这篇文章想聊的，是一个越来越不方便直说、但迟早要面对的现实。AI 当然在提高效率，可它也在制造一种很温柔、很隐蔽、很容易被误判成“进步”的退化。被削弱的，不是手速，不是信息量，不是表面产出，受伤最深的是思考、表达、搜索、判断、学习这些原本该越练越强的基本能力。
最近几年最流行的一句话之一，是“不会用 AI 的人会被淘汰”。这句话传播得太顺了，顺到很多人已经不再追问它到底准不准。它听起来像趋势判断，像时代宣言，像一种站队测试。可问题在于，它只说对了一半，剩下那一半更危险。
会被拉开差距的，当然包括完全拒绝 AI 的人。可另一类人同样危险，就是把思考、写作、搜索、判断、学习统统外包给 AI 的人。
这类人短期看起来很强。答得快，写得多，资料整理得漂亮，输出密度惊人，什么都能在几分钟内给出一个像样版本。可时间一拉长，问题就慢慢露出来了。他们越来越擅长“调模型”，却越来越不擅长“调自己”；越来越会让系统替自己完成动作，越来越少亲自完成理解；越来越像一个高效率流程节点，越来越不像一个有独立认知结构的人。
原文真正想戳破的，就是这层危险。它不是反 AI，也不是反效率工具，它是在反一种已经被默许的偷懒方式：把认知劳动误当成可彻底外包的体力劳动。
这不是技术问题，这是人的问题。
更直白一点说，AI 时代最稀缺的，不再只是“谁更能干”，更是“谁还能保住自己的脑子”。
表面看，大家都在用同一批模型、同一批工具、同一批工作流。更深一层看，人与人的差距会越来越集中在一个地方：谁只是把 AI 当省力按钮，谁真的把 AI 变成了认知杠杆。
这两种人前期差别不大，后期差别极大。
前一种人会越来越舒服。后一种人会越来越强。
舒服和变强，很多时候不是一回事。
一、为什么这句话听上去对，却又不够对
先承认一点，“不会用 AI 的人会被淘汰”这句话不是完全没道理。
在很多场景里，不用 AI，的确会慢。
写代码会慢。
搜资料会慢。
做总结会慢。
过文档会慢。
生成初稿会慢。
做重复劳动会慢。
如果别人已经开始拿 AI 当放大器，而你还坚持所有动作都手工完成，那在很多竞争环境里，确实会吃亏。
所以问题已经不再是“该不该用 AI”。这件事其实已经结束了。AI 已经进入真实工作流、真实协作链、真实交付系统。
现在真正需要问的是“怎么用，在哪一层用，用到什么边界为止”。
也就是说，这已经是 governance 问题，核心在使用边界。
一句话说透：
- 完全不用 AI 的人，可能会慢。
- 完全依赖 AI 的人，可能会空。
- 真正会持续变强的人，是把 AI 当认知杠杆，但没有把判断权交出去的人。
这中间的差别，看上去只是一些使用习惯差异，时间一久，会长成三条完全不同的人生曲线。
二、最先退化的，是“主动思考的冲动”
人类的大脑有一个很危险的特点：它并不天然热爱思考，它热爱省力。
只要一个系统能更快给出一个“看起来像答案”的东西，大脑就会本能地往那边滑。这个滑动一开始很轻，甚至是合理的。
例如：
- 先让 AI 帮忙给个思路
- 先让 AI 帮忙列个框架
- 先让 AI 帮忙做一轮搜集
- 先让 AI 帮忙给出几个备选判断
这些动作本身没有错。问题出在一个看不见的转折点上。
这个转折点是：从“我借助工具思考”，滑到“工具替我完成思考”。
前一种情况里，人还是主导者。工具在扩大视野、补充盲点、降低启动成本。后一种情况里，人已经不再问“这是真的吗”“为什么是这样”“还有没有别的解释”，会开始默认“它既然说得这么像样，那大概就是对的”。
一旦走到这一步，思考不会消失，它会降级。
它会从：
- 自己建模
- 自己推理
- 自己怀疑
- 自己权衡
