嘿，各位小伙伴！今天想和大家聊聊一个我最近一直在琢磨，甚至有点小焦虑的话题。咱们现在天天都在用各种炫酷的AI工具，什么大语言模型啊，生成式AI啊，感觉效率一下子就上去了，很多任务嗖嗖嗖就完成了。但夜深人静的时候，你有没有那么一丝丝的担忧：这样下去，我们会不会越来越依赖AI，自己的脑子反而越来越“钝”了呢？
我得承认，这事儿困扰我好些年了。无数次，我想用生成式AI帮我更快地完成某项工作，或者深入研究某个问题。然后脑子里就会有个小声音跳出来：“是，这能省时间，能提高效率，但我会不会慢慢变笨啊？” 尤其是当我们不假思索地把知识型工作“外包”给大语言模型的时候，这种感觉就更强烈了。
所以，今天特别兴奋能和大家探讨这个有点矛盾的话题：我们怎样才能既享受到这可能是我们有生之年见过的最牛的技术带来的便利，又能同时保持我们大脑的敏锐度呢？怎么找到那个既能高效工作，又不会让自己“变笨”的黄金平衡点呢？这绝对是个值得深思的问题！
AI让工作变轻松，也可能让我们变“懒”？
就拿我一位在科技公司担任商业智能工程师的朋友分享的经验来说吧。他的日常工作就是写SQL查询，用Tableau创建仪表盘和报告。在AI出现之前，创建一个Tableau报告可能需要三到四周，期间有大量的与需求方的来回沟通，需要写很多计算字段，处理各种数据连接，反复迭代图表。
但现在呢？当他接到需求时，他会先构思仪表盘的整体框架，需要哪些数据，哪些计算字段，然后把这些信息“喂”给AI。他甚至开玩笑说，市面上能想到的AI工具，他基本都有付费版，因为各有各的强项。比如，他会让Claude帮他创建一个比较财年指标的计算字段，AI“刷”的一下就能生成一个200行的代码。如果换作以前，他自己写，没个四五个小时，甚至更久，都未必能搞定。而现在，用AI，可能连一分钟都用不到！
效率提升是显而易见的，以前可能要花两天写的计算字段，现在两小时就能敲定。但是，他也坦言，这让他变“懒”了。当你变懒了，你就不怎么费劲思考了；不费劲思考，从某种程度上说，可能就“变笨”了。
警钟何时敲响：当AI开始“越俎代庖”
我记得早期，大概2020年那会儿，ChatGPT还没出来，市面上已经有一些写作辅助工具了。我当时也用，觉得还行。但慢慢地，我发现自己在某些时候开始“关闭大脑”了。
我那位朋友也有类似的经历。他提到，在GPT出现之前，有一些文章改写服务，比如Copy AI之类的，也挺好用。但GPT一出来，感觉完全不一样了，简直是“这是真的吗？”的程度。对他而言，一个具体的转折点是，有一次他在另一家公司工作时，需要写一个Streamlit应用的代码，但他并不是Python高手。于是他开始用GPT来调试代码。以前，遇到问题得上Stack Overflow搜，研究半天，尝试各种解决方案。但用了GPT，不到半小时就搞定了。那是2022年初或年末，当时模型还没现在这么强大。但那一刻，他意识到，他不再需要一个导师或者一个编程伙伴来审查代码，AI就能帮他让代码跑起来，这对他来说是个非常震撼的时刻。
如何在AI时代保持“锋利”：我的几点思考
那么，面对这个困境，我们这些职场人该怎么办呢？如何找到那个平衡点？
我那位朋友分享说，他还没有到把自己的生活完全交给AI的地步，也认为自己永远不会那么做。因为在科技行业，如果你不学习，不进行批判性思考，不出六个月就可能被淘汰。他非常清楚这一点。
他的策略是：只把AI用在那些他已经非常擅长，或者确实需要一些辅助的领域。 他不会让AI去写一篇他完全不懂的30页技术论文，那不是他，也不是他想做的事。简单来说，他希望AI去做那些他以前不得不做的重复性任务，并且是在他已经具备专业知识的领域。
比如说，他很擅长用谷歌搜索。但现在有了Perplexity这样的AI搜索工具（Claude最近也推出了网页搜索功能），效率更高了。上周，他想找一些今年还能申请演讲的数据或分析类会议，就直接让Perplexity去搜，AI很快给了他25个不同的链接。如果他自己一个个去找，没几个小时下不来。
所以，对于那些你已经很专业，但又包含大量重复性操作的事情，AI简直是神器。 比如，我做内容研究，以前可能要开30个浏览器标签页，在各种信息里打转，那种感觉可能才真的让人“变笨”。现在跳过这个过程，反而可能让我更聪明，不至于在信息的海洋里迷失。
“偷懒”的代价：AI使用不当的隐形成本
当然，过度依赖AI，尤其是在自己不熟悉的领域“盲目”使用，也是有风险的。
现在很流行一个词叫“氛围编程”（vibe coding），就是一些非技术人员或者图省事的开发者，直接让AI生成大量代码。Y Combinator最近有篇文章说，他们90%的初创公司都在用AI写代码。
这听起来很棒，但我那位朋友举了两个例子：
