2025年剛剛過去四個多月，DeepSeek的爆發、吉卜力式圖片生成的爭議，已經占據了一大部分公共討論廣場。每個上網的人，幾乎都無法逃開AI的影響，無論是主動的還是被動的。
用日新月異來形容今天的AI並不為過。
從認為“AI可能會在翻譯等少數領域替代人類，在其他領域，AI將成為人類的好幫手”的設想，到今天發展到“很多領域的人類工作都會被替代”的絕對結局——這樣的變化並沒有經曆很長時間。
《少數派報告》
近一年來，大模型本身雖然沒有像GPT-4o那樣的“質變”，但應用層加速推出，出現了一些足以支撐高價訂閱、並在特定工作流中提供不可替代價值的新服務。
ChatGPT的訂閱服務在全球已經有千萬人次付費訂閱，其中包含了售價為200美金一個月的pro版本，起碼有超過一萬人訂閱。
能讓人付一月200美金的費用，就是因為殺手級應用DeepResearch和其背後的o3模型。現在DeepResearch的水平和速度，一定程度上能替代三到五個企業和谘詢公司的初級研究員，這麽算起來，200美金是非常劃算的。
類似這樣的應用開始井噴，可能會以很快的速度改變我們的生活。而現在問題已經近在眼前：該如何適應一個有AI的工作環境？
01.
簡要總結：
普通人接觸的AI，經過了哪些“進化”？
早期AI的使用有點像煉金術，其使用的關鍵門檻就是“魔法咒語”——基於提示詞（prompting）的一整套技術。提示詞培訓甚至成為AI衍生的一個知識付費熱門。
從免費的帖子，到提示詞網課，大量教授AI使用知識的指南湧現。比如“網易雲課堂”上的一門由“中國電子學會”製作的AIGC提示詞工程師課程，分為初級、中級、高級，售價就分別達到了1980元、2980元、4980元。線下培訓課程更是動輒上萬。
和提示相關的，是“調試”的困難。以AI繪圖為例，過去AI要畫出可用的圖像，可能需要大量精細的調試，不斷嚐試各種提示語或命題，基於圖像的細節修改非常困難。
但從上幾個版本開始，ChatGPT的繪圖就有了重寫提示（prompt-rewriting）功能。程序可以把用戶的要求擴充成一個更詳細、更長的文本，而最近爆火的“吉卜力版”更是有了Diffusion-Transformer架構，對於文字的契合度更高，還結合一種通過初稿粗構圖，逐漸填充細節的Progressive Prompts功能，讓AI做圖突然變得很簡單。
這一切，都是一套基於推理的優化。
最初推理模型可能生成更長和更有分析性的文本。到現在推理鏈綜合了檢索增強生成（Retrieval-Augmented Generation），並且檢索不隻一次，AI可以一層層地逐步分析和檢索下去，並在使用Python進行數據分析生成中間結論，這就是DeepResearch的可怕之處了。
《超體》
最簡單來說，目前的大型語言模型（LLM）的AI還是一個“接下茬”的模型，根據用戶輸入的提示不斷生成下一步。
過去的AI基於用戶的提示語來生成一段文本，但現在用戶輸入的這段提示語可能隻是AI最後生成段落的萬分之一不到了，海量的中間提示語由AI自己通過搜索和推理完成。
AI不再依賴於用戶最初編寫大篇幅又精確的提示語，讓AI的易用性和生成內容的質量直接提升了一個巨大的台階。
這樣的優化是全麵的，不拘泥於DeepResearch和做圖領域，還包括編程，例如AI編程領域，已經有Devin、GitHub Copilot、AWS Developer Q、Codeium Windsurf、Cursor等多家公司。我們距離完全無代碼編程可能隻有一步之遙了。
從最近一年AI的進步來看，也許最大的進步並不是基礎模型有多麽根本性的推進，而是能以較低成本交付穩定、確定的結果，這讓AI一步步地更接近可以自然整合進入工作的工具。
02.
