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。