一、当机器开始比我们聪明 如果机器能完成我们的工作，人还有什么价值？ 从棋盘走向现实 十年前，当 AlphaGo 在围棋棋盘上落下那枚出人意料的棋子时，绝大多数人还只是旁观者。那场胜利发生在聚光灯下，发生在一块纵横十九道的棋盘上。人们惊叹于机器的计算能力，也惊叹于它竟然能够走出连人类顶尖棋手都不知所以的棋路。那时，我们可以为它欢呼，可以反复讨论那绝妙的第三十七手，然后关掉视频，继续自己的生活。毕竟，围棋是围棋，生活是生活。 然而，接下来的十年仿佛被按下了加速键。从 AlphaGo 到 AlphaFold，人工智能的探索从棋盘走向了生命科学：曾经需要投入大量时间与实验资源才能解析的蛋白质结构，如今已经可以依靠 AI 进行大规模预测。随后，AlphaProof、AlphaGeometry 以及更强大的推理模型，开始向复杂的数学证明发起挑战。2025 年，Google DeepMind 的系统达到了国际数学奥林匹克竞赛的金牌水平；到了 2026 年，OpenAI 也公开了一批由前沿模型产生的数学研究成果，在数学界引起了不小的轰动。 当然，当前的 AI 确实存在过度宣传的问题。比如 OpenAI 解决开放数学问题的做法，有点像数学竞赛里的“奇技淫巧”——专门为了“爆破”某一道题而生。这样粗糙、暴力、不够优雅的解法，人类很难看懂，它也做不到发明新工具、建立新理论。这方面数学界已经说了很多。再加上这些公司为了融资，难免会夸大自己模型的能力，秀一秀肌肉。AI 的“泡沫”肯定是有的。但就像互联网泡沫破裂之后，互联网本身依然改变了世界一样，AI 技术本身也足以改变世界。 机器正在进入那些我们曾以为只有经过漫长的学习与训练，甚至依靠直觉与创造力才能涉足的领域。而这一次，它不在遥远的棋盘上，而是出现在我们每个人的电脑屏幕上。而在未来，它也可能拥有身体，出现在我们身边。 对于程序员来说，它可以阅读代码、定位 bug，独立完成相当复杂的开发任务；对于研究者来说，它可以梳理文献、辅助推导、提出值得检验的假设；对于设计师、作家，以及无数依靠知识与创造性劳动谋生的人来说，它也正在成为一名合格的协作者。 很多过去需要几天、几周甚至几个月才能完成的工作，现在可能只需要几个小时；某些原本需要多年专业训练才能跨越的技术门槛，也正在迅速降低。 解放感与失落感 这原本应该是一件令人高兴的事情。人类创造工具，不就是为了让自己摆脱繁重的劳动吗？我们发明汽车，是为了不必依靠双腿走完漫长的路途；发明洗衣机，是为了不必日复一日地手洗衣物；创造计算机，是为了不必亲手完成无休止的计算。技术的历史，在很大程度上，就是一段不断扩展人的能力边界、把人从重复劳动中解放出来的历史。 可奇怪的是，当机器开始接手越来越多的脑力劳动时，我们却没有想象中那么轻松。一种不安悄悄蔓延。当 AI 接手的工作，恰好也是我们赖以谋生、建立自信、证明自身能力的事情时，解放感与失落感可能会同时到来。 比如一名程序员，含辛茹苦考入计算机专业，花费多年时间学习编程，终于能够独立构建复杂的软件系统。他曾为理解一个晦涩的概念而苦恼，也曾为解决一个困扰许久的问题而欢欣雀跃。那些漫长的夜晚、反复的尝试与偶尔的顿悟，一点点塑造了他的专业能力。然后有一天，他发现，自己引以为傲的许多技能，已经能够被一个随时可以调用的 AI 系统完成。 一开始他可能会感到高兴，这意味着他可以做更多的事情。但也有一个念头一闪而过：“那我过去付出的那些努力，究竟意味着什么？”不仅仅是程序员。一个学习多年绘画的人，看着机器在几秒钟之内生成精美的图像；一个苦练外语的人，发现实时翻译越来越方便、越来越自然；一个刚走进科研领域的年轻人，还没来得及证明自己的潜力，就已经看到 AI 开始自动地解决一些研究级别的难题。 