观察
想象力和创造力的培养，在AI时代比以往任何时候都更加重要。既然AI的幻觉可以帮助科学家获得新的突破，我们也应当借鉴这种思维方式，在日常学习和思考中留出一定的“想象空间”，让自己能够跳脱出固有的思维模式，探索更丰富的可能性。
陈永伟
如何学习才能不被AI替代
文 /陈永伟
对于中国的AI普及而言，2025年的春节注定是不平凡的。随着DeepSeek的意外爆火，原本高冷神秘的AI一下子飞入寻常百姓家。一时间，几乎全国的人都开始使用AI。朋友圈里刷屏的不再是烟花九宫格，而是“我家AI写的打油诗更押韵”的隔空比拼；家族群里此起彼伏的，是二舅用方言教AI包饺子、三姨让AI计算年夜饭卡路里的语音消息；就连我70多岁的老父亲，也要求我给他补课，教他如何用AI给亲朋好友写拜年词。
然而，AI的普及不仅带来了便利，也引发了焦虑。一位资深程序员在试用DeepSeek后感叹，自己多年积累的编程经验竟显得如此脆弱。春节过后，一张上海某公司群聊截图疯传，该公司拟用AI替代大量人工，其中法务部、内容创新中心裁撤比例高达80%。这让人们惊觉，AI取代的不只是低技能岗位，甚至高学历、高经验的职业也难以幸免。
面对AI的迅猛发展，许多人开始质疑学习的意义。如果知识和经验都能被AI轻易取代，我们该如何调整学习模式，以适应这个新时代？
工作变迁和新的学习要求我们习以为常的“工作”模式固定时间、地点、任务仅存在两百余年。更早时期，个体需自主分配时间，兼顾耕田、织布、养鱼等多种任务。工业革命后，机器重塑生产流程，人们被纳入固定岗位，按标准流程操作，逐渐成为社会大机器的一部分。
这一变革也改变了学习方式。工业革命前，工作多元，个体需广泛涉猎知识，具备跨领域协调与社交交易能力，学习以“博”为核心。而工业革命后，任务高度细分，专精一项技能即可获得认可，学习目标由“博”转向“精”，如程序员专注编程，无需关心市场包装，产品经理关注需求分析，而不涉产品实现。
然而，AI的普及正在改变这一现状。正如我们所看到的，AI在许多具体任务上的效率已超越人类，尤其是在需要大量知识积累和经验总结的工作领域，其进步远超预期。这一趋势使得人类在工业时代所扮演的“社会大机器的螺丝钉”角色逐渐式微。在更高层次的生产力水平下，工作形式或许将经历一种“否定之否定”，回归到工业革命前的状态。换言之，人们可能需要同时承担多种不同的任务。例如，一个产品经理不仅要分析市场、设计产品，还需要亲自实现这些设计。不同的是，如今人们无需亲手完成所有任务，而是可以借助AI工具来高效实现。在这种情况下，人们最需要的能力，已经从单一技能的掌握，转变为任务拆解与识别能力，以及AI工具的高效使用能力。
与此同时，随着工作任务和场景的确定性逐步消解，适应变化、根据环境调整知识结构的能力，将成为未来职场的核心竞争力。此外，尽管AI可以代替人类完成许多工作，但至少目前，它仍难以完全取代涉及想象力、创造力和人情味的任务。因此，为了更好地展现人类的独特价值，人们应更加注重这些能力的培养，尤其是想象力的开发与提升。
基于上述分析，笔者认为，为了适应AI时代的社会分工和组织变革，学习模式的革新应从四个层面展开：
1.工具层面：学会高效使用AI工具，使其成为工作的得力助手。
2.知识层面：掌握与自身工作相关的多样化知识，确保在为AI分配任务时，能够清楚如何着手。
3.能力层面：培养跨任务协调能力、资源配置能力，以及应对未知挑战的能力。
4.超越层面：强化更具人类特质的能力，如情感、想象力和共情能力，尤其是想象力的培养，应成为重中之重。
接下来，我们将分别探讨这四个层面的变革方向。
当好AI的苏格拉底在现实中，同样的AI工具，不同的人所能挖掘出的效率却截然不同。有些人借助AI，可以独立开发出完整的网站，甚至完成整个项目；而另一些人，却只会把AI当成陪聊工具或图片生成器。
为什么会出现这样的差别？过去，AI的使用门槛较高，要熟练掌握AI，通常需要具备一定的编程技能。因此，人们习惯于将AI使用效率的差异归结于对编程能力或某些具体技能的掌握程度。然而，如今人们已经可以用自然语言轻松指挥AI完成各种任务，但这种差异仍然存在，甚至比过去更为显著。究其根本，问题仍然出在思维方式上。
事实上，在ChatGPT爆火之前，市场上已经有一些类似的应用，允许用户通过自然语言或可视化方式与AI交互，让AI编写程序或完成任务。不过，这些应用通常被称为“低代码编程”。顾名思义，这些工具虽然降低了编程门槛，但本质上仍属于编程范畴。要想编写高效的程序，不仅需要一定的编程技能，还需要良好的编程思维。类似的道理，同样适用于生成式AI的使用。
那么，使用生成式AI时最重要的技能是什么？就是清晰地表述自己的需求，并引导AI按照自己的指令执行任务。在《美诺篇》中，苏格拉底为证明“认识是灵魂的回忆”，引导一个毫无几何基础的奴隶小孩推导出毕达哥拉斯定理。他未直接教授，而是通过拆解逻辑、反诘和追问，让小孩自行推演，最终得出正确结论，完成了看似不可能的任务。
这个故事对于我们使用AI模型具有重要的启发意义。如今的生成式AI在训练过程中，已经吸收了互联网上几乎所有可以获取的信息。因此，从理论上讲，我们所需要的答案早已“存在”于它的“知识体系”中。然而，AI仅仅存储了海量知识，并不一定能够自动将这些存量知识与用户的需求精准匹配正如奴隶小孩虽然掌握了勾股定理推导的每一步，但在被直接问及该定理时，仍然无法将这些知识串联起来。在这种情况下，AI的使用者需要扮演苏格拉底的角色，通过适当的引导，让AI按照自己的思路完成任务。
正如我们所见，苏格拉底在启发人们思考时，通常会遵循固定的对话策略。例如，他会要求对话者首先对相关概念进行明确定义，然后将这些定义一般化，从而推导出一定的结论。接着，他会对这些推论进行反诘，找出其中的矛盾，促使对话者从新的角度进行思考。本质上，苏格拉底其实是在用自然语言编写一套“低代码程序”，以引导对话者逐步接近正确答案。同样的思维方式，也可以应用于与生成式AI的交互。在学习和实践中，用户可以为自己搭建几套AI交互的“套路”，并积累一些经过实践检验有效的提示词。这样，无论遇到何种问题，我们都可以像苏格拉底一样，以高效的方式向AI阐明需求，并对AI的行为进行精准引导，从而大幅提升AI的使用效率。
