AI时代的存在焦虑

相信不少人都和我现在一样，日常工作已经完全离不开AI了。AI在给我们人类带来极大便利的同时也几乎完全重塑了我们的工作方式，甚至我认为在不久的将来AI也会深刻改变我们的社会结构。我想把这个暑假与AI协同工作时产生的一些零碎想法记下来，或许这篇文章会留在互联网的某个角落，作为我曾经存在过、焦虑过、迷茫过的证据。或许会有其他人看到这篇文章，或许没有人看到，或许这篇文章会被喂进下一代大模型的训练语料里，成为某个超级智能的一部分。当然，不论是哪种结局，至少证明了我写下的这篇文章是有意义的。

如果没有特殊强调，本文中所有的“AI”均代指LLM或者类似LLM的神经网络模型。站在现在这个时间点，OpenAI发布了目前最强的模型GPT 6，Anthropic的Fable 5.1仍然十分强劲，而国产模型诸如DeepSeek等仍然占据着质优价廉的生态位。这些模型已经在文字、绘画、推理、编程、数学等领域达到了能够与人类顶尖专家媲美的水平，而GPT 6的出现则让我们看到了模型在平面设计、空间感知、三维设计等领域慢慢追赶着人类的背影。我们不知道AI会用多久超过人类，AI会在哪些新的领域上取得突破，也不知道AI会将我们带到哪里。不过，我认为，以下假设是不言而喻的：

现在这种基于Transformer架构、海量数据训练、Scaling Law的AI模型还没有达到它能力的理论上限。至于这个上限在哪里、我们需要多久达到、目前AI行业坚信的这些共识是否会失效等等，这些问题我们还暂时不知道答案。

AI技术进步的目的应当是尽可能消除我们的痛苦，提升我们的生活水平，拓宽我们的知识边界，保证我们作为人类的长久存续。我们应当谴责一切用AI危害人类安全、污染人类知识库、进行技术与知识垄断的行为。同时，AI的能力应当被限制在“工具”的程度，不应当赋予AI和人类同等的社会地位或政治权利。

这篇随笔还要从我的工作模式改变开始说起。

1. 先有理解还是先有成果？

在AI出现之前，也就是“古法编程”的时代，阅读一个代码库是一项繁重的工作。程序员需要理解每段代码的含义以及相互间调用的关系。写代码同样需要程序员来设计每一个函数、每一个接口、每一个程序细节。而AI则急剧降低了读代码到写代码这一环节的成本：程序员只需要能够理解程序的高层架构并给AI下达系统层面的指令即可，不再需要花费脑力去理解每一行具体的代码。

曾经我非常热爱写代码，热爱钻研每一处代码细节，而现在我在高强度使用AI一个暑假之后我似乎不再关心这些技术细节了。之前我可能需要理解一个项目的每一处代码细节才能知道该怎么实现我想要的逻辑，在写代码时脑子里时刻都保持着一个这个项目的蓝图。而现在给AI下达指令时，很多时候我只是有一个初步的想法，将这个想法写成prompt之后AI就能直接给我一个成果，我再尝试去接着通过和AI对话来理解其中的细节并提出我想要更改的点，反复将成果打磨成我想要的结果。以前我的工作流程更像是“初步想法→理解→成果”，而现在则更接近“初步想法→成果→理解”，曾经工作流中“在脑内整理清楚项目蓝图”这个步骤被外化成了与AI的反复对话。我能感受到我的思维方式在AI的影响下彻底改变了。

将“构想蓝图”这一步外包出去也带来了一些不太好的后果。虽然我能够通过prompt来控制整个项目的大体结构，但是很多具体的实现细节变成了AI的设计而非我的设计，而我本人则无法完整理解整个项目的全部细节。当遇到某个细节处出现bug，或者是某个细节不符合我的意愿时，我需要先与AI对话几轮来学习这个细节的具体实现方式之后才能知道该用什么样的语言来描述我想要的改动。如果说曾经的我在写程序时脑子里有着一张详细的地图，上面画着每一处山谷、每一处河流、每一个微小的地标，那么现在我大脑里的地图就是一张简笔画，而AI则是一个画技精湛的画师，每当我需要找地图上的某个细节时，都需要AI现场帮我把这个细节在地图上画出来。

我推测这样的工作范式变化会出现在越来越多的领域。在不久的将来，越来越多的“工作”内容会变成向AI提要求、给反馈，而AI则负责学习专业知识并解决专业问题。从业者可能不一定需要亲自学习全部的专业知识，只需要掌握足以和AI对话的知识即可。另一方面，由于从业者无法掌握全部知识，在遇到需要解决的问题时，“快速学习”的能力变得极为重要：当遇到了某个自己知识范围外的问题，我们需要能够与AI对话快速掌握理解这个问题所需的必备知识，并快速做出尽可能专业的判断。

