AI 日报 | Anthropic 内部数据：初级技术招聘占比降到 9%

文档资源
, , , ,
1

AI 日报 | Anthropic 内部数据：初级技术招聘占比降到 9%

Anthropic 同一天放了两份经济学报告：一份讲自己公司里发生了什么，一份讲里面的人和外面的人对 AI 的判断差多远。

头条 · 一份内部账本，一份预期鸿沟

第一份是就业侧。Anthropic 用自家雇佣记录、智能体遥测、产出指标、日历与招聘评分卡，外加 17 场员工访谈，给出这些数字：

技术部门里初级员工占比从 21% 降到 14%，初级技术招聘占比从 27% 降到 9%（2025 年初以来），2025 年 12 月起初级岗位发布量下降更明显；约三分之一的 ML 经理、五分之一的 SWE 经理说因 AI 减少了招聘。智能体工时在 2026 年 3 月首次超过人类工时；到 8 月，员工直接指挥的交互式智能体工时是人类员工的 6 倍，研究组织达 19 倍。每位工程师的代码提交量是 6 个月前的 5 倍；非技术员工的编码类智能体会话从 2025 年 8 月的每月 2 次增至 2026 年 5 月的 90 次。

另一面是人成了瓶颈：交互式会话约 80% 的时间是智能体在等人输入；即便非技术团队，读完自己智能体的输出也要占掉超过半个工作周；常备指令从几百条增至 8,500 条；写技能、写计划、搭监控这类「元工作」从占交互会话的 10% 升到 22%。组织形态也在动：中位员工会议时间比一年前多 20%，技术部门占总人数比例从 61% 降到 56%，工程师与产品经理之比约 17:1；招聘评分卡里提到「用 AI 工具的战绩」的比例，技术岗增至三倍、非技术岗四倍，「自主性与判断力」的提及增幅最大，领域专长的占比下降。

第二份是预期侧，样本是美国成年人 10,980 名（加权到全国代表性，线上样池）与 Anthropic 员工 1,334 名（未加权）。同一个技术，里面和外面的判断差了很远：认为 2030 年前 AI 能做出诺贝尔级发现，员工 91%、公众 39%；平均认为 AI 能做自己多少工作，员工 75%、美国工人 28%，超过一半员工认为能做到 80% 以上，而美国工人只有 5% 这么看；说任务只需「四分之一时间或更少」的，员工 59%、用过 AI 的上班族 26%，反过来觉得「跟不用 AI 一样久甚至更久」的占 29%、员工只有 5%；另有一处不属于问卷的直接回答：把回答映射成增长情景后，中位美国成年人隐含的 2030 年 GDP 增长是 5.4%、中位员工是 17.1%——这是模型映射出的情景，不是受访者给出的预测。

但有一处两组是一致的：预期 AI 可做自己 80% 以上工作的美国工人，平均预计 2030 年失业率 12.2%；暴露度每多 10 个百分点，预期失业率多 0.4 个百分点——员工给出的斜率一样。

口径四条：这是 Anthropic 自己的一手数据与内部问卷，样本是单一公司（且是前沿实验室），作者自己写明不可外推到全经济；「采纳智能体之后产出上升」存在选择偏差，作者声明采纳不是随机的、会高估效果；「75%」与「超过一半员工认为 80% 以上」是两个不同的统计量，不能合并成一句；另外流传的「90% 的代码由 Claude 写」是开发者账号口径，报告脚注写的是「合并进代码库的代码超过 80% 由 Claude 写」，两者范围不同。

图 1

图 1：两份报告的关键数字与四处口径。来源：Anthropic 官方报告（2026-10-16，均为单一公司内部数据与自办调查）；本图为自制整理。

图 2

图 2：员工直接指挥的智能体工时与人类工时之比（2026 年 2—8 月，对数刻度）——研究组织 19 倍、全体员工 6 倍，虚线是 1 倍的持平线。来源：Anthropic《How employment is changing at Anthropic》Figure 2（内部遥测；单一公司样本，不可外推）。

图 3

图 3：受访者认为 2030 年 AI 能承担自己多少比例的工作时长（含 95% 置信区间）。图内已标各组样本量：全部美国劳动者 n=2,278、Anthropic 员工 n=1,147（两份问卷总样本为 10,980 名美国成年人与 1,334 名员工）。来源：Anthropic《The AI expectations gap》Figure 5。

重点 · 五条

丹麦最高法院维持了一名 31 岁男子 18 个月监禁、不适用缓刑的判决：据彭博社报道，案件涉及 3.6 万余张 AI 生成图像，并牵出跨国调查，警方查明 273 名买家、逮捕 25 人。判据是这条最值得记的——人物是否虚构，不影响定罪与量刑，也就是「AI 生成、没有真实受害者」在这条路上不再是抗辩理由。要说清范围：这是丹麦首起此类定罪，判决书原文暂未见公开；本条只写法律判断与规模。

404 Media 的实测称，ChatGPT 的广告可以按邮箱地址、手机号或手机唯一标识符定向投放，定向还使用用户输入的提示词——而这些提示词，用户可能以为是私密的。报道提到 ChatGPT 约 10 亿月活，这是报道引用的口径、不是官方数字；OpenAI 的公开回应目前没有。

同一周同一个模型，三个榜三种说法。 Reflection 的 Beam 出现了三条不同口径：Artificial Analysis 给 30 分、称其居美国开源模型第二；Arena 说它在 Agent Arena 的开源模型里排第 12，净提升 −3.67%、误差 ±3.84%，统计上与基线无法区分；同一周 Arena 还宣布 Muse Spark Open 登顶 Code Arena 的 WebDev 美国开源第一。三个榜的任务、口径与样本都不同，各自的第一名也不是同一个模型，所以每次引用都要带榜名与指标名。顺带一句：Ollama Cloud 的「限时免费」只属该平台、有时间窗与地区条件，不等于模型免费。

