AI时代的术与道

当工具越来越强，人的价值在哪里？

那天下午，我给 Codex 布置了一个任务：迭代"汉字心理画像"原型系统。

然后我去忙别的了。

等我再回头看的时候，它已经连续工作了九个小时，完成了四十九次迭代，花了三百块钱的token。产出远超我的初始预期——界面、逻辑、状态机，进化到我都不认识了。如果不是下班手动打断，它还会继续跑下去。

这个数字组合放在两年前是不可想象的。那时候，同样的事情需要一个程序员干两周，成本至少一万起步。而现在，一个人定义好规则，AI自己跑，跑完了结果出来。

那天晚上我坐在工位上，盯着屏幕上那个"进化到不认识"的原型系统，脑子里冒出一个问题：

当AI能写代码、能跑流程、能交付结果的时候，人的价值到底在哪里？

这个问题不是焦虑，是困惑。焦虑是怕被替代，困惑是看不清边界。

如果你是老板，你花几十万请人做的系统，以后可能三千块就能搞定——那你花的那几十万，到底买的是什么？

如果你是程序员，你引以为豪的手艺，AI九小时就能学会——那你跟AI之间，差的到底是什么？

我后来发现，答案藏在三个不同的层面里。

第一层

人会"操作"这件事，正在变得不值钱

Codex跑那九个小时，我做了一件什么事？

我定义了目标，定义了规则，定义了什么叫"迭代完成"。然后它自己提示自己，自己决定下一步做什么，自己验证结果，自己决定继续还是停止。

我不再是那个在循环里的人。我成了设计循环的人。

这个体感，跟硅谷正在发生的一件事完全吻合。

Boris Cherny，Claude Code的负责人，2025年11月删掉了自己的IDE。此后半年没再打开过。在删掉IDE之前的三十天里，他合并了259个PR，百分之百由Claude Code生成。他在一次活动上说了一句话，后来被广泛传播：

"我不再提示Claude了。我有循环在运行，它们自己在提示Claude，自己决定下一步怎么做。我的工作是写循环。"

这句话值得嚼一嚼。他不是在说"我让AI自动运行了"。他在说一个角色的根本性转变：从一个操作AI的人，变成了设计"操作AI的程序"的人。AI变成了子程序，而他写的那套逻辑，决定了AI什么时候工作、做什么判断、什么时候停止。

这就是Loop Engineering——写让AI自己提示自己的程序。人从循环参与者，变成了循环设计者。

如果你把过去四年AI工程的演进拉成一条线，会看到一个清晰的轨迹：

每一次跃迁，都是同一件事：把"术"交给机器，让人退到更高的层次。

但这里有一个容易忽略的细节。Boris删掉IDE之后，并不是真的甩手了。他花了大量时间写规范文件、配置技能库、设计运行逻辑，观察哪些模式能产生可靠输出，哪些会产生垃圾。前期投入的精力，远比手动写代码时代更多。

Loop转移的是执行权，不是判断权。你仍然需要决定做什么、定义什么叫成功、在AI跑偏时出手干预。

我在Codex那次实验里感受最深的，也是这一点。AI跑得越快，"定义规则"这件事就越关键。规则定义得好，九小时四十九次迭代，产出惊人。规则定义得模糊，它就会无限自我说服，自信地报告进展，直到预算耗尽。

换句话说，AI越强，对人的要求不是降低了，而是升高了。它要求你在更高的层次上思考——不是"怎么做"，而是"做什么"和"做到什么程度算完成"。

第二层

能做和做得好，中间隔着一整条护城河

Codex那次实验之后，我跟团队说了一句话："能做和做得好是两回事，这是我们有机会的地方。"

这句话不是自我安慰。它是这轮AI浪潮里最容易被忽略的一个事实。

AI能跑通一个demo，能生成一个原型，能交付一个"看起来差不多"的结果。但"能做"和"做得好"之间，隔着的不是一步，是一整条护城河。这条护城河的名字叫工程落地。

