AI 越来越强,过去积累的经验还怎么用?

最近，我一直在想：如果 AI 在我们擅长的事情上，也开始做得更好了，那过去花时间学会的东西，接下来还能怎么用？

这个问题，是读到一位算子工程师的文章后，更清楚地浮现出来的。算子可以简单理解为模型执行具体计算的程序。他预期 AI 的能力会继续提高，自己也需要转向借助 AI 完成工作的方式。他把这种变化比作成为“机甲驾驶员”，并希望继续用上对工程、模型需求和硬件的理解。作者原文，虎嗅授权转载

让我停下来想一想的这篇文章。图为虎嗅授权转载页的标题与作者，日期为该页刊载时间。

我很喜欢这个比喻。机甲能带来更强的能力，人过去对问题的认识，也有机会在新的方式里继续发挥作用。

这让我联想到自己做 AI 应用和业务系统的工作，也想到那些很熟悉自己行业的产品、运营和设计同事。我们都在接触越来越强的工具，也都要重新理解自己的经验。

我想弄清楚的是：当 AI 接过一部分熟练操作，我们积累的经验，怎样才能继续进入具体的工作？

我们熟悉一个领域，往往是从亲手做事情开始的。

写代码、整理资料、分析商品、修改设计。做得多了，知道哪里容易出问题，知道哪些步骤要留心，也慢慢形成自己的习惯。

AI 出现以后，其中一些工作可以更快得到第一版。以前要逐步整理的内容，现在可能先有一个完整框架；以前需要反复尝试的实现，现在可以同时看到几种方案。

这当然带来了新的空间。很多想法可以更早拿出来看，原来没精力尝试的方向，也有机会动手试一试。

但变化也会让人重新衡量自己。过去最熟练的操作，如果工具已经能完成得不错，那我们还需要把注意力放在哪里？

OpenAI 公布的纳维—斯托克斯研究进展，也是让我产生这个想法的材料之一。官方公告描述了模型与 Agent 的探索，也描述了研究团队选择方向、调整资源和组织研究的过程。OpenAI 官方研究公告

向内盘旋、沿轴向拉伸的涡旋。图源：OpenAI 官方研究公告。

我更感兴趣的是这些工作的关系。一个复杂问题里，完成某个步骤、选择往哪里走、理解结果意味着什么，都需要被认真处理。工具能力变化以后，人参与的方式也可能跟着调整。

回到“机甲驾驶员”这个比喻，过去积累的理解，可以帮助我们使用新的工具。但怎样使用，本身还需要学习。知道原来那件事怎么做，并不意味着已经熟悉新的工作方式。

我也愿意把这个比喻停留在理解当下变化的层面。未来哪些环节继续由人参与、哪些交给系统，还会变化。现在更值得做的，是把自己手上的工作看清楚。

我在电商公司做 AI 应用与业务系统工程师，也参与过生图规则和商品验证相关的工作。对我来说，讨论经验的价值，放回这些事情里更容易理解。

一张商品图生成出来，画面完整、颜色舒服，很容易让人觉得已经不错了。接下来，设计和业务同事还需要看：商品有没有画对，卖点是否清楚，场景是否适合，哪些地方和真实商品不一致。

这些判断背后，需要对商品和使用场景的认识。

发现以后，还要继续说清楚。哪里不同？依据是哪张实物图？这一部分必须保留什么？哪些地方可以自由发挥？

当这些问题有了具体答案，经验就能变成 AI 可以参考的条件，也能变成检查结果的依据。

熟悉业务的人，能帮助团队把“我觉得不对”，进一步说成“这里需要按什么来判断”。

把这段思考放到一个具体过程中：带着资料提问，对照结果检查，再修正做法。图为依据本文观点生成的概念示意，不是研究结论或实测流程。

工程工作里也有类似的地方。

处理系统重构时，我会关心功能之间怎样组织，数据和任务怎样衔接，出现问题以后能不能找到原因。AI 给出了一段能运行的代码，我们还要理解它在整个系统里承担什么职责，后续修改会影响到哪里。