2. AI改变了“学习”的含义

许久之前看到过一张梗图，具体日期已经忘记了。

不过，考虑到人的大脑会遗忘过去的知识，我认为一个更准确的图应该是这样的：

随着我们不断深入探索一个领域，过往的知识只有少数关键节点会留在记忆中，而大部分知识细节则会逐渐被我们遗忘。

而AI如何改变了我们的知识结构？在两年前，ChatGPT还是初级形态时，就已经有人做出了这张图。原图已经找不到了，下图是我凭借记忆重新画的：

而在短短2年后，这张图就已经过时了。如今的AI在编码和数学上已经超过了最强的人类专家，在那些能够在虚拟环境中反复试错的领域上超过人类也只是时间问题。

当然，我们受限于大脑的生理结构和我们低到离谱的学习速率，一个人掌握知识的范围与深度肯定无法达到AI的水平。那么AI对于我们来说有什么意义？我认为，意义在于，AI就像是知识空间里的汽车：我们原本只能缓慢地在知识的空间中一步步学习与已经掌握的知识相邻的这些知识，就如同用双脚在大地上行走一样；而AI则能够加速我们学习的过程，就像是使用汽车载着我们在知识地图上前进一样。

我推测，在不久的将来，我们现行的这套教育体系就不再能够培养适用于未来这个时代的人才。我们通过数十年教育给学生搭建知识体系、教授专业知识，只为了让学生能够理解他们工作中的必要知识；而在AI时代，学校究竟应该保持其传承专业知识的原本职责，还是应该将重心逐步转移到学生综合素养和价值观的培养？高考制度这种以专业知识作为考核标准的制度是否需要更改？计算机技术与AI是否应该逐步融入中小学教育中？这些问题都是需要我们反复追问的。

3. AI改变了工作所需的知识结构

现代的很多工作，比如大型软件、集成电路、复杂机械的设计工作都需要非常庞大的知识量。曾经这些工作都需要庞大的公司、大量专业人员和精细的分工。每个专家只负责设计环节中的一小部分。比如，下面这张示意图中，最外圈的圆圈是一项复杂工作（比如设计CPU）所需的全部知识，而里面的每个不同颜色的小圆则是每一个专家所负责的一块小领域。

而有了AI之后，从理论上来说，只要这个工作所需的技能在你使用的AI模型的能力范围内，那就不需要那么详细的知识就可以用AI来做出质量相当的工作。技术从业者只需要掌握整个圆圈里的几个重要节点、确保对整个项目的大体结构有了解即可。学习更多的专业知识能够让图上的节点变得更密，在项目出现问题或者不符合要求的时候能够更快速、更准确地作出修改，不过代价就是学习这些专业知识需要耗费大量的精力。

我相信，随着模型能力逐渐进步，学习专业知识的收益与代价天平会越来越偏向“少学、精学、挑重点的学”这一端。如果将这个趋势推到极限的话，最终的结果应该是：技术从业者所需要掌握的知识不会比使用产品的消费者更多。劳动力就会从生产端解放，转而投入产品测试、市场营销这些离不开人类反馈的领域中。

4. AI改变了理论科研的组织结构

如果将视野放到更宏观的场景下，未来的软件工程、理论研究和科学创新会变成什么样子？曾经的理论科研（比如数学、理论物理、理论计算机等）背后最大的推力都是天才个体的偶发创新，就如同工业革命前制作精密器械依赖能工巧匠一样。在过去知识总量尚未如此庞大时，这套系统还能稳定产出科研成果，但是在上个世纪末就已经出现了前期学习投入过长、科研者年龄增长导致创新性下降、科研产出减缓等问题；而有了AI之后，在算力成为关键资源的条件下，理论科研可能会越来越依赖模型与算力，就如同工业革命后的生产变得更依赖机器而非工匠的个人能力。那么，未来的理论科研会不会采用一种和现在的实验科研更相似的形式？由实验室吸引投资并购买算力与模型，研究者作为科研流水线上的工人负责监督和审核科研成果，找出其中我们关心的、有意义的、或者是对其他领域有帮助的成果。

我之前在和我的朋友讨论这个问题时，我也用了“AI是知识世界的汽车”这个比喻。我觉得，未来的理论科研人员在社会地位上会更像现在的卡车司机——他们的工作是驾驶一辆动力远超人力的机械，而很多卡车司机驾驶的车辆并不属于自己。因此，从社会的角度看，卡车司机就需要依赖背后的车行或者物流公司来生存，那么他们劳动的定价权自然也就掌握在了资本手中。当然，研究者与卡车司机也不能完全类比，不过其背后包含的利益关系是有相似性的——科研者如果必须依赖工具才能进行研究，他们的研究议程和成果评价会越来越受工具所有者影响。

至少我自己面对这些改变时是惋惜的，因为人类自诩拥有的能力正在一步步被更强大的工具替代。那个研究者能够凭借个人能力独自推动科学进步、几乎不依赖工具、资本与制度的理想变得越来越难以维持。数学家用一支笔、一张草稿纸就能算出天体运行轨迹的事迹在未来或许会越来越少见。客观来看，我们的时代正在不断进步，工具的发展终将变成每个个体更美好的生活；不过，从个人情感上，我仍然会怀念那个属于理论研究者的“个人英雄主义”时代。

（2026年9月20日，大二）