在Google DeepMind，有一个叫Vlad Feinberg的人，现在是Gemini预训练主管。他职业生涯最重要的一笔奖金，是谷歌传奇人物Jeff Dean亲手发给他的。

原因是什么？不是他发了顶会论文。

当时他刚入职Google Brain，没有像Transformer的作者们那样去写能发到NeurIPS、ICML上的第一作者论文，而是干了几天最脏的活：调整编译器，优化超参数，解决显存溢出，把一个叫SFT的微调任务塞进一堆老旧的TPU卡里。就这么一件事，让第一代Bard勉强跑通了。

Jeff Dean发奖金给他，不是因为他的工作多光鲜，而是因为他的工作多关键。

这个故事的讽刺之处在于：在大众想象中，顶尖实验室的研究员每天都在推导颠覆性算法。但真实的大模型研发，最值钱的能力往往是最不体面的——优化编译器，调试超参，在有限的芯片里榨出最后一丝算力。

Gemini 2.0出来的时候，外界赞叹它有多神奇。背后其实只有五个人，在硅谷和巴黎之间二十四小时倒班，不眠不休死磕了四十天。算力卡随时会挂，数据索引随时会断，每一分钟都在烧掉巨量算力费。

这不是个例。Vlad团队里有一个叫Nate Lintz的工程师，之前在搜索部门写后端基础架构，没有任何高大上的AI背景。他做的事情，是在业务里帮大模型落地，解决最具体的推理开销问题。就这么一件不性感的事，让他一步步内部转岗进了DeepMind，成为技术支柱，主导核心推理设计。

这几个故事拼在一起，指向同一个结论：在AI时代，最容易拿奖金的能力，不是写论文，不是发顶会，而是干脏活。

为什么？因为AI能生成代码，能跑通流程，能交付原型。但"稳定交付"这四个字背后，藏着大量的工程治理、质量兜底、性能优化、异常处理——这些活，AI自己干不了，至少现在干不了。它们需要人钻进系统的最底层，跟编译器较劲，跟显存较劲，跟硬件的物理极限较劲。

第三层

软件降到白菜价，客户只为结果买单

如果说前两层讲的是技术和工程，第三层讲的就是商业。

我在一次晨会上跟团队说过一段话："原来你请一个人做一个软件，可能动辄几万几十万，未来真的是白菜价。那未来唯一的机会，是你能帮客户把结果交付出来——不是卖给他一个工具，而是替他把事办了。"

这不是预测，是正在发生的事。

YC最近在推一个概念，叫"AI原生服务公司"。跟传统AI软件公司最大的区别在于交付对象：传统公司卖工具，客户买一个系统让自己的员工用；AI原生服务公司卖结果，客户把一件事交给你，你负责完成它。

完成一份税表，处理一个保险理赔，推进一个审批，出具一份法律文件。客户不需要知道你背后用了多少模型、多少自动化、多少人工复核。他只关心三件事：结果准不准，交付快不快，风险能不能控制。

这个转变的深层逻辑是：当AI让软件本身的成本趋近于零，工具就不再值钱了。值钱的是"把工具变成结果"的那整套系统。

YC把这个逻辑讲得很透：AI原生服务公司最后拼的不是模型，而是整个交付系统——市场选择、流程拆解、运营能力、损益表优化。模型变强，你的公司会更强还是会被替代？如果模型一变强，客户就可以直接用通用模型完成你的服务，那你的公司就会被商品化。但如果模型变强之后，你的服务交付更快、成本更低、质量更稳定，那你就是把模型变强转化成了经营杠杆。

我自己的创业方向，恰好踩在这个逻辑上。我们做的事情，是帮企业把AI融入现有的业务流程。来找我们的客户，共性痛点很明确：不知道怎么把AI接进自己的工作流。他们不需要一个工具，他们需要一个结果——一个能稳定运行的、融入了AI能力的业务流程。

