如何学习才能不被AI替代？

摘要： ...

观 · 察

想象力和创造力的培养，在 AI 时代比以往任何时候都更加重要。既然 AI 的幻觉可以帮助科学家获得新的突破，我们也应当借鉴这种思维方式，在日常学习和思考中留出一定的 " 想象空间 "，让自己能够跳脱出固有的思维模式，探索更丰富的可能性。

——陈永伟

如何学习才能不被 AI 替代

文 / 陈永伟

对于中国的 AI 普及而言，2025 年的春节注定是不平凡的。随着 DeepSeek 的意外爆火，原本高冷神秘的 AI 一下子飞入寻常百姓家。一时间，几乎全国的人都开始使用 AI。朋友圈里刷屏的不再是烟花九宫格，而是 " 我家 AI 写的打油诗更押韵 " 的隔空比拼；家族群里此起彼伏的，是二舅用方言教 AI 包饺子、三姨让 AI 计算年夜饭卡路里的语音消息；就连我 70 多岁的老父亲，也要求我给他补课，教他如何用 AI 给亲朋好友写拜年词。

然而，AI 的普及不仅带来了便利，也引发了焦虑。一位资深程序员在试用 DeepSeek 后感叹，自己多年积累的编程经验竟显得如此脆弱。春节过后，一张上海某公司群聊截图疯传，该公司拟用 AI 替代大量人工，其中法务部、内容创新中心裁撤比例高达 80%。这让人们惊觉，AI 取代的不只是低技能岗位，甚至高学历、高经验的职业也难以幸免。

面对 AI 的迅猛发展，许多人开始质疑学习的意义。如果知识和经验都能被 AI 轻易取代，我们该如何调整学习模式，以适应这个新时代？

工作变迁和新的学习要求

我们习以为常的 " 工作 " 模式——固定时间、地点、任务——仅存在两百余年。更早时期，个体需自主分配时间，兼顾耕田、织布、养鱼等多种任务。工业革命后，机器重塑生产流程，人们被纳入固定岗位，按标准流程操作，逐渐成为社会大机器的一部分。

这一变革也改变了学习方式。工业革命前，工作多元，个体需广泛涉猎知识，具备跨领域协调与社交交易能力，学习以 " 博 " 为核心。而工业革命后，任务高度细分，专精一项技能即可获得认可，学习目标由 " 博 " 转向 " 精 "，如程序员专注编程，无需关心市场包装，产品经理关注需求分析，而不涉产品实现。

然而，AI 的普及正在改变这一现状。正如我们所看到的，AI 在许多具体任务上的效率已超越人类，尤其是在需要大量知识积累和经验总结的工作领域，其进步远超预期。这一趋势使得人类在工业时代所扮演的 " 社会大机器的螺丝钉 " 角色逐渐式微。在更高层次的生产力水平下，工作形式或许将经历一种 " 否定之否定 "，回归到工业革命前的状态。换言之，人们可能需要同时承担多种不同的任务。例如，一个产品经理不仅要分析市场、设计产品，还需要亲自实现这些设计。不同的是，如今人们无需亲手完成所有任务，而是可以借助 AI 工具来高效实现。在这种情况下，人们最需要的能力，已经从单一技能的掌握，转变为任务拆解与识别能力，以及 AI 工具的高效使用能力。

与此同时，随着工作任务和场景的确定性逐步消解，适应变化、根据环境调整知识结构的能力，将成为未来职场的核心竞争力。此外，尽管 AI 可以代替人类完成许多工作，但至少目前，它仍难以完全取代涉及想象力、创造力和人情味的任务。因此，为了更好地展现人类的独特价值，人们应更加注重这些能力的培养，尤其是想象力的开发与提升。