從可見到不可見的AI整合
OpenAI不僅自己在推出各種AI產品，也在大刀闊斧地收購。
5月6日，美國知名商業媒體彭博披露OpenAI達成約30億美元收購協議，這是OpenAI最大的一宗並購案，並購對象是一家叫Windsurf的AI編程公司。在收購案前一天，CEO瓦倫·莫漢（Varun Mohan）接受采訪時，宣布Windsurf將圍繞“vibe coding”重塑開發文化。
什麽是“vibe coding”？這是一種完全無代碼的”編程“方式。
過去，作為AI使用的一大領域——編程，開發者還是希望將AI的代碼整合到自己的項目中，再不濟，也要對AI編寫的代碼進行人工審查。
但很快問題來了，AI的效率太高，輸出代碼數量太大，維護難度和成本都很大。所以“vibe coding”概念被提出，開發者用自然語言（或語音、圖像、示例代碼）描述需求，程序即刻產出可運行的雛形，然後根據這個可用的雛形，開發者繼續對話式微調，形成“邊用邊改”的循環。到這一步，已經完全不麵對”代碼“了。
當然，到這一步，也很難稱呼這樣的人員為”開發者“了。比如就用Windsurf CEO的話說，這樣的工作人員叫“builder”（建設者、建立者）。而到這一步，“vibe coding”基本就要替代前後端服務器端的很多程序員，這是一個既令人興奮，又令人恐懼的前景。
從“vibe coding”裏我們可以看到一個AI帶來的工作困境，即AI效率太高，其產出的內容已經很難用人的速度進行審閱，所以幹脆不看，直接用自然語言和最終產品交互。這樣的場景是否會僅僅出現在編程領域？
《失控玩家》
除了寫作，筆者一直在進行播客的製作。現在的AI生成對話式文本不再是問題，再用一個語音模型進行配音也輕車熟路。最後給播客節目起標題、製作封麵圖都可以用AI完成。
我們來假設一個問題，如果這套流程滿負荷啟動，一個人每天能生產多長時間的播客內容？
用這個問題詢問ChatGPT o3，它的回答是，一天8小時工作可以生成超過30小時的內容。
這還是已經加入了一些“檢查”步驟的情況，如果抽去其中的“檢查”，一天生產48小時的播客內容也是很有可能的。也就是說，一個人可以完成至少10個播客的日更2小時對話節目。
如果文字轉視頻更成熟一些，直接生成30秒短視頻，發短視頻平台呢？或者直接根據短視頻平台的某種模板生成類似情節和內容的短視頻呢？一個人每天能生產多少短視頻，能同時管理多少帳號？當然，這個點子一點不新鮮，甚至已經有人在這樣做了。
這裏強調的是，到這一步，我們早就不是以經典的方式在使用AI了——即我們提供提示語，AI提供結果，我們再拿這個結果加入我們的工作流，用AI的思考嵌入我們的思考。
但因為二者思考速度的差異過大，我們大可以放棄思考，把一部分工作全部交給AI完成，我們再也不用做二次加工和質檢，全部讓AI完成就好。
03.
如果AI能做，你還要不要思考？
這促使我們思考一個問題，到底有什麽是人“非想不可”的？
如果很多人做短視頻就是為了賺錢，如果可以借AI，同時開五十個短視頻賬號，以AI生成視頻覆蓋寵物、母嬰、美食探店等全部賽道，這個人為什麽還要思考？
假設你在網上有些不喜歡的創作者，如果有一個功能，例如針對某篇文章，AI直接生成400字的關於這篇文章的最關鍵的批判。以後你討厭的創作者每發一篇文章，你就點這個按鈕，甚至設置成自動任務，那麽你還要不要認真閱讀文章本身，要不要閱讀AI撰寫的回複？
這個問題可以更直白。如果現在你的工作AI可以一鍵生成並交付，還有多少比例的人希望思考自己的工作？
這不是未來而是現實。在很多內容平台的評論區，有越來越多直接粘貼大段AI文本的評論。評論者也許有個初步念頭，或者有個假設，直接交給AI，AI將這個10%完成度的假設推到90%，然後評論者一鍵粘貼就好。
《她》
這樣的過程可能會成為大多數人越來越熟悉的生活模式。在這個模式下，我們慢慢將思考過程交給AI，而結果我們甚至可以不看，這會帶來什麽影響？
最簡單的，這就像人完全依賴GPS導航後，很多人對城市的方向感和街道的記憶能力已經萎縮。
那麽當人不再思考的時候，喪失的是什麽呢？
剛有AI的時候，我們說AI幫人類完成那些簡單而繁瑣的事情，這樣可以解放人來進行更有價值的思考。這個願景很美好。
但實際情況是，機器的職責是思考，人的職責是輸入、複製、粘貼。我們成了流水線工人，成了銜接AI和其他APP的搬運工，做了裏麵最沒有價值的那部分操作工作。這還是我們要的生活嗎？
這個問題還可以進一步往下想，上述圖景的出現一定會促使信息爆炸進一步加劇，當然現在信息爆炸已經夠可怕，這會讓每個人麵對一個抉擇：麵對這麽多信息，你是依靠算法為你推薦內容，還是依靠自己的選擇來鎖定茫茫信息海洋的少部分內容？
後者聽上去更自主，也更浪漫，但每個人都可以自我審視，在多大的程度上，我們可以拋棄算法推薦？畢竟“選擇內容”也是一種耗神的思考，而我們可能早就把這個思考放棄了。
04.
