这两年，我参加过不少关于 AI 的讨论。有意思的是，不管从哪里开始，话题最后几乎都会收敛到同一句话上：”我会不会被取代？”

但这个问题本身，可能就问错了。

真正值得问的是另一半：当”会做”这件事不再稀缺，我还剩下什么？

写这篇文章，不是为了给焦虑找一个出口。我只是想把自己这两年在工作里踩过的坑、试出来的方法，认认真真整理一遍——AI 时代的问题是真的，但解法也是真的存在，前提是先把问题看清楚。

一、先把问题看清楚：AI 时代到底带来了什么

焦虑之所以让人难受，往往不是因为问题太大，而是因为问题太模糊。把模糊的恐惧拆成具体的问题，一半的恐惧就自己消散了。在我看来，这个时代真正带来的问题只有五个。

1. 技能的快速贬值

我用十年练出来的手艺，可能在一个季度里被一个模型追平。

这句话听起来夸张，但对很多具体技能来说是事实：写一个正则、调一段 CSS、搭一套 CRUD、写一个数据清洗脚本——这些曾经需要”经验”的东西，现在描述清楚需求就能拿到八九不离十的结果。

问题不在于技能没用了，而在于**”熟练”本身不再构成壁垒**。过去我们靠”我做过很多遍”建立安全感，现在安全感的地基被抽走了。

2. 思考的外包

比技能贬值更隐蔽的，是思考的萎缩。

生成太容易了，于是我们越来越少自己推演：遇到报错先贴给 AI，看文档不如直接问，代码没读懂就先跑起来。短期看效率提高了，长期看是判断力在悄悄退化——就像长期用导航的人，会慢慢失去认路的能力。

最危险的地方在于，这个过程毫无痛感。你不会在某一天突然发现自己不会思考了，你只会在某一天发现自己不敢下判断了。

3. 真实性的崩塌

AI 会一本正经地编造事实，这一点早已不是新闻。但真正麻烦的是它带来的连锁反应：当生成内容的成本趋近于零，互联网上”看起来合理”的东西会以指数级增长。

于是每个人都多了一项新的隐性成本——验证成本。以前我们看到一段文字，默认它至少是人写的；现在我们得先花力气判断：这是真的吗？这是人写的吗？这段引用的原文在哪里？

信任，正在变成这个时代最贵的东西。

4. 就业结构的重排

“AI 会取代程序员吗”这类问题，答案往往被简化成了二元对立。但真实的冲击不是”职业消失”，而是任务被拆开重新分配：

工作里可以被完整描述、可以被验证的部分，正在被机器吃掉；剩下的是判断、协调、承担责任、处理边界情况、以及在信息不足时拍板——这些恰好是最难被写进 prompt 的部分。

所以你会看到一个矛盾的现象：一边是”AI 让三个人干五个人的活”，另一边是”招不到合适的人”。被挤压的不是”人”，是”只会执行的人”。

5. 注意力的通胀

生产的门槛归零，供给就变成无限。当所有人都能用 AI 一天产出过去一个月的文字、图片、视频，注意力就成了唯一真正稀缺的资源。

这对创作者是坏消息，也是好消息：平庸的内容会彻底失去价值，而有判断、有立场、有真实经验的内容会更值钱。通胀的另一面，永远是稀缺品的升值。

二、历史给出的答案：每次工具革命都在重排”人的价值”

如果把时间线拉长，AI 带来的冲击一点也不新鲜。

上世纪八十年代，计算器让”会算数”不再值钱；九十年代，编译器和 IDE 让”会写汇编”不再值钱；2000 年代，搜索引擎让”记得住”不再值钱；2010 年代，云和开源让”会搭基础设施”不再值钱。

每一次，都有人预言”这行完了”。但每一次的结果都一样：被替代的永远是”可以被完整描述的执行”，被放大的永远是”决定做什么、做到什么程度、出了事谁负责”。

编译器没有让程序员消失，反而让软件变得更大、更复杂，需要更多的人。搜索引擎没有让人变笨，它只是把记忆的价值转移到了提问和筛选上。

AI 正在做同样的事：它把”实现”的成本压到接近于零，于是”定义问题”和”验证正确”的价值暴涨。这不是价值消失，是价值转移——而价值转移，从来都是重新洗牌的机会。