变成：
- 复制
- 粘贴
- 轻微改写
- 做表面润色
这就是最危险的地方。
因为很多人会误以为自己还在“参与”，实际上只是在给一个现成答案做美工。
时间久了，人最先失去的未必是智力，更常见的是思考的肌肉记忆。看到一个问题，不再本能地往里钻，不再先自己搭框架，不再试图先形成一个不完整但属于自己的判断。脑子会逐渐形成一种惰性：等答案来。
这跟搜索引擎时代不一样。搜索引擎至少还会逼着你自己选关键词、筛页面、判断来源、拼接信息。AI 则进一步把这些动作打包成了一个整块输出。你拿到的不是线索，拿到的是一个已经被包装过的“结论感”。
危险恰恰在这里。人不是被错误答案毁掉的，人更容易被“像正确答案的东西”麻痹。
三、写作退化，比思考退化更隐蔽，也更难救
很多人低估了一件事，写作不是表达结果，写作本身就是思考过程。
当一个人试图把某个复杂判断写清楚时，他不是单纯在“输出”。他是在被迫整理结构、辨别轻重、选择词语、发现漏洞、感受节奏、确认立场。写作表面看是语言动作，底层其实是认知动作。
所以问题从来都不是“AI 能不能帮写”。当然能，而且很多时候确实能帮得很好。
真正的问题是：如果一个人长期让 AI 替自己表达，他最后失去的，不只是文风，失去的还是把混沌念头压缩成清晰判断的能力。
这种损失不会马上显现。反而在前期，它会给人一种强烈的错觉，觉得自己变强了。
因为：
- 文更顺了
- 句子更完整了
- 排版更像那么回事了
- 一小时能出过去一天的量
但如果这些文字不是自己真正想出来的，只是自己从几个 AI 备选里挑了一个最像样的版本，那长期结果很可能是这样的：
你越来越会“挑一个看起来不错的表达”，却越来越不会“把一个模糊判断自己写透”。
久而久之，语言会开始平均化。
所谓平均化，不是单纯文笔变差，更像这样：
- 没脾气
- 没抓力
- 没个人判断的棱角
- 没语言上的真实风险
它什么都说得通，但什么都不像你。
这类文字的共同特征，就是读完以后你很难记住作者是谁。因为里面没有真正属于作者的语感、火气、偏好、迟疑、执念和切身经验。它看起来完整，实际上只是“模型平均值”的一种顺滑投影。
而对长期内容创作者、架构师、产品负责人、研究者、咨询者来说，最值钱的恰恰不只是“能把一句话写通顺”，更是“能把属于自己的判断写出来”。
语言一旦外包久了，人会慢慢丢掉这个最硬的部分。
四、搜索与验证能力的衰退，会把人推向一种特别危险的自信
如果说思考退化让人变懒，写作退化让人变空，那搜索和验证能力的退化，会让人变得特别危险。
因为这个阶段的人，通常还保留着一种自信，甚至比以前更自信。原因很简单，AI 给他的答案太完整了。
有结构。
有术语。
有因果。
有语气上的确定感。
有一种“已经帮你理解过了”的外观。
问题在于，外观不是事实。
很多人过去会犯错，是因为没信息。今天更多人会犯错，是因为信息来得太像真相了。
作者提到的两个词我觉得特别重要：
- simple reliable search
- tell fact from fiction
这两个能力看上去很基础，恰恰因为基础，所以最容易被忽略。
什么叫 simple reliable search？
重点不在你能不能问出一个厉害 prompt，重点在你能不能在没有包装过的环境里，自己找到可信源头、自己判断相关性、自己交叉验证。
什么叫 tell fact from fiction？
重点也不在你知不知道 AI 会 hallucinate，重点在当一个答案写得特别像真的时候，你有没有本能去追问：
- 来源是什么
- 原始上下文在哪
- 反例有没有
- 数据是怎么来的
