Common Sense:AI 时代科技工作者最稀缺的硬通货

引子：“专家”的失落

AI正以极快的速度改变着人们生活的方方面面。对于科技工作者，如在大学、科研院所或公司研发部门工作的人员，AI的冲击不只是工作内容、工作模式和工作效率方面，更是心理和精神层面的。以往人们引以为傲的专业能力，如物理公式推导、系统建模、算法开发、代码实现等，如今AI可以一键生成，并且深度和广度在很多情况下远超人力之所及。在AI持续发展的情况下，“专家”之间的界限逐渐模糊，以前只能由某领域专家完成的工作，现在可由其它相关领域的专家通过AI完成，这对“专家”心理的冲击是无比巨大的：专家的标准如何衡量？而人的成就感又从何而来呢？以粒子加速器控制工程师为例。为了实现加速器束流控制，需要束流物理专家和控制专家紧密合作：束流物理专家提供被控系统模型，然后控制专家完成控制器设计。但在AI的参与下，人们往往会产生一种容易引发焦虑的技术幻觉：束流物理专家可以将物理模型交由AI完成控制器设计，同样，控制专家也可以使用AI完成物理模型的建立。

我们面对的问题是：当AI能以极高效率重构、缝合前人所有理论与工程经验时，科技工作者的“护城河”和“专业自豪感”究竟退守到了哪里？当越来越多的成就感被AI冲击使得人们不得不重新调适自己的时候，这个问题的答案会越来越清晰。在可预见的将来，AI会逐步消解“手艺人式的技术熟练度”，但会极度放大“Common Sense（系统与物理常识）”的价值。这不仅不是降低了门槛，反而对科技工作者的认知提出了近乎苛刻的要求。

一、历史的镜像：MATLAB对控制工程师的冲击

历史有迹可循，一个典型的例子是MATLAB对控制工程师的冲击。在MATLAB普及之前，控制工程师的核心技能包括使用复杂的劳斯判据判断控制稳定性、手绘波特图和Nyquist图以及手工绘制根轨迹图实现控制器的参数调节，等等。MATLAB控制工具箱的出现从根本上改变了控制系统的分析和设计模式：通过Simulink直观构建系统和控制器模型、自动化的稳定性分析和控制器参数调节、控制代码的一键生成，等等。这些工具让那些纯靠“解算技巧”立足的工程师迅速边缘化，而自动控制不再是一个孤立的深奥专业，而逐渐沉淀成为机械、电气、物理工程师的通用技能包。

AI对科技工作的冲击将远超MATLAB对控制工程师的冲击，是全方位的。对于大部分科研和工程任务来说，其解决方案依赖于总结和汇通前人的理论和经验，而非开创性的工作。例如，控制加速器的束流不稳定性往往需要参考早期对不稳定性的研究工作，然后将现代控制方法（可能在其它领域已经有所应用）应用到束流控制领域。这种跨学科的交叉往往是解决问题非常有效的方法，这也需要工程师具备跨学科的知识，且能融汇贯通。这样的工作正是AI最擅长的，即融合已有的知识和方法，解决现实的问题，而AI对各种知识掌握的深度和广度是人类无法比拟的。再加上AI大模型能够将需求直接转化为代码，将理论推导、建模、控制器架构全栈打通，从而导致专业界限进一步消融，让传统算法推导、代码实现和文档编写的“成就感”面临真空。

