辩论队的训练强度逐渐加大，开始为不久后的一场市级邀请赛做准备。林知时作为队长，显然不满足于校内选拔赛的水平，他引入的辩题越来越贴近社会现实，数据分析的要求也水涨船高。


    这次的核心辩题是：“人工智能的快速发展，对中等收入岗位的冲击是否可控？”


    正方需要论证冲击在可控范围内，新的就业机会将被创造；反方则要描绘失业潮和社会结构动荡的悲观图景。宋晓尘被分到了反方。


    小组讨论时，大家七嘴八舌，从历史经验（如工业革命）到经济学理论（如技术性失业），提出了各种论点，但总感觉缺乏一击致命的实证支撑。历史经验可以被正方解读为“阵痛后迎来新生”，理论推演则显得过于空泛。


    “我们需要数据，”一个组员挠着头说，“最好是近几年的，关于AI具体替代哪些岗位，替代速率，以及新岗位创造的实际数据和预测。”


    “这种数据不好找，而且口径不一，很容易被正方质疑。”另一个组员叹气。


    宋晓尘也感到棘手。法律论证中，她可以依赖法条和判例，但这种涉及宏观经济社会的前沿议题，不确定性太大，传统的逻辑推导显得力不从心。


    就在讨论陷入僵局时，活动室的门被轻轻推开。陈峻抱着他那台从不离身的平板电脑，安静地站在门口，镜片后的目光扫过众人，最后落在宋晓尘身上。


    “听说你们需要数据支撑？”他的声音没什么起伏，像在陈述一个既定事实。


    林知时似乎并不意外，招手让他进来：“来得正好，陈峻。我们在为AI冲击就业的辩题发愁，反方缺硬数据。”


    陈峻走到白板前，看了一会儿上面杂乱的观点罗列，然后拿起触控笔，在他的平板屏幕上快速点划。几秒钟后，他将屏幕转向众人。


    上面不是一个简单的表格，而是一个动态的可视化模型。几条不同颜色的曲线在坐标系中蜿蜒延伸，分别代表“传统中等收入岗位数量预测”、“AI直接替代岗位速率”、“AI相关新岗位创造速率（乐观/悲观 Scenario）”、“劳动力再培训成本与时间曲线”等。模型下方还有详细的参数说明和数据来源，涵盖了国内外多个权威研究机构和智库的最新报告。


    “根据我整合的十七份近三年内的权威报告和就业市场数据，”陈峻的语气平淡得像在朗读说明书，“在悲观情景下（假设当前技术发展速度和政策干预力度不变），未来十年内，全球范围内约有20%-25%的中等收入岗位面临被AI直接替代的高风险。而AI直接创造的新岗位数量，即使在乐观估计下，短期内也无法完全对冲这一冲击，且存在明显的技能错配和时间滞后。”


    他滑动屏幕，调出另一张图表：“更重要的是，劳动力再培训以适应新岗位，平均需要12-18个月，且成本不菲。考虑到被替代岗位的集中性和再培训的复杂性，社会结构性失业的风险不容忽视。模型推演显示，如果缺乏强有力的、前瞻性的政策干预，冲击可控的概率低于30%。”


    活动室里一片寂静。所有人都被这精准、冷酷的数据呈现镇住了。这不再是空泛的争论，而是用数字构建起的、令人信服的悲观图景。


    宋晓尘看着屏幕上那些跳动的曲线和百分比，心中震撼。她习惯于处理定性的法律规则，而陈峻呈现的，是定量的、系统性的未来推演。这是一种截然不同的、充满力量的语言。


    “这些数据……来源可靠吗？”反方的一个队员小心翼翼地问。


    “已标注来源可信度权重。主要数据源包括麦肯锡全球研究院、世界经济论坛、中国社会科学院等。原始数据及交叉验证算法可提供查询。”陈峻推了推眼镜，回答道。


    林知时长长地舒了一口气，用力拍了一下陈峻的肩膀：“干得漂亮！陈峻！你这简直是雪中送炭！”


    他转向反方队员，眼神兴奋：“有了这个，我们的论点就立住了！我们不再只是空谈风险，我们可以用具体的数据和模型，清晰地展示冲击的规模、速度和应对的难度！正方再说什么‘阵痛’、‘创造新机会’，在这么具体的数据面前，都会显得苍白无力！”


    宋晓尘走到陈峻身边，仔细看着那个复杂的模型，忍不住问：“你什么时候做的这个？”


    “听到辩题后，花了大概六小时收集数据，四小时构建和调试模型。”陈峻平静地回答，仿佛在说一件微不足道的小事。


    六小时加四小时……宋晓尘默然。这就是理科天才的效率和对数据的敏感度吗？


    在接下来的模拟演练中，反方因为有陈峻的数据模型支撑，底气十足。当正方再次强调“技术创造新岗位”的历史规律时，反方直接抛出了“新岗位创造速率远低于替代速率”以及“技能错配导致结构性失业”的具体数据，并用模型推演了缺乏干预下的悲观后果，打得正方措手不及，不得不转入被动防守。


    训练结束后，大家围着陈峻，纷纷表达感谢和佩服。陈峻依旧是那副没什么表情的样子，只是偶尔推一下眼镜，简短地回答关于数据细节的问题。


    宋晓尘收拾好东西，走到正在整理平板的陈峻身边。


    “谢谢你的数据支持，”她认真地说，“很有力。”


    陈峻抬起头，看了她一眼，语气依旧平淡：“不用谢。数据本身会说话。我只是构建了让它们更有效说话的模型。”他停顿了一下，像是在进行某种评估，然后补充道，“你的逻辑框架与数据结合得很好，提升了论证效率。”


    这大概是宋晓尘从陈峻这里听到过的最接近“赞美”的话了。


    离开活动室，走在回教室的路上，宋晓尘还在回想那个动态的数据模型。她意识到，在法律的定性分析之外，还有一个广阔的数据世界。未来的很多社会问题、法律争议（比如AI侵权、算法歧视），可能都需要这种定量的、基于复杂系统分析的视角来辅助理解和决策。


    陈峻像是一个来自未来的信使，用他的数据模型，向她，也向所有人，展示了另一种解读世界、论证观点的强大工具。这场辩论，不仅锻炼了她的思辨，更拓宽了她的认知边界。她开始觉得，或许在备考政法大学之余，抽空了解一点基础的数据分析和逻辑模型知识，也并非坏事。毕竟，未来的法律人，面对的将是一个越来越由数据和算法交织而成的复杂世界。