為什麼越用AI，越覺得自己不值錢了？

本文來自微信公眾號： 不懂經 ，作者：不懂經也叔的 Rust，原文標題：《AI 時代的張文宏悖論：為什麼越用 AI，越覺得自己不值錢了？》，題圖來自：視覺中國

前幾天，刷到一條短視頻，是國家傳染病醫學中心主任張文宏，1月 10 日在香港高山論壇上的一段講話，他明確表示：“我拒絕把 AI 引入醫院病歷系統。”

因為，未經系統性訓練的 AI，會從根本上改變醫生的培訓路徑，破壞或損害年輕醫生需要通過傳統訓練才能掌握的獨立診斷能力。

張文宏解釋說，他自己當然用 AI，讓 AI 先過一遍病例。但關鍵是，以他三十多年的臨床經驗，他一眼就能看出 AI 哪裡錯了。

問題在於年輕醫生。

如果一個醫生從實習階段就開始依賴 AI 給診斷結論，跳過了完整的臨床思維訓練，那他將永遠喪失一項關鍵能力：鑑別 AI 對錯的能力。

張文宏的這番話，從一個普通 AI 用戶的角度，道破了一個被普遍誤解的現實，關於 AI 時代的技能和槓桿。

過去一兩年，我看到一種奇特的“群體性焦慮”。

有意思的是，這種焦慮不是來自那些不懂技術的人，恰恰相反，它更多來自那些已經熟練使用 AI 的精英群體：程序員、律師、分析師、自媒體人。

大家最初都興奮地以為，AI 會讓自己成為超人。但短暫的效率狂歡之後，很多人陷入了一種更深的無力感：

當 AI 能以零成本完成 80%的工作時，我剩下那 20%的價值，到底能不能撐起我的職業尊嚴？

如果一個 AI 可以幾分鐘搞定我兩週的代碼；如果大模型能秒出一份完美的盡調報告；如果 gemini 或豆包能讓毫無繪畫基礎的人產出大師級作品，如果 gpt 能夠“準確”閱讀體檢報告或檢查報告，那人類技能的護城河，究竟還在哪裡？

之前，大西洋月刊曾經發表過一篇文章，說我們正在進入一個去技能化的時代；但硬幣的另一面恰恰是：AI 並沒有讓技能變得無用，它引發的是一場劇烈的“技能通脹”。只是技能要被重新定義。

在一個執行成本趨近於零的時代，AI 就是一面照妖鏡。它放大的不僅是你的效率，更是你認知的顆粒度或精度。

你感到“廢了”，可能是因為 AI 無情地暴露了一個事實：過去你引以為傲的工作，大部分只是在“搬磚”，是執行，是“聽話照做”，而不是在“思考”，更不是提出問題和解決問題。

21 世紀的技能真相，不再關乎你手裡有多少工具，而關乎你腦子裡有多少原本的真實的槓桿。“宏觀把控+微觀驗證”的綜合能力，才是 AI 時代真正的鐵飯碗。

一、張文宏悖論：0的 10 倍還是 0

硅谷有一個廣為流傳的觀點，但常常被誤讀。

人們說：“AI 是生產力的 10 倍放大器。”

