李飞飞与 David Rogier：AI 时代只会剩下两类工作者吗？
三分钟结论
这场对谈真正讨论的不是“AI 会不会抢走所有工作”，而是工作者会如何分化。David Rogier 看到的是一个“杠铃”结构：一端是在某个领域进入前 1% 的专家，另一端是能够调动 AI、跨越多个工种并作出判断的通才。
李飞飞对这个观点做了更重要的修正：不管是专家还是通才，共同底座都是人的主动性，而不是对工具指令的熟练度。
两人都反对简单的乌托邦或末日叙事。AI 会降低学习、软件开发和原型制作的成本，也会让不使用 AI 的人与会用 AI 的人之间迅速拉开差距。因此关键问题不是禁用，而是如何让教师、学生和已经进入职场的人共同获得转型机会。
人物与原始信源
原版视频由 Silicon Valley Girl 频道于 2026 年 6 月 19 日发布，时长 49 分 04 秒。参与者是 World Labs 联合创始人李飞飞、MasterClass 联合创始人兼 CEO David Rogier，以及主持人 Marina Mogilko。本系统保留原版讨论的完整信息，不以二次剪辑或中文摘要取代原始信源。
核心判断
1. AI 普及首先制造的是人与人的效率差
David 在公司内部观察到，已经熟练使用 AI 的人会更快完成任务，并获得以往没有的控制感；紧张、没有受过训练或不敢动手的人，差距则会持续扩大。这个分化已经发生，不需要等到 AGI。
2. 有效的 AI 培训不是发一个教程链接
David 的实践是与员工一起完成一个真实任务，让对方经历从提问、迭代到验收的全过程。这个看似昂贵的陪跑，实际上解除了“我不知道从哪里开始”的心理阻塞。
3. 教育的目标不是保住旧考试形式
两人认为 AI 可以大幅降低个性化辅导的成本，但不应把“有了 AI”等同于“可以取消教师与同伴互动”。教育机构真正需要重新设计的，是教师角色、课堂结构、评价方式和资源分配。
4. 语言智能不是全部智能
李飞飞把空间智能分为理解、推理、生成和互动四部分。人在物理世界中的行动，通常是语言、空间、身体和情感智能的混合。没有空间智能，我们对通用智能的图景就不完整。
5. 主动性比“会用哪个 App”更耐久
主动性包括承担风险、从失败中学习、恢复力、好奇心和独立判断。模型和产品会快速更换，这些人的能力不会。因此“创业者”不必只指注册了公司的人，也包括在任何组织中能自己定义问题并调动工具的人。
最值得质疑的地方
- “专家 + 通才”的杠铃结构是有启发性的简化，但不能覆盖所有受法规、组织信任和物理技能约束的工作。
- AI 辅导的学习效果取决于课程设计、反馈质量和学生动机，不应把成本下降直接换算为教育质量提升。
- 空间智能的研究路线与李飞飞创业公司 World Labs 的业务高度相关，阅读时要区分科学判断、研究方向与商业叙事。
对 CEO 的启发
- 别用“全员发一份 AI 工具清单”代替训练；用真任务、真数据和真验收带出第一个成功案例。
- 招聘时增加“能否自主定义问题、组合工具、验证结果”的考察，不只看旧流程经验。
- 把组织内部 AI 差距当成管理问题；主动给弱使用者提供陪跑和安全试错空间。