夜雨聆风那天下午，我去找两位博士。
不是聊AI。就是碰巧有空，去他们办公室坐坐。
推门进去，两个人都埋在桌前。桌上堆着试卷，电脑上开着教务系统——一个在改卷子，一个在往系统里录分数，旁边还放着一份成绩核对表。
“最近太忙了，杂事太多。”
这句话我听过不止一次。每次碰到，都是这句。忙，但忙的是什么？ 改试卷、录分数、核对、再核对。一套流程跑下来，人累得半死，还不敢说没出错。
我在旁边看了不到半小时，心里就有数了。
这些活儿，至少有一半，AI能做。
我说了这个想法。
“AI？” 两个人头都没抬，“达不到这种程度。”
我没急着反驳。先问了句：你们平时怎么用AI的？
答案和我想的一样——打开DeepSeek，或者豆包，输一个问题，得到一个回答。一问一答，一问一答。用他们的话说：“聊聊天还行，干活不行。”
这就是问题所在。
他们对AI的全部认知，停留在“一次性问答”。就像你买了一台智能手机，只用它打电话，然后下了个结论：“这手机也就这样。”
他们不知道的是，现在的AI早就过了“聊天”阶段。能识别手写字迹，能批阅主观题，能按评分标准打分，能把结果直接填进系统——一整套流程，十几分钟跑完。
但“不知道”这三个字，恰恰是最危险的。
因为你不知道自己不知道，所以你连试都不会试。
我拿到了几张试卷样例。
他们提了一堆担心，都合理：学生字写得太乱，人都不认识，AI能认？问答题怎么判？插入、删除、涂改怎么办？分数能准吗？
合理，但前提是停留在旧认知里。
我没再多说，直接开始演示。
十分钟。
选择题、判断题、简答题——全部批改完毕。分数自动汇总，自动分类，直接生成可以录入系统的格式。
手写的、涂改的、字迹潦草的，一个没错。
第一位博士盯着屏幕看了很久。
“这……能达到这种精度？”
然后是一连串问题：用的什么模型？什么工具？怎么操作的？能不能也帮我搞一下？
十分钟前是“不可能”，十分钟后是“怎么用”。
吃饭的时候，碰到了另一位博士。
第一位博士兴奋地说：你知道吗，现在AI可以自动批改试卷，还能自动录入系统！
第二位博士的反应，和之前一模一样：不可能。
我又确认了一下：你是不是觉得学生字迹太乱，AI识别不了？涂改的、插入的，搞不定？
“对，就是这样，这些字人都要看半天。”
然后第一位博士把刚才的结果给他看了。
他沉默了。
不是礼貌性的沉默，是真的说不出话。足足好几分钟，一句话没有。
然后他开口了，只问了一句：
现在AI已经发展到这种程度了？这是怎么实现的？
那几分钟的沉默，我后来想了很久。
这两位博士，都是各自领域的专家，学识渊博，专业扎实。
他们的沉默不是无知，是认知在追赶现实。
我想到一个现象，姑且叫它“AI认知时差”——AI的实际能力和你心目中AI的能力之间的差距。这个差距越大，你看到真实演示时的震惊就越大。
而最容易产生大时差的，恰恰是高学历、深专业的人。不是他们不聪明，是他们所有的注意力都投在了自己的研究方向上，对领域之外的技术变革，几乎没有感知。他们对AI的了解，来自大众媒体的报道和偶尔打开聊两句的体验。
用一次性问答的结果，给整个AI下了判决书。
那种沉默里，有震惊，有不可思议，可能还有一点——惋惜。
可惜的不是他们不够优秀，是他们那么优秀，却因为不知道、没试过，把大量时间花在了本来不需要花时间的事情上。
但让我触动的，不只是这两个人。
你去很多学校、机构、企事业单位看看，墙上挂着“AI赋能”的标语，文件里写着“数字化转型”的要求。
口号喊得震天响，具体到每一项工作，还在用最笨的方法。
改试卷手动改，录成绩手动录，写报告手动写，填表格手动填。一套流程跑下来，人累得半死，效率还低。
说得好听一点，叫“符合规范、满足监管”。说得难听一点，就是用流程的壳子，把低效包装成了“严谨”。
流程当然重要。但流程的目的是保障质量，不是把人拴在重复劳动上。
AI已经可以替你做那些“不得不做但做了没有成长”的事情了。批改、录入、核对、整理、汇总——这些活儿，AI做得比人快，比人准，而且不知疲倦。
让人去做该做的事——研究、教学、思考、判断。让AI去做该AI做的事——重复、处理、搬运、核验。
这篇文章不想讲什么大道理。
如果你也觉得“AI做不到”，我只有一个建议：
在你说“不可能”之前，先让人给你演示一遍。
不需要成为AI专家，不需要学编程，不需要改变工作习惯。只需要做一件事——保持好奇，愿意看一眼。
那两位博士看完演示之后，第一句话不是“这个工具怎么用”，而是“还有什么事情是AI能做的”。
从“不可能”到“还有什么能做”，中间只隔了一次亲眼看见。
那些加班改完的试卷、手动录入的分数、反复核对的表格——也许，它们本不应该占用你那么多时间。
你拒绝的不是AI，是你本可以省下来的那些时间。
保持开放，是这个时代最便宜的投资。