对AI工具认识的改变

但这也让我产生了一种新的心理懈怠：

   别人还在自己干的时候，我已经开始用 AI 了。我的效率比他们高那么多，那我是不是就不用那么努力了？我只要完成之后，让自己懈怠一段时间，别人才能赶上我之前的进度。
 

这就导致，哪怕我用了工具，其实我和别人的进度也没有真正拉开，甚至没有那么投入。

我对 AI 产生了很强的依赖，把它当成了自己的“外置大脑”。我只要连续给它灌输信息，告诉它我要什么、它要做到什么样，好像事情就结束了。

但问题是，我并没有进行深度思考。

这就导致当问题出现时，我根本定位不到问题出在哪里。甚至当遇到一个类似的问题时，我还是要重新描述一遍，再把之前踩过的坑踩一遍，甚至还会踩出新的坑。

因为 AI 的理解存在局限性和惯性，它常常会选择以目的为导向：完成就行。但内部细节，比如一个排序的问题、一个采样的问题，可能会反复出现、反复出错，让我无法定位，也让进度难以推进。

尽管这个问题也和 AI 本身不够成熟、存在技术缺陷有关，但我的错误用法占了大头。

过度依赖 AI，反而让自己的大脑退化。

虽然我也形成了一些和 AI 共事的模式，但在去年那个状态下，这对我的自我发展来说，其实是一场灾难。

一、如何使用工具，本质上是一个心理问题

其实，如何使用工具，本质上是一个心理问题。

如果一个人心理健康，对结果的要求较高，并且明白 AI 的边界，那么他会很清楚地知道：哪些部分可以交给 AI，哪些部分必须自己做。

如果是一个自主自我的人，那么他会明白 AI 对自己真正的帮助是什么：做重复的工作、提高效率、快速落地。

而我当时对工作的态度是：着急做出来，但又没有深度思考。

我的优点是思维活跃、创造力强，会有很多想法；但我的缺点也很明显：不愿意把想法执行、落地、闭环，而是持续发散下去。

AI 放大了我的优点，也放大了我的缺点。

我的想法和思路能很快得到验证，但因为我不收敛，AI 也会和我一起无限发散下去。直到最后我才发现：我跑偏了，做出来的是错误的，还没有办法对结果负责。

这个东西究竟好不好用？能在什么场景下用？我完全不知道。

更糟糕的是，我还容易陷入一条不太对的路，花费很多时间和精力，却得不到真正的结果。

二、当人人都能用 AI，差距来自哪里？

今年，AI 开始泛滥。

人人都能用 AI 去提高去年那一点效率。

这个时候，真正能拉开距离的，就不再是：

“我用不用 AI”

而是：

“我怎么发挥 AI 的最大价值，让人 + AI 达到 3 倍，甚至更多的效果？”

此时最该学习的，其实不是如何使用 AI。

现在铺天盖地的教程都在讲：如何用好某某工具，如何部署某某工具，如何使用某某工具提高效率。

是的，这些内容可以让一个不会使用 AI 的人开始学习 AI，并把自己从重复劳动中解脱出来。

但当全民 AI 的时代到来，比拼的又是什么呢？

——思维方式。
 

遇到问题如何拆解，如何借助已有工具解决问题，如何让每个问题的解决都闭环、可追溯，这才是最核心的能力。

这也是我们要不断学习和思考的能力。

三、AI 能生成内容，但前提是它知道什么是“标准”

