AI时代的技术分流

昨天和某智能产品创始人W总聊到个话题，

他在硅谷101上听到的：一群美国高中生聚会，有人问他们——“如果有一天AI彻底不在了，你们怎么办？”

那群孩子的回答几乎没有犹豫：“不会的，我们永远会有AI，AI已经离不开我们了。”

W总说，那一刻他突然意识到，原住民和非原住民的思考逻辑完全是两套系统。在这些年轻人眼里，大学只是一个社交场和文凭，只要是AI能做到的事情，人就不用学。用好AI，比理解AI的底层原理重要得多。

这个场景让我琢磨了很久。正好老友山哥和我就文章→AI的上限取决于你的上限在朋友圈也聊起类似的话题，他说"AI提升效率的同时就是让人降智"，还聊到现在有些程序员们天天换大模型，代码写出来根本无法维护，一个小业务就独立网关、独立数据库、独立服务器轰轰烈烈全上了——性价比先不谈，反正AI快。老板眼中看到的效率的飞跃,程序员眼中看到的是自己越来越牛逼,原本3天的工作量,现在只要半天。几年后,可能真找不到真正牛逼的架构师了。

我把这两次聊天里的几个核心问题拎出来，摊开说说。

一、不理解AI技术原理的人，存在的价值还大吗？

先说结论：依然很大。

往前倒三十年，会用Word写文档的人，有几个懂操作系统原理？倒五十年，会开车的人，几个懂内燃机热力学？倒一百年，会读报纸的人，几个懂印刷术的化学原理？

人类社会从来不是靠"人人都懂底层原理"运转的。 社会的基本运转逻辑是分工——一部分人负责向下追问，一部分人负责向上应用。前者推动技术本身的进步，后者把技术转化为生产力的提升。

这两种角色的价值不在同一个维度上比较，就像你不能说"诗人比工程师更懂世界"或者反过来一样。它们各自支撑了人类文明不同的侧面。

所以回到这个问题：只会用AI、不懂底层原理的人，他们存在的价值在哪？

价值在于：他们是把技术转化为经济增量的那批人。

一个不会写代码的人，付费买Token，用AI生成了营销文案、做了客户分析、搭建了自动化工作流。他消耗了Token，养活了AI公司，让技术迭代有了资金来源。与此同时，他用AI提了效，多拿了一个客户，多成交了一笔订单——这部分增量，是实实在在的GDP。

技术本身不创造社会财富。技术的应用才创造社会财富。

我在文章里写过一个观点，技术跃迁本质上是一台"人类分流器"——有人选择追本溯源，去研究大模型架构、去理解Transformer的注意力机制到底在做什么；有人选择探索潮流玩法，去琢磨怎么用AI更快地写出爆款文案、更高效地做客户分析。

前者推动技术的天花板往上走，后者推动社会总产值往上走。这两拨人缺一不可。

如果全人类都去研究底层原理，AI产业一天都活不下去——因为没人付费。如果全人类都只会用、不会造，技术进步会停滞——因为没有新的东西可以用了。

所以不懂底层原理，不是原罪。它是一种分工。

但话又说回来，W总转述的那群高中生说的"大学只是社交场和文凭，AI能做的人就不用学"，我听着确实也有点不是滋味。不是因为技术恐惧，而是因为这个逻辑如果推到极致，可能会带出一个更根本的问题：如果年轻一代彻底放弃了理解事物运行本质的意愿，人的自我探索如何继续？

这是一个真问题。

我不是说人人都得当程序员。但"AI能做我就可以永远不理解"这种心态，隐含了一个危险的假设——人类认知的传承和迭代是可以外包的。你不能把你家的账本交给一个你完全不理解的人，然后期待自己的财务状况是健康的。对个体而言，对外部工具的完全依赖，最终会掏空自身的判断力基础。

所以我的态度是这样：你可以不懂代码的具体语法，但你不应该放弃理解"一段代码大概在做什么"的好奇心。你可以不亲手训练模型，但你应该大概知道模型是怎么从数据里学到东西的。 这个"大概知道"，不是用来干活的，是用来兜底的。兜你对世界的判断，兜你在关键时刻选方向的能力。

那个"大概知道"的底线在哪，因人而异。但放弃好奇心，才是真正的降智。

二、AI训练数据的"断层"：一个被低估的隐忧

W总那天还问了另一个问题：“如果所有人都只依赖AI，不去创造新的知识，那AI又要从哪里吸取养料？”

这是一个这两年持续被问的问题，前段时间我和朋友还在讨论：今年为什么大家都搞拉长上下文了？是技术和场景需要，还是能用来蒸馏的燃料(数据)不多了，所以推理能力到头了？

现在的大模型，训练数据主要来自哪里？网页文本、论文、代码库、书籍、Reddit帖子、维基百科——这些东西有一个共同点：它们是人类创造的原始内容。

如果未来十年，人们的创作习惯发生根本性变化——不再自己写长文，而是让AI帮忙总结；不再自己写代码，而是让AI生成；不再自己写论文初稿，而是让AI起头再修改——那会发生什么？

