ARTICLE · 1232586
AI时代,“敢”或许比“想”更值钱
AI时代,“敢”或许比“想”更值钱一、 一份“全自动评测报告”引发的推阻 周四下午五点半，办公室里的键盘声敲得比上午密得多。隔壁工位的小曹还在对着两张几千行的表格反复核对，那是这周大模型在几个垂类业务场景下的评测汇总。 按照以往的规矩，做完这一轮对比，需要先拉出异常案例，再把准确率、问题标签、典型case这些一项项填进文档。接着要人工写出每个维度的波动说明，挑出十几个典型的错误回答做归类，最后整理成一份长达二十多页的分析汇报。这是一套标准的技术评测流程，也是大家习惯了的苦力活。每到周四，组里总有两三个人要为了这份文档熬到深夜。 那天下午，我工位上的显示器已经切到了别的工作界面。我手里的评测报告半小时前就全写完了。 从两周前开始，我就没再逐字逐句手写过这种汇报。我花了两三个晚上，把评测文档的结构、业务场景的打分规则、异常答案的分类标准，全都拆解成了明确的约束条件，打磨成了一套专门处理评测的 Skill。测试数据导出之后，直接丢给模型，它会在二十分钟内把整体趋势、分项对比和案例归因全部整理成规范的段落。 我做的事情只剩下一项，花十分钟抽检里面引用的极端数值，再确认一遍关键判断有没有偏差。原本需要耗费整整两天的重复劳动，被压缩成了喝杯咖啡的工夫。省下来的这两天时间，我拉着算法同学直接去排查了三个核心业务的严重坏例，把模型微调的进度往前推了一大截。 
这种效率上的巨大反差让我觉得很振奋。看着小曹揉着眼睛叹气，我把椅子滑到她旁边，指着自己刚导出的文档跟她说，我把调好的提示词模板和调用配置都打包好了，你拿过去直接跑，今天保准能准时下班。 我以为她会很乐意试试。哪怕只是抱着用新玩具的心态看一眼，也能省掉不少机械操作。 小曹盯着我的屏幕看了一会儿，脸上的表情没有惊喜，反而有些戒备。她把身子往后靠了靠，很快说了两句话：“配置这个 API 太麻烦了，要下app写提示词还要验收他的结果。而且万一它中间哪几个数字算错了，会上业务方问起来，最后还不是得我来背锅？” 这两句话把对话直接堵死了。她转过头去，继续在表格里一个单元格一个单元格地复制粘贴。 这件事情发生之后，我在很多场合刻意观察过身边的同事。我所在的环境是典型的大模型重度应用公司，内部每天都在讨论最新的架构和跑分，各种先进工具的使用权限也是放开的。然而现实的景象很反常，像小曹这样的人在团队里不是少数。 有很大一部分平时精明强干的同事，面对新出来的工具时，第一反应往往是后撤。他们嘴里经常挂着差不多的说辞。 有人试了一次模型生成的代码，发现少写了一个边界条件，就会跟身边的所有人说：“你看，AI 目前也就只能做到这个程度，改它这几行代码的时间，我自己早写完了。” 有人让模型起草一份运营方案，看到里面的措辞有些套路化，立刻摇着头关掉窗口：“机器写的东西没有灵性，根本没法用，还是得我自己一点一点抠出来才稳妥。” 他们拿这些理由来说服身边的同事，也是在反反复复说服他们自己。 这种抗拒的情绪很有意思。仔细琢磨那些挑剔的理由，会发现很多人在面对这些新工具时，不自觉地把自己放到了机器的对立面上。就好像只要能挑出新工具的几处瑕疵，只要能证明它在某些复杂细节上依然比不过有经验的人工，自己在这个岗位上的安全感就保住了。 我写下这些观察，并不是想给谁兜售下岗的恐慌。技术演进的速度摆在明面上，多喊两句狼来了没有任何建设性。我更想摊开我自己的经历，去剖析我们很多聪明人身上那套根深蒂固、却正在慢慢失效的旧习惯。