我当然可以对 AI 说一句：

帮我生成一份关于某某主题的调研报告。
 

AI 可以帮我搜集资料，按照标准的调研报告格式生成内容，甚至还会关联相关内容、引用权威文章、绘制流程图和框图，把报告写得很漂亮、很完整。

但这个过程中最核心的一点是：

它要知道什么是“标准”。

现在常说的 AI，也就是大模型，本质上是基于大量语料库训练出来的概率模型。

它之所以能调查、搜集资料、检索、绘图、写报告，是因为过去人类创造了大量“样本”供它学习。

它知道哪些内容是好的，哪些内容是不好的；不好的内容又会基于人的标准被拒绝、被否定、被要求按照某种方式重做。

这个过程，本质上也是人在制定标准。

AI 有了标准，才能把事情干好，才能达到所谓“优质内容”的水平。

四、当过去的“好”变成最低要求，新的标准从哪里来？

但问题是，当现有的标准都被学习完了呢？

当过去那些“好”的标准，逐渐变成最低要求之后，新的标准从哪里来？

AI 可以自己生成吗？

答案是不可以。

从技术上讲，AI 只能基于自己已经学到的知识进行推测。它受限于已有的学习资料，最多只能在现有知识水平上做一定程度的延展。

更大的跨步和真正新的创新，从哪里来？

——人类。
 

当 AI 还不具备自我意识，不能像人一样拥有真实需求时，它还做不到创造新的“标准”。

它只能根据大量样本和标注，逼近并拟定一个“标准”。

至于这个标准是否满足人类需要，在这个维度上，仍然依赖人的需求。

五、真正困难的是：说清楚自己想要什么

我们要求 AI 产出的过程，其实就是描述需求的过程。

但 AI 产出的质量，受两个因素限制：

一是现有知识水平，二是我们描述需求的水平。

当自己的需求不清晰，或者自己拆解需求的能力不足时，就很难脱离当前已有的技术内容和认知水平，向 AI 描述真正想要的东西。

当生产力发展到一定程度，也许五年、十年后，AI 能够替代大部分岗位，生产力过剩，很多事情可能只需要说一句话就能实现。

那时候，反而更难的是：

说清楚自己到底想要什么。

六、一个很现实的例子

一个很明显的例子是，当我终于安装好了 OpenClaw 之后，我的脑子里全是宣传里的词：

“提高效率”

   “真正的生产力”

   “自动化工作流”
 

但我只有一件事没想明白：

我要用它来干嘛？

写代码？Claude Code 和 Codex 已经做得很好了，几乎所有场景的代码都能很好地完成。

写文档？我没有那么多文档需要写，而且格式和内容还需要我很详细地告诉它。有时候，还不如我自己写。

搭建自动处理任务流程？但我又没有需要每天自动处理的东西。

我困惑了很久，最后还是关掉了页面。

我确实不知道要用它来干嘛。

当一个很强的工具摆在你面前时，因为其他人的宣传，提前为工具兴奋起来的大脑，反而会不知道自己真正想要什么。

这其实是大部分人的现状。

七、比学习工具更重要的，是学习描述需求

这时候该学习的，其实不再是这个工具怎么部署、怎么使用。

更重要的是：

学会怎么描述自己的需求，怎么与自己对话，怎么认识自己，怎么直面自己的需求，并且能够拆解、执行、闭环。
 

比如一个很直白的问题：

我想赚钱。

每个人都会有这个想法。

但很少有人能说清楚：自己要怎么赚钱，如何使用工具，自己有什么，缺少什么，要“卖”什么赚钱，如何营销，如何推广，如何真正把这笔钱赚到手。

只有一部分人说得清楚。

而这部分人，也确实赚到了钱。

他们靠使用工具，把之前不好操作的想法变成了现实。

然后这件事就变成了大部分人眼中的：

“学习使用某某工具，就可以赚到钱。”
 

于是，卖课的人赚到了第一笔钱。

八、我目前的两个感悟

如何描述清楚自己的需求和自己想要的结果？

这个问题我也还在探索。

目前，我对下面两个方向的感悟比较深。

1. 限时

在一件事上花太多时间，就要停下来，寻找外援。

同时，要设定找外援的时间和方式。

如果到期了，就要分析原因：是没有找到合适的外援，还是这个问题就是现有技术水平解决不了？

如果解决不了，就果断停下。

除非你是在做科学研究，否则不要在这类问题上无限浪费时间。

2. 有拿结果的能力

做一件事，或者让别人做一件事，都要清楚自己要的结果究竟是什么。

这个结果怎么得到？结果的标准是什么？怎么判定？如何取舍？

达不成结果，是目标制定的问题，还是实现过程的问题？

要把问题拆分后逐个攻破。

还要判断：解决不了的问题，是影响核心，还是只影响部分？

你的核心诉求是什么？哪些可以舍弃，哪些必须保留？

最后总结一句：

   AI 真正拉开差距的地方，不是“会不会用工具”，而是你能不能说清楚问题、拆解问题、定义标准、拿到结果。