先下场再说:AI 把我们送得很远,但真问题只在脚下

前段时间，我原本只是想用 Codex 协助我重新做一套自己的视觉系统。

这是一个相对单一的念头。等颜色、字体、视觉语言确定下来以后，自然要想到它应该出现在哪里，于是又开始整理社交媒体，也顺势搭建网站。

网站真正开始以后，事情很快超出了我的设想。

过去多年积累的写作、研究和项目等逾百万字应该如何组织？庞大的资料库，到底要如何取舍？所有资料之间有没有一条过去并没有被我清晰梳理出来的主线？这个网站最终承担的是个人展示、研究发布，还是服务与合作的入口？

继续往下做，问题又延伸到了产品、市场、跨文化表达和商业模式。一件起初只是关于视觉的事情，慢慢扩展出了内容、品牌、技术和商业几个彼此牵动的层面。

问题意想不到的纷至沓来。

回头看，这个过程中最让人感到兴奋的地方，是后面的很多事情，最初根本没有被计划出来。第一步真实发生以后，第二步才变得可见；第二步走进去，第三层问题又随之出现。

在进入问题内部与它们近身交锋数番以后，我突然意识到，这些问题是一面镜子，分别映照出了我与 AI 各自的局限，以及各自的可能性。

前提是，你得下场。

生长

AI最初给人的震动，最显性的是来自速度。过去可能需要几个月、几个专业角色共同完成的工作，现在一个人借助工具就有机会迅速启动。

直到真正把它放进一件复杂的事情或局面以后，就会看到一个隐性的改变：技术高度缩减了执行过程，但同时也把过去被技术、成本和专业分工遮挡在后面的真问题提前推到了前台。

过去一个想法刚刚萌生，首先要考虑预算、人员、技术实现和沟通成本。大量精力消耗在实现出来的可能性方面，而真正需要深度去考虑的一些根本性的问题、决定性的问题在前期总是被搁置甚至忽略。

今天，一部分门槛突然下降。以做网站为例，整个网站的雏形，包含页面设计、交互和相关的功能设置，一个晚上就能够形成。这时，人便不得不尽快去回答更现实、更根本的问题：

我为什么要做这个网站？大量的资料被 AI快速梳理整齐，最令人头疼的是要如何选择？什么值得留下？

一旦一个产品可以迅速形成原型，那么需求、定价、交付和付费意愿也会更快更早地来到面前。

所以，这里是问题的性质改变了，并不是原来的问题单纯变得困难了。

从最初能不能做出来，到为什么做、为谁而做、有什么值得留下，再往后，问题进入到价值、市场和一个人究竟想建立什么。

AI技术垫高的第一步，使我们从聚焦显性的效率方面，快速抵达到真实问题的隐性层面中，而这才是一切事情的价值与关键所在。

尺度

如果一个网站只被理解成网页，问题停留在设计、代码和交互也足够了。

当它开始承载一个人长期积累的内容、工作方式、产品以及未来的商业可能，原本彼此分开的事情会突然发生关系。

一个视觉判断可能影响他人怎样理解这个品牌；内容如何组织，会影响一个人的能力以什么方式被认识；这种认识又继续影响产品、服务和合作。走得越深，越难把问题切割成几个彼此独立的专业模块，因为现实本身就是多维度交织在一起的。

这种复杂度在过去很长时间都意味着需要一个团队各司其职，各领一块，今天，个人可以先跨过一部分技术壁垒，进入更多环节内部，亲眼看见不同问题之间怎样互相作用，AI至少为我们提供了这样的一种可能性。

这里很容易产生一种误会，以为AI正在让一个人什么都会。并不是。实际发生的变化要具体得多。譬如做过一个网站不会使一个人立即成为程序员，生成过一套视觉也不会自动获得设计师多年的专业积累。

最好的改变是，一个人亲自穿过以往由不同专业的人负责的几个环节以后，他开始知道该向不同专业的人问什么问题，也开始理解，一个局部的决定最后可能沿着系统传导到哪里。

这是一种过去很难通过单项技能学习得到的整体感。

生成

在我看来，所谓复合能力，就是认识到不同专业之间的关系，并且能够组织这些能力共同解决一个更完整的问题。

技术拆低了一部分专业之间的墙，一个人的行动半径在扩大，理解世界的半径也在跟着扩大。

到了这里，“生成式”这个已经被说得近乎泛滥的词，我有了新的理解。

从技术定义来说，生成式AI的“生成”，本来就指向模型依据已经学习到的模式，生成新的文字、图像、代码、声音以及其他内容。随着人机协作越来越深入，“共创”也早已成为其中重要的实践方式。