其实，有人比我们更早体会到了这种感受。2016 年那场人机大战三年之后，李世石宣布退役。他在接受采访时说：“即使我拼命努力成为第一，我也不在顶端了……就算成为第一，也还有一个无法被击败的存在。”当年，我们把这当作一位棋手的个人遗憾，当作“围棋圈的事”。如今我们才发现，当初那块棋盘上发生的事情，正在一张张办公桌前重演。 当“有用”成为价值的尺度 于是，人的价值感开始动摇。因为对于很多人来说，一项技能从来不只是一项技能。它可能是一份工作，是谋生的本领，是多年努力的结果；它也是一个人在社会、职场和家庭中获得认可、建立自信、理解自我身份的方式。我们常常很自然地把“自己会做什么”与“自己是什么样的人”联系在一起。所以，当机器开始学会这些事情的时候，我们发现：我们正在失去某种证明自己价值的方式。 现实中的工作机会、收入、职业发展与社会地位，都与一个人的劳动能力紧密相连。技术进步所创造的财富，也不会自动公平地分配给每一个人。有人可能因此获得前所未有的自由，也有人必须面对岗位收缩、技能贬值，甚至被迫离开自己熟悉的行业。我们不能轻描淡写地用一句“人类的价值不在于工作”，就把这些问题消解掉。 仔细想想，这里其实混着两个不同的问题。 第一个问题是：如果机器比我更能干，我还有价值吗？ 第二个问题是：如果很多事情不再需要我亲手去做，我是不是也会失去亲手去做的那份体验？ 第二个问题的答案，可能是肯定的。写作的价值，很大一部分在于写的过程本身：我们在一句句写下去的时候，才把模糊的想法想清楚。当 AI 可以替我们写，我们很容易就不再写了，而那个过程也随之消失。有时，即使我们仍然可以亲手去做，意义也会动摇。李世石后来说，输给 AI，某种意义上意味着他的整个世界在崩塌，他再也无法享受下棋了。他失去的不只是“最强棋手”的头衔，还有在棋盘上向未知发起挑战的那份乐趣。 但第一个问题，本身就很奇怪。 如果有一天，机器可以比我们更高效地编程、更准确地诊断、更迅速地发现科学规律，难道人的价值也会随之减少？如果一个人因为年老、疾病或时代变化而失去了原有的劳动能力，他作为人的价值，也应该随之消失吗？也许我们从一开始，就在不知不觉中接受了某种社会规训。 我们习惯于衡量一个人有多能干、多高效、多么不可替代；习惯于用职位、薪水、专业技能，以及能够创造多少经济价值，来描述一个人的成功。久而久之，我们似乎忘记了：这些原本只是衡量一个人在特定社会分工中所发挥作用的标准，却逐渐成了衡量我们整个人生的尺度。 于是，当一种比我们更高效、更便宜、更不知疲倦的智能出现时，我们才会如此不安。 人工智能或许正在迫使我们重新审视一个习以为常的问题：从什么时候开始，我们把“成为一个有用的人”，理解成了“成为一件足够有用的工具”？ 二、我们在用衡量工具的方式，衡量自己 重新审视人类在工业时代影响下的价值标准 “有用”的尺度 小时候，我们经常听到大人这样的期望：“以后要成为一个对社会有用的人。”我们生活在一个互相依赖的社会中，希望能够凭借自己的知识与能力为他人做些什么，获得认可，也获得生活的保障。这没有问题，这是社会得以正常运转的逻辑。但我们很少追问：究竟什么叫做“有用”？ 工业革命以后，工业化生产需要标准化、专业化、可衡量的劳动能力。一个岗位需要什么技能、能够创造多少产出、需要付出多少成本，都可以成为评价劳动价值的依据。在这样的社会组织中，我们很容易被“异化”：一套原本用于衡量劳动价值的标准，被我们上升为对整个人生价值的评估。我们开始习惯于用“我能做什么”“别人有多需要我”，来回答“我是谁”。 