- 这里有没有被模型自动补全
- 这个因果关系是真的，还是只是语言上被串起来了
不会查证的人，在 AI 时代不只是效率低，他们还会特别容易被骗，甚至误以为自己效率很高。
这就是最麻烦的地方。
以前一个人信息素养差，常常还能被“找不到信息”卡住。现在他反而很难被卡住，因为系统总能给他一点像样的回答。于是他会误以为自己完成了理解，实际上只完成了接收。
在工程里，这类风险尤其明显。
AI 最可怕的不是胡说八道，那种问题反而容易发现。最可怕的是它写出一套：
- 命名合理
- 结构整齐
- 逻辑貌似自洽
- 解释还挺像那么回事
可真正跑起来，线上一炸你才发现，整套系统从头到尾没人真正掌控过。
这不是代码问题，这是验证缺位问题。
五、学习被“答案结果”接管，是一种特别温柔的退化
我很认同原文里最重的担心。压得最深的，其实是学习。
因为学习本来是一件很美好的事。它当然会通向做题、交付和结果，但真正的学习还包括探索、误解、来回试，以及“原来是这样”的那个瞬间。那些绕路、卡顿、反复、推翻，本身就是理解长出来的过程。
AI 最大的诱惑之一，是让人可以绕过这个过程，直接拿结果。
比如：
- 不想自己读原文，直接要总结
- 不想自己啃文档，直接要结论
- 不想自己拆问题，直接要方案
- 不想自己推导，直接要答案
偶尔这样做没什么问题。人人都需要加速器。
可一旦这种姿势变成默认模式，学习会开始从“理解世界”滑向“快速拿到一个可用版本”。
这是两种完全不同的成长路径。
前者的产出慢，但能沉淀。
后者的产出快，但容易空心。
很多人会说，可现实工作不就是要结果吗？
这话没错，但只说了一半。
现实工作确实要结果，可真正决定一个人上限的，从来不只是一时能不能把结果交出来，更在于下一次遇到新问题时，他有没有形成可迁移的理解能力。
如果每一次都靠 AI 直接把坑填平，那你会越来越少经历“自己真正学会”的过程。
最后就会出现一种特别常见但又很难当面指出来的状态：
- 做过很多事
- 看过很多总结
- 产出过很多文档
- 甚至交付过很多项目
但一旦脱离工具提示，或者问题稍微换个壳，他就接不上了。
这类人最大的问题，不是笨，更像是认知没有形成自己的骨架。
答案拿得太多，理解长得太少。
六、为什么这件事在工程领域尤其致命
如果只是生活层面，把 AI 用成一个替代思考的东西，后果大多是人变钝。
可到了工程领域，问题会严重得多，因为工程不是语言游戏，它最终要落到系统行为上。
系统会出错。
接口会漂移。
依赖会冲突。
约束会打架。
边界条件会咬人。
性能瓶颈会在最不想来的时候出现。
线上事故不会因为代码“看起来挺对”就手下留情。
所以在工程里，最危险的一类人，不是单纯不会用 AI 的人，更是那种：
- 生成速度很快
- 文档写得很漂亮
- PR 看起来很像成熟产物
- 但底层没理解系统是怎么工作的
这种人会制造一种特别贵的风险：高置信度地交付低掌控度的东西。
也就是说，他不是慢，他是快；不是没产出，他是产出很多；不是看上去不行，他是看上去很行。
可一旦系统进入真实环境，这些“像是对的”东西开始和复杂现实碰撞，风险就会集中爆发。
工程师如果没有架构判断、问题拆解、验证能力、故障直觉，AI 不会把他变成更强的工程师，只会把他变成更高产的错误制造器。
而且这类错误还特别难防，因为它们往往不是明显低级错误。相反，它们通常包装得很专业，很完整，很有说服力。
这就是为什么我一直觉得，在工程里，AI 最大的危险不只在“写错”，更在这里：
它写得太像对的，直到线上炸了，人才发现自己从来没真正掌控过这套系统。
这句话其实比“AI 会取代程序员”重要得多。