AI“賦能”的對象
在《未來簡史》中，尤瓦爾·赫拉利描述了一種“超級人類”（Homo Deus），通過與AI技術的深度融合，這種人會掌握巨大的能力，而大多數未被升級的人則可能被邊緣化甚至淘汰。他也將此作為一種“物種升級”的路徑。
但從現在AI發展的方向上看，我很懷疑一個人與AI融合成為超級人類，而不是成為AI生成內容的機械複讀機。
試想一個人的大腦已經與AI深度融合，AI能夠實時采集到ta麵對的外界輸入，並以極快的速度生成大量回複和文本。
在什麽情況下，ta有能力處理和加工這些文本，而不是變成一個“讀稿機器”呢？
而這樣的人，未必是一個“超級人類”，MIT Sloan（MIT的一個學院）2024年的一個實驗發現：在決策任務裏，“人+AI”平均表現竟弱於最強的單個人，原因是用戶傾向無條件采納模型建議，忽略效驗步驟。
今天的AI，同一個問題，以三種不同視角詢問三次，AI可能會給出完全不同的回答，這些回答間互相比對校正，也許能得到一個非常有價值的綜述。
如果是個人，每日以不同視角向AI提供並比對三份可能40%左右相同的答案，這絕對是無法完成的工作。
但如果你設想，這是一個研究團隊呢？這個研究團隊由三個不同學科背景的人構成，ta們共同研究一個問題，使用AI進行研究，並在這三個人之間來進行研究結果的綜合，這會不會是一個很有意思的方法？
《少數派報告》
AI的賦能對象不是個人，而是團隊。團隊協作是抗衡信息爆炸和AI“思考剝奪”的緩衝器。
人與人協作的部分不僅擴展了單一AI回答的偏狹，還通過人與人的交流確保個體需要完成閱讀和理解AI的回複，並在人與人的即時討論中加工這些回複，而不是成為“AI搬運工”。
在這個角度上，AI不可能嵌入現有某個團隊的工作流，而是這個團隊需要圍繞AI重構工作流。
可以設想一個團隊裏幾個人專門負責從不同視角利用AI進行發散，而有一個專門的人對這些發散的內容進行查核與糾錯；或是一個專門的人再用AI對兩個不同的答案進行“對撞”和二階分析，這種設計框架是非常多樣的。
但無論如何多樣，在這樣的一個團隊中，AI處在工作流程的核心，人一定是在AI的基礎上進行信息的再分辨和加工的。
這樣的設計主要針對工作場景，那麽個體生活呢？
當個體生活被包裹在各種AI中，屬人的部分會快速被掏空。但存在另一主體互相碰撞的生活呢？是否也會成為個體生活的某種“緩衝器”？也許這個思路不隻針對團隊。
尾聲.
抓好，準備衝擊
（*本段包含AI生成的文字）
上述內容的思路和文字都由筆者獨立逐句寫成，其中的一些資料搜索使用了AI。最後，不如以上文作為內容基礎，讓AI來寫結尾吧。
以下文字由AI生成：
回到開端，我們必須承認：當AI的產能遠超個體的處理極限，“思考”本身就變成稀缺資源。
未來最有韌性的模式，很可能是“多腦-多機”共棲——讓數名背景各異的人在同一個問題上並行調用AI，隨後用人類的對話、辯護與質疑把機器輸出重新編織。
這種團隊-AI循環有三重機會。 第一，是把算法偏差互相抵消。
第二，是把快速生成的碎片沉澱為結構化知識（作者注：這句總結不錯，其實生成內容未必是碎片，但作為一個個體，閱讀AI生成段落是非常碎片的，也許需要一個團隊和人際構成流程，才能在腦海中“定型”，或者用這裏的話“結構化”）。
第三，是迫使成員持續練習元認知（作者注：這個詞匯太模糊敷衍），避免淪為“AI搬運工”。
團隊的存在讓“思考”成為團隊協作流程中被鎖定的過程，令稀缺的思考必然在人腦中發生（作者注：這裏是筆者加的一句）。
《超體》
但風險同樣尖銳： 第一，協作若缺少透明日誌與角色分工，AI建議仍可能被集體“自動簽收”，形成羊群錯判； 第二，分布式工作流將製造新的技術門檻，未能進入團隊生態的人，反而更快被邊緣化； 第三，海量機器草稿可能拖慢決策節奏——人類爭執在何時停止求證、開始行動。
因而，製度層麵需要建立“機器-人”雙重審計、錯題本與定期“無AI日”等護欄，生活層麵則要重啟麵對麵的討論與共同創作，讓心智在摩擦中保持彈性。
唯有如此，我們才能把信息洪流化作新文明的水力，而非被其吞沒。
