2026年5月6日，OpenAI在官网发布了一个看上去很温情的项目：ChatGPT Futures Class of 2026。

26名大学生或应届毕业生，来自Vanderbilt、多伦多大学、牛津、佐治亚理工等20多所高校，每人获得$10,000资助，外加访问OpenAI最前沿模型的权限。

宣传材料里是一长串令人心暖的故事：有人用AI为残障同学建学习辅助工具，有人在给少数族裔社区翻译心理健康资源，有人在推进天文学研究，有人把课余项目变成了真正运营的组织。

表面上，这是一个科技公司回馈校园的好人好事报道。

但在这个项目的措辞深处，藏着一个不那么温情、却更为重要的宣告——关于AI正在拆除职场的哪堵墙，以及这件事的代价是什么。

「最后的第一届」

先说一个事实：Class of 2026是第一届从入学到毕业全程都有ChatGPT陪伴的大学生。

他们2022年秋天走进校园。那时，ChatGPT刚刚问世，正席卷整个互联网。他们是最早一批把AI工具分享给父母和老师的人，是第一批在完整的四年学习经历中把AI当作默认工具的人。

这个事实的意义不只是「他们会用AI」。更重要的是：他们是第一批把AI工具真正内化到工作方式、而非视作外挂的人。

电脑出现后，有一代人是「电脑用户」，有一代人是「电脑原住民」——后者不需要学如何「用」电脑，电脑就是他们思考的延伸。Class of 2026对于AI的关系，正在变成这种「原住民」关系。

OpenAI VP兼教育事业部总经理Leah Belsky在项目介绍信中描述了一个反复出现的模式：

「他们不是在用AI逃避工作。他们在用AI尝试那些以前觉得不可能的事情。」

「以前觉得不可能」——这句话值得细品。

Waterloo大学24岁的Kyle Scenna，是这批受奖者之一，他说了一句话，精准描述了这种感受：

「我从没想到，从发现一个问题，到真正建出解决方案，这中间的距离会这么小。」

他说的不是「AI让我更聪明了」。他说的是：那堵等候室的墙，正在消失。

那堵墙叫什么名字

在AI出现之前，职场（乃至整个社会）有一套高度稳固的「先等」逻辑。

这套逻辑有三个层次：

第一层是能力门槛：你要先花几年学会某个领域的基本技能，才能开始「真正」地工作。编程、写作、数据分析、法律研究——每一个专业领域都有自己的学徒期，你在这段时间里主要是执行，而不是创造。

第二层是资历门槛：即便你有了能力，也需要在职场积累足够长的时间，才会被允许承担有影响力的工作。「你刚来，先看看别人怎么做」是普遍逻辑。这个过程在很多行业里以年为单位计量。

第三层是接入门槛：最有价值的工作机会、最有影响力的项目，往往只开放给已经有「关系」或「名声」的人。创业要找到愿意相信你的投资人，做研究要发表在有声望的期刊，影响政策要认识那些有政策通道的人。这些接入权限，在AI出现之前，主要通过时间换取。

这套逻辑有其道理：它过滤掉了没有能力的人，它让组织通过时间筛选出可靠的人才，它让「专业性」有了一个客观的边界。

但它也是一扇门——对那些没有「正确出身」的人几乎永远关着的门。没有名校学历、没有行业人脉、没有启动资金的人，往往就困在等候室里。

AI正在悄悄拆除这扇门。

Leah Belsky的措辞非常精准：

「能在这个新篇章中蓬勃发展的学生，不只是那些知道AI如何运作的人，而是那些知道如何用AI思考的人——持续学习、识别有意义的问题、有效协作、创造对他人真正重要的东西。」

这句话，意外地也描述了职场需要的东西。不是执行AI指令的人，而是懂得提出什么问题、判断什么重要的人。

ChatGPT Futures的受奖者们，大多并非来自顶级CS项目，也并非职场老手。但他们用AI完成了以前需要团队、需要预算、需要多年专业积累才能完成的事情。

Smith College 20岁的Michelle Lawson，是这批受奖者之一，她的描述揭示了更宏观的维度：

「AI让这件事不仅对我成为现实，也对数十万人成为现实。」

这句话不是在说「我很幸运」，而是在说「这件事已经在发生了，我只是被看见的那些人之一」。那道门，在奖学金名单公布之前，已经悄悄为数十万人打开了。

能力跃迁的三个真实场景

理解这件事，需要具体化。这26个人里的故事，展示了「门槛消失」在不同场域的真实形态。

场景一：残障辅助工具的民主化

在AI出现之前，为残障人群开发辅助工具，意味着：需要理解特殊教育的专业知识、需要有足够的工程能力构建无障碍界面、需要获得机构支持和资金来完成测试与部署。这是一个让大多数善意人士望而却步的路径。

