0 位顶尖技术人和思想者的说法拼在一起，指向同一个答案
先说一句你八成听过的话。
黄仁勋在卡内基梅隆大学的毕业典礼上说：AI 不太可能取代你，但比你更擅长使用 AI 的人可能会取代你。
吴恩达在达沃斯说过几乎一样的：AI 不会取代所有人，但使用 AI 的人会取代不使用 AI 的人。
这两句话被转了几百万次。大多数人的反应是——那我赶紧学 AI。这个反应没错。
但这两句话有个漏洞，而且这个漏洞正在变大。
二十年前，“会用电脑"是一项招聘要求。你去面试，简历上写"熟练使用 Office”，那是加分项。今天呢？没人再写这一条了。不是它不重要了，是它变成了底线——你不会用电脑根本进不了门，你会用也占不到任何便宜。
"会用 AI"正在走同一条路。
真正的问题得往后看一步：等所有人都会用了，人靠什么分层？
我是做企业 AI 落地的，这两年主要给制造业工厂搭知识库。这个问题我想了很久，所以把国内外 10 位顶尖技术人和思想者说过的话翻了一遍，又去看了三组实证研究。
看完有个挺强的感受：答案变得越来越便宜，但"拿到答案"这件事，正在越来越不值钱。真正值钱的那部分，被大部分人漏掉了。
一、先看清楚：什么在贬值，什么没有
先说贬值的那部分，因为这部分被误传得最厉害。
吴恩达在达沃斯给了个很具体的数字：对很多工作来说，AI 现在只能做 30% 到 40%，剩下 60% 到 70% 还得靠人。
但他紧接着说了另一句话，很多人没留意——翻译、配音、呼叫中心这类高度标准化的工作，受影响最大。
这两句话放在一起，规律就出来了：AI 吃掉的，是标准化那一部分。
李开复讲得更早也更直接。他在 TED 演讲里说过一句话，我印象很深：AI 只能优化，不能创造。
他后来在 2026 年 8 月的发布会上把话说全了：越依赖历史数据和标准流程的工作，越容易被替代；反过来，越"没有数据可依"的领域，人越安全。
这里有个特别容易搞混的地方。
很多人的理解是：既然 AI 什么都知道，那我不用再学知识了。
这个推论是错的。
贬值的不是"知识"，贬值的是"知识的搬运"。这两件事差得很远。
你记得住 200 个历史年份，这不值钱了，AI 一秒就能查。但你能不能从这 200 个年份里看出一个规律，这件事一点没贬值——而且它变贵了，因为现在只有这一层是稀缺的。
说白了，AI 干掉的是"知道"，没干掉的是"理解"。这两件事以前是绑在一起的，现在被 AI 一刀切开了。
二、升值的第二层：会问，和会判
Sam Altman 在一次访谈里被问到"AI 时代什么能力最重要"，他的回答被引用得最多：
找出该问什么问题，会比找出答案更重要。
他还补了一句更狠的：过去我们看重你脑子里装了多少知识，是不是一个"事实收集器"；现在更值钱的是能把信息连起来、能识别模式的人。
这话不新鲜。张一鸣十几年前就在微博上写过类似的：好的问题就是一半的答案。
李飞飞给了个更漂亮的说法。她提到，在 AI 时代，记住答案的价值会下降，但发现自己哪里不懂、提出好问题、验证答案、继续追问这四件事会变得更重要。她说，苏格拉底其实是人类最好的提示词工程师——苏格拉底式的提问，就是通过不断问更准的问题来接近真相。
到这儿，大家都点头。
但我自己做这行有个感受：这话说起来好听，落到实际是另一回事。还拿工厂举例——同样是问 AI，干了二十年的车间主管一句话就戳在点子上；刚来的新人问了 10 个问题，AI 回的都是网上抄来的通用答案。
差在哪儿？不在 AI，在那个人脑子里有没有东西。
这就是那个几乎没人讲透的门槛。
提问能力不是凭空长出来的，它是从你已经知道的东西里长出来的。
我看过一份材料里有个说法特别到位——AI 是"遇强则强，遇弱则弱"。你问它"苏轼是谁"“文人画是什么”，它给你的就是百度百科级别的答案，因为这种问题本身就没含金量。它真正能发挥的时候，是你问出了一个需要专业素养才能问出来的问题。
那份材料里提到一套"史学六问"，说得很直白：提问者本身必须对相关领域的专业知识有足够素养，否则你连该问什么都不知道。
换句话讲，AI 放大的是你已有的东西。你手里是空的，它给你的也是空的。
这就把很多人喊的那句"不用背知识了"给推翻了。
不是不用学，是学习的位置变了。以前你学的东西是拿来输出的（答题、写报告、做方案）；现在你学的东西是拿来输入的（提出好问题）。位置变了，份量没减——反而更重了，因为它现在决定了你能从 AI 那儿拿到什么。
这也是为什么纳德拉那句话我觉得是全篇最狠的一句：