我感兴趣的是发生在使用过程中的变化，当生成式AI被放进一个持续、复杂而真实的项目里，被不断生成和改变的，不只有模型输出的内容。

问题也在生成。

AI解决一层，人便可以继续向前；新的现实出现，又需要调用过去不同阶段积累的经验去处理它。写作、研究、品牌、审美、商业实践，这些原本发生在不同年份和职业场景中的经验，开始被同一个问题连续调动起来。

这一点对我尤其重要。

传统组织为了效率，会把复杂工作拆分成不同岗位和专业，内容归内容，设计归设计，技术归技术，产品与商业又是另外一套系统。一个人即使拥有跨领域的经验，也只能在某一个既定角色里使用其中的一部分。想把几种能力同时放进一个项目，还需要跨越团队、预算、专业门槛和组织边界。

AI正在降低其中一部分中间成本。

它没有让专业消失，却让一个人第一次有可能更连续地调用自己的复合经验，譬如写作的判断可以直接进入品牌，审美经验可以参与产品，研究能力能够介入定位，过去不同阶段积累下来的东西，不必等到一个完整团队出现以后才有机会相遇。

自 AI 横空出世，人们对 AI 取代各类职业的焦虑日渐加深，但是我觉得这很可能是一种静态的理解，好像技术只负责向前，人则只能停在原地等待被替换。

过去依附于不同岗位和项目的经验，开始有机会变成一种可迁移、可组合、也更容易付诸实践的个人能力。

这也解释了为什么，人和AI真正深入协作以后，常常会出现新的问题、新的产品想法，甚至新的工作方式。技术提供的并不只是另一双执行的手，它还提供了一个新的承接面，让一个人过去已经形成、却长期被专业分工切开的经验，可以在同一个现实问题里重新汇合。

当然，这种汇合并不会自动产生价值。

我在与AI协作时仍然经常遇到一种情况，一个答案逻辑推理完整，表达也足够顺畅，思路完善，但我的经验会先于理性发出警报，感到不对劲。最初甚至无法准确解释偏差在哪里，需要反复讨论、比较、推翻，那个隐藏在不对劲背后的判断标准才慢慢显现出来。

多年职业经验里有相当一部分，本来就不是以知识点的形式存在。可能是微妙的比例感，是对情境的把握，是心理的感受，是知道取舍时某个经验在现实场域中的分量，是面对细微偏差时近乎本能的警觉。技术把这些经验调动到同一个现场，最后的判断，依然在人的手里。

所以，这里真正被“生成”的，不只是新的内容。

新的问题在出现，原有经验获得了新的连接方式，一个人过去积累的能力也开始拥有新的实现路径。

这对很多拥有多年经验、却正在面临裁员、失业或离开原有岗位、组织或职业身份的人来说，尤其值得关注。很可能你过去附着在某个职位、团队和平台上的能力，正在获得重新被组合和迁移的可能。

现场

当然，技术把一个人送得更远，并不代表结果自动成立，最终都要经过市场、用户、成本和时间的检验。

这层限制反而很重要。因为当验证的成本下降，更多人第一次有机会把原本停留在脑海里的设想送到现实面前。过去一个想法可能还没有资格失败，就已经被技术、资金和组织成本挡住。现在，它可以更快地获得一个结果，而无论这个结果是成立还是碰壁，都会产生新的信息。

这种变化我认为对于今天绝大多数中国人来说，接受度还是很高的。

过去几十年，进入一个新技术周期是我们持续在适应的，所以这并不是一个陌生经验。

以一个70后中国人的人生历程来看，他所处的社会已经连续经历了快速城镇化、制造业扩张、互联网普及、现金支付、移动支付、PC互联网、移动互联网，再到今天人工智能进入工作和生活的连续变化。大历史如此密集而迅猛地压缩进一个人的生命。

1978年，中国常住人口城镇化率只有17.92%。到今天，中国网民规模11.25亿，互联网普及率是80.1%；仅到2025年底，生成式人工智能用户规模6.02亿，普及率42.8%。几个数字放在一起是惊人的，会发现我们这一两代人实际上生活在一个变化密度极高的社会里。

