01 / TWO KINDS OF FRICTION

有些弯路没有价值，有些弯路在训练你看路

人们很容易浪漫化吃苦。

手抄十遍并不天然比理解一次更高贵；把大量时间花在整理格式、搜索固定资料、重复计算和机械改写上，也不会自动产生专业能力。工具的意义，本来就是替人消灭没有必要的消耗。

所以问题绝不是“AI 来了，我们还要不要坚持手工”。

真正要区分的是两种摩擦。

第一种是无效摩擦。它只消耗时间，却很少改变你的判断。

例如把同一份数据复制到十张表，反复调整文档格式，查找一个确定的函数名称，把录音逐字敲成文字。AI 消灭得越多越好，因为做第一百次和做第一次相比，你并没有获得多少新的东西。

第二种是形成性摩擦。它同样让人烦，却在迫使大脑完成某种未来还要使用的动作。

追一个陌生故障时，你在建立“现象—原因—验证”的联系；修改一篇失败的文章时，你在学习区分材料、论点和证据；自己尝试解决一道新问题时，你在暴露原有理解的边界；和客户来回确认需求时，你在形成对模糊、风险和人情的判断。

这些过程的产出不只是眼前的代码、文章或方案。

它们还有一个不容易被计价的副产品：下一次遇到不同问题时，你脑中多了一条可以调用的路径。

无效摩擦是在重复劳动，形成性摩擦是在压缩经验。两者都慢，但只有后者会变成未来的快。

学习科学里有一个听起来矛盾的概念，叫“生产性失败”。有时，学习者在正式接受讲解之前，先用已有知识尝试一个尚不会解决的问题，哪怕得出错误方案，之后反而能更好地理解概念并迁移到新问题。

一项汇总 53 项研究、166 组比较的元分析发现，在设计得当时，“先尝试解决、再接受讲解”对概念理解和迁移有中等程度优势。为什么先尝试还有这种效果？因为尝试让人先看见问题的结构：哪些办法为什么不行，真正的解法需要满足什么条件，自己原来的直觉缺了什么。

53 项关于生产性失败的元分析覆盖的研究数，共 166 组比较：先尝试再讲解对概念理解和迁移有中等优势

0:52015 年 10 月旅法棋手樊麾在伦敦被 AlphaGo 击败的比分，赛后受聘成为团队顾问

2017 年樊麾的名字出现在 AlphaGo Zero 论文共同作者名单里的年份

答案来得太早，这些缺口就没有机会显形。

这也是很多专家直觉的来源。

资深程序员看一眼现象，就知道先别动数据库；老编辑读到第二段，就感觉论证的重心偏了；有经验的医生听完病人一句描述，会多问一个新人想不到的问题。

他们不是脑中保存了所有旧案例，而是大量成功与失败已经被压缩成了注意顺序、异常感和排除规则。

“我曾经很辛苦”不算笨功夫的收获；“我知道什么时候该怀疑什么”才算。

02 / DESIGN THE TRAINING BACK

当结果越来越容易得到，训练过程需要被单独设计

过去，工作和训练被绑在一起。

公司让新人写代码，是为了交付功能，也默认他会在交付中成长；让年轻医生看病例，让初级分析师清洗数据，让编辑反复改稿，都是一边生产，一边培养下一批能够独立判断的人。

这种培养方式并不完美，但有一个隐含条件：新人必须亲自穿过过程，才能拿到结果。

AI 正在拆掉这个条件。

结果可以直接生成，过程却不再自动发生。

这对个人和组织都会产生一个长期问题。

一个团队今天可能因为 AI 少招新人、减少初级任务、提高交付速度。三年后却发现，没有人在那些“低级工作”里积累足够案例，可以接住更复杂的判断。高级人才仍然需要，但通往高级的梯子被效率优化掉了。

AI 可以替代初级任务，却不会自动替组织培养高级的人。

对个人来说也一样。

如果每次卡住都直接把问题交给 AI，你会获得一种很真实的生产力：工作完成得更多、更快。可生产力和成长并不是同一个账户。前者记录今天交付了多少，后者记录下一次没有现成答案时，你能独立处理多少。

短期考核往往只看第一个账户。

这正是风险所在。没有人会在任务按时完成时提醒你：“这次你没有形成能力。”能力缺口通常要到环境变化、工具失灵、你需要审核 AI，或者职位要求你独立负责时，才集中暴露。

没有人需要故意拒绝 AI，把每件事重新做慢。

更现实的做法，是在使用 AI 时保留少量关键摩擦。

不要把每一步都留下，只留下那些未来需要你判断的部分。

2015 年 10 月，旅法棋手樊麾在伦敦被 AlphaGo 五局 0:5 击败。赛后他受聘成为 AlphaGo 团队的顾问，用围棋理论核对机器的选择；到 2017 年，他的名字出现在 AlphaGo Zero 论文的共同作者名单里。输给机器的人，最后换了一种方式参与这个项目。

程序员可以让 AI 写样板代码，但在看修复方案前先写出三个故障假设；写作者可以让 AI 整理材料，但必须自己决定文章真正要证明什么，并解释为什么删掉某一段；分析师可以让 AI 清洗数据，却要亲自定义指标、检查异常和说明结论在什么条件下会失效。

还可以把 AI 从“修好它”改成“给我最小提示”。

先让它指出问题在哪一层，不直接给方案；让它反问你下一步准备验证什么；完成以后，让它制造一个相似但不相同的错误，看你是否还能处理。

这样做的目的与仪式感无关：它在保护那些会进入未来判断的动作。

一个简单标准是：如果某一步失败了，未来可能造成重大后果，那个人就不该从未亲自做过这一步。

可以让 AI 替你生成十份普通周报，因为你不需要靠写周报形成核心能力；但如果你的工作要求审核财务判断、诊断风险、确认系统能否上线，就不能只学会接受一份看起来合理的结果。

工具史一直在帮助人类跳过笨功夫。

计算器跳过手算，摄影跳过写实绘画，搜索引擎跳过翻目录。我们并没有因此失去所有能力，而是重新决定哪些能力还值得训练。

AI 带来的难题更深一点：它不仅能跳过动作，还能跳过动作背后的分析、试错和表达。结果仍然属于你，形成结果的经验却可能属于模型。

所以，未来真正要紧的，是识别哪些辛苦正在生成判断。

该被淘汰的，是不能带来成长的重复；该被保护的，是那些让你在错误中看见结构的过程。

AI 会让工作越来越不像训练。

这意味着，我们不能再指望“做得多，自然就会了”。

结果可以交给机器加速，能力形成却要被重新安排：哪里先自己尝试，哪里必须解释理由，哪里需要经历一次失败，哪里要在没有原答案的情况下重新完成。

过去，笨功夫和能力混在一起，我们只能一起承受。

现在，AI 给了我们拆开它们的机会。

困难不必都留下，也不必都删除。

下次 AI 把活干完，别急着关窗口：让它再给你出一道同类的题，你自己走一遍——走得通，能力记在你账上；走不通，你就找到了该自己留着的那段笨功夫。