AI提升的是下限，而不是上限！ 上次看到@dotey寶玉老師分享了此文章，我閱讀多次，根據自己的實踐經驗，越發覺得這篇文章說的非常客觀和實在，這也算是寶玉老師前段時間提出的“AI正確價值觀”。我在寶玉老師翻譯的基礎上進行了精翻。 原文可見： 1⃣學習曲線的重塑 在 AI 出現之前，學習者普遍面臨一個難題：學習資源的設計往往預設了特定的目標讀者。這就導致，對你這個實際使用者而言，很多資源並不契合自身背景與需求： 你是某項目標技能的初學者，但在相關領域已有一定基礎，卻難以找到能以熟悉領域為切入點講解目標技能的內容； 若要高效掌握目標技能，其實應當先具備某項前置技能，但初學者往往並不知曉應從何學起； 你已具備基本知識，但陷入中階瓶頸，苦於找不到能幫助突破的資源。 通常來說，學習一項技能走向精通的曲線大致如下： （圖1：學習曲線） AI 的出現帶來了根本性變化：它能在你的當前水平上提供個性化幫助。AI 能針對你當下的理解層次解答問題，甚至代為完成部分重複性任務，從而徹底改變了學習曲線的結構： （圖2：AI輔助下的學習） 2⃣精通仍非易事 領域專家通常對 AI 持更審慎的態度。正如一位 Hacker News 用戶所言： AI 是很淺薄的。我的研究越深入，它就越無用，而且這種無效感來得非常快。尤其當研究對象是複雜或具爭議的話題，而你指望 AI 幫你找到可信或學術性的來源時，基本沒戲。 這其實很好理解：如果一個主題的訓練語料豐富且內容一致，模型就擅長總結輸出；而一旦主題過於高深，語料稀缺，模型就無從發力；若主題具爭議性，訓練語料往往自相矛盾。換言之，要獲得真正的精通，仍然難度不減。 3⃣AI學習模式與“答案依賴” OpenAI推出的ChatGPT學習模式暗示了一個更深層的問題：與其讓 AI 引導你學習，不少人選擇直接索要答案。結果是： 學習者會停留在 AI 所能提供的理解深度上，難以再上層樓。 （圖3：使用 AI 作弊的學習曲線） 長期來看，那些試圖“投機取巧”的人，並不會真正受益。 學習曲線重構的非均衡影響 技術變遷本質上是一種“生態系統重構”：它不會平均惠及每一個人。AI 對不同人的影響，也取決於一個核心變量：“做出一個有影響力的成果，究竟需要多高程度的掌握？” 編程：對管理者是加速器，對大型項目幫助有限 工程管理者長期面臨一個尷尬境地：他們掌握架構原則、熟悉工程流程，但並不會具體操作某些開發工具。比如，後端出身的工程經理想在業餘時間做一款 iPhone 應用，過去幾乎沒有可能。 AI 改變了這一局面。他們現在可以快速入門，生成原型，再基於工程經驗完善為可交付成果。AI 的介入，讓本不可能的產品成為現實。 （圖4：借助 AI 的業餘項目開發） 但對於長期負責維護大型、結構複雜且業務特定的代碼庫的工程師而言，AI 所能提供的幫助就有限得多——模型無法獲取必要的上下文、歷史依賴或團隊規範。 （圖5：在大型代碼庫中使用 AI） 創意工作：短期內難以被取代 創意行業的從業者對 AI 的擔憂不無道理：會不會哪天，AI 寫的小說、拍的電影就取代了人類創作？ 答案是：短期內不太可能。創意領域競爭極其激烈，真正能獲得關注的作品，必須具備高度的新穎性。AI 雖然可以快速生成圖像、文字、音頻，但並未帶來“注意力”的增量。 成功的創意作品有一個硬指標：不能像別人。人類對“雷同”的敏感度極高。這也解釋了為什麼“吉卜力風”頭像曾短暫刷屏，卻絲毫未影響《哈爾的移動城堡》的文化地位。 （圖6：創意作品的門檻與 AI 的上限） 日常任務：AI 插不上手 AI 目前對一些高頻但低差異的日常任務影響甚微，尤其是你已經用 App 解決得很好的事情。以郵箱處理和外賣點餐為例，這兩個領域擁有眾多成熟產品和完善交互邏輯，AI 並未帶來顯著提升。 以郵件為例： 垃圾郵件早已被自動篩除，AI 再來總結只會浪費資源； 而對重要郵件，我不需要“總結”，我需要信息的完整性與語境感——這正是 AI 難以替代的。 點餐場景也是如此：成熟 App 已在菜單信息、配圖、價格與交互體驗之間做出極致優化，AI 難以超越。 （圖7：AI 工具 vs 成熟 App） 4⃣AI 的未來：已經到來，但尚未均衡 AI 已經顯著提升了知識工作者的“起點水平”，但這並不意味著所有人都因此受益。 工程管理者等特定角色，因其“中高層理解+執行力不足”的結構，反而最能從 AI 中獲益； 創作者則感受到潛在威脅，甚至產生抗拒； 而還有一些人，看到許多專家熱情討論 AI，自身卻難以找到實際用途，陷入懷疑：“是不是我沒搞明白？” AI 並未徹底改寫所有人的工作方式，但它是一種值得每個人花時間嘗試的強大工具。如果你已經嘗試過，卻發現它確實不適合你——那也許就是事實本身。 原文：《AI is a Floor Raiser, not a Ceiling Raiser》譯者：草木青