2026年3月15日，前OpenAI聯合創辦人、Tesla前AI總監安德烈·卡帕斯（Andrej Karpathy）喺個人網站karpathy.ai/jobs上悄悄推出咗一個開源項目。呢個項目由美國勞工統計局（BLS）職業展望手冊爬取咗342個職業嘅數據，使用大型語言模型（LLM，主要係Gemini Flash）按照詳細評分規則，為每個職業打出0‑10分嘅「數碼AI暴露度」（Digital AI Exposure）。同時，佢構建咗一個互動Treemap（樹狀圖）可視化：方塊面積代表該職業就業人數，顏色深淺代表AI暴露風險（綠色為低風險，紅色/棕色為高風險）。呢個工具一公布即刻走紅，GitHub倉庫代碼被廣泛傳播，但因被誤讀為「AI會取代呢啲工作」嘅預測，Karpathy好快就將GitHub倉庫下架，只保留線上可視化頁面。作者雖然強調係「開發工具唔係嚴肅經濟報告」，但已經喺全球引發咗對AI時代職業未來嘅激烈討論。
Karpathy喺X平台發帖解釋：「呢個係一個周六早上兩個鐘嘅『vibe coding』項目，靈感來自我而家睇緊嘅一本書。我淨係想畀大家一個直觀工具去探索BLS數據集。」儘管如此，呢個可視化仍然成為2026年最受關注嘅AI職業影響分析之一，Elon Musk等行業領袖轉發同評論，Reddit、LinkedIn同中文科技社區亦迅速跟進。
項目方法論：由BLS數據爬取到LLM評分同可視化全流程
Karpathy嘅項目代碼完全開源（GitHub倉庫karpathy/jobs，雖然已下架但代碼被多方鏡像），整個流程高度透明，共分為六步：
- 數據爬取：使用Playwright自動化工具喺BLS Occupational Outlook Handbook官網抓取342個職業嘅詳細HTML頁面，包括職位描述、就業人數、中位薪資、教育要求、增長預測等核心欄位。
- 數據清洗與解析：將HTML轉為乾淨嘅Markdown格式，並提取結構化欄位生成occupations.csv表格。
- LLM評分：核心步驟。系統會將每個職業嘅詳細描述（含統計數據）一次過打包成約45K token嘅prompt，發送比LLM（Gemini Flash via OpenRouter）。評分規則（prompt.md）明確定義咗0‑10分嘅「數碼AI暴露度」：
- 關鍵判斷標準：如果工作成果完全數碼化且能喺屋企用家用電腦完成（寫作、編碼、分析、溝通等），則暴露度天然偏高（7分以上）。
- 評分錨點示例：
- 0–1分：幾乎完全實體、手工或需要喺不可預測環境中實時互動嘅工作（如屋頂工、園藝工、商業潛水員）。
- 2–3分：以實體或人際互動為主，AI只係輔助邊緣任務（如電工、水喉工、消防員）。
- 4–5分：混合型工作，AI可顯著輔助資訊處理部分（如註冊護士、警察、獸醫）。
- 6–7分：以知識工作為主，但仍需人類判斷或實體在場（如教師、經理、會計師）。
- 8–9分：幾乎完全喺電腦上完成，核心任務屬於AI快速進步領域（如軟件開發者、平面設計師、數據分析師）。
- 10分：純資訊處理、完全數碼化、無實體成分（如數據錄入員、電話銷售員）。
- LLM僅返回JSON格式嘅評分同簡短理由，無額外文本。
- 數據合併與可視化構建：將CSV統計數據同評分結果合併，生成靜態網站數據文件。使用JavaScript實現互動式Treemap：方塊面積與就業人數成正比，顏色對應AI暴露度（或其他指標：增長展望、中位薪資、教育要求）。點擊任一方塊可跳轉到BLS原始職業頁面。
