AI 会让人变笨吗?我想起了当年的搜题软件

二零一几年我刚上初中时候，搜题软件开始流行，我也经历过一段很典型的日子。

一道题不会，拍一下。

答案出来。

有时候连过程都懒得认真看，照着抄过去，作业就算写完了。

那段时间我自己的做题能力确实变差了。后来疫情上网课，考试时搜题也不是什么稀奇事。老师当时很担心，说你们这样下去，以后连题都不会自己做了。

现在回头看，我觉得老师当时说得也没错。

如果一个人长期把“自己想”这一环交出去，他当然会越来越不擅长自己想。

只是十年过去，我好像也没有因此变成一个不会学习、不会做事的人。

后来真的遇到自己想掌握的东西，我还是会去查资料、试错、补知识。某一段能力确实曾经被工具掏空了一点，但它并没有永久决定我之后还能不能学习。

所以最近看大家讨论 AI 带来的“知识空心化”，我总有一种很熟悉的感觉。

程序员以后都不会写代码了。

产品经理不知道底层怎么实现。

翻译新人没有基本功。

学生所有东西都让 AI 写，以后不会思考。

这些担忧当然不是凭空来的。

只是我越来越想问另一个问题：

到底是知识真的消失了，还是社会正在重新分配——谁还需要理解哪一层？

我们其实已经经历过很多次这样的变化。

有了导航以后，我去一个地方两三次，可能还是记不住路。

有了通讯录以后，我现在几乎背不出几个朋友的电话号码。

有了计算器，我们很早就接受了一个会计不需要证明自己能比机器算得快。

有了搜索引擎以后，我们也越来越少用“记住某个知识具体在哪本书第几页”来证明自己有知识。

这些能力确实有一部分退化了。

但很少有人因此认为人类已经整体变笨。

因为我们慢慢接受了：有些事情既然工具已经可以稳定完成，就不再值得每个人都花同样多的时间维持。

编程的发展史本身就很像这样。

最早的人要面对机器码。

后来有汇编。

再后来有 C、Java、Python。

然后是各种库、框架、云服务。

今天一个做网页的程序员，可能完全不知道 CPU 的每一条指令怎样执行，也不知道 SSD 控制器内部具体如何管理存储。

但我们不会因此说：

“这个人根本不会编程。”

因为现代技术本来就是靠一层一层封装起来的。

有人研究芯片，有人研究操作系统，有人写数据库，有人写框架，还有更多人在这些东西上继续搭应用。

如果要求所有人都从晶体管一路理解到网页按钮，今天的软件世界根本不可能存在。

AI 写代码，也许只是把这个抽象层又往上推了一层。

以前我们用编程语言告诉计算机：

这一行做什么，下一行做什么。

以后越来越可能变成：

我要一个怎样的系统，你自己想办法实现。

这时候自然语言、需求描述、验收标准，本身开始变成一种更高层的编程接口。

于是“会手写很多代码”和“懂计算机”也许会逐渐变成两件不同的事情。

更进一步说，底层代码可能会慢慢沉淀成一种基础性的专家领域。

它有点像数学和物理。很多人需要用到它的概念和结果，却不会亲自推导全部理论；少数人会沿着它继续钻下去，维护方法、处理例外、解决新的难题。

AI 可能正在把编程推向类似的分工：更多人通过自然语言和验收标准使用计算系统，一小部分人继续深入系统、数据、架构和底层实现。后者不会消失，只是未必再需要像过去那样由大量普通开发工作来承载。