你可以把一个任务外包出去，甚至把一个岗位外包出去，但你永远不能把学习外包出去。
三、第三层：AI 结构上做不到的那部分
前面两层还都是"技能"，练一练就能长。还有一层不一样——AI 不是暂时做不到，是结构上就做不到。
赫拉利在北京接受采访时说了一句话，我读了好几遍：
在 AI 时代，人类最宝贵的能力不是智力，而是精神技能。
他后面解释得很清楚：智力技能是 AI 最容易接管的那部分。信息处理，AI 很容易自动化。而精神技能——了解自己的意识如何运作——这是完全不同的东西。
李开复的说法更落地。他说，真正改变世界的创新——iPhone、可回收火箭、ChatGPT——没有一个是"从已有数据里推导出来"的，都来自对未来的信念和坚持。所以他有一句话很扎心：
AI 不会愿意为一件事情付出一生。
梁文锋被问到"为什么中国公司这么容易把快速商业化当第一要义"时，回答得很干脆：过去三十年我们都只强调赚钱，对创新是忽视的。创新不完全是商业驱动的，还需要好奇心和创造欲。
他还说过一句被引用很多的：中国 AI 不可能永远处在跟随的位置——真正的差距在于：是原创，还是模仿。
李飞飞在 2026 年 8 月的一场对话上，把这一层说得最直白。她给现场每个人一句提醒：
别让任何技术拿走你的人类能动性（human agency）。
她说，包括硅谷在内，总会有声音告诉你，某项产品或技术可以替你完成判断——是否安全、是否高效，都可以交给它。她的建议是：紧紧握住自己的能动性。
把这几个人的话放在一起，第三层就清楚了。它是三样东西：
-
动机：你到底想解决什么问题。AI 优化的是你给它的目标，它自己没有任何目标。
-
审美和判断：什么叫好、什么叫对、什么叫值得。这个标准只能人给。
-
承担后果：AI 给出的建议，出错之后没有人为它负责。
前两层是技能，可以练；第三层是人格，练不出来，只能选。
我自己判断一件事值不值得做，看的其实就是这三样。AI 能帮我算，能帮我写，能帮我省一半时间——但它没法替我决定要不要干。
所以对"AI 会取代人吗"这个问题，我的回答是：它取代的是任务，不是人。因为它没有"想要"。
四、AI 把人分成了两拨，而且被分开的那拨不知道
上三节讲的都是"逻辑上应该如何"。接下来讲现实。数据已经出来了，而且是反着来的。
先说个具体的。
2023 年，哈佛商学院和波士顿咨询（BCG）联合做了一个实验，后来发表在《Organization Science》上。这是目前规模最大的一次知识工作者 AI 实测。
758 名 BCG 顾问，随机分成三组：一组不给 AI，一组给 GPT-4，一组给 GPT-4 外加提示词培训。任务全是真实的咨询工作。
结果分成了两半。
在 AI 能力范围之内的任务上，AI 组的表现好得吓人：完成量多了 12.2%，速度快了 25.1%，质量评分高出 40% 以上。
如果故事到这儿就结束，结论很简单——赶紧给所有人配上 AI。
但研究者还设计了一个"刚好超出 AI 能力"的任务。在这个任务上，用 AI 的顾问答对率比不用 AI 的低了 19 个百分点。
注意，不是"没用"，是变差了。AI 没帮上忙，还把一群精英顾问拖向了"听起来很有道理的错误结论"。
同一套工具，同一群人，同一批任务。差别只在一个地方：AI 被用在了边界以内，还是边界以外。
同样一个模型摆在 758 个人面前，有人用它省下 25% 的时间，有人用它把结论做反了。而真正的分界线在于——他知不知道 AI 的边界在哪。
研究者把这条看不见的边界叫"锯齿状技术前沿"——两个看起来差不多难的任务，一个落在 AI 能力以内，一个落在能力以外，从任务表面根本看不出来。
那为什么有人被帮到、有人被拖累？研究者把原因翻来覆去找了一遍，结论既不是智商，也不是资历，是参与度。
表现下降的那批顾问，有个共同特征：不假思索地接受 AI 的输出，问得更少，让得更多。
文件里有个说法我觉得特别准——真正危险的地方在于：AI 会用一种流畅、有说服力的语气说错话，而疲惫的人不再去检查。
还有两个发现，我觉得比上面这些都更值得琢磨。
第一个：受益最大的是原本最弱的那批人。 水平低于平均线的顾问提升了 43%，高于平均线的提升了 17%。AI 实际上是个"均衡器"，把强弱差距压扁了。
第二个：代价。AI 辅助产出的方案，想法的多样性明显更低。大家用的都是同一个模型，输出就会趋同。
把这两条连起来看，意思是很清楚的：
AI 正在迅速抹平执行层的差距。当大家手上的活都能做到 80 分的时候，80 分就不再是优势了。
