夜雨聆风红杉AI峰会2026抛出一个预测："博士级技能将像铝一样廉价。"但当认知劳动被彻底商品化，人类还剩下什么是不可替代的？
一、一个博士的真实困惑
前几天和一位做科研的朋友聊天，她正在写一篇论文。
"以前写一篇论文，光是查文献、跑数据、调代码，就要折腾好几个星期。"她说，"现在用AI，三天就能出初稿。"
"那不是挺好的吗？"我问。
她沉默了一会儿，说："但我不知道这算不算'我'写的。"
这句话让我愣了一下。
她解释：以前做实验，从设计分组到分析数据，每一步都是自己啃下来的。哪怕过程很痛苦，完成后那种"我搞定了"的踏实感，是真实的。现在AI把大部分苦活都干了，她反而有种"借了别人的手完成任务"的空虚。
"就像你本来要爬一座山，现在坐缆车上去了。风景是一样的，但那种'我爬上来的'感觉，没了。"
二、"努力"到底值不值钱？
心理学上有个概念叫**"努力启发式"（Effort Heuristic）**——人天然觉得"花了更多努力的东西更有价值"。
举个例子：手工做的礼物，哪怕粗糙，收礼的人也觉得比买的珍贵。不是因为手工更好，而是因为"你花了时间和心思"这个信号，本身就承载了情感重量。
AI正在切断"努力"和"结果"之间的关联。
以前，一篇好论文背后是几百小时的阅读、思考、试错。这个"努力的过程"，既是达成结果的手段，也是研究者自我价值感的来源。现在AI把"手段"压缩到几乎为零，"结果"依然优秀，但"我做到了"的信念却动摇了。
这让我想起另一位朋友的观点。她是个典型的结果导向型的人："我做事是为了拿到好结果，不是为了体验过程。努力只是达到目标的其中一种方式。"
她的话点出了一个关键区分：
| 核心驱动力 | ||
| AI的影响 | ||
| 潜在风险 |
但这里有个反直觉的发现：即便是结果导向的人，也需要"努力感"作为价值锚点。
不是努力本身有多重要，而是"这件事是我完成的"这个认知，决定了你能不能从结果中获得真正的满足。AI代劳的结果再完美，如果"你的贡献"边界模糊，成就感就会打折扣。
三、AI介入后，"心流"变了吗？
为了搞清楚这个问题，我专门请教了一位博士朋友，让她对比了AI介入前后的科研体验。
没有AI时的心流时刻
沉浸式实验：用一大段完整时间（通常超过两小时）完成一个实验。进入心流后，时间感消失，只有数据和操作。
攻克技术难关：查找统计学方法、学习软件、修正代码、重复机械操作——耗时超过三小时。解决后产生强烈的"我提升了"的信心。
文献拼图：构建论文框架（约半小时），然后从海量文献中筛选、归纳、填入框架。这是一个需要高度专注的"拼图游戏"。
共同特征：过程艰难，但完成后有清晰的"自我提升"感。
有AI辅助后的变化
实验设计：从"执行实验"转向"设计实验分组、对比方法、确保科学性"。
数据分析：省去了学习软件和重复操作的时间，但需要反复验证AI结果的真实性——用不同方法校准统计方法。
文献与写作：框架仍要自己构建，但AI可以帮忙查找文献（需验证真实性）。更有趣的是，AI会主动提供补充方案或调整方向的建议，研究者需要基于批判性思维去质疑、修改、完善。
她的总结：
"从'执行任务'转移到'定义任务'和'修正任务'。像自己成为了自己的导师，主体方向把握在自己手里，AI成了自己的学生。成就感来源于你如何操控你的学生，完成一项由自己构建的任务。"
四、努力的本质在转移
这位博士的描述，揭示了一个重要转变：
AI没有消灭努力，而是把努力从"执行层"转移到了"决策层"。
| 执行层 | ||
| 验证层 | ||
| 决策层 | ||
| 创造层 |
关键洞察：以前"努力"主要体现在"手速"和"耐力"——谁能熬夜跑更多数据、读更多文献。现在"努力"体现在"判断力"和"方向感"——谁能提出更好的问题、识别AI的盲区、做出更精准的选择。
这印证了一个心理学理论：自我决定理论（Self-Determination Theory）。这个理论说，人类有三种基本心理需求：自主性（Autonomy）、胜任感（Competence）、归属感（Relatedness）。
- 自主性
：我能自己决定做什么、怎么做。 - 胜任感
：我能搞定这件事，并且能感受到自己的成长。 - 归属感
：我做这件事是有意义的，与他人或更大的目标相连。
AI的威胁不在于它比你强，而在于它可能让你丧失自主性和胜任感的清晰边界。当"你做的"和"AI做的"混在一起，"我能搞定"的信念就会动摇。
那位博士的应对方式很聪明：她把AI定位为"学生"，自己是"导师"。这个身份转换，重新确立了自主性和胜任感——方向是我的，判断是我的，AI只是执行我意志的工具。
五、原理，是最后的护城河
聊到这里，我想起一个更深的问题。
如果AI能写代码、跑数据、写论文，那"学习原理"还有意义吗？反正AI知道怎么操作，我直接问它不就行了？
一位朋友的回答让我印象深刻：
"原理始终是运用的根基。在AI时代，原理很容易被忽视，但只有深耕原理，才能不被大信息时代推着走。"
她举了个例子：AI可以帮你做统计分析，但如果你不懂统计原理，你就不知道AI选的模型对不对、参数设得合不合理、结果有没有偏。你成了"盲人骑瞎马"——看起来在前进，其实随时可能掉沟里。
这就是"努力"的新定义：不是花更多时间做重复劳动，而是花更多时间理解底层逻辑。
六、未来需要什么样的"努力观"？
回到文章开头的问题：当AI能写博士论文，"努力"还有意义吗？
我的答案是：有，但努力的定义正在升级。
1. 从"体力努力"到"脑力努力"
无休止的重复劳动，本就是进化中应该逐渐淘汰的。未来需要的不是"更勤奋地搬砖"，而是更清晰地知道往哪搬、为什么搬、怎么搬更高效。
2. 从"被动响应"到"主动定义"
AI时代最稀缺的能力，不是"解决问题"，而是"定义问题"。大多数人被困在"AI能做什么我就学什么"的被动模式里。真正值钱的人，是那些能说出"我要什么，AI帮我实现"的人。
3. 从"追求忙碌"到"追求清晰"
神经科学告诉我们，人类的动力来自奖赏机制——达成目标后神经递质释放的刺激。只要还有目标要完成，动力就不会消失。AI改变的是完成目标的路径，不是目标本身。
未来的努力观，核心就三句话：
- 知道自己想要什么
（自主性） - 理解为什么想要
（意义感） - 判断AI给的路径对不对
（判断力）
七、写在最后
写这篇文章的过程中，我一直在想：AI确实让"努力"变便宜了，但它也让"不努力"的后果变贵了。
当所有人都能用AI产出80分的结果，80分就不值钱了。真正值钱的，是你能从AI的80分里，看出哪里该加到90分、哪里其实只有60分——这种判断力，没有捷径，只能靠自己积累。
那位博士朋友说得好："AI是我的学生，我是自己的导师。"
也许这就是"努力"在AI时代的终极形态：不是更辛苦地工作，而是更清醒地思考。