- 自定義擴展：項目最大亮點係開放嘅評分管道。用戶可以修改prompt.md，重新運行score.py，即可按任意維度（如「機器人取代風險」「離岸外包風險」「氣候影響」）重新着色可視化。
- 部署與使用：整個項目使用Python + uv包管理器，前端係靜態HTML，部署簡單，支持本地運行。Karpathy特別強調：呢唔係預測報告，而係「探索BLS數據集嘅視覺化開發工具」。
核心發現：數碼工作暴露度最高，平均分約5.3/10
根據項目數據（143百萬美國就業崗位）：
- 平均AI暴露度：約5.3/10（加權後約4.9/10）。
- 高暴露職業（8–10分）：軟件開發者（8–9）、平面設計師、翻譯、數據分析師、法律助理、醫療轉錄員（10分）。呢啲工作幾乎完全數碼化、可以喺屋企完成。
- 低暴露職業（0–3分）：屋頂工、園藝工、商業潛水員（0–1）、電工、水喉工、消防員、牙科衛生員（2–3）。
- 中等暴露：護士、警察、獸醫（4–5）、教師、經理、會計師、記者（6–7）。
Karpathy嘅核心洞見好清楚：「如果工作成果係純數碼化、而且可以喺屋企遠程完成，暴露度就天然好高。」呢個發現解釋到點解知識經濟崗位風險較高，而需要實體在場、手工技能或即時人際互動嘅工作相對安全。
社區反響與後續波瀾
項目一上線即走紅，但亦因為被廣泛誤讀為「AI將取代呢啲工作」嘅預測而引發爭議。好多人將高分職業解讀為「即將消失」，導致Karpathy好快就將GitHub倉庫下架（只保留可視化頁面）。佢喺X上澄清：「分數反映AI對工作嘅重塑程度，唔係就業人數預測。軟件開發者得分高，係因為AI令佢哋生產力大幅提升，需求反而可能增加。」
Elon Musk轉發後評論：「有趣嘅數據。」LinkedIn同Reddit上討論熱烈，有人話佢「殘酷而真實」，亦有人批評評分主觀。中文社區（知乎、B站、36氪）同樣刷屏，標題多為「安德烈·卡帕斯用AI畀342個職業打分」「數碼工作最危險」。
項目意義：AI時代職業地圖嘅開源範本
Karpathy嘅項目雖然唔係嚴謹經濟預測，但提供咗一個好有價值嘅開源工具：
- 可視化創新：Treemap令大量職業數據一目了然，支持多維度切換（AI暴露度、薪資、增長、教育要求），遠勝傳統表格。
- 方法論開放：完整管道（爬取、解析、LLM評分、可視化）開源，任何人都可以自定義prompt重新着色，極大降低咗職業AI影響分析嘅門檻。
- 啟示價值：明確指出「數碼+遠程」係AI暴露嘅核心信號，為教育、職業規劃、政策制定提供直觀參考。
- 局限性：Karpathy本人反覆強調：評分係粗略LLM估計，未有考慮需求彈性、監管、社會偏好等因素。高分唔等於失業，低分亦唔等於安全。
結語：AI職業地圖嘅「誠實鏡像」
安德烈·卡帕斯用一個周六早上嘅「vibe coding」項目，畀全球呈現咗一張AI時代美國職業嘅「暴露地圖」。342個職業、LLM評分、互動Treemap——雖然作者因被誤讀而下架倉庫，但佢嘅開源精神同清晰洞見已經深深印喺行業記憶入面。
呢個工具提醒我哋：喺AI時代，純數碼、可以遠程完成嘅工作天然較脆弱，而需要實體在場、手藝或者複雜人際互動嘅職業仍有天然壁壘。未來，職業規劃者、教育機構同政策制定者，都需要更認真對待呢份「AI暴露地圖」。
喺AI能力持續躍升嘅2026年，Karpathy呢個細小項目或許比好多宏大論文更有現實意義——佢用最直觀嘅方式話畀每一個人知：你嘅工作，究竟有幾「數碼」？
▶️ 鍾意呢篇內容？創作好辛苦！
歡迎關注我哋嘅 YouTube 頻道：
AI Rosetta
你嘅讚好、訂閱同分享，係對我哋最大嘅支持！🙏
更多AI新聞請訪問：https://www.airosetta.com