这批学生中，有人用AI在几周内完成了这件事的大部分。AI帮助他们越过了「专业知识」的门槛——他们可以通过对话理解领域知识，通过代码辅助生成工具，通过自然语言描述生成可测试的原型。

这不意味着AI替代了专业人士。但它确实让「有好奇心且能快速迭代」的非专业人士，进入了之前需要专业团队才能进入的领域。

场景二：科学研究的入口变宽

传统上，对于一个没有正式学术关联的学生来说，参与「有价值的」科学研究，意味着要找到愿意接收本科生的导师，进入一个课题组，在前三年里主要做辅助性工作。

这批学生里，有人用AI工具加速了文献综述、假设生成和数据分析的流程，让独立研究的门槛大幅降低。他们做的研究，已经能够产生可以展示和讨论的结果——不是完整的论文，但是实质性的探索。

这一点的深层含义是：「学术」的边界正在松动。当工具让非机构研究者能够进行有质量的探索，机构的「看门人」角色就在被重新审视。

场景三：创业的「时间差」消失

Kyle Scenna的话是最好的概括，但背后的机制值得展开。

以前，一个创业想法从「有想法」到「有东西可以给别人看」，往往需要几个月甚至几年——你要先学技术（或找到技术合伙人），要先设计原型（或雇设计师），要先构建第一版产品（或外包开发）。

这些都需要时间，而时间会消磨想法，会让人放弃。

AI将这个过程压缩到了几天。

这不是夸张。Claude Code、ChatGPT、各类低代码AI工具的结合，已经让「无技术背景的创始人」在72小时内完成一个可演示的MVP成为可能。

这改变的不只是创业速度，而是哪类人能够参与创业。以前需要「找到技术合伙人」才能起步的创业者，现在可以更长时间地独立探索方向，再在确定了方向之后引入技术人才。

这件事对职场意味着什么

从一个奖学金项目，跳跃到「职场正在发生结构性变化」，需要仔细分析逻辑链。

第一重影响：初级岗位的价值定义正在被迫更新

传统职场逻辑里，初级员工的核心价值是「执行力」——他们执行流程，在被监督的环境里积累经验，等待有一天被委以重任。

这批学生的做法打破了这个假设：他们在还没有「资历」的时候，就已经能够完成本该由有资历的人做的事。AI填平了执行能力上的很大一部分差距，让他们跳过了「先学会执行，再获准思考」的路径。

这迫使雇主面对一个真正的问题：我要初级员工，究竟是在要「执行力」，还是在要「学习型思维」？

前者正在被AI替代。后者——快速学习、问题识别、在混沌中找到有价值方向的能力——反而在这批学生身上显示出强大的生产力。

数据支撑了这个趋势的现实性。2026年已有超过39,000名科技从业者因AI相关原因被裁员（CBS News，2026年5月5日）——其中占比最高的，恰恰是那些工作主要由「可重复执行任务」构成的初级岗位：数据录入、基础代码编写、初级内容生产。与此同时，那些需要判断和决策的岗位，招聘需求反而在增加。

这不是个例。据Gartner研究显示，80%已部署AI的企业在某个环节发生了人员精简——而反复出现的精简点，是入门级的重复性执行岗位。这些组织的逻辑是：AI可以完成执行，那为什么还要培养一个需要两三年才能达到有效产出的新人？

问题是：学习型思维难以在简历上量化，而执行力有明确的标准。很多组织还没有准备好更换自己的筛选标准。

这意味着未来几年，入门级人才市场将进入一个混乱期：旧的评价标准（技能测试、实习经历、名校背景）仍在运行，但与实际工作所需能力的匹配度正在下降。一批有真正判断力的年轻人，可能被这套过时的筛选机制漏掉；而另一批精通表演「学习型思维」的人，则可能通过。

第二重影响：「代际交替」正在提速

在AI工具广泛可用之前，代际交替是一个相对缓慢的过程。年轻人需要时间积累经验，老一代可以凭借经验护城河维持相当长的竞争优势。这个周期，在大多数行业里以10年为单位。

这批Class of 2026的学生，进入职场时，有一个任何前辈都没有的独特优势：他们是第一批真正把AI工具内化为思维习惯的人。

他们不是在「学用AI」——AI对他们而言，就像电脑对1990年代程序员、互联网对2000年代营销人员一样：不是一个特殊技能，而是默认的认知基础设施。

而那些进入职场多年、在AI出现后才被迫适应的人，有一个学习曲线。这个曲线不陡，但它存在。它会体现在工作方式的惯性中，体现在对「AI能做什么」的想象边界里，体现在对新工具的采纳速度上。