因为分水岭不只在会不会 prompt，更在有没有能力对 prompt 生成出来的东西负责到底。
七、Vibecoding 的问题，不是 vibe，本质上是 ownership
最近很多人聊 Vibecoding，聊 Agent，聊 SDD/TDD，聊 spec-driven development，聊自动生成、自动拆任务、自动开 PR、自动 QA。这些都不是坏事，甚至很多方向我自己也是支持的。
但这些方法一旦流于表层，很容易把人带进一个陷阱：
人以为自己在“做系统”，其实只是在“调流程”；
人以为自己在“主导工程”，其实只是在“消费产出”。
Vibecoding 真正的问题，不在 vibe，不在快，也不在实验性强或工具链花。
真正麻烦的是 ownership 很容易被稀释。
当任务拆解、代码生成、测试生成、文档生成、评审建议、修复建议都越来越自动时，一个最现实的问题会浮上来：
到底谁真正知道，这个系统为什么要这么做，它的边界在哪里，它出事时该往哪查，它哪里可以妥协，哪里绝对不能妥协？
如果这个答案最后变成“AI 大概知道”，那基本就已经进入危险区了。
系统不是靠生成出来的，系统是靠负责出来的。
AI 可以极大提升交付速度，也可以成为非常强的协作者、陪练、辅助判断器、风格检查器、资料整理器、代码草拟器、测试放大器。但它没法替代最终的 ownership。
原因很简单，出事故之后，真正要承担后果、做权衡、做取舍、做补偿设计、理解业务代价的人，不是模型，是人。
所以我越来越觉得，未来工程团队最该训练的，不只是“怎么写一个最厉害的 prompt”，更应该是：
- 怎么提对问题
- 怎么设对边界
- 怎么验明结果
- 怎么在高速生成里维持清醒
- 怎么让 AI 提高吞吐，而不稀释掌控力
这才是 Agent 时代真正稀缺的工程素养。
八、真正好的 AI 使用姿势，是放大思考
如果这篇文章只停在“不要依赖 AI”，那其实也不够完整。
因为现实不是反过来就对。不是说你只要拒绝 AI、凡事亲力亲为、保留原始手工劳动，就自动更高级。
正确问题永远不是“替不用”。更该问的是“替到哪一层，自己守哪一层”。
我自己更认可的一套姿势，大概是这样的：
1）让 AI 帮忙暴露盲区，不让它替你下最终判断
可以让它给反例、找漏洞、补角度、模拟质疑者。
但最后的结论，最好还是自己拍板。
2）先自己写，再让 AI 批判和优化
哪怕先写得粗糙一点，也比一开始就把语言完全交出去更好。
因为初稿阶段最重要的不是优雅，最重要的是“这到底是不是你自己的想法”。
3）要求来源、反例、不确定性
别满足于一个完整答案。
要逼它把依据、风险和模糊区也交出来。
4）用 AI 加速理解，不要用它替代理解
比如先让它帮你建立地图、列关键词、给阅读顺序、生成验证清单。
但核心内容最好还是自己读、自己想、自己过一遍。
5）把 AI 当高效率陪练，不当权威
陪练的价值在于让你练得更快、反馈更密、覆盖更广。
权威的风险在于，一旦你把判断权也交出去，你就很难继续长脑子。
这个区别看着小，长期效果差得非常远。
AI 用得好，是外挂。
AI 用不好，是认知止痛药。
外挂会放大本体。
止痛药会麻痹本体。
很多人现在还没感觉到区别，是因为短期内两者都能提升舒适度。可三个月、半年、一年之后，差距会越来越大。
九、真正会被淘汰的，往往是两头的人
所以我最后其实不想把这个问题讲成一个道德判断，好像“依赖 AI 的人不够努力”“坚持自己思考的人更高贵”。不是这么回事。
这不是勤奋叙事，也不是反技术姿态。
这是一个很现实的竞争结构判断。
未来真正容易被边缘化的，往往是两头的人。
