规划，是保险——只要还有一条兜底的路，前面的选择就不算错。
问题是，这三条兜底，每一条的门槛都已经换过了。
留校。 现在本科院校的教职要博士，硕士留校基本只剩辅导员、行政、实验员，而且还要考试。博士这一层自己也在排队——2.4 个新 STEM 博士抢 1 个获资助的位置。更麻烦的是时间：按吉林大学任增元团队的测算，高校专任教师需求会在 2034 年前后见顶（约 314 万人），到 2040 年回落到 231 万左右，减少 83.75 万人（人民日报转载 ↗）。也就是说，现在入学读研的人，毕业时正好撞上这条曲线从顶部往下走。
去别的学校当老师。 高职和民办也在升门槛，本科院校要博士。这条路不是不存在，是它和你手里那个学位之间，隔着一道你还没算过的距离。
随便考个教师，去中学。 这条最像兜底，其实是三条里竞争最激烈的。上海浦东新区 2026 年公办学校教师招聘办法写得很直接：应聘高校、市实验性示范性高中、市特色普通高中的人员，须具有硕士研究生及以上学历和相应学位。同一份文件把年龄上限放宽到 38 周岁——学历门槛往上抬，年龄限制往开放，结果是竞争池同时变大。
注意「随便」这个词。它标记的不是这条路容易，是说话的人对这条路一无所知。 一条需要教师资格证、需要实习经历、需要参加编制考试、还要跟一群硕士博士抢名额的路，被说成「随便考个」，说明关于它的信息从来没有进过这个视野。
这就是「不打开视野就看不到实际就业情况」的准确含义。不是看不到数据，是看到的数据全是十年前的。
而这里有一个自我实现的机制，比门槛上涨更狠：
一条路一旦被归进「最差」，通常就不会有人为它做准备。 想当中学老师，要考教资、要有实习、要摸清编制考试的规则，最好还有师范背景——这些都得从大二大三开始攒。如果它只是句末那个保险，这些事一件都不会开始，到大四才发现：证没考、实习没有、对面坐着的是一群提前两年准备的人。这时候它就不是兜底了，是悬崖。
有些兜底之所以兜不住，不是因为那条路变差了，是因为从来没有人真的为它准备过。
所以这个句式最危险的地方不在于它乐观，在于它容易让人免除准备。它让人以为自己在一个有退路的位置上，实际上是在一个没有退路、但自己不知道的位置上。
八、三条赛道，一条在等人#
2026 年 9 月，中办、国办印发《关于分类推进高校改革的意见》，把高校的基本办学定位分成三类：研究型、应用型、技能型。教育部发展规划司司长在发布会上把话说得很直白——「分类不是分层次，而是分赛道。」（国新办发布会 ↗、新华社解读 ↗）
这句话值得停一下。过去二十多年，中国高校的实际运行逻辑是一条梯子：专科想升本科，本科想拿硕士点，有了硕士点想拿博士点，最后想进”双一流”。所有学校爬同一把梯子，所有学生也爬同一把梯子。分类改革要做的，是把这把梯子拆成三条并排的跑道。
政策的方向很清楚：研究型支撑国家战略，应用型服务区域产业——“十五五”期间支持建设 200 所左右高水平的应用型本科高校——技能型对接生产一线。评价体系也跟着分开：研究型看原始创新和拔尖人才培养，应用型看区域贡献和成果转化，技能型看实训质量和高技能人才输出规模。
但学生的脚步没有跟着转。
2026 年考研报名 343 万，录取约 130 万；再往上，是 2.4 个新 STEM 博士抢 1 个教职。而另一边的数字，方向完全相反：人社部披露高级技师的求人倍率是 3.11——三个岗位等一个合格的人；2026 年 10 月人社部又提到，2025 年数字经济、智能制造相关领域的高技能人才缺口已经突破千万（人社部 ↗）。
把这两个方向并排放：
- 研究型赛道：2.4 个人抢 1 个位置
- 技能型赛道：3.11 个位置等 1 个人
同一个劳动力市场，两个方向相反的比值。这不是「哪条路更好」的问题，是结构性错配：三条赛道并排铺着，一条挤爆，一条空着。