五、越用越不会用，这才麻烦
上面是"能力"的问题。下面这个更麻烦，是"脑子"的问题。
2025 年，MIT 媒体实验室做了个实验，报告叫《你在用 ChatGPT 时的大脑》。
54 个大学生，分成三组写 SAT 难度的议论文：一组只能用脑子（无工具），一组可以用搜索引擎，一组可以用 ChatGPT。全程戴脑电帽测脑活动，一共四轮。
结果是这样：
-
纯脑子组的大脑神经连接最强、分布最广；搜索组居中；ChatGPT 组最弱。
-
写完之后马上让他们引用自己刚写的内容，超过 80% 的 ChatGPT 用户做不到，没有一个人完全答对。
-
第四轮交叉换组：原来用 AI 的人改成纯手写，大脑活跃度仍然低于一直纯手写的人。
研究者给这个现象起了个名字，叫认知负债——你当下省下来的思考，是从未来借的。
这不是孤例。老实说，我第一次看到这个结论也不太信，还专门去把原报告翻了一遍——它确实没写"用 AI 会让人变笨"这种话，但那个数据趋势是明摆着的。
同一年，微软研究院和卡内基梅隆大学调研了 319 名知识工作者，收集了 936 个真实案例，结论更值得琢磨：
-
对 AI 越有信心的人，投入的批判性思考越少。
-
对自己越有信心的人，越会去质疑 AI 给出的东西。
-
越是判断不了机器答案好坏的人，越倾向于直接接受它。
说白了，三条连起来是一个挺麻烦的循环：
越依赖 AI → 越少练习判断 → 越判断不了答案好坏 → 越只能依赖 AI。
我把它叫能力剪刀差。差的不在"用不用 AI"，在"用 AI 的时候，你的脑子在不在场"。
这也解释了刚才 BCG 那个结果为什么有一半人在能力边界外变差了——他们不是不会用工具，是没有了判断工具好坏的那根尺子。而那根尺子，恰恰是长在第二层的。
得说句公道话。MIT 那份报告并没有支持"用 AI 会让人变笨"这种标题党。研究者的结论温和得多：负面影响不是不可逆的，他们建议的模式是——先自己独立思考，再使用 AI。
其实这一句，就是这篇文章真正想说的方法论。
六、把三层拼起来看
上面所有说法，我归成一张表：
层
内容
增还是贬
谁说的
第一层
知道答案、记住知识、执行标准流程
贬值
吴恩达、李开复
第二层
定义问题、验证答案、整合信息
升值
Sam Altman、张一鸣、李飞飞
第三层
动机、审美判断、承担后果
无法替代
赫拉利、李开复、梁文锋、李飞飞
第一层看的是你脑子里装了多少，而第二层看的是你能问出什么。三层看下来，一句话能概括：
AI 把"找答案"变成了免费的，于是竞争的线整体上移了一层。
上移到哪了？上移到了"定义问题"和"判断答案"上。
这也解释了为什么"会用 AI"不构成能力。它是入场券，就像识字、会用电脑。会用，不构成优势；不会用，构成劣势。这两件事完全不一样。
十年前会开车是优势。今天会开车只是基本要求——真正的优势变成了你会看地图、会挑路线、会判断哪条路堵。
AI 是那辆车。方向得你自己定。
七、三个可以今天就做的动作
不讲空道理，说三件具体的事：
第一，每次先自己答一遍，再开 AI。
哪怕先写三句自己的判断。MIT 那个研究已经证明了这个顺序很关键——脑子先动过，AI 给的答案你才接得住，而不是被它牵着走。
第二，收到答案之后，强制自己回答一句：“我为什么信它？”
答不出来，就去查。这一条练的是第二层的判断力。微软那个研究最扎心的地方就是：越不练这一步的人，越不会觉得需要练。
第三，留一块"AI 不许碰"的地。
你真正想解决的问题，你想成为什么样的人，你相信什么、不相信什么。李飞飞说的"能动性"，指的就是这块地。这块地一旦交出去，前两层的能力练得再好也白搭。
说到底
答案越来越便宜，这件事本身没什么可担心的。
真正该担心的是另一件事：当答案不用费劲就能拿到，人还愿不愿意去费那个劲。
王兴有句话，放在这儿特别合适——多数人为了逃避真正的思考，是愿意做任何事情的。
AI 时代给这句话添了个新注脚：现在连"逃避"都不需要付出代价了，你只要敲一行字。
所以 AI 时代真正的能力，我的答案就一句话：
不是得到答案的能力，是你还愿意自己想一想的能力。
留给你吵的三个问题：
-
如果你同意"会用 AI 只是入场券"——那你现在给孩子、给团队花钱报的那些"AI 课"，教的到底是入场券，还是能力？
-
第二层说"提问能力来自你已经知道的东西"。那"先打牢基础知识"和"先学会用 AI"，到底该先干哪个？
-
如果 AI 每次都能给你 80 分的答案，你还会去追那 100 分吗？为什么？