之前我有发过的一篇分享文章《Vibe Coding 的主体性陷阱》里我写过一句话:"当执行成本趋近于零,判断力会变得越来越稀缺。"这篇文章想补上一个我当时没有展开、但其实更关键的问题:判断力稀缺之后,它会从哪里补充?
一、原文的结论,以及一个没展开的伏笔
原文的核心论证是:AI 能力会不断进化,但责任不会跟着自动转移。不管模型多强,它都不会因为项目失败而付出代价,所以"谁来验证 AI 的产出、谁为结果负责"这件事,最终只能是人。能力差距会随时间缩小,责任差距不会。
这个结论我依然认同,但原文里有一句话我当时只是顺手带过,没有深究:
“那些既不在顶层判断、又不在底层执行的中间角色,可能最先感受到压力。”
当时这句话是作为一个观察写下的,没有解释为什么会这样、这种压力接下来会往哪个方向演化。这篇文章想把这个伏笔拆开来看。
二、一个容易被忽略的前提:判断力从哪里来
"判断力会变得稀缺"这句话,隐含了一个假设:判断力是一种可以独立于执行经验存在的能力,只要有认知天赋和足够的信息,就能做出好判断。
这个假设值得推敲。
在大多数需要专业判断的领域里,判断力的形成路径其实高度依赖执行经验的积累,这一点在几个成熟行业的培养体系里能看得很清楚:法律行业的初级律师要先做大量枯燥的文件审查和检索工作,才会被允许接触案件策略;医学的住院医师制度要求医生先经手大量常规病例的一线诊疗,才能逐步承担更复杂的临床判断;工程领域里,一个工程师对系统边界和故障模式的直觉,基本都来自亲手 debug 过的大量具体问题,而不是读文档读出来的。
这些是行之有年、可以观察验证的培养机制,不是我个人的推测。它们共享同一个底层逻辑:判断力不是知识,是一种通过"执行—犯错—被纠正—形成直觉"这个循环锻造出来的能力,而这个循环的原材料,正是大量看似低价值的执行性工作。
如果这个前提成立,那么"判断力稀缺"这句话就不该被理解为一个静态现象,而应该被理解为一个动态的供给问题:稀缺的不只是"现在有多少人具备判断力",还包括"未来还有没有渠道持续产出具备判断力的人"。
三、断层是怎么发生的
把这个前提代入 AI 的替代顺序,问题就变得具体了。
AI 目前替代得最彻底、最快的,恰恰是各行业里那些标准化程度高、重复性强的执行环节——初级代码实现、基础文件审阅、常规数据处理、模板化的分析报告。这些环节在效率意义上是"低价值"的,这也是它们最先被替代的原因。
但从培养判断力的角度看,这些环节从来不是"低价值"的——它们是新人接触真实问题、积累一手直觉的训练场。一个从没独立修过复杂 bug 的人,很难对"这个架构决策会在什么条件下出问题"有真实的判断力,他最多只能复述别人的判断。
于是就出现了一个此前很少被讨论的张力:AI 替代执行,提高的是"已经具备判断力的人"的产出效率;但同一个替代过程,同时也在压缩"尚未具备判断力的人"获得训练机会的渠道。这两件事是同一个动作的两面,却分别作用在两个不同的群体身上——受益的是存量判断者,受损的是判断力的增量供给。
这也是原文那句"中间角色最先感受到压力"的真正机制:压力不只是"中间层的活被 AI 干了"这么简单,更深一层是,中间层原本承担着"筛选和培养下一批判断者"的功能——而这个功能,眼下没有任何机制在承接。
四、这不是个体问题,是供给问题
原文关注的核心问题是个体层面的:你个人要不要在使用 AI 的过程中保住主体性,能不能对每个关键决策说清楚"为什么这么做"。这是一个此刻就能自己把控的问题。
但训练场的消失是一个系统层面的问题,不是靠个人自律能解决的。一个人可以选择在 vibe coding 里坚持自己做判断、不把决策权交出去,但他没办法凭一己之力,替行业重新造出一批被 AI 抢走的"练手机会"。
需要说明的是,下面这个推演目前还只是一种基于现有机制的合理外推,还没有到能被数据验证的阶段——因为这个断层效应即便正在发生,也需要一个培养周期(通常是五到十年)才会在"有经验判断者的供给量"上显现出来。 但推演的逻辑是清楚的:如果一个行业里,判断力主要靠年轻从业者在执行岗上摸爬滚打获得,而执行岗又持续被 AI 挤压,那么若干年后,这个行业里"具备一手判断经验"的人群,大概率会出现结构性的年龄断层——现在四十岁以上、判断力已经在 AI 普及之前完成训练的人依然稀缺而值钱,但十年后本该接班的一批人,可能因为练习机会不足而没能真正成长起来。
这不是危言耸听式的预测,而是一个可以证伪的假设:如果未来几年里,各行业开始出现"有经验的判断者依然一将难求,但初级岗位却持续萎缩"这种两头都紧的现象,就是这个断层正在发生的信号;如果行业能找到新的训练机制补上这个缺口,这个假设自然也会被推翻。我更希望是后者。
五、可能的应对方向
我没有一个现成的解法,但至少能看到问题该往哪个方向想。
第一种思路是刻意保留练习场,不完全把执行环节交给 AI。这在效率上是反直觉的、甚至是"低效"的,但如果训练判断力真的需要真实的执行经验,那么完全追求执行效率最大化,长期看可能是在透支下一代的判断力供给。
第二种思路是把 AI 执行过程中的关键决策点显性化,让新人即使不再亲手写每一行代码,也能通过参与"审查 AI 的选择、理解它为什么这么做、判断它哪里可能错"来完成一部分判断力训练——本质上是把"看别人做"和"自己做"之间的经验断层,尽量补窄一点。这也是我自己在做 harness-all 这个项目管理工具时的一个出发点:与其空谈"要保留判断力",不如把"为什么是这个方案"这件事在流程里变成必须写清楚的东西,不管是对协作的 AI,还是对参与其中的新人。这只是一种尝试,不是答案。
六、结尾
原文的结尾是:“工具越强,越需要清醒的人握着它。”
这句话我依然认同,但现在想在后面再加一句:清醒不是天生的,它是练出来的。如果没有人再有机会去经历那个笨拙、缓慢、会犯错的训练过程,"保持清醒"这句话本身,可能会变得越来越难落地——不是因为人变笨了,而是因为练习清醒的场所,正在悄悄消失。
，冲浪频率明显减少了。现在free 了