新加坡会计业启动 6 万人 AI 培训后，胡翌霖谈职业培训的真正问题：不是教人背提示词，而是让人敢用、会问、能判断。
2026 年 7 月，新加坡把 AI 职业培训推向一个很具体的行业场景：新加坡特许会计师协会与资讯通信媒体发展局推出 AIxAccountancy，计划在三年内让 6 万名会计与企业金融专业人士具备 AI 使用能力。课程并不只是泛泛讲 AI，而是把 AI 放进会计、审计、税务、财务报告、内部治理等专业流程中。
这不是孤立事件。英国把 AI Skills Boost 扩展为面向成年人的免费基础课程，目标到 2030 年覆盖 1000 万劳动者；欧盟 AI Act 第 4 条把 AI literacy 纳入组织责任，并建立实践案例库；美国劳工部试图把 AI 技能嵌入注册学徒制；中国国务院“人工智能+”行动意见也明确提出支持人工智能技能培训、加强就业风险评估，上海则推出“人工智能推介官”培训认证。平台公司也加入其中，OpenAI 推出 AI Foundations 与认证课程，并强调 ChatGPT 本身可以成为导师、练习场和反馈回路。
从政府、行业协会到平台企业，“AI 培训”正在成为职业转型的共同语言。但问题也随之浮现：当 AI 本身越来越容易使用、越来越会教人使用自己时，传统意义上的培训究竟还要教什么？证书、徽章和认证能不能证明真实能力？如果 AI 自动化掉大量初级工作，职业传承又会如何继续？
自由学者胡翌霖认为，政府重视 AI 对职业的冲击当然是好事，但如果把 AI 培训理解为一套可考试、可发证、可快速复制的技能课程，可能恰恰抓错了重点。
AI 培训的第一个悖论：AI 首先冲击的是培训本身
胡翌霖并不反对 AI 培训。他真正质疑的是，很多培训仍沿用旧时代的软件教学逻辑：先把工具包装成一套固定技能，再通过课程、考试和证书把技能交付给学员。这个逻辑在 Excel、Photoshop、ERP 系统时代或许有效，因为工具界面、菜单和流程相对稳定；但大模型的入口是自然语言，它天然具有自解释、自演示和自迭代能力。
“AI与其说是冲击了职业分工，不如说首先冲击的就是教育培训。”胡翌霖说。
在他看来，许多所谓最新 AI 使用技巧，本质上只是一个短暂窗口期。早期用户可能需要学习怎样安装、配置、连接某个新工具；几个月后，主流产品很可能已经把这些功能内置，普通人无需学习复杂流程也能直接使用。提示词模板、工具组合、插件技巧、自动化脚本，都可能随着模型大版本更新而迅速贬值。
这并不意味着没人需要追赶前沿。胡翌霖承认，对少数学习能力强、竞争压力大、希望在职场中抢得几个月优势的人来说，努力学习最新 AI 工具很有价值。他们争夺的是时间差：也许三五个月后普通人都能做到的事，他们通过更高强度的学习率先掌握，在竞争中获得先发优势。
但他强调，这种精英策略不能被误当作全民培训方案。对于本来就不善于学习、不积极学习或已经对新技术畏难的普通职工，过度灌输技巧反而可能适得其反。培训越像“黑话课”和“秘籍课”，越容易制造焦虑和抵触。
比技能更重要的是“意识”
胡翌霖认为，AI 职业培训首先要调整目标：不要把重点放在短命的操作技巧上，而要放在更底层的使用意识和学习心态上。
“培养「意识」比培训「技能」重要，首先需要让人对使用AI有兴趣、有信心，有紧迫感但不陷入过分焦躁。”他说。
这种意识至少包括几层含义：知道 AI 已经可以进入自己的日常工作；愿意从简单任务开始尝试；知道输出必须核查；知道哪些资料不能随意输入；知道自己可以直接向 AI 询问“我应该怎么用你完成这件事”。
“AI手把手教你用它自己，比任何培训老师都更有耐心和更全面细致。”胡翌霖说。
这句话点出了 AI 培训的反身性：当工具本身具备教学能力时，培训机构的任务不再是代替工具讲解按钮，而是降低人接触工具的心理门槛，设计真实场景，鼓励持续试错，并帮助学员建立核查、判断和责任意识。