這句話的數學含義，比字面意思更冷酷。

如果你現在的能力是 1，AI 讓你變成 10；如果你是 10，AI 讓你變成 100。但如果你對某個領域的底層理解是 0，那麼，0 乘以 10，依然是 0。

這正是張文宏擔憂的核心：一個從實習階段就依賴 AI 的年輕醫生，他的臨床判斷力可能就是 0。AI 再強大，0 乘以任何數，結果還是 0。

更可怕的是，這個“0”自己還不知道自己是 0。

張文宏說得很直白：“新手醫生不能只會依靠 AI 看病。”為什麼？因為即使 AI 準確率高達 95%，那 5%的錯誤也需要由專業醫生來識別和糾正。

如果醫生根本不具備獨立診斷能力，他怎麼發現 AI 的錯誤？怎麼處理 AI 搞不定的疑難雜症？

這就是我說的“張文宏悖論”，某種層面上，它是個先有雞還是先有蛋的問題。但另外一個層面上，它強調的是，是人在用工具，還是工具在用人。

它揭示了 AI 時代技能的第一層真相：

AI 的本質是“概率的擬合”，而人類的價值在於“後果的承擔”。

過去我們說的技能，往往指的是熟練的執行，熟記語法、背誦法條、掌握各種快捷鍵。但在 AI 時代，這些硬技能迅速貶值，變成了基礎設施。

取而代之的，是一種更隱蔽、更稀缺的能力：判斷力。而所謂判斷力，就是知曉自己行為的長遠後果。

試想一個場景：一位資深工程師和一位新手同時用 AI 寫代碼。

新手得到的只是代碼塊。他無法判斷這段代碼有沒有架構隱患，無法預知它在極端併發下的表現，甚至不知道這是不是一個“死衚衕”式的解決方案。

而資深工程師看到的不是代碼，是路徑。他知道該給 AI 什麼任務，知道如何驗收結果，更知道當 AI 犯錯時該在哪個環節修正，而 AI 一定會犯錯。

對於新手，AI 是個黑盒，只能祈禱它輸出正確答案。 對於專家，AI 是個無限精力的實習生團隊，指哪打哪。

於是，未來的專家與普通人的分野，在於你是否具備“驗證 AI 輸出”的能力。

張文宏能一眼看出 AI 的診斷錯在哪裡，靠的不是什麼神秘直覺，而是三十多年臨床經驗積累出的“元能力”。這種能力，恰恰是被 AI 跳過訓練的年輕醫生最缺乏的。

所以，如果沒有深厚的專業知識作為壓艙石，AI 帶來的不是效率，而是昂貴的混亂。

二、為什麼你的提示詞總是“差點意思”？

為什麼有的人能用 AI 解決複雜問題，有的人只能把它當聊天機器人？

問題不在於你不會寫“咒語”，而在於你思維的熵值太高。

最近有一種很值得警惕的現象：人們開始把思考本身外包給 AI。

遇到問題，不做拆解，直接把一團漿糊似的需求扔給模型，然後對著平庸的輸出發火：“這 AI 根本就沒用。”

其實，不是 AI 蠢，是你沒想清楚。

AI 模型再先進，本質上也是基於“上下文”的預測機器。它的輸出質量，嚴格受限於你輸入的上下文質量。這就是“Garbage In, Garbage Out”（垃圾進，垃圾出）的現代版。

21 世紀的頂級技能，變成了“清晰的表達”和“結構化思維”。

真正的高手在打開對話框之前，腦子裡已經完成了一場嚴密的推演：

1.定義問題：我到底要解決什麼核心矛盾？

2.拆解邏輯：這個大問題由哪幾個子任務構成？依賴關係是什麼？

3.設定標準：什麼樣的結果才算合格？

比如，在讓 AI 協助開發一個功能前，你是否已經釐清了數據流向？在讓 AI 寫一篇文章前，你是否已經構建了獨特的觀點框架？

別指望 AI 替你完成“從 0到 1”的思考。

AI 擅長的，其實是填充血肉（從 1到 100），但那個“1”，那個核心的洞察、邏輯的骨架，必須由你提供。

如果你無法清晰地向人類同事闡述你的想法，你也絕不可能從 AI 那裡得到滿意的結果。

清晰的寫作就是清晰的思考。

未來，用自然語言編程將是通用技能。但這不意味著編程變簡單了，而是意味著語言和邏輯的精度成為了新的代碼。

如果你的思維是混亂的，AI 只會高效率地放大這種混亂。

三、走出信息繭房：比 99%的人更接近本質

既然 AI 是基於人類已有的海量數據訓練出來的，它天生就帶有一個巨大的缺陷：平庸的共識，即向均值迴歸。

你問 AI 關於健康、理財或歷史的觀點，它大概率給你一個“教科書式”的回答。這些回答安全、正確，但往往極其平庸，因為它們只是重複了互聯網上出現頻率最高的信息。

這就引出了第三個維度：去偽存真的洞察力。

知識（Knowledge）和理解（Understanding）是兩碼事。

• 知識是你知道“應該這樣做”；
• 理解是你明白“為什麼要這樣做，以及什麼時候不該這樣做”。

這正是張文宏和年輕醫生之間的根本差距。

年輕醫生通過 AI 可以瞬間獲得“知識”，如診斷結果、用藥建議、治療方案。但張文宏擁有的是“理解”：他知道這些知識的邊界在哪裡，什麼情況下要打破常規，什麼時候 AI 給的“標準答案”是錯的。

在這個信息過載的時代，如果你只是通過填鴨式教育和算法推薦獲取信息，你本質上只是在一個巨大的“回聲室”裡機械複述。你並不真正理解事物的運作機制。

要比 AI 更聰明，我們需要比 99%的人更接近事物的本質（第一性原理）。

• 想理解商業？不要只看暢銷書和公眾號，去研究現金流、槓桿、供需關係和人性的貪婪。
• 想理解健康？不要只信所謂的權威指南，去研究代謝、激素、炎症反應的生物學機制。

