AI用一分钟写出一段代码，很容易让人惊叹。可这段代码，也许要在一个系统里待五年。

第一分钟有多快，屏幕上看得见。以后修改一次要花多久，出现故障时能不能查清原因，接手的人要费多大力气，当时都还没有答案。

所以，“AI写得比人快”，我愿意承认。但它还没有回答我更关心的问题：这段代码到底好不好？

生成的速度，与成果的质量，需要分开评价。

最近，我又想到更往前一步的问题：我们是不是也把“能力”和“智能”，混在一起了？

人类发明的许多工具，早就在某些方面超过了人类。运输车比人力搬运强得多；照相机记录眼前景象的速度和细节，也远远超过徒手绘画。具体到这些任务，工具的优势无须争辩。

但我们不会因为起重机能吊起几十吨，就说它比人聪明。相机的记录能力，也不能替我们决定什么值得表达。

我们发明工具，本来就有一个目的：让自己做得到更多。

严格说，智能也是一种能力。为了把问题想清楚，可以暂时从两个角度观察：一个系统在给定条件下能做得多好，以及条件改变以后，它能否理解变化、学习并形成新的办法。

研究者François Chollet提出过一种智能评价框架，强调获取技能的效率，并提醒我们注意已有知识和训练经验对任务表现的影响。[1] 这给了我一个启发：已经表现出来的本领，与形成新本领的能力，值得分别考察。

两个人都能写出一个缓存，其中一个可能熟悉某种写法，另一个可能理解了它背后的取舍。只看第一版代码，差别未必明显。等到一个进程变成多个节点，允许数据过期变成必须及时更新，原先的假设开始失效，理解的深浅才可能显现出来。

同一套标准也应该用于AI。它若能识别新约束、找出旧方案失效的原因、调整设计，这些表现当然值得承认。我们没有必要把“智能”这个词专门留给人类。

但即使承认它有智能，也不能因此免除对结果的检查。聪明的工程师也会写出糟糕的代码：不了解业务，遗漏约束，或者只顾着把眼前的问题解决掉，都可能留下麻烦。

聪明、熟练、可靠，是有关联的几件事，却不能相互担保。

举一个很小的例子。

让AI给后台任务加上“失败重试”，它可能很快写出一份完整的实现：失败后等待，再试几次，记录日志，还把等待时间做成可配置项。看起来很周到。

假设这个任务负责发送邮件。邮件已经成功发出，只是成功的回执在网络中丢了。程序以为失败，又执行了一次，于是用户收到了两封相同的邮件。

重试代码可能完全按照要求运行，系统的行为却出了问题。

这里需要弄清的，是在不知道上一次是否成功的情况下，再执行一次是否安全。这个问题涉及任务的含义、外部系统的行为，以及我们愿意接受什么后果。把重试循环写得再漂亮，也不能替代这些判断。

人会漏掉它，AI也会漏掉它。评价质量时，谁写的并不能直接给出答案。

写文章也一样。语言流畅，未必有值得表达的观点；报告图表精美，论据仍可能站不住。我们得到的，首先是一份需要评价的成果。

想到这里，荀子的那句话就有了很具体的意义：

君子生非异也，善假于物也。

“生”通“性”，“假”是借助。《劝学》用车马、舟船说明，人可以借助外物到达自身力量难以到达的地方，再以此阐述学习与修养。[2]

借船过河，确实到达了对岸。这份能力是真实的，目的也已经实现了。但这段行程，并不会自动变成自己的游泳水平。

使用AI时，也会出现类似的两种增长：借助工具能够完成的事情增加了，自己能够理解和独立处理的问题也可能增加。它们可以一起发生，也可能只发生前一种。

没有必要贬低借来的能力。程序员一直在借助语言、编译器、数据库和他人的工作，没有谁从零造出自己需要的一切。会找到合适的工具，把它放在合适的位置，本来就是本领。

只是，我们需要知道能力来自哪里。哪些部分自己理解了，哪些部分依赖工具，哪些结论还需要证据。边界清楚，才知道什么时候可以放心借力，什么时候应该停下来核对。

“善假”也体现在这里。工具到了手里，还需要会用它。

而鲁迅的《拿来主义》，又把这种态度推进了一步。

他写的是文化取用，强调：

运用脑髓，放出眼光，自己来拿！

谈到如何处理拿来的东西，他又写：“他占有，挑选。”[3]

这里有一种很清醒的主动性：东西到了手里，选择权仍然在自己手里。可以使用，可以改造，也可以舍弃。接收一份东西，并不意味着必须接受它的全部。

把这种态度借用到AI上，就很有意思了。

AI生成了一套方案，其中可能有一个不错的思路，也有几层多余的抽象，还有不适合现有系统的处理方式。我们完全可以保留思路，删除多余结构，重新划分边界。

它给出一千行代码，我们可以只留一百行。它写出一篇文章，我们也可以只拿走其中一个值得继续思考的问题。

没有必要因为内容看起来完整，就维护它的完整。采用多少，应当由自己的问题决定。

过去，人可能舍不得删掉花三天写出的代码。现在，也可能舍不得删掉AI三秒钟生成的代码，因为它看上去实在太像一份完成品了。

生成得越容易，越值得认真决定什么应该留下。

对我来说，这种“拿来”的态度，可以落在三个具体动作上。

• 生成之前，把目的说清楚。
   要解决什么问题，什么结果才算有用。不要在看见一大堆现成功能之后，才替它们寻找用途。
• 采用之前，找到检验依据。
   代码要看边界行为，文章要核对事实，方案要检查前提。还可以让AI寻找反例，再用测试、原始资料或实际运行去验证。
• 拿到结果，继续做取舍。
   留下有用的，改掉不合适的，删去增加负担的部分。工具已经花掉的力气，不应该成为我们接受结果的理由。

这也不要求人独自完成所有检查。我们可以让AI解释、质疑、比较，帮助发现自己遗漏的问题。需要关心的是，最终采用的结论有没有依据，以及那些依据经不经得起检查。

再往长远看，我还在意另一件事：用过工具之后，有没有留下一点可以带走的理解。

同样得到一段代码，一个人直接复制，另一个人经过追问和修改，弄明白了为什么这里需要限流、为什么那个异常不能忽略。两个人都得到了成果，后者还积累了下次能用上的经验。

当然，不必把每个小任务都变成一堂课。坐船的人也没有义务学习造船。但对于准备长期负责、反复依赖的事情，多理解一点，往往能让下一次使用工具时更有分寸。

拿来的东西，经过消化，才有机会变成自己的本领。

我愿意让AI帮我写代码、找思路、挑错误，也愿意承认它在某些方面比我强。这些都不妨碍我对准备采用的结果，继续追问：为什么需要它，凭什么相信它，以及条件变化时该怎样调整。

荀子说善假于物，鲁迅说运用脑髓。借力与动脑，原本就可以同时发生。

AI越来越能干，是一件好事。省下来的时间和心力，我们也可以拿一部分来弄清自己究竟想做什么，什么值得相信，什么应该舍弃。

借工具的力，也长自己的眼光。

引用与参考：

1. François Chollet，《On the Measure of Intelligence》，2019年。文中介绍的是作者提出的一种智能评价框架。
2. 荀子，《劝学》。
3. 鲁迅，《拿来主义》，1934年。本文将其中关于主动取用、辨别与选择的思想延伸到AI使用场景。