二、Common Sense: 科技工作者最后的阵地

人和机器最大的区别就是“心”的存在，是对道德价值的判断和对自然规律的最普遍的直觉。对道德价值的判断让人能够区分哪些事情该做，哪些不该做，所基于的是对个人内心自由、人与人关系和谐以及人与自然关系和谐的向往之情。这些话题在之前的文章《AI的世界观》和《对AI自我意识的探讨》中已有所探讨，这里我们关注人对在科技工作方面的直觉，也就是Common Sense。这里的Common Sense除了表示“常识”，有更丰富的意义，是对物理真实、能量守恒、系统动态极限与因果链条的内化直觉。例如，作为物理研究者，能够判断推出的公式是否符合守恒定律，参数的量级是否合理；作为控制工程师，通过被控对象的频率响应可以直观判断系统是否可控，能够达到的控制性能的极限是什么，设计出的控制器能否实现等。事实上，只有拥有Common Sense的科技工作者才有可能判断AI输出的结果，从而真正得益于AI解决具体问题的能力。在文章开头给出的例子中，若没有控制专家帮助评判和取舍AI对控制器的设计结果，束流物理专家也无法单独完成设计，反之亦然。看似AI抹平了界限，实则在缺乏对方领域的深层 Common Sense 时，生成的不过是没有灵魂、缺乏边界验证的空中楼阁。

在现阶段，最能得益于AI的反倒不是能够更快学习新事物的年轻人，而是三、四十岁，有深厚系统实操和理论沉淀的专家。他们在多年的工作过程中积累了丰富的理论知识和经验，并在没有AI、纯靠攻坚和摸索的“苦日子”里磨砺出了足够的Common Sense。若能学习并利用AI解决具体问题的能力，即可将繁重的形式化推导、代码实现与文档工作外包，自身专注于决策、物理审定与系统调优，从而一人抵一个团队。

三、在 AI 时代磨砺你的 Common Sense

在AI时代，比较迷茫的是正处于学习阶段的年轻人：既然AI能够解决各种实际问题，是否还需要像以前一样学习那么多知识，锻炼那么多技能呢？如果将学习的目标从积累知识升级为磨砺Common Sense，这个问题不难回答。Common Sense的培养需要以下因素：

1. 对理论知识的深入理解。这需要对所学专业的理论知识构建系统化的清晰的图景，公式推导（针对理工科）并非不需要，反而在学习阶段更要加强。

2. 对基本技能的夯实。专业所需的手动技能（如学习控制论时手动绘制波特图和根轨迹图等）仍然需要熟练掌握。

3. 对系统工程能力的培养。在走出校园参加工作后，AI可以帮助完成大部分的具体工作，但是系统工程，即从用户需求分析、解决方案选择、系统架构设计到具体实施，是AI无法统筹完成的。更进一步，走出单一算法的“点状思维”，升维为“系统拓扑与动态平衡”的全局视角将是对AI时代的科技工作者最基本的要求。以加速器/大科学装置为例：高频、束流物理、真空、电磁、FPGA数字信号处理，没有哪一个环节能孤立存在。真正的Common Sense是在跨领域的交叉摩擦中产生的。

年轻人在学习阶段，需要尽量在没有AI帮助的情况下学习和解决问题，只有在经过反复努力无法完成时，再去寻求AI的帮助，对于AI给出的解答，必须追问背后的物理约束与理论假设，消化后纳入自己的知识树。如果一开始就让AI代劳推导与排错，大脑就失去了建立神经直觉的机会（如同用GPS认路的人永远记不住城市空间布局）。在理论构建初期坚持手动推导公式、搭建极简模型，在“无AI”环境下证明自己能走通全流程。若没有手动碰壁、没有经历过数周调不通系统的挫败，就无法形成对系统边界的敬畏与感知。

结语：AI时代的科研之路

在AI时代，科技工作者不再是“搬砖工”，而是“总架构师和质量总监”，是一个人领导的AI助手团队的灵魂。AI接管的是具体的工作，而什么应该做、如何才是做好，才是科技工作者需要关注的话题。不断的培养和夯实自己对所从事领域的Common Sense是完成这些工作的必要条件，这比以往需要对理论有更深刻、更全面的认识，对经验有更切身、更广泛的总结，从而达到一种由心而发的对工作内容和结果的直觉判断。年轻人从学习阶段就要培养Common Sense，比“无AI”时代面临更大的挑战，他们需要付出比前人更大的自觉与自律，主动“自讨苦吃”去抵抗 AI 带来的即时满足感 — 这既是这一代科技工作者的险途，也是其通往真正卓越的唯一窄门。