基于上述分析，笔者认为，为了适应 AI 时代的社会分工和组织变革，学习模式的革新应从四个层面展开：

1. 工具层面：学会高效使用 AI 工具，使其成为工作的得力助手。

2. 知识层面：掌握与自身工作相关的多样化知识，确保在为 AI 分配任务时，能够清楚如何着手。

3. 能力层面：培养跨任务协调能力、资源配置能力，以及应对未知挑战的能力。

4. 超越层面：强化更具人类特质的能力，如情感、想象力和共情能力，尤其是想象力的培养，应成为重中之重。

接下来，我们将分别探讨这四个层面的变革方向。

当好 AI 的苏格拉底

在现实中，同样的 AI 工具，不同的人所能挖掘出的效率却截然不同。有些人借助 AI，可以独立开发出完整的网站，甚至完成整个项目；而另一些人，却只会把 AI 当成陪聊工具或图片生成器。

为什么会出现这样的差别？过去，AI 的使用门槛较高，要熟练掌握 AI，通常需要具备一定的编程技能。因此，人们习惯于将 AI 使用效率的差异归结于对编程能力或某些具体技能的掌握程度。然而，如今人们已经可以用自然语言轻松指挥 AI 完成各种任务，但这种差异仍然存在，甚至比过去更为显著。究其根本，问题仍然出在思维方式上。

事实上，在 ChatGPT 爆火之前，市场上已经有一些类似的应用，允许用户通过自然语言或可视化方式与 AI 交互，让 AI 编写程序或完成任务。不过，这些应用通常被称为 " 低代码编程 "。顾名思义，这些工具虽然降低了编程门槛，但本质上仍属于编程范畴。要想编写高效的程序，不仅需要一定的编程技能，还需要良好的编程思维。类似的道理，同样适用于生成式 AI 的使用。

那么，使用生成式 AI 时最重要的技能是什么？就是清晰地表述自己的需求，并引导 AI 按照自己的指令执行任务。在《美诺篇》中，苏格拉底为证明 " 认识是灵魂的回忆 "，引导一个毫无几何基础的奴隶小孩推导出毕达哥拉斯定理。他未直接教授，而是通过拆解逻辑、反诘和追问，让小孩自行推演，最终得出正确结论，完成了看似不可能的任务。

这个故事对于我们使用 AI 模型具有重要的启发意义。如今的生成式 AI 在训练过程中，已经吸收了互联网上几乎所有可以获取的信息。因此，从理论上讲，我们所需要的答案早已 " 存在 " 于它的 " 知识体系 " 中。然而，AI 仅仅存储了海量知识，并不一定能够自动将这些存量知识与用户的需求精准匹配——正如奴隶小孩虽然掌握了勾股定理推导的每一步，但在被直接问及该定理时，仍然无法将这些知识串联起来。在这种情况下，AI 的使用者需要扮演苏格拉底的角色，通过适当的引导，让 AI 按照自己的思路完成任务。

正如我们所见，苏格拉底在启发人们思考时，通常会遵循固定的对话策略。例如，他会要求对话者首先对相关概念进行明确定义，然后将这些定义一般化，从而推导出一定的结论。接着，他会对这些推论进行反诘，找出其中的矛盾，促使对话者从新的角度进行思考。本质上，苏格拉底其实是在用自然语言编写一套 " 低代码程序 "，以引导对话者逐步接近正确答案。同样的思维方式，也可以应用于与生成式 AI 的交互。在学习和实践中，用户可以为自己搭建几套 AI 交互的 " 套路 "，并积累一些经过实践检验有效的提示词。这样，无论遇到何种问题，我们都可以像苏格拉底一样，以高效的方式向 AI 阐明需求，并对 AI 的行为进行精准引导，从而大幅提升 AI 的使用效率。

值得注意的是，苏格拉底式的启发式对话不仅可以帮助我们提升 AI 执行任务的效率，反过来，若让 AI 用类似的方法向我们提问，也能有效提升我们的学习效率。许多人在学习过程中，往往难以判断自己对某个知识点的理解是否足够透彻。如果让 AI 扮演苏格拉底的角色，不断向我们发问、反诘，就能很好地检验我们对知识的掌握程度。不仅如此，这种诘问式学习还能够激发我们的思维，拓展我们的认知边界。

