有趣的事

大模型数据需求转向高薪专家经验,人类「自我蒸馏」会重塑职场分工吗?

如果大模型训练的需求从海量通用语料,逐渐转向稀缺的专家判断、操作过程和失败案例,那么“自我蒸馏”确实可能改变职场分工,但它不会简单地让专家消失。

这里的关键不是把专家写过的答案再喂给模型,而是把他们解决问题时的条件判断、步骤、边界和纠错过程变成可复用的数据。例如,资深工程师定位故障时如何排除假设,医生如何在信息不完整时决定下一步检查,法务如何区分相似条款适用的情形。模型可以从记录、复盘和专家审核中学习这些模式;再由模型生成候选案例,交给专家挑错、补充边界,形成迭代闭环。这通常比单纯扩充低质量文本更有价值。

它可能带来三类变化:一是把重复、规则相对稳定的初步判断交给模型或工具,专家把时间用于疑难问题和最终把关;二是把隐性的个人经验转化为团队可检索、可传承的流程,降低组织对少数“关键人”的依赖;三是让中初级从业者获得更及时的案例提示,缩短部分学习曲线。相应地,数据整理、评测、知识治理和领域工作流设计会变得更重要,岗位可能从“亲自完成每一步”转向“定义标准、监督系统、处理例外”。

但蒸馏有几个硬约束。专家经验往往依赖上下文,脱离适用条件就会被模型学成错误的通用规则;只收集成功案例会造成幸存者偏差,错误案例和不确定性也必须被记录;模型生成的数据若未经独立核验,反复训练可能放大偏差、让表达更流畅却不更真实。此外,人的经验涉及隐私、知识产权和责任归属,采集与使用需要明确授权和治理。高风险决策也不能因为模型“像专家”就免去专业人员复核。

所以更可能出现的不是“专家被模型替代”,而是专家能力被拆分和放大:可标准化的部分被编码、复用,稀缺的人类劳动更多投向设定问题、判断例外、验证输出以及承担责任。哪些岗位会减少或增加,取决于任务是否可评测、错误代价多高、经验能否结构化,以及组织是否愿意重做流程;单凭数据需求变化,还不足以断言整个职场分工必然如何重塑。

相关阅读