Cross-Disciplinary Generalist（跨学科通才）
定义
Cross-Disciplinary Generalist 是 AI 时代更有杠杆的人才形态：不是只在单一职能里变得更快，而是能横跨工程、产品、设计、数据、领域知识和商业判断，把 AI 生成能力组织成真实结果。
为什么重要
当编程门槛下降，传统“谁会写代码”的分工会松动。PM 可以直接改原型，设计师可以调整实现，数据科学家可以构建内部工具，工程师也必须更直接地参与产品判断。
这不是让每个人都变成低配工程师，而是让职业能力从“我拥有某个岗位技能”转向“我能调度多个能力层解决问题”。AI 把许多执行动作商品化后，跨领域判断和组合能力变得更值钱。
关键数据点
- Boris 描述 Claude Code 团队时强调：工程经理、PM、设计师、数据科学家、财务和用户研究员都在写代码。
- 旧的全栈通常指前端、后端、DevOps 等工程内部广度；新的跨学科通才横跨产品、工程、设计、数据和领域专业。
- 软件民主化让领域专家成为 builder，但他们仍需要 taste、judgment 和验证纪律才能做出好软件。
- 这一人才形态与 AI 时代 PM 相连：产品工作不再只是写需求，而是清除跨职能摩擦、压缩反馈闭环、组织判断。
实证分布：三种跨界角色（07-28 扩展）
跨学科通才此前只有定性描述（Boris 的团队观察）。OpenAI Work at the Frontier（2026-07）的 任务跨界 数据给出了通才形态在劳动力中的三种实现路径：
| 角色 | 实证形态 | 数据 |
|---|---|---|
| 借用型通才（design） | 广泛吸收多领域任务，自身专业不外流 | 35.2% 消息跨界 / 设计任务仅占他职业 1.7% |
| 源头型专家（engineering） | 自身深耕主业，任务却被广泛借用 | 自身跨界 18.5%（最低）/ 工程任务占他职业 7.4% |
| 双向型通才（marketing） | 既大量跨界，任务也广泛外流 | 24.3% 跨界 / 8.9% 外流（样本最高） |
这与本页"梳子型能力结构"的判断一致：至少一个足够深的主轴 + 多条横向协作能力。数据补充了一点——组织规模调节通才需求：小职场（2-5 人）典型用户跨界 18.9% vs 大职场 16.3%，没有专家可委派的环境更强制（也更赋能）通才形态。
能力结构
| 能力层 | 作用 |
|---|---|
| 领域知识 | 知道真正问题在哪里，哪些边缘案例重要 |
| 工程理解 | 能把想法变成可运行系统，并理解维护成本 |
| 产品判断 | 判断什么值得做、何时发布、如何验证 |
| 设计感知 | 看出界面、流程和表达是否让用户顺畅完成工作 |
| 数据意识 | 能用指标、日志和反馈校正直觉 |
| Taste / Judgment | 过滤平庸输出，承担取舍后果 |
与传统专家的关系
跨学科通才不等于“什么都浅尝”。它更像一个 T 型或梳子型能力结构：至少有一个足够深的主轴，同时具备多条可与 AI 协作的横向能力。
在复杂工程、安全关键系统、深度研究和基础设施领域，专家仍然不可替代。但团队需要更多能跨界翻译的人：把业务问题翻译成模型可执行任务，把模型输出翻译成产品判断，把技术限制翻译成组织决策。
前提与局限性
- 该形态依赖 AI 工具足够降低执行门槛；工具不成熟时，跨界会退化为低质量浅尝。
- 广度不能替代责任。跨领域工作更需要明确谁对最终结果签字。
- 组织若仍按旧岗位边界考核，会压制跨学科通才的价值。
- 不是所有人都需要成为 everything；团队仍需要专业深度和清晰分工。
关联概念
- Software-Democratization - 编程能力普及是跨学科通才出现的前提
- PM-in-AI-Era - 产品角色正在从需求传话转向跨职能高速公路设计
- Taste - 在多个领域识别什么是好、什么只是合格
- Judgment - 在约束、风险和后果中做取舍
- AI-Era-Career-Skills - 职业技能从单点执行转向调度、验证和组合
- Task-Crossover - 通才形态的大样本实证分布（借用/源头/双向三种角色）