AI提升的是下限，而不是上限！ 上次看到@dotey宝玉老师分享了此文章，我阅读多次，根据自己的实践经验，越发觉得这篇文章说的非常客观和实在，这也算是宝玉老师前段时间提出的“AI正确价值观”。我在宝玉老师翻译的基础上进行了精翻。 原文可见： 1⃣学习曲线的重塑 在 AI 出现之前，学习者普遍面临一个难题：学习资源的设计往往预设了特定的目标读者。这就导致，对你这个实际使用者而言，很多资源并不契合自身背景与需求： 你是某项目标技能的初学者，但在相关领域已有一定基础，却难以找到能以熟悉领域为切入点讲解目标技能的内容； 若要高效掌握目标技能，其实应当先具备某项前置技能，但初学者往往并不知晓应从何学起； 你已具备基本知识，但陷入中阶瓶颈，苦于找不到能帮助突破的资源。 通常来说，学习一项技能走向精通的曲线大致如下： （图1：学习曲线） AI 的出现带来了根本性变化：它能在你的当前水平上提供个性化帮助。AI 能针对你当下的理解层次解答问题，甚至代为完成部分重复性任务，从而彻底改变了学习曲线的结构： （图2：AI 辅助下的学习） 2⃣精通仍非易事 领域专家通常对 AI 持更审慎的态度。正如一位 Hacker News 用户所言： AI 是很浅薄的。我的研究越深入，它就越无用，而且这种无效感来得非常快。尤其当研究对象是复杂或具争议的话题，而你指望 AI 帮你找到可信或学术性的来源时，基本没戏。 这其实很好理解：如果一个主题的训练语料丰富且内容一致，模型就擅长总结输出；而一旦主题过于高深，语料稀缺，模型就无从发力；若主题具争议性，训练语料往往自相矛盾。换言之，要获得真正的精通，仍然难度不减。 3⃣AI 学习模式与“答案依赖” OpenAI 推出的ChatGPT 学习模式暗示了一个更深层的问题：与其让 AI 引导你学习，不少人选择直接索要答案。结果是： 学习者会停留在 AI 所能提供的理解深度上，难以再上层楼。 （图3：使用 AI 作弊的学习曲线） 长期来看，那些试图“投机取巧”的人，并不会真正受益。 学习曲线重构的非均衡影响 技术变迁本质上是一种“生态系统重构”：它不会平均惠及每一个人。AI 对不同人的影响，也取决于一个核心变量：“做出一个有影响力的成果，究竟需要多高程度的掌握？” 编程：对管理者是加速器，对大型项目帮助有限 工程管理者长期面临一个尴尬境地：他们掌握架构原则、熟悉工程流程，但并不会具体操作某些开发工具。比如，后端出身的工程经理想在业余时间做一款 iPhone 应用，过去几乎没有可能。 AI 改变了这一局面。他们现在可以快速入门，生成原型，再基于工程经验完善为可交付成果。AI 的介入，让本不可能的产品成为现实。 （图4：借助 AI 的业余项目开发） 但对于长期负责维护大型、结构复杂且业务特定的代码库的工程师而言，AI 所能提供的帮助就有限得多——模型无法获取必要的上下文、历史依赖或团队规范。 （图5：在大型代码库中使用 AI） 创意工作：短期内难以被取代 创意行业的从业者对 AI 的担忧不无道理：会不会哪天，AI 写的小说、拍的电影就取代了人类创作？ 答案是：短期内不太可能。创意领域竞争极其激烈，真正能获得关注的作品，必须具备高度的新颖性。AI 虽然可以快速生成图像、文字、音频，但并未带来“注意力”的增量。 成功的创意作品有一个硬指标：不能像别人。人类对“雷同”的敏感度极高。这也解释了为什么“吉卜力风”头像曾短暂刷屏，却丝毫未影响《哈尔的移动城堡》的文化地位。 （图6：创意作品的门槛与 AI 的上限） 日常任务：AI 插不上手 AI 目前对一些高频但低差异的日常任务影响甚微，尤其是你已经用 App 解决得很好的事情。以邮箱处理和外卖点餐为例，这两个领域拥有众多成熟产品和完善交互逻辑，AI 并未带来显著提升。 以邮件为例： 垃圾邮件早已被自动筛除，AI 再来总结只会浪费资源； 而对重要邮件，我不需要“总结”，我需要信息的完整性与语境感——这正是 AI 难以替代的。 点餐场景也是如此：成熟 App 已在菜单信息、配图、价格与交互体验之间做出极致优化，AI 难以超越。 （图7：AI 工具 vs 成熟 App） 4⃣AI 的未来：已经到来，但尚未均衡 AI 已经显著提升了知识工作者的“起点水平”，但这并不意味着所有人都因此受益。 工程管理者等特定角色，因其“中高层理解+执行力不足”的结构，反而最能从 AI 中获益； 创作者则感受到潜在威胁，甚至产生抗拒； 而还有一些人，看到许多专家热情讨论 AI，自身却难以找到实际用途，陷入怀疑：“是不是我没搞明白？” AI 并未彻底改写所有人的工作方式，但它是一种值得每个人花时间尝试的强大工具。如果你已经尝试过，却发现它确实不适合你——那也许就是事实本身。 原文：《AI is a Floor Raiser, not a Ceiling Raiser》译者：草木青