这意味着代际交替的速度可能会加快。但这里有一个重要的修正：

代际优势不是线性的。进入职场的第一批AI原住民，会在特定场景（快速原型、工具整合、跨领域探索）上展现出明显优势。但在那些需要深度领域知识、需要长期关系建立、需要在复杂利益格局中做判断的场景里，经验仍然不可替代。

这不是「年轻人必胜」的故事，而是「能力评估的维度在增加」的故事。

第三重影响：组织如何应对「已经不需要等」的人才

当越来越多的年轻人进入职场时，不是带着「请给我一个机会成长」的姿态，而是带着「我已经验证了一些想法，我需要的是资源和规模化路径」的姿态——组织的管理结构会受到什么挑战？

传统的职场社会化路径（mentor制度、轮岗、从基础岗位做起）建立在「新人需要被塑造」的假设上。当新人来带着自己的工具链和已验证的方法论，这套路径就会显得笨拙。

两种可能的结果：

一是组织更快拥抱「项目制」而非「职级制」——让有能力的人直接参与有挑战的项目，不再强制走长达数年的晋升路径。这对组织敏捷性有好处，但对那些确实需要更长时间成长的人，可能会造成压力。

Anthropic在Code with Claude大会上透露，Netflix的3,000名工程师已经在使用Claude处理复杂构建任务——而其中相当一部分工作，以前需要多年经验才能胜任。Netflix的做法提供了一个参考模型：不是「用AI替代初级工程师」，而是「让所有工程师都能承接更高难度的工作」。这个模型如果成功，意味着的不是裁员，而是对「初级」和「高级」的重新定义——你从第一天起就需要能做以前高级工程师做的事，否则岗位就没有意义。

二是组织在招聘时加速「两极分化」——一端是高度自主的AI原住民（负责创新和突破），另一端是执行AI难以替代的高复杂度人际工作（谈判、信任建立、危机处理）。传统意义上的「中间层」，将承受最大的替代压力。

另一种声音：门槛消失不等于机会平等

但这里有一个需要诚实面对的张力。

门槛消失，对谁是好消息？

对已经有自驱力、有问题意识、有好奇心的人——答案是：AI是加速器，几乎是无限的加速器。Kyle Scenna的话，描述的就是这种体验。

但一个更残酷的问题是：这26个人是从多大的母群中产生的？

OpenAI发布的数字是：他们「接触到了数百个校园故事」。26个被选中的，是那些已经在主动尝试的人里的佼佼者。

但在大多数大学里，使用AI工具的方式，仍然是「让它帮我完成作业」，而不是「用它挑战以前做不到的事」。多项关于大学生AI使用行为的研究显示，主动探索型（用AI建原型、研究未知问题）与被动辅助型（作业帮助、信息检索）用户之间存在明显分化，后者占绝大多数。这两种使用方式，在表面上都是「在用AI」，但能力积累的轨迹完全不同。

更重要的是：门槛消失，并不自动等于机会平等。

这26个人，能够出现在OpenAI的视野里，能够用AI建出有影响力的项目，需要的前提条件不少：稳定的高速互联网接入、足够的英语语言能力（大多数前沿AI工具仍以英语为主）、一种「这件事我能做」的心理设定——而这种心理设定，部分来自家庭背景和早期教育。

这些前提，并非每个人都有。

还有一个更深层的分化在发生：随着更多人能够用AI快速建出产品，竞争门槛并非消失，而是上移。

以前的门槛是「能不能写代码」——这是一个相对客观的技能门槛，可以通过努力学习跨越。

现在的门槛变成了「能不能提出有价值的问题」「能不能判断什么值得建」「能不能在噪音中找到信号」。

后者的分化，可能比前者更剧烈——因为它依赖的不只是努力，而是判断力和认知框架，而这些往往来自更早期的积累。

有一个场景值得具体思考：一个来自农村地区、没有稳定宽带、主要使用中文免费AI工具的学生，和一个来自城市中产家庭、习惯英文前沿模型、有导师指导方向的学生，在「AI赋能」这件事上的起点差距，可能比以前更大，而不是更小。