第一类，是完全不用 AI 的人。
他们可能保住了纯手工能力，但在速度、覆盖面、迭代频率上会越来越吃亏。
第二类，是只会依赖 AI 的人。
他们短期很亮眼，长期会越来越空。产出很多，掌控很少；说得很顺，理解很浅；交付很快，迁移能力很弱。
真正会留下来的，是中间那类人：
- 会用 AI
- 而且用得很深
- 但没有把脑子交出去
- 还能自己判断、自己验证、自己写、自己拆问题
- 把 AI 当认知杠杆，不当认知替身
我觉得这才是更准确也更残酷的版本。
如果把话说得更实在一点：
不会用 AI 的人可能会慢。
滥用 AI 的人可能会空。
会用 AI 但不交出脑子的人，才会越来越强。
十、放到职业发展里看，这件事会如何慢慢分叉
很多人现在还感觉不到风险，一个重要原因是退化不会立刻体检出来。
一个人今天让 AI 帮写邮件，不会明天就失去表达能力。
今天让 AI 帮做摘要，也不会后天就失去阅读能力。
今天让 AI 帮拆任务，不会下周就失去架构判断。
问题在于，这种变化是复利式的，而且它几乎总是沿着最舒服的方向发生。
第一周，AI 只是帮忙起步。
第一个月，AI 变成默认入口。
第三个月，人开始不愿自己先想。
第六个月，人开始对“自己从头梳理一遍”产生明显不耐烦。
一年以后，很多动作还做得出来，但已经不愿做，也做不久了。
这就是为什么我一直觉得，AI 对职业生涯最大的影响，未必只是替代，更像分叉。
它会把人慢慢分成几类。
1）表面高产型
这类人特别像抓住了时代红利。
- 产出多
- 反应快
- 文档漂亮
- 会搭流程
- 会调提示词
- 看上去总有东西能交
可一旦问题进入陌生区，或者需要真正从零建模，他们会迅速暴露出底层骨架不够硬的问题。因为过去很多“产出”里，真正最难的认知环节并不是自己完成的。
2）迟钝保守型
这类人能保住不少原始能力，但拒绝工具，效率越来越差，节奏越来越慢，最后会在竞争里被边缘化。
他们的问题不在认知退化，而在认知封闭。明明外面已经有更强的放大器了，还坚持只用旧时代的手工方法，长期一样会吃亏。
3）认知杠杆型
这类人才是最稀缺的。
他们用 AI 很深，甚至比多数人都深。但有几条线一直守得很死：
- 关键判断自己下
- 关键文字自己过
- 关键来源自己验
- 关键系统自己懂
- 关键学习过程自己走一遍
他们不会拒绝 AI，也不会跪拜 AI。他们更像是在驯化一个高功率外脑，让它给自己抬杠、补漏、加速、并行处理，而不是把方向盘直接交出去。
几年以后，真正把差距拉开的，大概率就是这第三类人。
十一、教育、管理和组织，也会一起被这个问题反噬
如果这个问题只影响个体，还不算太麻烦。更大的麻烦在于，它会反噬教育系统、团队管理和组织判断。
1）教育会先遭遇“答案通胀”
老师越来越难判断，学生到底是会了，还是只是把 AI 生成的内容提交上来了。
但更深的问题不只是作弊，还是训练错位。
如果一个学生从小就习惯先拿答案，再回头拼理解，他会越来越不适应那种需要自己摸索、自己走弯路、自己建立框架的学习方式。表面上学得更快，底层上手能力反而更脆。
2）管理会遭遇“产出幻觉”
管理者最容易被漂亮产出骗。
一个团队文档更完整了、周报更好看了、PR 更多了、方案更像样了，很容易让人误判成组织变强了。可真正该问的是：
- 谁理解了系统
- 谁能独立解释决策
- 谁能在没有模型协助时还把问题讲明白
- 谁能对事故负责任
如果这些问题答不上来，产出越漂亮，风险反而越大。
3）组织会遭遇“判断力空心化”
最坏的情况，不只是个别人依赖 AI，整个组织都开始依赖“看起来像答案的东西”。