三、六条可操作的方法

道理说到这里就够了，接下来是真正有用的部分。以下六条，是我自己这两年反复验证过的。

1. 把 AI 当实习生，而不是当权威

这是最重要的一条。

实习生意味着什么？意味着你要给他上下文，要告诉他标准，要检查他的产出，最后签字的人还是你。你不会因为实习生写了一份报告，就直接发给客户。

具体到工作里：让 AI 生成代码没问题，但关键路径上的决定必须自己过一遍——这个方案为什么是这样？边界情况考虑了吗？出错时谁负责？这套”人在环上”的习惯，是使用 AI 和依赖 AI 的分水岭。

2. 练三种不可外包的能力

有些能力，AI 越强，越值钱：

定义问题的能力。把一句模糊的需求，拆成若干可验证的子任务——这件事 AI 做不好，因为它不知道你真正想要什么。

审美的能力。知道什么算”好”，比能做出”还行”重要得多。AI 能生成一百个方案，但挑出对的那一个，需要品味。

跨域连接的能力。把 A 领域的方法搬到 B 领域，这种”意外的联想”，恰恰是当前模型最不擅长的地方。

3. 验证能力比生成能力更重要

会用 AI 的人很多，敢用 AI 的人不多。差别就在于验证。

一个能读懂、能跑通、能测出问题的工程师，用 AI 是如虎添翼；一个只会复制粘贴的工程师，用 AI 是在给自己埋雷。

所以我的建议很朴素：花在”怎么验证”上的时间，至少要等于花在”怎么生成”上的时间。 写测试、做对照实验、查原始来源——这些”笨功夫”，是这个时代最聪明的投资。

4. 用 AI 放大长板，而不是修补短板

很多人使用 AI 的方式，是把自己修补成一个”各项都还行的平均人”：不会设计就让 AI 设计，不会写作就让 AI 写作。结果是——你变得更容易被替代了，因为”平均”正是 AI 最擅长的事。

更好的策略是反过来：把长板拉到更长。 你擅长架构，就让 AI 帮你把架构方案的验证做得更彻底；你擅长表达，就让 AI 帮你把表达的量级放大十倍。

10 倍效率从来不属于 AI，它属于”知道该把 AI 用在哪里的人”。

5. 刻意保留”无 AI 时间”

这一条听起来反潮流，但我越来越确信它重要。

每天留一段时间，完全不用 AI：手写一段代码、慢读一篇长文、独立推演一个方案。不是为了效率，是为了保持肌肉不萎缩。

思考能力和体力一样，用进废退。当我们把所有”想”的动作都外包出去，剩下的就只有”验收”——而验收本身，也需要判断力支撑。

6. 建立属于自己的知识资产

模型知道所有公开的知识，但它不知道你的判断轨迹：你为什么选了 A 而不是 B，你在哪个坑里摔过，你最后怎么爬出来的。

这些东西，只能靠写作、笔记、作品一点点积累。它们的价值会随着时间复利——因为它们是模型没有的、独属于你的东西。

我写博客，很大一部分原因就在这里。它既是整理，也是资产。

四、心态：从”被取代的恐惧”到”使用者”的位置

方法之外，还有一层更根本的东西：你把自己放在什么位置上。

我的答案是”半人马”（centaur）——上半身是人，负责方向、判断、责任；下半身是机器，负责速度、广度、记忆力。不是”人对抗机器”，也不是”人依附机器”，而是”人驾驭机器”。

在这个位置上，有两件事会变得很清楚：

第一，能分清”AI 能做的”和”只有我能做的”。 前者果断交出去，不要有心理负担；后者舍得投入时间，因为那才是你的定价权所在。

第二，不再和机器比”生成”，而是和机器比”负责”。 机器可以写出无数个方案，但没有任何一个方案，能由它来承担后果。责任，是人的专属领域。

还有一点：技术一定会继续变。今天的最优解，明年可能就过时了。所以真正的护城河不是某一项技能，而是适应变化的能力——保持好奇、保持学习、保持动手。

结语：慢一点，反而更快

写到最后，我想起自己博客上那句公告：“因为慢，所以能欣赏一路的风景。”

AI 时代最吊诡的地方在于，所有人都在追求更快：更快的生成、更快的产出、更快的迭代。但真正拉开差距的，往往是那些慢下来的时刻——慢下来想清楚问题，慢下来验证一个假设，慢下来读一本没有即时回报的书。

工具会越来越快，这是必然的。而人的价值，恰恰藏在那些工具替代不了的”慢”里：判断、品味、责任，还有愿意为一件事投入时间的耐心。

所以，与其焦虑会不会被取代，不如问自己一个更具体的问题：

今天，我有没有做一件 AI 做不了的事？