当AI开始自主进化，普通人最该守住什么？

最近在微信读书上看林军锋的《当AI开始自主进化，普通人最该守住什么？》，第六章谈到一个很现实的问题：AI用得越顺手，人越容易把自己的判断也一并交出去。

书里有句话我记得很牢：

判断力，是干粗活的副产品。

细想确实如此。

一个工作多年的工程师拿到AI生成的代码，往往扫几眼就会觉得某个地方“不太对”。有时他一开始也说不清原因，继续看下去，可能是异常没兜住，可能是并发场景有问题，也可能只是这段实现放进现有系统后很难维护。

这种感觉不是看几篇最佳实践得来的。它来自以前写过的烂代码、线上出过的故障、半夜查过的日志，以及那些当时觉得麻烦、后来却反复救过自己的基本功。坑踩得多了，心里才慢慢有了一把尺子。

AI只认目标，不懂你的本意

我们让AI做事，通常要先给它一个目标。目标写得越清楚，结果往往越像样。但“像样”和“正确”之间，还有一段不短的距离。

比如让AI写一个能运行的功能，它确实很快就能写出来。至于边界条件是否完整、数据量上来以后会不会出问题、这段代码半年后还有没有人敢改，就不一定了。它完成的是提示词里写出来的任务，而我们心里默认却没有说出口的部分，它未必知道。

所以验收AI的结果，不能只看它有没有做完，还得看它做的是不是原来那件事。

这件事听起来简单，实际最考验人。因为要发现结果偏了，首先得知道正确的方向大概在哪里。自己心里没有标准，AI给出的内容又足够流畅，就很容易顺手接受。

被省掉的粗活，也是成长的台阶

AI接手重复劳动当然是好事。资料不用一页页翻，代码不用从空文件开始写，很多问题也不用在搜索引擎里来回拼关键词。工作效率确实提高了。

可书里提到的另一个问题也让我有些警惕：过去新人正是靠这些粗活入门的。

刚开始写代码时，谁不是从简单接口、重复逻辑和低级错误一路过来的？代码写得多了，才知道哪些抽象是多余的，哪些看似省事的写法迟早要还债。排查过几次线上问题以后，才会对超时、重试、日志和监控真正敏感。

现在AI可以直接越过中间过程，把一个完成度很高的答案摆在面前。对已经有经验的人来说，这是节省时间；对还没有形成基本判断的人来说，也可能是把梯子的前几级直接抽掉了。

答案拿到了，经验却没有留下。

我觉得这才是AI进入工作以后比较隐蔽的风险。人不会因为用了AI就立刻失去能力，更多时候，是在一次次“这次先让它做吧”之后，慢慢失去了独立完成和判断结果的耐心。

AI放大的，还是人本来的水平

很多人觉得AI普及以后，大家都站到了差不多的起点。工具层面或许如此，结果却未必。

同样一段生成内容，有经验的人会继续追问：假设是什么，数据从哪里来，有没有反例，放到真实环境里能不能成立。没经验的人更容易被完整的格式和肯定的语气说服。

最后，一个人借助AI把多年经验放大，另一个人借助AI更快地产出自己无法验证的东西。表面上两个人都在熟练使用AI，时间一长，差距反而可能更大。

这也解释了为什么现在“会不会用AI”已经没那么重要。工具很快就会变得人人都会用，难的是你能不能看出它什么时候说错了，什么时候绕开了关键问题，什么时候给出了一个漂亮却不能落地的方案。

给自己留一点笨功夫

看完这一章，我能想到的办法并不复杂：别把所有过程都交出去。

重要的东西，还是要自己做一遍。代码可以让AI生成，但核心逻辑要看懂，关键路径最好亲手推演；文章可以让AI帮忙整理，但观点是不是自己的，自己应该说得清；遇到一个过于顺滑的结论，先别急着接受，试着问一句：如果它是错的，我能从哪里发现？

有些基础工作确实低效，却不一定毫无价值。它们让人熟悉细节，也让人知道一件事做坏时会是什么样子。完全跳过这些过程，也就很难凭空长出判断力。

以后AI能做的事情肯定还会更多。我倒不太担心某个具体工具会不会取代谁，因为工具一直在换。更值得担心的是，有一天面对一个看起来无可挑剔的答案，自己已经不知道该从哪里怀疑了。

能自己判断，能验证结果，也愿意为最后的选择负责——这个位置，还是要尽量守住。