以我认识的一位教授为例，自从 2023 年初接触 ChatGPT 以来，他每天都会花上一个多小时与 ChatGPT 交流。在聊天中，他会向 ChatGPT 提出自己正在构思的论文写作思路，然后让 AI 扮演潜在的审稿人，帮助他完善论证过程。迄今为止，他已借助这种方法成功发表了多篇高水平论文，取得了令人羡慕的学术成果。

掌握纷乱世界的 " 目录 "

在周星驰主演的《鹿鼎记》中，有这样一个桥段：陈近南收韦小宝为徒后，递给他一本厚厚的书，并叮嘱他要多加阅读，熟悉书中的内容。韦小宝接过书，问道：" 师傅，这是你的绝世武功吗？" 陈近南答道：" 不，这是绝世武功的目录。" 然后，他指着旁边的一大堆书说：" 那些才是绝世武功。"

初次观看这部电影时，我曾觉得剧中的陈近南实在迂腐可笑。毕竟，这么多绝世武功，学成一本就足以让韦小宝行走江湖了，何必浪费时间去看一个没有实际用处的 " 目录 "？然而，在 AI 时代重新回看这一段，却让我意识到，掌握 " 目录 " 其实具有极其重要的意义。

我们正处于一个知识爆炸的时代，每时每刻，各个领域都在不断产生新的知识。对于大多数人而言，即便穷尽一生，也难以遍览某一领域的所有知识。而如果让 AI 来完成同样的任务，可能只需短短一瞬。在这样的背景下，人类在知识获取的数量上已经很难与 AI 相比，事实上，这种 " 比拼 " 也已没有意义。相比之下，更为明智的策略是将 AI 作为 " 外脑 "，让它帮助我们获取并整理各类知识，而我们在需要时再随时调用这些知识。

然而，知道在何时指示 AI 调用哪些知识，本身也是一项重要的技能。很多时候，当人们面对一个新问题时，往往并不清楚自己需要调用哪些知识。例如，如果我们要撰写一篇探讨 " 谷子经济 " 的分析性论文，由于该话题较为新颖，我们可能根本不知道该从哪个角度切入分析。而如果找不到合适的分析角度，即便 AI 能力再强，我们也难以准确指示它去寻找合适的资料，进而影响工作效率。

在这种情况下，广博的知识储备就能起到关键作用。假如我们对各个学科都有一定了解，尽管在遇到问题时未必能直接给出答案，但至少可以凭借已有的知识作为 " 路标 "，帮助我们确定查阅的方向。然后，再借助 AI 的能力，就能更高效地解决问题。

需要强调的是，这里所说的 " 广博 " 并不意味着否定知识的深度。事实上，真正的广博必须建立在一定的深度基础之上。一个衡量我们对某类知识是否足够深入的标准是：当看到关于它的明显错误表述时，我们是否能敏锐地识别出来。这一点在 AI 时代尤为重要。

至少在目前阶段，所有主流 AI 模型在生成内容时都存在较高比例的 " 幻觉 "（hallucination）。尽管可以通过要求 AI 注明出处或提供链接等方法在一定程度上减少错误，但从整体来看，AI" 一本正经地胡说八道 " 的现象仍然十分普遍。随着 AI 生成的内容越来越多，人工核查所有 AI 输出的信息变得愈发困难。尤其在对某个领域了解不深的情况下，我们的 " 审核 " 往往只能局限于复查几个数据或引用来源，而可能对 AI 整体表述中的谬误毫无察觉。在这样的背景下，盲目信任 AI 的内容可能会带来极大的风险。

从这个角度来看，即便有了 AI 的辅助，人类仍然需要对相关领域的知识达到一定的深度。只有在具备一定的专业判断力的前提下，我们才能在享受 AI 带来的便利时，避免落入其信息误导的陷阱。