互联网上的"人类原创内容"占比会持续下降，"AI生成内容"占比会持续上升。

当未来的模型开始用AI生成的数据训练下一代模型时，学术上管这种现象叫"模型自噬"（Model Autophagy）。已经有研究表明，用AI产出的数据反复训练的模型，几代之后会出现明显的质量退化——内容变得雷同、缺乏创造性、错误被不断放大。有点像复印机反复复印一张纸，到第十代已经糊成一片了。

这个问题的严重程度，取决于我们怎么定义"训练数据"。

从目前的趋势来看，有几个因素在减缓这个担忧：

第一，互联网数据的总量仍然在以惊人的速度增长，而且很大一部分新增数据仍然是人类原创。 短视频平台的评论、微博的讨论、小红书的真实体验分享、GitHub上的代码提交——这些内容的创作冲动来自于人类社交和表达的本能需求，不是技术需求。AI生成的内容再多，人还是会发朋友圈吐槽今天的天气，这个本能不会消失。

第二，更高质量的训练数据，正在从"公开互联网"转向"私域数据"和"行业知识库"。 企业的内部协作记录、客服对话、医疗影像标注、法律案例研判——这些人类专家产生的高质量结构化数据，才是下一代行业模型真正的养料。而这些数据的生产机制，短期内并不是AI能替代的——因为它需要人类承担判断责任。一份医疗报告，AI可以辅助，但签字负责任的必须是人。只要责任还在人身上，人类专家产出的高质量数据就不会枯竭。

第三也是最重要的一点：真正推动知识进步的"原始创新"，从来就不是AI能替代的。 一个物理学家设计实验、采集数据、分析结果、推翻旧理论，这个链条的起点是人提出一个有价值的假设。目前的AI没有"提出问题"的能力，它只有"组合已有答案"的能力。原创性的科学发现、技术创新、文学表达，这些是人类独有且不会外包给AI的领域。

所以我并不担心数据会"彻底断掉"。我更担心的是一种结构性的变化：互联网上的人类原创内容，从"全景"变成了"地标"。 地标还在，但周围的建筑全是AI盖的。这种生态下训练的模型，可能会越来越擅长模仿平庸，越来越不擅长捕捉人类的例外时刻——那些不合逻辑的灵感、莫名其妙的好点子、灵感乍现的"顿悟"。而这些例外，恰恰是人类创造力的核心运行模式。

换句话说，数据的焦虑不在于"够不够"，而在于它是不是"真"数据——带着人类粗糙、冲动、错误、偏见、灵光一现的那种真实。

这种真实，AI目前还伪造不了。

三、五年后，AI赋能下的社会将有哪些明显变化？

预测这件事，最容易被打脸。但做OPC这些年，我养成了一个习惯——每半年认真思考一次"未来两到五年正在发生什么"。不是为了预测准确，而是为了校准自己的决策模型。

以下是我基于当前趋势的几个判断，不一定对，但都是我反复推敲过的。

3.1 职业结构：从"替代"到"助飞"，再到"共生"

“AI替代人类工作"这个叙事已经喊了两年。但如果你拉长到五年来看，更可能发生的不是"大规模替代”，而是职业能力结构的彻底重构。

具体来说，五年后会有三个明显的分层：

最下面一层：完全被AI替代的岗位。 这一层比很多人想象的要小。真正会消失的，是那些"决策密度极低"的工作——纯模板化的文案、不需要判断的数据录入、流程固定的客服回复。这些工作本质上本来就不需要"人"，只是以前没有更低成本的方案。

中间一层——也是最大的那层：人机协同成为默认工作模式。 程序员不再手写每一行代码，而是负责设计架构、审查AI生成的代码、处理AI处理不了的边缘情况。设计师不再从零画图，而是定义视觉策略、筛选和调教AI的产出。律师用AI做案例检索和法律文书初稿，律师自己专注在策略制定和法庭辩论上。

最上面一层：纯人类的判断密集型工作。 企业战略决策、跨部门利益博弈、需要承担法律责任的签字、需要共情能力的心理治疗——这些工作五年内AI碰不了根本。不是因为技术不够，而是因为人类不接受机器为某些事情负最终责任。

所以你问我五年后什么人最值钱？不是最会用AI的人，也不是最懂底层原理的人，而是那些能把AI的能力和人类的责任做最优绑定的人——他们知道什么地方该让AI上，什么地方必须人兜底，而且能说服别人相信这个判断。

3.2 教育体系：文凭贬值加速，但真正的认知门槛反而变高了

那群高中生说"大学只是个社交场和文凭"，某种程度上他们没说错。五年后，大学文凭作为一种"能力信号"的价值会进一步下降，因为AI把很多传统意义上的"专业能力"大众化了——一个高中生用AI也能写出一份看起来不错的商业计划书，那本科四年教的"写商业计划书的方法论"，拿什么证明价值？

