2026年3月15日，前OpenAI联合创始人、Tesla前AI总监、安德烈·卡帕斯（Andrej Karpathy）在个人网站karpathy.ai/jobs上悄然上线了一个开源项目。该项目从美国劳工统计局（BLS）职业展望手册中爬取了342个职业的数据，使用大语言模型（LLM，主要为Gemini Flash）按照详细评分规则为每个职业打出0‑10分的“数字AI暴露度”（Digital AI Exposure）。同时，他构建了一个交互式Treemap（树状图）可视化：方块面积代表该职业就业人数，颜色深浅代表AI暴露风险（绿色为低风险，红色/棕色为高风险）。这一工具一经发布便迅速走红，GitHub仓库代码被广泛传播，但因被误读为“AI将取代这些工作”的预测，Karpathy很快将GitHub仓库下架，仅保留了在线可视化页面。该项目虽被作者强调为“开发工具而非严肃经济报告”，却引发了全球对AI时代职业未来的激烈讨论。
Karpathy在X平台发帖解释：“这是一个周六早上2小时‘vibe coding’的项目，灵感来自我正在读的一本书。我只是想给大家一个直观工具去探索BLS数据集。”尽管如此，这一可视化依然成为2026年最受关注的AI职业影响分析之一，Elon Musk等行业领袖转发评论，Reddit、LinkedIn和中文科技社区也迅速跟进。
项目方法论：从BLS数据爬取到LLM评分与可视化全流程
Karpathy的项目代码完全开源（GitHub仓库karpathy/jobs，虽已下架但代码被多方镜像），整个流程高度透明，共分为六步：
- 数据爬取：使用Playwright自动化工具从BLS Occupational Outlook Handbook官网抓取342个职业的详细HTML页面，包括职位描述、就业人数、中位薪资、教育要求、增长预测等核心字段。
- 数据清洗与解析：将HTML转为干净的Markdown格式，并提取结构化字段生成occupations.csv表格。
- LLM评分：核心步骤。系统将每个职业的详细描述（含统计数据）一次性打包成约45K token的prompt，发送给LLM（Gemini Flash via OpenRouter）。评分规则（prompt.md）明确定义了0‑10分的“数字AI暴露度”：
- 关键判断标准：如果工作成果完全数字化且能在家用电脑完成（写作、编码、分析、沟通等），则暴露度天然偏高（7分以上）。
- 评分锚点示例：
- 0–1分：几乎完全物理、手工或需要在不可预测环境中实时互动的工作（如屋顶工、景观 gardener、商业潜水员）。
- 2–3分：以物理或人际互动为主，AI仅辅助边缘任务（如电工、水管工、消防员）。
- 4–5分：混合型工作，AI可显著辅助信息处理部分（如注册护士、警察、兽医）。
- 6–7分：以知识工作为主，但仍需人类判断或物理存在（如教师、经理、会计师）。
- 8–9分：几乎完全在电脑上完成，核心任务均属AI快速进步领域（如软件开发者、图形设计师、数据分析师）。
- 10分：纯信息处理、完全数字化、无物理成分（如数据录入员、电话销售员）。
- LLM仅返回JSON格式的评分和简短理由，无额外文本。
- 数据合并与可视化构建：将CSV统计数据与评分结果合并，生成静态网站数据文件。使用JavaScript实现交互式Treemap：方块面积正比于就业人数，颜色对应AI暴露度（或其他指标：增长展望、中位薪资、教育要求）。点击任意方块可跳转到BLS原始职业页面。
- 自定义扩展：项目最大亮点是开放的评分管道。用户可修改prompt.md，重新运行score.py，即可按任意维度（如“机器人取代风险”“离岸外包风险”“气候影响”）重新着色可视化。
整个项目使用Python + uv包管理器，前端为静态HTML，部署简单，支持本地运行。Karpathy特别强调：这不是预测报告，而是“探索BLS数据集的视觉开发工具”。
核心发现：数字工作暴露度最高，平均分约5.3/10
根据项目数据（143百万美国就业岗位）：
- 平均AI暴露度：约5.3/10（加权后约4.9/10）。
- 高暴露职业（8–10分）：软件开发者（8–9）、图形设计师、翻译、数据分析师、法律助理、医疗转录员（10分）。这些工作几乎完全数字化、可在家完成。
- 低暴露职业（0–3分）：屋顶工、景观 gardener、商业潜水员（0–1）、电工、水管工、消防员、牙科卫生员（2–3）。
- 中等暴露：护士、警察、兽医（4–5）、教师、经理、会计师、记者（6–7）。
Karpathy的核心洞见非常明确：“如果工作成果是纯数字化的、且能在家远程完成，暴露度就天然很高。”这直接解释了为什么知识经济岗位风险最高，而需要身体在场、手工技能或实时人际互动的工作相对安全。
社区反响与后续波澜
项目上线后迅速走红，但也因被广泛误读为“AI将取代这些工作”的预测而引发争议。许多人将高分职业解读为“即将消失”，导致Karpathy很快将GitHub仓库下架（仅保留可视化页面）。他在X上澄清：“分数反映AI对工作的重塑程度，而非就业人数预测。软件开发者得分高，是因为AI让他们生产力大幅提升，需求反而可能增加。”
Elon Musk转发后评论：“有趣的数据。”LinkedIn和Reddit上讨论热烈，有人称其“残酷而真实”，也有人批评评分主观性。中文社区（知乎、B站、36氪）同样刷屏，标题多为“安德烈·卡帕斯用AI给342个职业打分”“数字工作最危险”。
项目意义：AI时代职业地图的开源范本
Karpathy的项目虽非严谨经济预测，却提供了极具价值的开源工具：
- 可视化创新：Treemap让海量职业数据一目了然，支持多维度切换（AI暴露度、薪资、增长、教育要求），远超传统表格。
- 方法论开放：完整管道（爬取、解析、LLM评分、可视化）开源，任何人都能自定义prompt重新着色，极大降低了职业AI影响分析门槛。
- 启示价值：明确指出“数字+远程”是AI暴露的核心信号，为教育、职业规划、政策制定提供了直观参考。
- 局限性：Karpathy本人反复强调：评分是粗略LLM估计，未考虑需求弹性、监管、社会偏好等因素。高分不等于失业，低分也不等于安全。
结语：AI职业地图的“诚实镜像”
安德烈·卡帕斯用一个周六早上的“vibe coding”项目，给全球呈现了一张AI时代美国职业的“暴露地图”。342个职业、LLM评分、交互式Treemap——虽然作者很快因误读下架仓库，但其开源精神和清晰洞见已深深印在行业记忆中。
这一工具提醒我们：AI时代，纯数字、可远程完成的工作天然脆弱，而需要身体在场、手工技能或复杂人际互动的职业仍有天然壁垒。未来，职业规划者、教育机构和政策制定者，都需要更认真对待这份“AI暴露地图”。
在AI能力持续跃升的2026年，Karpathy的这个小项目或许比许多宏大论文更有现实意义——它用最直观的方式告诉每一个人：你的工作，究竟有多“数字”？
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com