Once again, Elon Musk declared on X: “Working will be optional in the future. There will be universal high income.” This time, he was responding to entrepreneur Peter H. Diamandis, who warned that “jobs are disappearing fast.” The backdrop to Musk's remark is striking. According to Challenger, Gray & Christmas, U.S. employers announced 54,064 job cuts in September, a 37% drop from August. Yet the year-to-date total of nearly 950,000 is the highest since 2020, and hiring plans at just over 200,000 roles thro ...

AI赋能人才评估的新范式 - Mercor通过训练模型预测人才胜任力，准确率超越人类判断，自动化简历审阅和面试流程[3] - 系统已应用于顶尖AI实验室招聘数千名工作人员，这些人员正在训练下一代AI模型[3] - 评估范围覆盖所有具有经济价值的技能，从咨询、软件工程到视频游戏领域[5] - 强化学习效率提升使模型能通过学习评估任务掌握新能力，关键在于设计优质评估任务[4] 人才评估的行业变革 - 人类数据市场从众包低技能工作转向筛选顶尖人才，推动模型能力边界[5] - 评估重点从学术化"零样本测试"转向经济价值导向的实际工作能力评估[18] - 软件工程师评估需包含PR写作、跨团队协调等全方位工作表现，远超单一技能测试[18] - 行业表现呈幂律分布，投资业最显著，工厂工作趋近正态分布，软件工程介于两者之间[7][8] 模型评估优势领域 - 文本可测量领域表现超人类，如面试答题记录分析[8] - 高体量标准化招聘流程最易自动化，20人同岗位评估效果优于20种不同岗位[8] - 在线作品信号利用不足，如GitHub项目、个人博客等未被传统招聘充分挖掘[10] - 隐藏信号识别能力突出，如国际背景与协作能力的关联性分析[11] 劳动力市场未来趋势 - 知识型工作替代将引发重大政治问题，可能催生民粹运动[13] - 实体世界自动化速度慢于数字世界，人际互动类工作留存率更高[14] - 适应性学习能力成为保持经济价值的关键，快速转型优于单一技能深耕[15] - 可验证任务最易被攻克，如数学和代码，而"品味"类能力最难自动化[15][20] 评估系统演进方向 - 按行业构建Agent评估体系，客户服务等同质化领域先行[19] - 强化微调(RFT)数据效率极高，几百样本即可实现应用层定制[39] - 模型未来将参与评估标准创建，人类负责验证领域专家制定的基础标准[27] - 医疗等行业出现专家评估反超现象，模型表现可能超越普通医生基准[28] 企业招聘策略建议 - 早期阶段优先人才密度，质量重于招聘速度[45] - 数据驱动分析成功员工特质，建立可衡量的招聘标准[45] - 试用期评估数据共享将提升市场效率，但目前存在隐私壁垒[48] - LinkedIn聚合初级信息，但面试等深层流程尚未实现集中自动化[49] 全球劳动力市场展望 - 消除匹配低效将促成全球统一市场，候选人与公司实现最优匹配[45] - 未来市场由人类与Agent混合构成，共同解决客户问题[45] - 顶尖人才收入呈幂律分布，前沿评估任务创造者价值最大化[30][31] - 平台需提供免费工具(如AI模拟面试)吸引顶尖人才，构建网络效应[42]