学会用算法思考

在 AI 时代，" 螺丝钉 " 式的工作将逐渐减少，直至消亡。取而代之的，是越来越多的人凭借 AI 的力量成立单人企业，成为自己的老板。与过去执行固定任务相比，这些人将更加需要学习和培养规划、组织，以及处理各种新问题的能力。然而，培养这些能力并非易事，它需要大量的经验积累作为支撑。不过，从学习的角度来看，涉猎一些算法相关的知识，培养算法思维，可能会对这些能力的形成大有裨益。

所谓算法，指的是解决问题的一系列步骤或指令的集合。在开发 AI 时，为了让其高效执行各项任务，人们会为其设定各种算法。然而，算法并不仅仅是 AI 专属的工具。事实上，每一个算法都代表着人们对某类特殊问题的解决方案，其背后蕴含着大量前人的智慧。因此，学习算法、培养算法思维，本质上是一种解决问题能力的锻炼，可以有效提升我们对现实问题的分析和应对能力。

举个例子：在 2024 年美国总统大选期间，海外博彩市场 Polymarket 上，一名神秘押注者豪掷 3000 万美元支持特朗普。由于民调普遍显示哈里斯领先，许多人认为这是一场鲁莽的赌博，一些分析人士甚至猜测他是特朗普的金主，意在拉抬选情。

后来，记者发现这名押注者是一家法国量化金融机构的交易员，而他的决定纯粹是基于盈利考量。他认为民调存在偏差，因为在不友好的舆论环境下，许多特朗普支持者可能不愿表露真实立场。为更准确预测，他设计了一种巧妙调查法——不直接问受访者支持谁，而是询问他们的邻居倾向，以避免社交压力影响回答。随后，他利用 " 近朱者赤，近墨者黑 " 的原理推测真实支持率，最终得出特朗普实际支持率远超预期，果断下注，并因此狂赚 8500 万美元。

这一事件让人惊叹于他的精准判断，而实际上，这正是算法思维的体现。类似于 K 近邻回归（K-NN）算法，他基于邻近数据点推测整体趋势。作为一名量化交易员，他自然而然地将这一算法思维应用于选举预测，从而成功押注。

当然，这只是利用算法思维解决问题的一个案例。在现实中，类似的例子还有很多。例如：借鉴动态规划算法的思路，可以让我们更高效地安排工作流程；借鉴支持向量机（SVM）算法中的升维思路，可以帮助我们从更高的视角重新思考问题。

总而言之，在 AI 时代，多学习一些算法知识，培养算法思维，或许能让我们的工作和决策事半功倍。

给自己留一些 " 幻觉 "

在 DeepSeek 爆火之后，我曾对几位新 " 入坑 " 这款 AI 的朋友进行了一次调查，询问他们认为这款 AI 相比其他竞品究竟有何过人之处。结果，最多的回答是：" 这款 AI 比其他 AI 更有人情味，更像个人。" 尤其是文科背景的朋友，对 DeepSeek 这一特征尤为喜爱。例如，一位在某高校中文系执教的朋友在尝试 DeepSeek 后激动不已，甚至连夜写下千字朋友圈，盛赞其文采与想象力。

那么，为什么 DeepSeek 会比其他 AI 更具想象力、更富人情味？从技术角度来看，这种特征很可能源于该模型的一个 " 缺陷 " ——更高的 " 幻觉 "。众所周知，在训练 DeepSeek 时，开发人员为了提升训练效率、节约成本，对模型和训练方法进行了多项优化。例如，为了提升 GPU 的利用率，他们将计算精度从通常的 32 位浮点数降低到 16 位，甚至 8 位；为了优化解码效率，他们引入了多 Token 预测技术；为了减少数据投入，他们广泛使用了知识蒸馏技术。这些优化手段虽然提高了训练效率，但同时也不可避免地降低了模型的精确度，从而导致更高的幻觉率。