二、 困住聪明人的“完美主义陷阱”与“好学生思维” 如果你仔细看看今天身处科技公司、互联网团队或者专业机构里的这群人，会发现一个普遍的现实。我们身处的环境，从来都不是高学历在带着低学历摸索，而是更高学历的人在带着一群高学历的人干活。 这群人几乎都是一路考过来的好学生。名校毕业，履历光鲜，做事情严谨周密，对交付质量有极高的自我要求。他们之所以能从激烈的竞争里脱颖而出，靠的就是长期训练出来的一套能力，对确定性的绝对掌控。 在好学生的成长轨迹里，上学的逻辑是完全线性的。学校教给我们的法则非常清晰，先坐在教室里老老实实读几年书，把高数公式、数据结构、专业理论一页一页学懂弄通。你要先做完几百道习题，把所有的反例和特殊情况都搞明白，拿到九十分以上的成绩，才有资格走进实验室或者走向工作岗位去实操。 在学校里，没有学完课本就去答卷，会被视为冒进和不负责任。这种训练深入骨髓，以至于很多人走入职场很多年，依然保留着用上学逻辑去应对一切新事物的本能。 面对汹涌而来的大模型，这套好学生习惯立刻撞上了南墙。 很多人一听说大模型厉害，第一反应不是打开对话框去试着解决手头的小麻烦，而是立刻去网购一堆专业书籍。他们找来经典的机器学习教材，下载 Transformer 的原始论文，甚至试图从多头注意力的矩阵乘法、反向传播的数学证明开始啃起。他们觉得必须像准备期末考试那样，先把底层的算力架构、参数机制全部研究透彻，自己才算拿到了使用这项工具的资格。 
这种做法很快就会带来巨大的挫败感。 你在工位上苦读了三个星期，才勉强看懂自注意力机制在空间维度上的映射计算。你刚合上论文，新闻里就弹出了消息，头部团队已经把多模态理解推到了新的高度，长上下文推理能力翻了数倍，原本需要人工调优的流程被直接做成了自动化端到端功能。 你花几个月死磕知识的速度，根本赶不上模型迭代几个星期的跨度。 这时候，好学生陷入了一种罕见的无力感。在过去的认知框架里，只要肯下苦功，总能把一门课程的知识点全部掌握。可眼前这个东西，没有任何人能做到完全学透。模型的参数规模每天都在涨，涌现出来的能力每天都在变，就连顶尖的实验室学者，很多时候也是通过经验观察去探究它的表现。 无法彻底学透，就意味着无法绝对掌控。无法绝对掌控，好学生的完美主义机制就会立刻转变成防御机制。 这就是为什么小曹会脱口而出“配置太麻烦”和“出错我要背锅”。 配置一个环境、申请一个调用权限，实际上只需要十五分钟。真正让她感到难受的，是在那十五分钟之后，她要面对一个自己无法完全预测其行为的系统。她习惯了每一个数据、每一个标点都在自己的手指敲击下产生，哪怕慢得要命，那种掌控感也是踏实的。一旦把任务交出去，机器给出的结果可能会有微小的偏差，这种不可控让她感到了专业形象受损的威胁。 完美主义在很多时候会成为逃避的掩体。 当一个人对某种新事物无法做到百分之百的掌控时，最容易产生的逃避想法就是，既然我掌控不了它，那我就索性假装看不见它。等哪一天它变得完全成熟了，等哪一天它再也不会犯任何愚蠢的错误了，我再来用它也不迟。 很多人就是用这种挑剔和等待，把新工具推得远远的。他们宁愿在旧有的、低效的舒适区里把力气耗尽，也不愿意去面对新工具带来的不确定性。他们把这种防御看作审慎，却没注意到，身边的生产力规则早就悄悄换了轨道。 