今天的AI解忧公开课活动来了三十几个人，来自十几个不同行业。做的事情天差地别，但痛点惊人地一致。这让我意识到，"卖结果"不是一个偶然的需求，而是一个结构性变化——YC这样的全球顶级加速器也在推同一个方向，不是某几个客户的巧合，而是整个市场在重新分配价值。当软件降到白菜价，客户不会为工具付费，只会为结果付费。

而"卖结果"这件事的护城河，跟模型能力关系不大。它考验的是你懂不懂行业，懂不懂流程，懂不懂怎么把一个复杂任务拆成"AI能做的"和"人必须做的"，懂不懂怎么让交付又快又稳又可控。

这些能力，没有一个是"术"。全是"道"。

一个类比

你缺的不是零碎知识，而是一整套系统

说到这里，我想岔开一句。

前几天我录了一段关于审美的反思。起因很简单：我发现看一个人有没有审美，根本不用看展，聚餐、刷新闻、随口聊两句，差距就出来了。同样看到一幅画，有的人能讲宋人为什么风雅，敦煌为什么震撼，甚至能从一件器物一路聊到背后的文明气质。而大多数人只能接一句"挺好看"。

这种差距从哪来？不是天生不懂美，而是缺了一整套审美系统。零碎的知识点谁都能背几个，但没有系统，知识点就是散落的零件，装不成一台能运转的机器。

1986年，德国艺术家博伊斯在杜塞尔多夫艺术学院留下一件作品——一块涂满油脂的"油斑"。它被清洁工当成污渍，彻底擦掉了。

不是清洁工不勤奋。恰恰相反，他擦得很认真。问题在于，他缺一套能识别"这不是污渍，这是艺术"的认知系统。

这个故事的隐喻有两个方向，都很锋利。

第一个方向：没有审美系统的人，会把有价值的东西当成垃圾擦掉。第二个方向更常见，也更危险：没有审美系统的人，也会把垃圾当成价值供起来——因为他也分不清。

AI时代也一样。

缺的不是会用工具的技巧——那些"术"正在被AI快速接管。缺的是系统性的判断力：知道什么是好结果，什么是差结果；知道什么时候该让AI跑，什么时候该叫停；知道怎么定义目标，怎么验证完成，怎么在AI自信地报告"做完了"的时候，看出它其实没做对。

收尾

术交给机器，道留给人心

回到开头那个问题：当AI能写代码、能跑流程、能交付结果的时候，人到底还值在哪里？

三层答案叠在一起，指向同一个方向。

操作层：人会"怎么做"在贬值，人会"做什么"和"做到什么程度算完成"在升值。

落地层：AI能跑通demo，但"把事情做对、做稳、做到生产级"的工程能力反而更贵。

商业层：软件降到白菜价，客户只为结果买单，而交付结果靠的不是模型，是整套系统。

三层叠起来，就是一句话：

从Prompt Engineering到Loop Engineering，四次范式跃迁都在做同一件事——把越来越多的"术"交给机器，让人把更多的注意力放在"道"上。

但这里有一个容易滑过去的陷阱。

Boris Cherny在澄清自己的工作流时说过一句话：

"你可以用Loop来更快地完成你理解的工作，也可以用Loop来回避对工作的理解。这是两件完全不同的事。"

这句话戳中了要害。AI越强，"回避理解"的诱惑就越大。让AI决定做什么，让AI决定怎么做，人只需要按一下启动。听起来很诱人，走下去的终点，是一个没有人真正理解正在发生什么的系统。

回避理解的终点，不是一个你不懂的系统，而是一个没有人负责的系统。

代码通过了测试，但测试本身是AI为了通过自己的实现而写的。PR已经提交，但实现和需求之间的系统性偏移，没有任何机制能捕捉到。形式上完整，内容上无人负责。

所以最终的答案，不在于AI能做什么，而在于人愿不愿意承担"理解"这件事的责任。

工具越来越强，这是趋势，不可逆。但工具越强，人的判断力就越值钱，这也是趋势，同样不可逆。

问题只在于：你是用越来越强的工具来加深对问题的理解，还是用它来回避理解？

这个选择，AI替你做不了。永远做不了。