但与此同时，真正的认知门槛反而变高了。

因为当AI把"能做"的门槛拉低之后，人与人之间的差距不再体现在你"能不能做出一个东西"，而体现在你"能不能做出对的东西"和"能不能让人为这个东西买单"。这两件事，AI教不了你，文凭也教不了你。

五年后的教育，会分化出两条路：

一条是"认证通路"——继续追求名校学位、职业资格、标准化的能力标签。这条路的回报率在下降，但对于很多需要准入资格的行业（医学、法律、部分工程领域），仍然无法绕开。

另一条是"能力通路"——用真实的项目成果、持续的认知输出、在特定领域的判断力积累，来证明自己的价值。这条路现在看起来"不稳定"，但五年后会越来越主流。因为你做出来的东西就摆在那里，比任何证书都硬。

对于做OPC的人来说，这其实是个好消息。OPC天然就走在"能力通路"上——你的客户不看你什么大学毕业，他看你能不能解决他的问题。

3.3 组织形态：从"公司"到"工作室"再到"网络化个体"

这是我最笃定的一个趋势。

AI每进步一轮，个体能力就膨胀一轮。“一个人能做五个人的事"会变成"一个人能做十个人的事”。当个体的生产力持续提升，传统公司的组织逻辑就会被逐步瓦解。

为什么要有公司？传统答案很清晰：因为一个人做不完所有的事，你需要分工、需要协作、需要管理。但如果AI能替代掉中间那一层"别人替你干"的环节呢？

五年后，会有越来越多的行业出现这种形态：核心是一个或两三个"超级个体"组成的决策中心，外围是一圈AI工具和自动化系统，最外层是一个松散的、按项目合作的供给网络。

这种组织的好处是极致的灵活性。不需要养人，不需要租办公室，不需要开周会、搞团建、做绩效考核。项目来了配资源，项目做完散伙。

代价则是：离开了传统组织的保护，个体的风险承受能力和抗周期能力会更加分化。 强的超级个体更强，弱的个体可能连基本的收入稳定性都没有。

这也是为什么我一直在说，OPC的未来不只是"一个人单干"，而是一群超级个体之间的网络化协作。你是独立的，但你不再是一个人在战斗。

3.4 社会心态：从"效率焦虑"到"意义焦虑"

最后一个预测，可能有点抽象，但我觉得它最根本。

过去两年，AI带来的主流情绪是"效率焦虑"——我能跟上吗？我会不会被替代？我学得够不够快？这种焦虑的根源是技术追赶的压力。

五年后，当AI工具变得像电力和自来水一样普遍，效率不再是一个区分项之后——因为人人都有AI，人人都快——一个新的焦虑会浮出水面：

你做这件事，到底有什么意义？

当AI能帮你写出不输给专业作家的文章、做出不输给专业设计师的海报、生成不输给专业程序员的产品时，"做出来的东西"本身不再让你觉得自己有价值。你开始需要回答更根本的问题：我为什么要做这个？它改变了什么？谁因为它变得更好了？

五年后，意义构建能力会变成比技术能力更稀缺的东西。

知道怎么用AI做事的人满大街都是，但知道自己为什么要做这些事的人，可能比现在还少。因为AI帮你把"做的过程"缩短了，但"为什么做"这个问题，AI回答不了你。它只能告诉你别人怎么回答的，不能告诉你你应该怎么回答。

对于做社区的人、做内容的人、做产品的人来说，这是巨大的机会——因为在一个人人都在追问"意义"的时代，能帮别人找到答案的人，就是最有价值的人。

四、回到开始的那几段对话

W总问"如果年轻人都不理解代码的原理了，人如何自我探索"——我的理解是，自我探索从来不是在"理解代码原理"这个层面完成的，而是在"理解自己要什么"这个层面完成的。代码是工具，不是目的。AI可以是更好的工具，但也不会变成目的。

山哥说"AI让人降智"——一部分人是会的，但不是AI的错。AI只是把本来就存在的惰性加速了。降智不是因为技术，而是因为放弃了思考的习惯。而那些坚持追问事物运行本质的人，反而会因为AI的倒逼，思考得更深、更系统。

而那群美国高中生说的"AI离不开我们了"，我倒觉得他们可能说对了——但主语应该换一下。不是"AI离不开我们"，而是"我们可能再也离不开AI了"。

这个现实不可逆。但可逆还是不可逆，不是你该担心的事。你该担心的是：在这个AI永远在线的世界里，你的判断力、你的好奇心、你的意义感，有没有在跟着一起进化。

不要让自己变成那个"AI很强大、我很渺小"的人。你已经站在了所有工具的肩膀上了——别蹲着。

作者：一人尔社区-攸棠，七年独立从业者，OPC社区运营人。关注一人公司的生存、成长与连接。

本文部分素材来源于与云蝠智能创始人魏总、老友-刘镇山的交流讨论，特此感谢。

欢迎大家留言讨论~