翻译其实也很像。

以前做翻译，有大量很基础的劳动。

查词。

查固定搭配。

确认专有名词。

一段一段做初稿。

统一术语。

再重新润色。

这些东西过去必须有人亲手做，所以它们自然也构成了“翻译基本功”的一部分。

但今天一个普通商品描述、一封邮件、一份一般性的说明材料，机器已经可以很快做出一个不错的初稿。

那以后学翻译的人是不是就“没有基本功”了？

也许有一部分确实会。

如果一个人从来没有真正理解两种语言之间的差别，只会接受机器给出的第一版结果，他当然很容易被机器牵着走。

但另一面是，以后可能根本不再需要那么多人从零开始翻译这些标准化文本。

基础翻译也可能走向类似的分工。普通文本先由机器完成，少数语言专家继续处理术语体系、文化语境、法律责任、文学风格和机器始终拿不准的边界。

这句话在这个语境里到底自然不自然？

这个术语在整个项目里有没有前后一致？

这段话虽然字面正确，但当地人真的会这样说吗？

这是法律文本、文学文本，还是广告？

机器为什么在这里选了这个词？

这个选择会不会造成误解？

过去一个译者的大量时间花在“把 A 语言换成 B 语言”。

未来可能越来越多地花在：

判断机器换得对不对，以及什么情况下“对”还远远不够。

编程也是一样。

手写 CRUD、接几个接口、改一些样板代码的重要性可能下降。

但你仍然要知道系统为什么坏了，数据为什么没保存，权限为什么泄漏了，Agent 为什么把事情做错了。

也许未来我们不再那么在意一个程序员能不能现场默写某种算法。

但会非常在意：

他能不能理解、验证，以及在机器失灵时重新接管。

所以我越来越觉得，“知识空心化”这个词本身带着一种很强的旧时代预设。

它好像默认：

一个人必须按照过去那条路线，把每一层都亲手走过，知识才算“实心”。

数学没有因为大多数人不手算微积分而空心化。物理没有因为多数工程师不亲自推导量子理论而消失。它们沉淀为基础学科，由一部分人长期钻研，同时为更大范围的工作提供概念、方法和边界。

底层代码和基础翻译，也可能进入这个位置。

未来做产品、做网页、写报告的人，未必需要把底层实现或每一句译文从零完成；他们仍然要具备足够的计算与语言素养，知道系统大致如何工作，知道结果何时值得怀疑。更深的一层，则会由更少、训练更专门的人继续维护。

这不是知识消失，而是一种新的知识分工。

但 AI 这一次，确实和搜题软件、计算器、导航都有一点不一样。

搜题软件主要掏空的是做题这一环。

导航主要掏空认路。

计算器主要接走计算。

AI 一口气进入了太多地方。

写作、翻译、编程、设计、市场调研、产品、教学、行政、数据分析……

以前是一个工具拿走一小块能力。

现在越来越像很多行业的大量中间步骤同时被接走。

这时候真正值得担心的，可能就不再是：

“某一个年轻人是不是偷懒了。”

而是：

社会原本用来培养高级人才的那条路，会不会一起被拆掉。

一个高级程序员以前怎么长出来？

写简单需求。

修 Bug。

看别人代码。

维护一个自己并不喜欢的旧系统。

然后某一天，他开始理解为什么以前那些看似莫名其妙的设计会存在。

一个成熟译者又是怎么形成的？

翻过大量普通文本。

被编辑改。

犯过大量并不高级的错误。

慢慢知道哪种句子“虽然对，但就是不像人话”。

这些初级工作的问题在于，它们往往既是生产劳动，也是训练场。

AI 接走生产的部分以后，训练场不会自动保留下来。深层能力仍然需要人来维护，只是通往这层能力的入口可能变少、变窄，或者变得不再显眼。

这才是“空心化”值得警惕的地方：新的分工形成以后，谁还有机会走进专家训练？

可答案未必是把机器关掉，要求新人继续完成那些机器已经能低成本完成的重复劳动。

就像我们不会为了锻炼心算，要求会计把计算器扔掉。

训练的方法可能本身也要改变。对大多数人来说，重点是学会和工具一起完成工作；对准备成为专家的人来说，还需要一条能继续向下走的路径。

以后学编程，也许可以先让 Agent 把东西造出来。

然后问：

为什么这个功能刷新以后没了？

为什么别人访问不了我的 localhost？

为什么这个 API key 放在这里有风险？

为什么 Agent 写的代码明明能跑，却迟早会出问题？

从真实问题一路向下钻。

学翻译也一样。

不一定非要每次都从空白页面开始。

可以让机器先翻，然后去找它哪里不自然，哪里误解了上下文，哪里漏掉了文化语境，哪里虽然符合字典，却不符合一个真实的人会怎么说。

过去的学习路径更像：

把底层都学完，才允许你开始做事。

以后也许会越来越像：

先借工具做出东西，需要理解哪里，就往下钻一层。

不是每个人都需要挖到地基。

但社会得让准备深入的人看得见楼梯，也走得上去。

所以回头看我当年用搜题软件那段经历，我现在没有那么恐惧“某一环能力被掏空”这件事了。

它确实会带来损失。

我那时候独立做题能力变差，也不是假的。

只是人的能力结构没有那么脆。

当后来真的出现一个我想完成的目标，我还是会重新学习需要的东西。

对大多数人来说，新的基本功也许包括：知道自己哪里不会，知道什么时候应该怀疑工具，当结果很重要时能够判断它是否可靠，机器出问题时能把方向盘接回来。

对少数准备继续往下走的人来说，基本功还包括进入系统深处的训练：理解底层代码、语言机制、数据结构、专业术语，接住那些还不能被封装的例外。

这两类能力会同时存在，只是由不同的人在不同深度上承担。

所以我现在更愿意把“AI 会不会造成知识空心化”换成另一个问题：

到底哪些知识可以被放心地封装起来，交给越来越聪明的工具；哪些知识需要沉淀为少数专家长期维护的基础学科？