到那一步以后，会议上充满结构化措辞，文档里充满标准化语言，方案里充满貌似成熟的比较，可真正拍板的人越来越少，真正对复杂性有感知的人越来越少，真正知道哪里不能碰的人也越来越少。
组织不会立刻崩，但会越来越脆。
因为它的语言系统看起来升级了，判断系统却在悄悄降级。
十二、如果真想长期变强，应该给自己立几条硬规矩
说到这里，真正有用的就不该只是感慨了。要抗这件事，光靠自觉不够，得靠规矩。
我自己更认可几条很土、但很有效的硬规矩。
1）先想五分钟，再问 AI
不管是写方案、拆问题、看文章还是做决策，先逼自己形成一个初步判断。哪怕很粗糙，也要先有。
因为这五分钟决定的是，后面到底是“AI 在修正你”，还是“AI 在替代你”。
2）关键段落自己写第一版
尤其是结论段、判断段、拍板段、情绪段。
这些地方如果一开始就交给 AI，最后很容易写得完整却没劲，像样却没魂。
3）关键来源自己点进去看
不要只看 AI 给的归纳。
原文、原数据、原上下文，只要它影响最终判断，就必须亲自过一遍。哪怕不是全读，也得去碰原件。
4）重要方案必须自己讲得明白
一个方案如果离开 AI 生成的那页文档，人自己就讲不清它为什么这样设计，那这个方案本质上就还没真正属于这个人。
5）每周保留一部分“无 AI 区间”
这个建议听起来有点逆潮流，但我觉得很重要。
比如一周里，固定拿半天：
- 自己读长文
- 自己写思考
- 自己查资料
- 自己搭框架
不是为了表演复古，是为了确认自己的底层能力还活着。
6）把 AI 当成陪练，不当裁判
陪练可以很强，甚至比你强很多。但裁判权不能给它。
裁判权一旦丢掉，人会很快失去责任感。责任感一松，能力退化的速度会远超想象。
十三、还有一个更现实的问题，很多人已经在退化，只是自己没感觉
真正麻烦的地方，在于认知退化几乎从不伴随疼痛。
体能退化会喘。
熬夜过头会困。
系统崩了会报警。
认知退化通常不会。
它更像一种“仍然能交差，所以看不出异常”的慢变量。
一个人也许还在按时交付，也许还在输出长文，也许还在开会发言，也许还在写代码、做方案、写复盘。外部看上去一切正常。可只要把 AI 临时拿走，或者把问题换成一个他不熟悉的场景，他就会明显发虚。
这种发虚有几个常见信号：
- 不愿从空白页开始
- 对长原文失去耐心
- 特别依赖 AI 先给“总结版”
- 离开工具后表达明显变钝
- 看上去会很多，追问几层就空了
- 很会修改别人的答案，不太会生成自己的答案
这些信号加起来，通常就说明一个人已经在把认知链条外包了。
更麻烦的是，周围环境还会鼓励这种退化。
因为组织会奖励快。
平台会奖励量。
协作会奖励能立刻给出东西的人。
没有多少系统会奖励“这个人虽然慢一点，但他真的想明白了”。于是很多人会自然滑向一条特别省力的路：先把东西搞出来，再说。
短期这条路很好走，长期代价非常高。
因为人的很多底层能力，本来就不是靠“知道它重要”保住的，它们靠的是频繁使用。你一旦长期不自己想、不自己写、不自己查、不自己辨别，它们就会退。退到一定程度以后，再想补回来，代价比学一个新工具大得多。
十四、最后那句更锋利一点的话
如果一定要把这篇文章压缩成一句更锋利的话，我会这样说：
AI 不会先吃掉能力弱的人，它会先吃掉那些主动放弃能力的人。
这才是最值得警惕的地方。
技术从来不只是给人加速，它也会重新定义人对自己的要求。
在工业时代，机器替代的是体力。
在信息时代，软件替代的是重复流程。
到了 AI 时代，被试图外包出去的，已经开始是思考、表达、判断和学习本身。
真正该问的，不是“AI 会不会让人更强”。
真正该问的是：
当 AI 已经足够强的时候，人还愿不愿意继续保住那些让自己真正变强的能力。