一场久违的网球比赛胜利:AI时代,工具能赢下每一局,但赢不下那口气

QUOTE

工具能赢下每一局，却赢不下那口气。

—— AI 时代的职业坐标

十月的北京，晚上七点后的钻石球场会降温。十月十一日晚上九点多，这里坐着满场的人，红色战袍的郑钦文在对手的发球胜赛局 0 比 30 落后时连得四分，最后一分是一记 ACE——球砸在对手的反手侧，对手甚至没碰到。这是她人生中第一座 WTA1000 级别冠军奖杯，也是中网历史上第一位本土女单冠军。在展开讨论之前，先把事实摆清楚。

本文看点

决赛对手是十九岁的俄罗斯选手安德列娃，今年法网新科冠军，赛会四号种子，世界第五；两人此前唯一一次交手是二〇二四年的中网八强战，当时郑钦文 2 比 1 逆转。首盘郑钦文开局紧张，连续回球失误被连保带破，0 比 2 落后，但她逐渐找回状态，先破后保追平。此后五局各自保发，安德列娃 5 比 4 领先。第十局，郑钦文在局分落后的情况下被逼出三个盘点——全部被惊险化解，顽强保发；随后她连下两局，以 7 比 5 拿下首盘，盘末连赢十分。

第二盘双方互破，各保三局，4 比 4。关键的第九局，郑钦文多次逼出破发点，最终兑现；随后迎来自己的发球胜赛局，0 比 30 落后时连得四分，以再见 ACE 收尾。七天，七连胜，前四场全是三盘大战。10 月 8 日是她二十四岁生日，之后三场全是直落两盘。

— 决赛之夜：她向一万个陌生人举起球拍

这份成绩单摆在 AI 面前，会得到什么评价？大概是一串参数：胜率、发球成功率、破发点转化率、非受迫性失误数、体能曲线、右肘术后恢复指标。技术分析能解释她「为什么赢」，甚至能预测她下一场会不会赢。但没有一个大模型能在赛前告诉她，第十局那三个盘点她会怎么救——因为那不是技术问题。

需要先划清一条界线，否则讨论会滑向廉价的安慰。AI 在能力密集且有标准答案的领域，替代速度远快于绝大多数人的预期——翻译、基础法务文书、初级代码、标准化设计、数据清洗、常规文案、报表、客服第一轮应答，这些岗位的岗位描述里写的是可枚举的任务清单，而 AI 恰好在枚举和执行上不知疲倦、不犯情绪性错误、成本趋近于零。这是真实发生的事，不该回避。但有另一类价值，其供给侧根本不在算力上。

郑钦文在赛后说了一句话，被大量引用却常被误读。她说：网球不仅仅是击球，更是关乎你有多渴望胜利；也说过：我很庆幸自己找回了内心的那团火。注意这两句话的结构——它们没有描述任何一项技术指标，而是描述一个 内在状态。这个状态只有在真实的、不可撤销的、有观众在场有输赢后果的场地上，才会被真正激发和检验。训练房里可以模拟 0 比 2 落后三个盘点的场景，但模拟不出「有一口气顶在那」。同样的结构适用于歌手、演员、教练、医生、律师、老师、心理咨询师、主播，以及大量普通工作中的具体角色。

三个结构性原因

— 可计算的规则，与不可计算的那一侧

「AI 取代不了人」在个体层面几乎总是对的，在结构层面却可能是错的。

因为职业的消失不需要挑战冠军。绝大多数岗位消失的方式，不是某一个顶尖的人被 AI 击败，而是这个岗位的下限被抬到了人均可及。一个行业的价值分布通常是极度不均的：极少数人定义上限，极少数人承担最难的判断，而绝大多数人执行的是可被拆解、拆解后可被逐步交给模型的动作。AI 吃掉的正是中间这一层，并且吃得很快。

— 被优化的一方，与不被优化的一侧

同样的逻辑用在艺术领域，结论并不浪漫：能被模型复现的是风格，不能被复现的是经历。而现实中大量以风格为卖出的工作，本质上就是在出售可被复现的那一层。郑钦文能站在这里，是因为她卖的不是「网球打得好看」——好看的网球有大量人打得好看；她卖的是一条不可复制的、带着伤痛的、属于她个人的时间线，以及那条时间线在今晚被验证。

这也正是当晚另一个画面的分量：钻石球场变身万人演唱会现场，她拿起话筒唱《梦的光点》。一个能打赢法网冠军的人，在夺冠之后选择唱一首二十年前的动画片歌曲，还笑着说「有点走调了，这个也需要练习」。

这是本文真正想回答的问题，不谈宏大叙事，只谈可操作的东西。需要说明的是，下面五个层次不是五个互斥选项，而是一条从易到难的阶梯。

第一层：让 AI 变成杠杆，而不是竞品

会用工具的人和被工具替代的人，差距往往不在能力，而在主动性差——后者是把 AI 当对手，前者是当杠杆。具体做法是：把你日常工作中重复度最高的三件事，各写一条清晰的任务说明交给 AI 完成，包括输出格式、边界条件和自检标准；做完之后不要直接用，要去检查它哪里做错了、为什么错、怎么在说明里提前排除。