我们原本是在通过工作创造价值，后来却越来越需要通过工作证明自己的价值。 不断寻找安全位置的逃亡链 这也是为什么，在 AI 迅速发展的今天，许多人开始急切地寻找那些机器暂时还做不了的事情。比如，一个原本想成为程序员的年轻人，看到 AI 编程能力的快速进步，开始担心未来的软件开发岗位会被大量替代。于是，他决定转向化学、生物或者其他需要大量实体实验的领域，认为那里更加安全。但随着 AI for Science、自主实验室和机器人技术的发展，这些领域的自动化也在加速。于是，他不得不继续寻找下一个看起来不容易被机器取代的方向…… 他一直在问：“哪里还有一个机器暂时无法取代的工具位置，可以留给我？”他的思维方式始终没有改变。这样下去，焦虑不会消失，只会转移。 如果一个人永远想着要成为一件最有用的工具，那他在这个时代会活得很累。这是一场注定会输的比赛：不自觉地跟机器去比，谁的效率更高，谁更能不吃不喝，谁更便宜，谁更任劳任怨，谁更不会反抗…… 而这条逃亡链，其实还有最后一站。我们稍后再谈。 重新思考自己真正想要什么 一个人不应该永远只是被动地根据市场需要什么、机器还做不了什么，来决定自己应该做什么。否则，我们可能终其一生都在努力成为一件更有用、更稀缺、更难以替代的工具，却很少认真思考自己究竟想要什么。 或许，人工智能的发展恰恰是一个契机。它迫使我们重新审视自身的价值：当技术不断改变我们能够做什么，人类也有机会重新思考，自己真正想要什么。我们需要找到自己的位置，也许还需要发展出一套在这个时代与 AI 共处的新哲学。 三、当答案不再稀缺，我们为什么还要学习？ 从获得答案，到形成理解与判断 被释放出来的需求 过去，许多人面对一个想解决的问题时，首先想到的是“我能做什么”，而不是“我要做什么”——能力的限制，往往先于愿望出现。一个喜欢观察鸟类的人，也许一直想把自己多年积累的记录整理成一张城市鸟类地图，供更多人查阅、补充。但他不会编程，也没有足够的时间和资金组建团队，这个念头便一直停留在脑海里。而如今，借助 AI，他能够独立完成数据整理、网站设计与部署。 所以，技术进步带来的变化，不只是让已有的工作变得更加高效。当实现一件事情的成本不断降低，许多过去因为能力和资源限制而被压抑的需求，也会有机会浮现出来。 当越来越多的想法能够付诸实践，问题就变成了：我们究竟想要什么？AI 可以在很短的时间内生成几十种方案，但哪一种真正符合我们的需求？哪些只是看起来不错？又有哪些值得投入时间继续探索？有意思的是，很多时候我们连自己的需求都描述不清楚。比如，我们可能觉得一款软件“不太好用”，却无法准确地描述和定位问题；读完一篇文章，隐约觉得哪里不对，却说不清是论证存在漏洞，还是某个前提本身就是错的。 学习提高理解世界的“分辨率” 这就是我们仍然需要学习的原因：学习能够提高我们理解世界的“分辨率”。随着知识与经验的累积，原本模糊的感受会逐渐变得清晰。我们开始能够辨认事物之间细微的差别，能够把一团混沌拆解成具体的问题，也能够更准确地表达自己的需求。同时，学习也让我们知道哪些细节可以忽略，什么才是真正重要的。高手之所以为高手，很大一部分原因在于，他能够准确、严格地描述（建模）自己当下遇到的困境。而人与 AI 之间的智能差距越大，“说不清自己想要什么”的代价也就越大。 这里有一个需要警惕的地方。AI 在降低完成任务成本的同时，也可能降低形成能力所需的思考投入。让 AI 直接给出一道数学题的答案，和让它一步步提示、引导你自己推导出来，可能带来完全不同的学习结果。所以，与其问用不用 AI，不如问：它是在替你学习，还是在帮你学习？ 