因此，真正有价值的职业培训，不是把每个人训练成提示词工程师，而是让不同职业群体学会与 AI 磨合。会计师、律师、咨询师、工程师、教师、编辑所需要的并不是同一套咒语，而是在各自高责任场景中拆解任务、验证结果、保护数据、承担解释责任的能力。
证书可能是最容易跑偏的激励
当 AI 培训成为政策和市场热点，证书、徽章和认证几乎会自然出现。英国 AI Skills Boost 提供虚拟 AI foundations badge；新加坡 AIxAccountancy 课程也设计了数字徽章；上海“人工智能推介官”通知中包含培训考核、证书归集和制作安排；OpenAI 也在推进 AI Foundations 与 OpenAI Certifications。
胡翌霖对此非常谨慎。他认为，证书不但未必能证明真实能力，还可能反过来改变课程定位，让培训从“帮助人使用 AI”变成“帮助人通过考试”。
“证书首先没什么用，AI时代连研究生证书都贬值了。”胡翌霖说。在他看来，如果连传统学历和研究生文凭都在 AI 冲击下发生贬值，一个短期 AI 课程证书很难真正成为雇主信任的凭据。
他主张，AI 职业培训最好压根不要用证书吸引学员。证书可以被纪念品、学习记录、项目作品替代，更重要的是给学员提供实际收益。比如，政府和机构可以补贴 AI 使用额度，让普通人真正拥有一段时间的高强度使用体验。
这背后有一个很实际的观察：很多普通人不是完全不用 AI，而是只使用免费版或最低付费档位，调用次数、上下文长度、文件处理、深度研究、代码工具、多模态能力都受限制。免费额度足以让人尝鲜，却未必足以让人把 AI 变成真实工作流。与其发一张含金量可疑的证书，不如资助他们畅用一段时间，让学习和实惠合一。
他还认为，如果培训真的能促进就业和工作能力提升，合作企业就应该深度参与。未就业者经过培训后表现优秀，可以直接获得面试和聘用机会；在职员工培训表现优秀，可以升职、加薪，至少也应有奖金。真正的激励应当来自就业市场和组织内部的岗位回报，而不是来自一张外部证书。
“如果培训根本无益于工作能力的提升，只能发一个虚头巴脑的证书来吸引人，那说明这种培训压根不该办。”他说。
职业传承不会消失，但会从“人教人”变成“人和 AI 一起传承”
AI 自动化进入专业工作后，一个常见担忧是：如果基础工作被 AI 接管，年轻人还从哪里积累经验？律师过去从检索案例、起草文书开始，会计师从核对账目、整理底稿开始，程序员从小需求和修 bug 开始。初级任务如果大幅减少，职业传承是否会断层？
胡翌霖认为，职业传承不会消失，但会出现新的模式。关键不再是让新人重复老一代的全部基础劳动，而是让新人学会与组织内的 AI 系统、知识库、工作流和人类前辈共同配合。
“AI也将是一个公司或行业的「老员工」，AI本身保存的记忆和技能是代代相传的。”他说。
这个比喻很重要。过去，新员工不仅要学会某项技能，也要学会与老员工相处：谁熟悉客户，谁知道历史遗留问题，谁理解公司的非正式流程，谁能提醒某个看似标准的步骤其实有例外。未来，企业内部的 AI 也会沉淀类似的组织记忆：常见问题、历史案例、标准流程、文档模板、客户知识、失败经验和隐性规则。
因此，职业培训的重点会从“你是否记住了这套固定流程”，转向“你是否会向组织的 AI 追问、校验、补充、纠错、协作”。年轻人需要学习的不只是如何完成任务，还包括如何判断 AI 保存的经验是否可靠，如何识别陈旧流程和错误惯性，如何在组织记忆中发现新的突破口。
这也意味着，企业不能把 AI 培训外包成几节通用课程就结束。真正的职业训练会越来越像组织内部知识工程：把可复用经验沉淀进 AI，同时建立审查、更新、责任归属和保密机制。AI 可以成为“老员工”，但它不能成为无人负责的老员工。
“专业人士”概念本身会被颠覆
短期看，专业人士需要的是与 AI 磨合的能力。长期看，胡翌霖认为，“专业人士”这个概念本身会发生深层变化。