这一步的核心产出不是省下的时间，而是你对这件事的理解精度。一个说不清「这件事到底怎么做才算好」的人，既无法指挥 AI，也无法判断 AI 的对错——他只会得到一个看起来像模像样、实则不能用的结果，然后归咎于「AI 不行」。

第二层：把「执行」升级为「判断」

执行类任务被替代的速度最快，判断类任务相对持久，而判断的前提不是知识更多，而是敢于在信息不全时下结论，并愿意为结论承担后果。郑钦文第十局的三个盘点，最后那几分没有一个是赛前数据能推算出的最优解，她做的是在高压下把已知信息用尽，然后接受结果。

日常训练方式并不复杂：强迫自己在信息不全时给出明确判断，并写下判断依据和事后验证结论。日均十分钟即可，但必须写下来。三年后回看，你会得到一份属于自己的判断力日志——这类资产在 AI 时代极其昂贵，因为它不能被外部下载。

第三层：积累只属于你的经历

模型见过全人类公开表达过的内容，凡是被记录下来的模式，迟早都会被吸收。凡是没有被记录的——你独有的经历、你承担过的具体失败、你和某个人的具体关系——模型无从学习，也无从复制。这条在写作、咨询、设计、创业、教育、研究等领域尤其关键。

很多人经历了很多却没有资产，因为没有写下来、没有结构化、没有归因。做一件难事之后，问三个问题：这件事教会了我什么原理？如果重来一次我改什么？这件事在别人身上能不能复用？答完写下来。三年后你手里会有一份别人无法生成的第一手材料库，这才是真正的护城河——不是因为内容稀缺，而是因为它只能由你生产。

第四层：经营真实的、不可被替代的关系

这条最慢，也最难被量化，所以最容易被年轻人跳过。关系的复利不来自数量，而来自被记得的具体程度。你记得客户的家人名字、学生的性格卡在哪里、上司在压力期最需要的支持方式——这些信息模型可以获得，但要获得它们，代价是在对方身上投入了真实的时间，这件事模型无法自己完成。

训练方式朴素到有点反常识：在一个小圈子里做那个记得所有人细节的人。定期主动联系超过三个月没联系的人。不要群发，不要敷衍。这件事在 AI 时代的回报，会在你完全不期待的时候出现。

第五层：找到那件 AI 不评价的事

最后一层也是最难描述的一层。郑钦文在夺冠后唱了一首走调的歌，没有人用任何指标评价这件事，也没有人该评价。这个瞬间的意义不在于它做得好——它做得并不好——而在于它是一个人在最被需要的时候，选择做一件对「赢」没有任何用处的事。

这提示了一个此前所有讨论都漏掉的问题：AI 会持续优化一切有明确目标的函数，包括你的职业目标。但如果一个人全部的价值都建立在某项指标足够好上，那么他的存在就等于一个函数。而函数最终都会被更高效的函数替代。

真正稳固的位置，是那些不被优化的维度：你为谁而做、你放弃了什么、你拒绝做什么、你在没有观众的时候是什么样的人。这些无法被写成指标，因此也无法被优化，因此也无法被替代。

— 台阶只能一级一级建，不能跳

把五层放在一起看

这五层有一个共同特征，值得单独指出：没有一层是效率型的。第一层让你更省力，但它训练的是理解精度；后三层分别训练判断、素材、关系与意义，每一样都无法在单位时间内产出更多。AI 恰恰在「单位时间产出更多」这件事上最强，所以这五层恰好都长在它的能力边界之外。

另一个特征是：这五层的回报曲线都是前期平坦、后期陡峭。练判断力的前半年几乎没有可见收益，练关系的前两年甚至会更挫败——因为对方不会立刻给你回报。而工具带来的效率提升是即时的、立竿见影的。这两者的曲线差异，恰恰解释了为什么大多数人会中途切换回更舒服的那条路。

需要接受的现实是：这不是一个「学会就能赢」的清单。它更像是往一个账户里持续存款，短期看余额变化不大，长期看是否充裕。而绝大多数竞争发生在短期。

如果你读完只做一件事，我建议是这个顺序，前四条一年内能看出变化，第五条可能要更久，但它决定的是前面四条能不能撑过更长的周期：

回到十月十一日的那个晚上——决赛结束后，郑钦文做的最后一件事，是在一万个陌生人面前唱了一首二十年前的动画片歌曲。她今年二十四岁，拿到了职业生涯第一座 1000 级冠军，击败了法网冠军，世界排名从五十四升到二十三。在任何一个效率视角里，赛后这段时间都可以用来做更重要的事——比如巩固赞助关系、比如规划下一个赛季、比如恢复身体。

但她唱歌。她笑着承认自己走调了，并说这个也需要练习。没有任何一个大模型能解释这件事的收益，也没有任何一个模型会建议她这么做；然而我们都知道，如果一个人删掉了这个瞬间，她就不再是郑钦文了。她不再是一个排名更高的运动员——而后者，恰恰是最容易被替代的那一类人。

工具的能力会一直增长。我们能选择的，是把自己放在哪里。

AI 时代真正的问题，从来不是「我会不会被替代」，而是一个更简单、也更难的问题：