而很多变化并不是等所有人先在观念上完全理解以后才发生的。

移动支付刚开始的时候，大多数人不会先去研究它如何改变金融基础设施，而是在菜市场买一把青菜、在出租车上付一笔车费的时候开始使用。短视频、直播电商、外卖、网约车也是如此。技术先进入一个个具体场景，人开始使用，新的行为习惯形成，商业跟着变化，组织和制度再不断调整。

一个社会对技术的理解，也是在使用中衍生出来的。

这也是我在个人实践里强烈感受到的那种人与时代、与社会的同构。一个工具进入真实问题以后，并不是简单完成原来的任务，而会继续制造新的关系、新的问题和新的可能。一个人如此，一个社会也是如此。

今天AI正在重复这个过程，只是速度更快，进入的范围也更深。

2026年的政府工作报告第一次提出“打造智能经济新形态”，强调继续深化“人工智能+”，推动智能终端、智能体以及重点行业的商业化、规模化应用。同一时期的“人工智能+制造”和“模数共振”行动，则已经把AI直接应用进钢铁、汽车、医药、航空航天、电子等具体产业，强调形成“数据—模型—场景应用”的循环。

场景、应用、循环，这些关键词说明AI已经离开单纯的能力展示，进入真实生产。今天世界上针对模型、参数和算力的竞争依然激烈，但技术最终能够把社会带到哪里，要看它进入了多少真实场景，又从这些场景里获得了什么反馈。

工厂会暴露模型不知道的工艺问题，医院会提出责任和准确率的问题，商业会逼问成本和收益，普通人的日常使用则会不断改变产品的形态。

技术进入现实，现实再反过来塑造技术。

这种往返，才会慢慢形成一种真实有效的社会能力。

在场

如果说这里面有什么值得个人特别留意的机会，我反而觉得，先手未必属于最早知道某个模型、最早学会某个功能的人。

功能的领先非常短暂。今天需要专门学习的东西，半年以后可能已经成为默认配置。今天令人惊讶的能力，很快就会变成所有人都拥有的基础设施。

最难被迅速追平的，是一个人已经在真实问题里形成的经验。

你真的用AI做过一个产品，才会遇见从想法到交付之间那些教程里没有的问题。真的把它带进工作，才会知道哪些环节适合交给技术，哪些判断必须自己担负。真的把东西放到市场上，才会得到关于需求、价格和价值最直接的反馈。

下一代工具出现的时候，具体操作也许全部变了，唯有这些判断不会清零。

这对已经拥有多年职业经验的人尤其重要。

技术变化很快时，人很容易焦虑过去的积累会不会迅速贬值。其实经验真正面临的问题，是它曾经只能依附在某个职位、某个平台、某套组织结构里才能发挥作用。一旦离开原来的系统，一个人会突然不知道怎样把那些做过很多年的事情重新调动起来。

AI正在松动、解决其中一部分限制。

当开发、设计、研究、信息处理、语言和执行之间的一些门槛下降，过去依附于职位的经验开始有机会重新进入新的问题。一个做了十几年行业的人，不必先把自己清零成一个AI新人。更有价值的方式，可能是把新技术用于自己最熟悉、也最复杂的那个问题里，看看过去的经验会因此获得什么新的组合方式。

这样来看，在场就不只是一种积极拥抱技术的姿态，更像是在一个高速变化的时代里，争取自己的先手，比旁观者更早获得现实经验。

我们的社会过去几十年的变化，其实已经反复展示过这种过程。很多今天习以为常的能力，在最初出现时都伴随着粗糙、混乱甚至怀疑，形成差距的时刻，是发生在大量人已经开始进入现场、边做边改之后。

AI也还远没有走到它最终的形态。或者，它有某种最终形态吗？

过去四十年，我们被城镇化、工业化、互联网、移动支付推着走，每一步都是先迈脚，后想路。AI时代也一样。不用恐惧变化，也不用假装理解它。比起站在岸上判断它最后会把世界带到哪里，我认为有没有找到一个值得自己深度走进去的问题，相当重要。

带着现实的问题去较量一番，到混着泥和水的场域里滚一番，答案来得比你想象的快。

#AI观察#世界观#文化思考#人工智能#技术哲学#语言与世界