所以这个故事有两面：AI确实在降低某些门槛。但它同时也在提高「能充分利用这个降低了的门槛」所需要的能力要求。

OpenAI想讲什么故事，以及它没讲的部分

直说：ChatGPT Futures是一个精心设计的公关项目。

26个学生，$10,000，故事选得都很好——多元、温情、有建设性。在OpenAI同时面对关于军事合同的批评（2026年初关于GPT-5.5限制访问的争议）、关于非营利结构转型的质疑、关于数据使用的伦理讨论的背景下，这个项目选择了最无争议的角色：AI赋能教育，AI解放潜力，AI让普通人做不普通的事。

这个叙事没有错。但它是选择性的。

Leah Belsky的信里提到了「代际使命」，提到了「打破等待的逻辑」，但没有提到的是：那些等不起的人——那些在AI浪潮下被更快替代的低技能工人，那些因组织「AI优先」而失去的入门级岗位，那些正在消失的「先执行再成长」的培养路径。

这26个人，展示的是AI给「有准备的年轻人」带来了什么。但一代人的画像，从来不是由最亮的那些点决定的。

OpenAI选择了讲述成功故事，这可以理解。商业叙事需要正面案例。但这个项目真正有趣的地方，在于它无意中揭示了一件更大的事：

AI时代的机会放大效应，是真实的。但放大的对象，是已经具备某种能力的人。

这句话放在此时此刻的劳动力市场背景下，意味着什么？意味着AI在为一批人大幅提速的同时，可能也在为另一批人——那些本来期望通过「时间积累」慢慢往上走的人——削减了那条路的宽度。

那堵墙倒下之后

让我们回到Kyle Scenna的那句话：「我从没想到，从发现一个问题，到真正建出解决方案，这中间的距离会这么小。」

这句话描述的，是他个人的体验。但它也是一个时代的症状。

那堵「等候室」的墙，在那些有准备的人面前，确实在变薄。

这是真实的好消息。对于那些以前被门槛挡在外面、但有真正能力和好奇心的人，AI是一个真正的解放者。

但墙倒之后的世界，不会是一个更平等的世界。

它会是一个能力分层更清晰、积累路径更压缩、选择窗口更短暂的世界。

那些能在墙倒下的瞬间，就清楚地知道自己要往哪里走的人，会加速。

那些还没准备好的人，会发现自己站在一片空地上，少了那面墙可以倚靠，也少了那条走廊可以慢慢走。

对教育机构的真正考验

ChatGPT Futures Class of 2026这个故事，最后留给教育机构的问题，是一个迄今还没有人给出好答案的问题：

当工具已经让「独立建造」的门槛降得足够低，大学四年的核心价值应该是什么？

OpenAI给出了他们的隐含答案——看这26个人，大学是一个让你有时间「用工具去探索问题」的环境。学校提供时间、安全感和人脉，AI提供执行能力，学生提供好奇心和判断力。这个组合，产出了令人印象深刻的结果。

但这个公式里，有一个大假设：「好奇心和判断力」从哪里来？

这两样东西不会因为AI工具的出现而自动出现。它们需要培养——通过大量的阅读和思考，通过在导师的质疑下反复推敲，通过在不确定的状态下学会忍受模糊性。

而这些培养过程，恰恰依赖于那些「慢下来」的时刻——那些没有AI帮你一步出答案、你必须自己在迷雾里摸索的时刻。

问题在于：当AI工具让「快速产出」成为可能，慢下来变得更难了。当每个问题都可以在分钟内得到一个「足够好」的答案，深度思考的锻炼窗口就在缩小。

这不是AI的错。这是人类使用工具的惯性——我们总是倾向于走最省力的路。

但教育机构还没有找到，在AI普及的背景下，如何设计「让学生不得不深度思考」的环境。而这，才是在这份漂亮的名单背后，真正值得追问的教育挑战。

ChatGPT Futures Class of 2026，是一个关于前者的故事。

后者的故事，还没有人来讲。

但它一定会被讲——可能是在职场上，可能是在下一轮经济周期的裁员报告里，也可能是在几年后，当这些习惯了AI加速的学生，第一次遇到真正需要慢下来、需要深挖、需要在没有工具帮助下独立判断的时刻。

那时，我们才会真正看清楚，那堵墙消失之后，这一代人究竟得到了什么，又失去了什么。

参考资料

  1. OpenAI官方博文：《Introducing ChatGPT Futures: Class of 2026》，2026年5月6日，https://openai.com/index/introducing-chatgpt-futures-class-of-2026/
  2. ChatGPT Futures 官方页面，https://chatgpt.com/futures/
  3. OpenAI Education Newsletter，Leah Belsky致辞，2026年5月6日，https://edunewsletter.openai.com/p/introducing-chatgpt-futures-class