“我认为「专业人士」这一概念将被颠覆。”他说。
他把这种变化类比为“博学人士”的地位变化。在古代，博闻强记是一种非常重要的能力。一个人记得多、见得多、能背诵经典、熟悉典故，本身就意味着知识优势。但数据库、搜索引擎和在线文献系统出现后，需要什么知识可以随时查证，博学仍然有价值，却不再像过去那样构成知识工作的核心壁垒。
未来的“专业”也可能经历类似变化。会计准则、法律条文、医学文献、工程规范、市场数据，都越来越容易被 AI 调用、解释、比较和生成初步方案。专业人士的价值不再主要体现为记住多少知识、熟悉多少固定流程，而是体现为能否发现真正重要的问题。
胡翌霖认为，未来可能重新回到通才更重要的环境，或者说“敏锐”会比狭义专业性更重要。资深人士用 AI 完成某个确定任务，未必一定比年轻人更快；但他可能更敏锐地判断哪里是突破口，哪里是创新点，哪里是薄弱点，哪里只是无用功。
“AI能实现无限多的各式各样的任务，那么决定我们究竟去聚焦哪些事情，就变得尤其重要了。”他说。
这也是 AI 培训最容易忽略的一点。很多课程默认目标是提高效率，却很少讨论效率应该服务于什么。如果一个工具、项目或商业模式对人类社会没有什么好处，那么把它打磨得再完美也只是更高效地做无意义的事。AI 可以帮助人检查技术漏洞，却不能替人决定某件事是否值得做。
“人人 AI 化”不是口号，而是环境压力
面对“人人都要 AI 化”的社会压力，胡翌霖并不把它简单看作企业制造的焦虑。他更倾向于把它理解为技术环境变化后的适应压力。
“人人都要AI化是一种环境压力，环境变革了，物种就必须适应。”他说。
他用现代交通作类比。交通系统成熟之后，城市居民并不是法律意义上必须坐车，但工作半径、生活半径和时间效率都默认建立在车辆和公共交通之上。不坐车当然也可以，只是你可能只能在家门口找工作，或者付出极高通勤成本。步行没有消失，但它从通勤刚需转化为散步、遛弯、健身和休闲。
马拉松也是类似例子。古希腊士兵从马拉松跑回雅典，是为了传递战事消息；现代人跑马拉松，则更多是一种休闲、竞技和自我挑战。曾经承担效率功能的身体能力，在技术环境变化后转化成了仪式、运动和审美。
AI 时代也可能如此。
“为了效率的事务都得用AI，但不用AI的古法工作可能会变成休闲或竞技的形态。”胡翌霖说。
手写、心算、无辅助写作、手工制图、人工整理资料、脱离模型独立编程，并不一定消失，但它们可能从日常生产方式转向手艺、训练、比赛或审美实践。就像今天仍有人练书法、跑长距离、手工做木工，并不是因为这些方式最有效率，而是因为它们承载了不同于效率的价值。
收束：好的 AI 培训应当降低门槛，而不是制造新门槛
由此看，AI 职业培训的真正问题不是“办不办”，而是“以什么方式办”。政府和行业协会重视 AI 对职业的冲击，是必要的公共回应；但如果回应方式只是课程化、考试化、证书化，就可能把本应降低门槛的技术变成新的门槛。
好的 AI 培训应当做三件事。第一，降低心理门槛，让普通人敢用、愿用、持续用；第二，提供真实资源，包括足够的 AI 使用额度、可试错的沙盒、真实岗位场景和组织内部知识支持；第三，把培训成果与真实工作回报连接起来，由企业、行业和岗位实践来检验，而不是由一张证书来背书。
坏的 AI 培训则相反：它制造焦虑，贩卖技巧，把短命工具包装成长期技能，把考试和证书包装成就业能力。它看起来在帮助人追赶 AI，实际上可能只是让人在 AI 已经改写培训逻辑之后，继续参加一场旧式培训。
AI 时代的职业转型当然需要学习。但学习的核心不再是记住某套操作，而是形成一种新的工作姿态：敢于向 AI 提问，也敢于质疑 AI；善于使用工具，也知道什么不该交给工具；追求效率，也能判断效率服务于什么。
在这个意义上，AI 培训最大的价值，不是培养一批“持证 AI 用户”，而是帮助社会学会与一种新型技术环境共处。
发表回复