研究框架与核心观点 - 提出将工作技能拆分为决策判断与执行实施两个层次的数学框架 用于分析人类与AI的协作模式 [2][8] - 人类和AI在不同技能层面各具优势 优势互补时整体成功率远高于单独工作 [2][14] - 该框架揭示了人类价值优势所在及AI重塑人类工作的具体路径 已被ICML 2025接收 [4][5][8] 技能解构理论 - 工作被解构为技能单元 每项技能包含决策判断（确立目标 界定问题 权衡取舍）和执行实施（实施计划 运用工具达成结果）两个核心构件 [8][10][19] - 以软件工程师为例 AI工具接管大部分执行环节（如GitHub Copilot和GPT自动化代码编写） 但人类价值不降反升 角色转向监督与方案制定 [9][11] - 决策与执行的分离成为劳动力市场新分水岭 在医生诊断（AI标记异常 医生敲定方案）和分析师（AI草拟报告 人类确定叙事框架）等高技能工作中普遍存在 [13] 数学模型与应用 - 通过量化决策难度与执行难度 建立人类与AI的"能力图谱" 可测算任意劳动力-岗位组合的成功概率（job success probability） [16] - 研究发现成功概率存在相变现象：决策层技能微小进步可能触发成功概率非线性跃升 从几近必然失败转向几近必然成功 [18] - 使用O*NET数据库提取岗位结构 通过Big-bench Lite基准测试获取劳动者能力数据 并借助大语言模型验证理论预测 [23][24] 协同效应与生产力影响 - 强于决策的人类与擅于执行的AI配对时协同效能超越个体能力 为设计高效人机团队提供数学基础 [21] - 生成式AI通过补足低技能劳动者的执行短板 显著提升其成功概率 缩小与高技能劳动者的能力差值（生产力压缩效应） [21] - 技能互补的劳动者组合或人类与AI协作能显著提升岗位成功率 [26] 实践指导意义 - 技能升级路径需聚焦决策层能力（定义问题 权衡目标 调整策略）而非易被淘汰的执行层工具使用 [27][28][29] - 招聘策略应转向识别互补优势（如高决策力但执行欠佳人才） 辅以AI工具稳定产出 而非依赖全能型人才 [30][31] - 需构建识别决策层卓越能力（判断力 验证力 战略推演）的体系 为人类判断而设计工作流程 [32][33]