Anthropic 向美国国会推介监管草案，叫停门槛定得很高。据 POLITICO 报道：只有在模型可预见造成超过 10 亿美元经济损失、或导致 50 人以上死亡或重伤，且风险特定源自生物武器、模型失控或严重网络攻击时，政府才可叫停模型；措辞沿用加州 SB 53 等现行法案条款。性质要说清：这是一家公司向立法者递交的建议，不是已提出的法案，也不代表监管机构立场。

Claude 揭开了 NIST 椭圆曲线种子的来源。Anthropic 称内部研究模型在不到半小时内查明：这批曲线的种子不是哈希结果，而是以 Unix 时间戳初始化的 C 库 lrand48 随机数生成器的输出，例如 P-256 需要 1842 次迭代。它不是什么也要说清：这解释的是种子怎么来的，不是曲线被攻破；除 P-256 以外的迭代次数表与研究正文暂未见可核对的公开版本。

图 4

图 4：五条重点的要点与口径。来源：各条来源见正文对应段落；本图为自制整理。

速览 · 14 条

图 5

图 5：今日速览一览索引。来源：各条来源见下方列表；本图为自制整理。

  • Perplexity 开源 SPACE 的机制补上了：每个任务跑在独立的 Firecracker microVM 里，凭证与出站流量控制在虚拟机之外，Apache 2.0，已在 GitHub 开源。来源：MarkTechPost（10-17）。属昨日那条的补充。
  • Google Research 公布 AI 智能体在自主湿实验室的三项进展：VERID 框架、适配体闭环发现、全新蛋白结合剂设计。来源：Google Research 博客（10-16）。
  • Waymo 宣布进军多伦多，目标 2028 年迎首批乘客，先以人工驾驶采集高精地图，与 Element Fleet Management 合作车队管理；公司称其车辆在严重伤害及以上事故中比人类驾驶少 95%，这是自述口径。来源：Waymo 官方博客（10-17）。
  • 微软研究院提出 StudentSim：用基于去标识化学习记录的「AI 学生模拟器」替真人试课，两阶段训练，覆盖国际象棋、英语写作与数学，并配套 StudentSimEval。来源：IT之家（10-17）。
  • 阿里 Qwen 开源 3D 建模基准 BlenderWorld：223 道题、2651 条标准，评测视觉智能体在 Blender 里完成真实创作任务，MIT 许可。来源：IT之家（10-17）。
  • Databricks 的多语句事务正式可用，覆盖 Unity Catalog 托管的 Delta Lake 与 Apache Iceberg 表，多表多步骤工作流拿到原子保证。来源：Databricks 官方博客（10-17）。
  • Claude Code 发布 v2.1.302：新增用环境变量指定自动模式分类器所用的模型，/config 可关闭或重开空闲压缩，并修复 Vertex 与 Bedrock 切换报错。来源：GitHub Releases（10-17）。
  • OpenAI 称优化了 Codex 与 Work 的「实际可用用量」：子智能体之间复用上下文、延长上下文缓存、改进请求路由以提高缓存命中率。来源：Tibo（10-17）。
  • ChatGPT for Chrome 扩展更新至 1.26.1005.11759，可读取多个已打开标签页，面向所有用户开放、无需付费订阅。来源：IT之家（10-17）。
  • 月之暗面发布本地 AI Agent「Kimi Work」的使用教程：可读本地文件、操作浏览器与常用工具。来源：月之暗面公众号（10-16）。
  • 马斯克称在开发企业议价机器人 Hagglebot，自称可把企业成本效率提高 5% 甚至更多，并按他的测算每年最高可省 6 万亿美元；同期他称 xAI 到 2027 年底算力目标可能超过 10GW。来源：IT之家与其本人账号（10-17）。两条都是个人宣称，不是官方材料。
  • 一篇从记忆视角推导 Transformer 的分析：用干扰信号比给出容量量级——外积约 64 条、最优线性与 ReLU MLP 约 128 条、平方 ReLU 约 2700 条、self-attention 约 120 万条（64 维键）。来源：作者博客（10-15）。容量数字是作者的分析。
  • 一个「倒金字塔」框架：主张把信任智能体产出的精力，按投入从多到少放在代码库改进、静态分析、文字性指导、人工审查四层上。来源：作者帖（10-17，个人框架、非实测结论）。
  • 五位 AI 重度用户复盘 OpenAI DevDay 2026 之后的真实使用体验。来源：Latent Space 新栏目（10-17，观点）。

积木观察

今天最值得记的不是某个数字，而是两份报告的对照关系。Anthropic 把自己的账本摊开：初级岗位在收窄，智能体工时已经是人的数倍，而人成了瓶颈——80% 的时间在等输入；可同一批人比外面的公众乐观一个量级，隐含 GDP 增速 17.1% 对 5.4%。这个落差本身就是信息：身在技术里的人与不在其中的人，用的不是同一套参照物。

给读者三条可执行的。做团队规划的，把「初级岗位」与「元工作」放在一起看——那边的元工作占比从 10% 涨到 22%，说明省下来的时间并没有消失，而是转成了写技能、搭监控这类新活。读这类公司自曝报告时，先看它自己标了什么偏差：这份写了「采纳不是随机、会高估效果」，也写了「单一公司、不可外推」。判断模型强弱时，把榜名和指标名写全——今天那个模型在三个榜上是三种位置，跨榜拼一句等于没说。

结尾互动

如果一份来自前沿实验室的内部账本说「人成了瓶颈」，你觉得这说明工具还不够好，还是组织的协作方式还没跟上？

来源链接