- 有人在X（以前的Twitter）上发帖说，他用AI写的代码，用了AWS的访问密钥之类的，但后端安全没做好，结果黑客入侵，创始人收到了一百万美元的账单！因为“氛围编程”时，你可能只关注前端好不好看，而忽略了后端安全。
- 最近，他们公司一位非技术的同事用AI写了个SQL查询。那个查询，如果写得好，在Snowflake上执行成本应该不到50美元。但因为AI生成的查询在处理数万亿行数据时效率极低（比如用了SELECT *），结果花费了超过10000美元！
这些例子告诉我们，AI可以帮你做事，但你必须是那个“把关人”。你需要为AI设定“护栏”，确保它在工作，但不会让你付出惨痛的代价。
我如何努力保持“不掉队”？
我自己也在摸索如何在日常工作中避免过度依赖，保持思维的敏锐。
我那位朋友的做法是，对于核心任务（比如SQL查询、Tableau仪表盘搭建），第一个版本他坚持自己动手。 他不想失去那种“手感”。当第一个版本完成后，如果遇到瓶颈，比如像写作遇到“写作障碍”一样，工程师也可能遇到“可视化障碍”或“代码障碍”，这时候他才会求助AI。因为大语言模型被“喂”了海量的可视化案例和代码，它们知道什么是好的，什么是坏的。他会问AI：“我怎样才能改进这个图表？”“我怎样才能让这个查询更高效？”
他强调，这个“切割点”非常重要。 没有这个切割点，他可能会“更笨”。他希望这个切割点能越来越高，而不是越来越低。这也是他为什么觉得这个话题对他来说很“走心”的原因，因为他不想让这个标准降低。
AI与学习：是助力还是阻力？
最近微软有个研究叫《生成式AI对批判性思维的影响》，发现72%的参与者表示，在使用生成式AI后，他们在知识回忆方面付出的努力“少得多”或“少了”。
大脑就像肌肉，越用越灵活，越不用就越迟钝。我们总听到大语言模型在各种基准测试和“智商测试”中表现如何优异，似乎它们懂得比任何人都多。这就会带来一个困境：我是不是应该把越来越多的事情交给这些“更聪明”的AI呢？但如果这样，我自己还怎么发展新技能呢？
我那位朋友提到一个伯克利大学教授的例子。这位教授教了十年数据库课程，他注意到现在学生上课提问少了很多。起初他还以为是自己教得太好了，学生没问题了。结果期中考试，平均分是十年来最低的！因为学生们用AI写作业，但当在课堂上考试，不能用GPT这类工具时，他们就无法回忆起学过的内容了。因为他们没有在做作业的过程中真正“锻炼”自己的大脑。
这对于年轻一代来说尤其值得警惕。我们这一代人，成长过程中没有AI，必须自己动脑，已经锻炼出了那种肌肉记忆。但现在的年轻人，可能从一开始就过度依赖AI，大脑的“肌肉”没有得到充分锻炼。
AI应该是“辅助”，而不是“替代”
我特别认同我那位朋友的观点：AI应该是你的助手，它应该是对你的补充，而不是反过来。
有朋友可能会问，像Notion这样的工具能不能帮助我们更好地记忆和学习？Notion确实很强大，它不仅仅是个笔记应用，现在也有了AI助手，可以连接你的Slack等工具，在你的个人知识库里搜索信息，这对于公司内部知识管理非常有用。很多人用Notion打造自己的“第二大脑”。关键还是在于你怎么用它——是主动构建知识体系，还是仅仅当个存储器。
知识工作者的未来：拥抱AI，还是被AI取代？
那么，AI的崛起是否意味着“知识工作者”的终结呢？
我认为，对于那些工作内容高度重复的知识工作者来说，这确实是个挑战。但是，如果你是一个知识工作者，并且懂得如何利用AI来补充你的工作，而不是被它取代——比如，以前你一周能完成10个任务，现在借助AI，你能完成40个任务，并且保证质量——那么你的价值只会更高。
AI会犯错，会“一本正经地胡说八道”（所谓的“幻觉”）。所以，知识工作者的角色可能会从“大量搜集信息”转变为“高效验证AI给出的信息”。如果你让AI帮你完成了一份给CTO的报告，结果里面的数据是错的，CTO在董事会上用了这个错误数据，那你的工作就危险了。你的责任是验证信息的准确性。
最后的思考：别追逐噱头，专注核心价值
所以，如果要我给一个最重要的建议，那就是：不要盲目追逐那些听起来很炫的AI噱头和流行词。
思考一下你公司或者你个人工作流程中，哪些任务是高度重复的，看看AI能否在这些地方提供帮助。把AI看作一个强大的辅助工具，来补充你的能力，而不是期望它能一键取代你的所有工作。
记住我朋友说的一句话，我觉得特别好：“现在的AI，是它有史以来最差的样子。” 两年前，Claude的编程能力可能还一般，现在它两分钟就能帮你搭个网站。AI在飞速进步。
所以，对于商业领袖们来说，重点是找到那些可以被自动化的重复性任务，利用好AI工具，优化工作流。但不要被那些“AI帮我规划了完美人生”的点击诱饵式标题所迷惑。那些可能只是为了拍视频，真实情况未必如此。
我们最宝贵的，还是我们独立思考的能力，那种批判性思维，以及我们作为人类独特的创造力和智慧。别让AI的便捷，钝化了我们自己的锋芒。