三、反直觉的AI逻辑——别考驾照了，去带你的“刚毕业大学生” 要走出这种被困住的状态，得先把那套习惯了二十年的上学逻辑扔掉。 在过去的工业时代或者传统软件时代，面对一台精密机床或者一套复杂的企业管理软件，你确实需要先去考个驾照。你必须严格按照操作手册来，错按一个按钮系统可能就会崩溃，报错一条命令数据库可能就会锁死。对待这些死板的机械，先掌握原理、再熟记规程，是绝对正确的做法。 大模型的运作逻辑刚好相反。它不是一台冷冰冰的精密仪器，更像是一个刚从顶级名校毕业、满腹经纶却缺乏社会经验的大学生。 这个比方很能说明问题。你想想这个刚毕业的大学生是什么状态。 
他读过的书比你多得多。世界上绝大多数公开的通识知识、各种冷门的代码库、各种复杂的行业术语，他都能在瞬间调取出来。他的执行力极强，打字速度快到惊人，你让他写五千字的总结，他几十秒就能交出一篇结构完整的大体框架，而且从来不抱怨加班，从来不闹情绪。 但他也有非常明显的毛病。因为没有在具体的业务场景里摸爬滚打过，他缺乏对上下文隐性规则的感知。他容易字面化地理解你的指令，有时候还会把力气用错地方，洋洋洒洒写了一大堆正确的废话，却避开了真正尖锐的问题。如果碰上拿不准的地方，他为了显得自己能干，偶尔还会一本正经地胡说八道。 看清了这个画像，我们再回到开篇小曹担心的那个问题上。 如果公司的人力资源部今天真给你配了一个这样的高材生实习生，执行意愿极高，知识面极宽，只是做事有些毛躁，你会怎么对待他？ 你会因为“教他熟悉办公系统太麻烦”，或者“怕他写方案写错了连累我背锅”，就直接跟领导申请把他辞退，然后把所有订会议室、整理报表、写初稿的脏活累活全部揽回自己身上，天天熬夜自己干吗？ 稍微带过团队的人都明白，没人会这么干。真这么干的人，在职场上很快就会被琐事拖垮。 一个合格的职场老手，带这种应届生的时候，靠的从来不是自己上去替他干，而是一套明确的分工与协作规程。 
第一步，给他定好清晰的规矩，明确告诉他什么事情绝对不能做。这对应到 AI 里面，就是花心思去打磨你的指令约束，构建你的 Skill。 我在调教那个自动写评测的 Skill 时，第一版跑出来的结果也是惨不忍睹。模型在摘要里写了很多空泛的形容词，说模型表现非常稳健、具备广阔空间，甚至把两个不同维度的百分比搞混了。如果按照好学生的挑剔眼光，这时候就已经可以给它判死刑了。 我当时的做法，就是拿出了带实习生的耐心。我把那篇写得很烂的初稿拉出来，像批改作业一样一条条加限制。 我在指令里明确写上，正文里不允许出现情绪化修饰词，所有的结论必须直接跟数据挂钩。我给它规定了评测分类的标准字典，强行要求它在遇到异常案例时，必须直接贴出原始日志的编号，不准自己脑补任何理由。如果遇到置信度低于某个阈值的数据，必须单独标注出来让人工核实，不能强行给出总结。 改完这些规则，第二版的结果立刻整齐了许多。到了第五版，它输出的内容就已经非常稳定。在这个过程里，我没有去翻看一行算法论文，我只是把平时业务里的质量标准，一条条翻译成了它能读懂的行为准则。 第二步，做好最终的把关和审核。 带实习生的时候，老员工最重要的价值从来不是打字比实习生快，而是阅历比实习生深，能一眼看出方案里的坑在哪里。和 AI 协作也是同样的道理。我从来不会不经审阅就把模型生成的内容直接发给总监，但我也不需要从头开始写。我把八成的时间用来当主编，去核对那几个最关键的异常指标，去检查分析逻辑有没有跑偏。 这时候，小曹担心的那个背锅问题自然就化解了。最后的责任当然由我来承担，因为所有的关键判断都是我亲自过目的。机器只是替我跑完了那段漫长、枯燥又消耗精力的数据搬运和初稿撰写过程。 回到普通人的工作场景里，真正的能力分水岭从来不是去搞懂底层的代码架构。 面对新技术，普通人最大的壁垒，是敢于去使用一个不完美的工具。敢于忍受它早期的笨拙，敢于在一次次的跑偏里摸准它的脾气，敢于把它当成一个初出茅庐的助手，带着它在具体的事情里磨合出一套顺手的流程。 那些总想等着工具百分之百完美、等着自己准备得万无一失才肯上手的人，手里拿着最锋利的理论，却把生产力拱手让给了那些愿意在泥泞里试错的人。