當 AI 給你一個“標準化建議”時，只有那些真正理解底層系統運作的人，才能敏銳地發現其中的漏洞，或者在特殊情境下果斷推翻 AI 的建議。

就像張文宏說的：會不會被 AI 誤導，取決於你自身的能力有沒有強過 AI。而你沒辦法和 AI 比知識，只能比理解。

未來的競爭優勢，屬於那些敢於質疑“訓練數據”的人。你需要建立自己的認知體系，這套體系不是抄來的，而是你通過實踐、通過痛苦的反饋循環、通過獨立思考親自驗證過的。

AI 是全人類知識的平均值。如果你想超越平均值，你就不能只依賴 AI，你必須擁有 AI 無法通過統計概率得出的獨到見解。

四、執行價值歸零之後：從幹活的到驗收的

把視線拉長，歷史雖然不會重複，但總是押韻。

1980 年代，電腦的普及曾讓當時的會計和律師恐慌不已。在此之前，律師為了尋找一個判例，需要在堆積如山的卷宗中翻找數日。電子檢索技術的出現，讓這項工作瞬間變成了幾秒鐘。

律師失業了嗎？沒有。相反，法律行業變得更龐大、更復雜了。

因為檢索變得容易，客戶對律師的期望也隨之提高。人們不再為“找到判例”付費，而是為“基於複雜判例構建獨特的辯護策略”付費。

同理，當 AI 接管了代碼編寫、文案生成、基礎診斷之後，人類的角色正在發生本質的躍遷：

我們正在從“手藝人”進化為“指揮官”；從“幹活的”升級到“驗收的”。

過去，一個優秀的工程師可能需要 50%的時間寫代碼，50%的時間思考架構。現在，他可以用 90%的時間去思考架構、理解業務、優化體驗，而把代碼工作交給 AI（並由他來審核）。

這意味著，工作的複雜度上限被打開了。

獨立開發者現在可以一個人運行一家原本需要十人團隊的公司；一個懂行的自媒體人可以一天產出過去一週的內容量；一個資深醫生（如張文宏）可以在 AI 的輔助下處理過去根本不可能的病例量。

這就是 AI 時代“技能”的新定義：

它不再是單一維度的“專精”，而是一種跨維度的整合能力。

你不需要親自砌每一塊磚，但你必須知道大樓的力學結構，必須有審美能力來決定大樓的外觀，必須有商業頭腦來決定大樓建在哪裡最值錢。

這種“宏觀把控+微觀驗證”的綜合能力，才是 AI 時代真正的鐵飯碗。

張文宏強調的兩大關鍵能力，本質上就是這個意思：

1.判斷 AI 診斷的準確性（微觀驗證）

2.診治 AI 無法應對的疑難雜症（宏觀把控）

沒有這兩項能力的醫生，只能算是“AI 的操作員”。

結語：只有升維，才能享受降維打擊的快感

回到開頭談到的那個現象：為什麼越用 AI，越覺得自己廢了？

因為 AI 剝奪了你通過“苦力”獲得成就感的權利。

以前，你花三天時間整理出一份精美的報告，會覺得自己很有價值；現在，AI 三秒鐘就能做出來，這種虛幻的價值感瞬間崩塌。

這確實讓人痛苦，但更是一種覺醒。

AI 逼迫我們直面那個最難的問題：除了機械的執行，我真正的思想價值在哪裡？

對於那些不願意思考的人，這是一個最壞的時代。他們將徹底淪為算法的附庸，甚至無法察覺自己正在被平庸的信息繭房吞噬。

但對於那些充滿好奇心、擁有獨立思考能力、渴望探究事物本質的人，這是人類歷史上最好的時代：

• 所有的門檻都降低了。
• 所有的天花板都消失了。
• 你擁有了人類歷史上最強大的智囊團和執行隊，24 小時待命。

張文宏不是反對 AI，他反對的是跳過底層能力建設直接使用 AI，把思考和元認知外包給 AI。

他自己用 AI 用得飛起，因為他有三十年的內功作為地基。AI 對他來說是如虎添翼；而對於沒有內功的年輕醫生，AI 可能是拔苗助長，飲鴆止渴。

在 21 世紀，技能不會消失，但它會經歷一次殘酷的提純。

不要試圖和 AI 比賽“做題”，要去和 AI 比賽“出題”。

當你不再把 AI 當作一個幫你偷懶的工具，而是把它當作一個需要你用極高智商去駕馭、去指引、去糾錯的超級槓桿時，

你通過 AI 看到的，就不再是平庸的自己，而是一個被無限放大的、強悍的超級個體。