这些关注点，和以前做开发时积累的认识有关。工具变化以后，它们仍然可以帮助我提问、检查和取舍。

对业务同事也是一样。AI 整理了一份商品分析，接下来可以追问资料是不是对应同一款商品、结论有没有遗漏使用条件、建议是否符合当前的业务安排。

问得更具体，才更容易得到值得继续讨论的结果。当然，经验也可能带来误判，所以这些问题最后仍然要回到材料和实际结果上核对。

想到这里，我很容易顺着自己的想法得出一个判断：既然经验能帮助人用 AI，那有经验的人应该会更有优势。

但这个判断，还需要放到不同的任务里看。

《经济学季刊》发表的《Generative AI at Work》，研究了一家企业的客服人员使用 AI 助手的情况。在这项研究中，经验较少、技能水平较低的员工受益更明显。工具帮助他们更快获得一些原本需要积累的做法。研究正式论文

横轴为入职月数，纵轴为每小时解决的问题数。来源：Brynjolfsson、Li 与 Raymond，论文图 V，2025；CC BY-NC 4.0。

图中的红线表示从入职起获得 AI 辅助，蓝线表示未获得辅助，绿线是在入职第 5—6 个月接入。把不同的学习轨迹放在一起看，会更容易理解工具介入以后，经验积累的过程可能怎样变化。

这项研究有具体的企业、岗位和工具条件，但它给了我一个值得考虑的角度：有些经验，AI 也能帮助别人更快学到。

过去需要花时间熟悉的常见问题、处理方式和表达方法，可能变得更容易获得。一个刚入行的人，如果愿意学习、追查来源、认真核对，也有机会更快做好一部分工作。

所以，我觉得“做过很多年”还需要往下拆一层。

这些年里，我究竟学会了什么？是熟悉一套固定操作，还是理解了这些操作为什么存在？条件变化时，能不能发现原来的做法需要调整？

有时候，经验会帮助我们少走弯路；有时候，它也会让我们太快下判断。觉得这个问题以前见过，就跳过了对新情况的了解。

使用 AI 时，这一点同样需要留意。我们可以让它帮助查资料、提出不同解释，也需要愿意接受新证据。有些原来很确信的想法，可能确实该更新了。

我理解的专业能力，也应该包括这种继续学习的能力。能说明自己的判断，也能在依据变化时调整判断。

至于岗位会怎样变化，我觉得不能仅凭“经验还有价值”就下结论。工作内容、团队分工和需要的人数，都可能继续变化。一个人的能力还有用，与原来的岗位保持原样，需要分别看待。

对我来说，想这些问题，最后还是要回到每天做的事情里。

如果 AI 可以帮助我更快整理资料、形成方案、完成一部分实现，我就有机会多看一看：这次真正要解决的是什么，哪些条件还没讲清楚，结果需要怎样检查。

我也想把一些平时凭经验完成的判断，留下更具体的依据。

比如，同样是一张商品图，为什么这一处可以调整，另一处必须保留；同样是一项功能，为什么在这里这样组织，换一个使用范围又需要重新考虑。

把这些原因讲清楚，对自己是一次梳理，也能帮助同事和 AI 更好地接上后续工作。下一次遇到类似问题，就可以从已有依据继续往下看，而不必只记住一个结论。

不过，把经验留下来以后，也不能放着不动。商品变了、业务规则变了、工具能力变了，原来的依据还适不适用，需要继续检查。

这也是我现在愿意做的一种积累：记录自己怎么判断，看看结果怎样，再调整下一次的做法。

AI 越来越强，确实会让一些熟悉的工作发生变化。面对这些变化，我还是愿意带着过去学到的东西，去试新的工具、新的做法，也去接触以前不熟悉的问题。

我喜欢“机甲驾驶员”这个比喻，正是因为它让我看到了一种可能：过去积累的理解，可以和新的能力一起，帮助我们做更多事情。

接下来值得继续想的是，我还需要学什么，又有哪些习惯需要改变。

过去的经验还有怎样的用途，我想在接下来的具体工作里，一边用，一边找到更清楚的答案。

本文整理自近期随笔与工作思考。保温杯为解释性假设，资料截图和研究原图已注明来源；“经验怎样进入 AI 工作”为 AI 生成的概念示意。