这一点并非仅仅是理论推测，人工智能公司 Vectara 近期的研究已经对此进行了验证。研究表明，DeepSeek-V3 模型的幻觉率约为 3.9%，而主打推理的 DeepSeek-R1 模型幻觉率高达 14.3%。相比之下，OpenAI 的 GPT-4o 的幻觉率仅为 1.5%，其推理模型 GPT-o1 的幻觉率约为 2.4%。更高的幻觉率无疑会限制 AI 在某些对准确度要求较高的任务中的应用。例如，在使用 AI 整理文献时，我不得不逐一核对其列出的文献出处，否则容易出现错误引用，从而影响工作效率。但与此同时，在更需要创造力的任务中，幻觉反而能带来意想不到的惊喜。

从根本上看，生成式 AI 的文字输出本质上是基于已有文本预测下一个可能出现的文本。如果一个模型的预测精度足够高，那么它的输出往往会十分工整、格式化，而如果允许其预测精度稍有下降，反而可能带来更多变化和新意。举个例子，如果我对 AI 说：" 我要买一个 512G 的苹果 "，精度较高、幻觉较少的 AI 会准确理解我的意思，并推荐合适的苹果手机，同时提供一系列购买建议。这样的回答固然正确，但并不会显得 " 有人情味 "。然而，如果是幻觉较高的 AI，它可能会误以为我指的是水果，并建议：" 现在梨子正当季，不如买点梨子尝尝鲜吧。" 这样的回答虽然在技术上是错误的，但从人类用户的角度来看，它更具幽默感，也更像是一个会 " 插科打诨 " 的人类对话者。

幻觉的价值远不止于此。例如，在科学研究领域，如果 AI 仅仅是基于已有资料，精准地预测相应结果，那么它是不可能真正创造新知识的。相比之下，如果允许 AI 存在一定的幻觉，它就能跳脱出既有框架，启发新的发现。许多科学家已经意识到了这一点。例如，2024 年诺贝尔化学奖得主大卫 · 贝克（David Baker）博士就指出，AI 模型的幻觉现象为科学家提供了新的灵感，帮助他们探索原本可能不会想到的思路。

减少 AI 的幻觉，技术上是可行的。通过提升训练数据质量、增加算力投入、采用检索增强生成（RAG）技术等方式，AI 开发者可以有效降低幻觉率。事实上，许多 AI 开发者已经通过这些手段成功降低了产品的幻觉率。然而，相比于 AI 而言，人类要减少自身的幻觉却困难得多。在信息检索技术高度发达的今天，人类即便为了提升表达的精准度，也可能需要花费大量时间记忆和核对知识，而这些精度的提升在实际应用中往往并不那么重要。既然如此，我们倒不如反其道而行之，在学习中适当舍弃对精确记忆的执着，而将更多空间留给想象力的培养，刻意 " 为自己培养一些幻觉 "。

为了培养 " 有益的幻觉 "，我们可以借助多种辅助手段，例如多看科幻题材的影视剧和文学作品，拓展思维边界；每天留出一定时间进行冥想，培养发散性思维；刻意跳出既定套路的束缚，尝试新的思考方式。更重要的是，在学习过程中，我们要勇于突破标准化答案的限制。对于那些有确定性答案的问题，除了学习前人的解决方案，还应该思考是否存在其他可能的解法。而对于那些本就没有标准答案的问题，不应被流行观点束缚，而应大胆提出自己的见解。

想象力和创造力的培养，在 AI 时代比以往任何时候都更加重要。既然 AI 的幻觉可以帮助科学家获得新的突破，我们也应当借鉴这种思维方式，在日常学习和思考中留出一定的 " 想象空间 "，让自己能够跳脱出固有的思维模式，探索更丰富的可能性。

结语

随着 AI 的普及，传统 " 螺丝钉 " 式工作正在减少，学习模式必须随之调整。未来，人与 AI 的关系不应是替代，而是协作。掌握 AI 工具、构建知识框架、培养算法思维，能让我们在新环境中保持竞争力。而更重要的是，我们要强化想象力和创造力，这是 AI 难以复制的核心能力。唯有不断适应变化、突破思维局限，才能在 AI 时代立足并持续成长。