学习也会改变目标 另外，学习不仅帮助我们实现已有的目标，还会不断改变我们的目标。一个人可能因为偶然读到一本书，开始对某个此前毫无了解的领域产生兴趣——了解得越多，就越知道自己还有多少不知道。一个从未接触过数学的人，不可能事先知道自己是否会爱上代数几何；他需要先学习，才有可能发现那种原本不存在于自己世界里的美。 换句话说，我们并不是先拥有一个完整的自我，然后再挑选知识去满足它；我们也在学习的过程中，逐渐成为自己。我觉得在未来，我们很多时候不会先知道自己想要什么才去学习；恰恰相反，我们会在学习、探索与实践的过程中，逐渐发现自己想要什么。如果说 AI 让我们更容易实现那些已经知道自己想要的东西，那么学习的意义之一，就在于帮我们发现那些此前甚至不知道自己可以想要的东西。 学习的意义不必局限于获得某种稀缺的职业技能。它也可以源于好奇，源于对世界的热爱，源于我们想要看见、理解和体验更多事物的愿望。 四、与另一种智能共同演化 新的协作关系，新的生态，以及新的可能性 逃亡链的最后一站：Taste 很多人觉得，AI 的优势主要集中在具有明确反馈信号、可以快速迭代的领域。在某些数学、编程与算法优化任务中，我们可以相对容易地判断一个结果是否正确、是否优于先前的方案，机器便能利用这些反馈进行大规模搜索与迭代，不断发现新的解法。但现实中还有大量问题很难用明确的标准来评价：什么是一篇好文章？什么样的数学证明具有启发性？一个研究方向是否值得深耕？一部作品为什么能够打动人？这些问题涉及经验、直觉、审美与判断，也就是我们常说的 Taste。于是，Taste 常被看作人类最后的护城河。 但我越来越难说服自己：Taste 是人类最后的领地。 和最新一代模型一起做前端设计、讨论哲学问题时，我第一次清楚地感到，它不只是在执行我的品味，而是在提出我没有想到、让我惊艳的东西。那一刻我意识到，前文批评过的那条逃亡链，原来还没有走完。我们从编程逃到实验，从实验逃到审美，以为总有一片高地是机器永远上不去的。 如果 Taste 也在射程之内呢？ 答案不是继续寻找下一块高地，而是承认这个提问方式本身就错了。另一个人比我更懂音乐，并不会让我听音乐时的感动少一分；大师的画比我好得多，我拿起画笔时的快乐依然属于我。欣赏与创造的意义，从来不来自排名。 AI 可以写出比我更好的诗，却不能替我读完一首诗。 亲手去做的体验也是如此。只要我们还愿意亲手去写、去做，它就还在。 所以，我们也不必事先规定：人类永远负责提出问题，AI 负责解答；人类负责审美与价值判断，AI 负责执行；人类负责探索意义，AI 负责提高效率。这些很可能只是当前技术阶段形成的暂时分工。未来，AI 也许会发展出远超人类的审美判断，也可能帮助我们发现此前根本无法想象的审美形式与思想体系。反过来，人类也可能因为与 AI 的互动，发展出全新的学习方式、创造形式，甚至对自身存在的全新理解。 人类不是唯一在探索未来的主体。AI 也在寻找它的路，而人与 AI 的相互作用，还会生长出我们今天无法预见的可能性。 我们正在相互改变：扩张，还是坍缩？ 我们正在教 AI 什么是好的答案，而 AI 也开始反过来影响我们认为什么是好的答案。我们从它的输出中获得新的经验，修正原来的认识，再带着改变后的理解与它继续探索。这种循环有可能不断扩大双方能够探索的空间。至少对人而言，认识的东西越多，想知道的东西也就越多。 当然，共同演化并不意味着一切都会朝着更

  • 情报分类：工作与职业机会
  • 分类依据：内容涉及招聘、求职或职业发展
  • 信息来源：服务器 / LINUX DO - 最新话题
  • 发布时间：2026/10/11 19:00:23