为什么明知空着还去挤？因为赛道的信号价格不一样。技能型赛道的起点工资低、社会评价低，要在一线待很多年；研究型赛道的预期回报高得多——虽然概率低。这跟前面那个赌注是同一个结构：用现在换一个不确定的未来，只要一直有人愿意换，站在上面的人就不必分钱。
顺带回答一个常被问的问题：学历会不会消失？
不会。本科、硕士、博士的学位体系还在，改革动的是「层次」，不是「学历」。但它拆掉了一个等式——学历层次 = 人才层次。过去你说「我是硕士」，对方默认你在梯子上比他高一级；以后你说「我是硕士」，对方要先问你是哪条赛道的硕士。
这个变化的含义很具体：同一个学历，放到不同赛道上，价格不一样。 一个学术型硕士去投技能型岗位，学历不是加分项，是「过配」信号——雇主不会因此拒你，但会因此压价，因为他知道你有沉没成本，你比他更输不起。这才是「报价下降」最具体的机制：被折价的不是你的能力，是你的退路。
所以最后那一节里，第一个判据要补一个限定：不是「门槛在涨还是在跌」，而是「你这条赛道的门槛在涨还是在跌」。同一个专业，挤研究型是一条曲线，去应用型是另一条，去技能型是第三条；三条曲线现在的斜率不一样。
九、看什么#
不给结论，给四个可以查的量。它们都不需要预测未来。
第一，你那条赛道的门槛在涨还是在跌。 同一个岗位，三年前的招聘要求是什么，现在是什么。如果三年前写本科、现在写硕士，门槛在涨，你读研买的是准入；如果反过来了，门槛在跌而投递的人在涨，你买的只是排队资格。这一步要先分清赛道——同一个专业，挤研究型、去应用型、进技能型，是三条斜率不同的曲线。
第二，同一岗位的报价有没有变。 起薪、底薪占比、绩效的兑现难度。这三个数比任何「行业前景」的讨论都诚实，因为它们是真金白银付出来的价格。
第三，这个岗位的任务里，有多少能被一次提示完成。 不要问「AI 会不会取代这个职业」，要问「这个职业里哪些任务，等我把书读完就已经不值钱了」。任务会先走，职业后走，而人是按任务被定价的。
第四，这条信息是谁告诉你的。 这一条最难，也最容易被忽略。前面五个主体基本不会主动给你：模型公司关心吞吐，企业关心成本，政策关心总量，学校关心报表，教师关心自己的经验。所以你手上那些真正有用的信息——某个组今年招不招、某个面试官在意什么、某个岗位写着双休实际几点下班——只能来自现场、来自师兄师姐、来自愿意跟你说真话的人。它们都不是「查」来的，是「被告诉」的。
回到那个群里。宣讲、投递、面试、通知、入职，这条链路看着是完整的，但每一环的 KPI 都不是「让你知道结果」：企业要招到人，学校要就业率，平台要投递量，政策要总量稳定。所以它走不好，不是谁能力差，是这条链路在设计上就没有为「把话说清楚」留位置。
所以「谁能把这条链路稳定地走好」这个问题，答案是：没有谁。链路不会自己变好，它只会在被追问的时候临时补一句。你要的信息，仍然得从链路之外拿——这也是为什么第四条比前三条都难。
这四个量合起来，能画出一张自己的表：门槛、报价、可替代的任务比例、信息来源。它比任何宏观预测都小，但比宏观预测准，因为它量的是你脚下那一格。
最后要说清这四个量的边界：它们帮你判断现在，不帮你预测未来。 技术突变本来就不可预测——1952 年那台铣床到真正铺开用了四十年，而这一轮可能五年走完，也可能在某个环节卡住十年。没有人能给出「你十年后会不会失业」的答案，包括台上那些演讲的人。
所以不要问「我会不会失业」，问两件更小的事：现在这份工作值多少钱，三年后我想站在哪条赛道上。 前者查得到，后者只有你自己能定。
四个月里那四个日期——能力的宣告、账本的回摆、成本的下塌、政策的兜底——没有一个是写给还没进场的人的。这不是阴谋，是统计口径：演讲的对象是研究者，财报的对象是股东，文件的对象是在岗劳动者，考核表的对象是上级，而那句「最差也能……」的对象，只是说话人自己的当年。你不在任何一个名单上。
不在名单上的意思是：没有人会替你算这笔账，也没有人会因为你算得晚而等你。