当AI拿走过程

这几天，DeepSeek工程师刘胜与写了一篇文章。

叫《我不得不把才华埋葬在昨天》。

写的很好，值得一看。

他做的是大模型底层算子优化，过去都是手搓的。

现在AI能读最底层代码，找瓶颈，迭代和优化了。

照他的意思，再有一年，AI写算子能力会追上他甚至超过他。

所以，他说的还是，人是不是会被AI取代这个事。

我今天更想说说另外一个事。

如果未来，我们把过程都交给AI，只看结果，那我们以后靠什么变强？

能力是怎么沉淀出来的？

我认为，刘胜与今天之所以可以把执行工作交给AI。

是因为那些代码、Bug和一次次推翻重来的过程，他都亲手经历过。

AI拿走执行，并没有拿走这些经历沉淀下来的判断力。

想象一个场景。

如果一个年轻人从第一天开始，代码靠AI写，Bug靠AI找，优化也是AI做。

十年以后，当AI同时给出A和B两个方案时，依靠什么去判断哪个是真的好？

结果变好，人自然变强吗？

前两天，《人物》采访了香港大学经济学教授吴延晖。

他和合作者追踪了中国中部一个县9所学校、2万多名初高中生，研究学生用AI写作业以后会发生什么。

数据显示。

用AI后，平常做作业成绩平均提高18%，完成时间缩短30%，看起来很好。

但是6个月以后，月考成绩平均下降20%，中高考表现同时出现明显下降。

更有意思的是，研究把AI使用分成了两类：

一种是"外包"：题目扔进去，拿答案；

另一种是"辅导"：学生还得自己做，只有卡住了，才让AI解释、提示、纠错。

明显的学习惩罚，主要集中在前一种。

AI做题很快，但是和AI帮你把题学会，是两件事。

过去我们默认，成果和能力大体是绑在一起的。AI第一次让它们可以大规模分开：

成果可以成熟，人不一定同步成熟。

那些看起来没效率的过程

设想一下，一个刚进公司的年轻人第一次做经营分析。

找数据，漏了一组，被退回来；重新找，又发现两个部门口径不一样；数字终于弄清楚了，写了一堆现象，领导看完就问一句：

"所以呢？"

于是他再去问业务，再拆原因，最后发现表面看是收入问题，背后可能是回款，是客户，是项目结构问题。

折腾一两周，最后交上去的，也许只有十页PPT。

如果单看效率，挺低的。尤其是现在AI做，分分钟的事。

但在这段时间，他开始知道什么数据容易错，什么口径不能混，什么只是现象，什么才是原因，这是一个培养感觉的过程。

反之，现在AI第一次可以做到：

PPT留下，前面所有的折腾都可以省掉。

不是所有低效，都应该被消灭

当然，改格式、搬数据、机械录入，这些活机器能做，当然交给机器。

人也没必要为了"成长"，故意制造无意义的痛苦。

但第一次独立写分析、搭模型、调Bug、做错判断再承担后果，这些过程虽然也慢，却和改字体不是一回事。

我把它理解成：生产性摩擦。

有些摩擦，只是在浪费时间；有些摩擦，却是在生产能力。

运动和健身最好理解。

机器替你把100公斤举起来，结果确实完成了，但你并没有变强。

真正让肌肉变强的，不是杠铃最后到了哪里，而是把它举上去的阻力。

学习、跑步、工作、写作、判断，很多时候都是这样。

高手到底多了什么？

高手真正值钱的，往往不是见过更多正确答案，而是见过更多错误答案。

老财务看一张报表，会觉得哪儿不太对；老程序员看一段代码，会说"这里容易出问题"；老企管看一篇分析，会说“哪些地方逻辑不对”。

这些判断不是现场算出来的，而是过去一次次踩坑、犯错、修正，最后形成的一种感觉，说不清道不明，但就是很管用。

大概就是：

做 → 错 → 反馈 → 修正 → 再做 → 慢慢看见规律 → 形成判断。

学习意味着犯错误，在试错中进步，也意味着举一反三。

AI偏偏取代的就是这些

大多数职业的成长路径都差不多：

先做标准任务，再做复杂任务，最后才进入模糊判断和责任。

而AI最擅长的，恰恰就是这些标准化、数字化、结果容易验证的任务。

今年有一篇工作论文，把这种现象叫做"学徒制外部性"。

说白了就是：

企业今天自动化一个初级岗位，拿到的是当期效率。

少培养一个未来专家的成本，需要等到几年以后才出现。

企业嘛，可能更看重当下的降本增效。

我个人的理解

事情并没这么悲观，问题也不是用不用AI。

而是：我们在用AI的时候。

到底是AI在替我们思考，还是AI在帮助我们思考。

长期结果可能截然不同。

自己不会，AI做完，交上去，这是代做。

自己先判断，AI给方案，自己审查，它再反驳，再重新判断，这是陪练。

AI在拆掉梯子的时候，也可以成为新的梯子。

哪些困难，值得留下？

技术真正伟大的地方，是替人消灭没有意义的痛苦。

但需要警惕的，是我们会不会顺手把那些让人成长的困难，也一起消灭了。

不是所有痛苦都值得保留，更不是吃苦越多越好。

真正需要留下的，是那些能让人形成尺度、认识错误、建立判断的过程。

所以以后面对AI，也许不能只问：

这件事它能不能做？

还要多问一句：

这一步除了生产结果，还在不在生产"我"？

如果没有，放心交给机器。

如果还有，也许值得自己多走一段冤枉路。

AI可以替我们得到越来越多答案，但有些能力，只长在努力寻找答案的路上。