四、在流动的边界上，为什么“敢”比“想”更值钱？ 在大模型这个领域里，时间衡量的尺度彻底变了。 在过去的传统软件时代，我们习惯了一种相对从容的节奏。一个功能或者一个想法冒出来，大家可以花三个月做调研，写几十页的需求方案，拉着各方开好几轮评审会，再排期半年慢慢开发。因为底层的计算环境和操作系统的规则是相对固定的，你今年规划的东西，明年做出来大概率依然适用。 可眼下的情况完全不同。大模型的能力边界正在以星期为单位往外扩张。 很多人脑子里每天都在蹦出新的想法。“如果用大模型来做我们的竞品动态追踪，应该很有价值。”“如果让模型帮我们把用户的零散反馈实时归类打标签，运营效率肯定会翻倍。” 很多人的动作就停在这一步。想完之后，他们会下意识地觉得，手头的项目太忙，现在去研究怎么接入怎么测试太耗费精力，而且现在的模型长文本处理好像还差点意思，等下半年模型性能再提升一点、等自己有了完整的空闲时间再去弄。 这是在用旧时代的静止眼光，看待一个高速奔跑的系统。 在快速演进的周期里，你在脑海里看到一个机会的那一秒，如果不立刻动手，这个机会其实就已经在离你而去。当你还在犹豫观望、试图等一个完美时机的时候，模型的下一次版本迭代，可能就会直接把你的这个想法冲刷得毫无痕迹。或者别的团队只是用极其粗糙的方式跑通了一个原型，就已经把市场空间占满了。 
更要紧的地方在于，大模型的能力边界是动态流动的。 对于这种持续进化的工具而言，每一次模型的升级，并不是推倒重来，而是在原有的边界上往外拓宽了一圈。这种拓宽带来了一个非常有意思的现象，很多你今天受限于工具表现而无法完全做好的想法，可能仅仅是因为当下的推理能力差了那么一点点。 如果你敢于在工具还不够完美的时候就动手，把业务的规则拆解好，把数据的通路摸顺，把真实的交互细节跑通，哪怕当前做出来的东西显得粗糙，你也已经把地基打在了边界的最前沿。 一旦底层模型在下一次更新里补齐了那块短板，你的整个工作流会瞬间被盘活。原本卡在最后一步的逻辑漏洞，随着模型推理能力的增强，顺理成章地就变成了成熟好用的方案。 那些一直停留在“想”的层面的人，永远感受不到这种技术红利。他们永远在挑刺，永远在嫌弃当前的版本还不够好，也永远在等着一个不需要动脑筋就能直接解决所有问题的神奇软件。等到那一天真的到来时，所有的操作已经被标准化了，属于个人的探索红利也早就被吃得一干二净。 想法放在脑子里是最廉价的。它既不需要承担失败的嘲笑，也不需要忍受调试报错时的心烦意乱，它可以永远保持完美。唯独有一点，它产生不了任何真实的生产力。 “敢”往往显得不那么体面。你要在一个陌生的界面里去摸索那些没见过的参数，要忍受同事路过你工位时对那些粗糙输出的轻视，要面对小曹他们随时挂在嘴边的质疑。可是只有在这些摩擦里，你才真正摸到了技术的脉搏。 在今天这个环境下，比看懂这些论文重要得多的事情只有一件。关掉那些永远也学不完的理论文献，回到你眼前那些繁琐沉重的工作里，打开那个对话框，敢于把你的第一个想法输入进去，敢于让那个刚毕业的大学生开始为你干第一件活。
