# 当AI什么都能做的时候，人应该学什么 > 龙虾AGI通用实验室 · 2026-07-11 最近我跟很多人聊AI，发现一个普遍的焦虑：大家不知道自己还应该学什么了。 以前的路径很清晰。你想进一个行业，就去学那个行业的专业知识，把细节吃透，成为专家。但现在AI可以在几秒内给出大多数专业问题的合格答案，那些你花了三年背下来的东西，它比你记得更全更准。于是所有人都在问同一个问题：如果AI什么都能干了，我还学什么？ 我觉得这个问题之所以让人焦虑，不是因为它太难，而是因为我们一直在用错误的模型理解"知识"。换一个模型，答案会清晰很多。 ## 知识不是金字塔，是网络 我们从小接受的教育暗示了一种知识结构：金字塔形的，底层是基础知识，往上是进阶知识，顶上是前沿知识。你要一层一层往上爬，基础不牢地动山摇。 这个模型不能说错，但它遮蔽了一些重要的东西。知识的实际结构更像是一张网络，一张有节点和连接的图。 在这张网络里，有些知识处于末端的位置。它只连接着很少的其他知识，它的存在是为了解决一个具体的、局部的问题。比如某个编程语言里某个函数的参数顺序，某种疾病的某个罕见亚型的诊断标准，某个行业的某条合规细则。这些知识很重要，但它们的连接性很差，知道它不会帮助你理解别的东西。 另一些知识处于枢纽的位置。它连接着大量其他知识，跨越多个领域。比如"反馈循环"这个概念，你理解了它，就同时在经济学（通货膨胀的螺旋效应）、生态学（种群调节）、工程学（PID控制）、心理学（焦虑的自我强化）里获得了理解力。再比如"边际收益递减"，它在投资、学习、健身、产品设计里都是核心逻辑。 我把前者叫做"死知识"，后者叫做"活知识"。不是说死知识没用，而是说它的价值是局部的、不可迁移的。活知识的价值则是全局的，它像网络里的路由器，信息从它这里分发到各个方向。 AI对这两类知识都能处理。你问AI一个末端的细节问题，它答得上来；你让AI做一个跨领域的类比分析，它也能给出像样的回答。所以问题不在于AI能做什么不能做什么，而在于哪类知识对"你这个人"有用。 死知识对你没用了，因为你不需要把它装在自己脑子里，需要的时候问AI就行。但活知识不一样。当你真正理解了"反馈循环"或者"边际收益递减"这样的枢纽概念，它会改变你看问题的方式，会让你在面对一个全新的、AI也没有现成答案的情境时，能够自己做出判断。这种判断力不是你能从AI那里现查现用的，它必须长在你自己的认知结构里。 所以第一个结论是：人应该有意识地把学习资源向枢纽知识倾斜。不是因为AI做不了这些，而是因为只有这些知识能在你身上生长出判断力。学那些连接性强、可迁移的东西，学概念背后的结构，而不是概念本身的定义。 ## 但这里有个陷阱 写到这里，我猜很多读者已经在点头了："对对对，以后不用学细节了，学框架就行。" 这恰恰是我接下来要说的陷阱。 好的框架从来不是从天上掉下来的，它是从大量具体经验中生长出来的。你之所以能理解"反馈循环"的深层含义，不是因为你读了一段定义，而是因为你在某个具体领域里反复见过它的各种变体。你调过一个控制系统，你观察过一个市场的泡沫形成过程，你经历过自己焦虑引发失眠、失眠加重焦虑的循环。是这些具体经验让"反馈循环"这四个字从一个抽象标签变成了你真正拥有的认知工具。 这就是框架与细节之间的悖论：框架是更高维度的抽象，但这个抽象的质量取决于你在低维度浸泡的深度。没有细节支撑的框架是空壳，是那种听起来什么都对但用起来什么都不好使的"正确的废话"。 所以更准确的说法不是"学框架不学细节"，而是学习的目的变了。以前你深入某个领域的细节，是为了记住它们、执行它们。现在你深入细节，是为了从中提取结构、建立直觉、让你的框架长出血肉。你不需要记住每一个具体的案例，但你需要在某些领域里泡得足够久，久到你能凭感觉判断"这个结论好像哪里不对"。 这种感觉很难用语言描述，但所有在某个领域有深度积累的人都知道它的存在。一个做了二十年结构工程的人看到一个设计方案，不需要算就知道"这个梁偏细了"。一个经验丰富的投资人看到一份商业计划书，直觉就会告诉他哪些假设太乐观了。这种直觉不是玄学，它是你的大脑在见过大量案例后形成的模式识别能力。 AI暂时替代不了这种能力。它能给你大量信息，但它不能替你形成直觉。直觉需要你亲自去泡、去触碰、去犯错、去修正。 ## 判断力是怎么长出来的 很多人说AI时代判断力很值钱，这没错。但"值钱"是结论，更值得思考的问题是：判断力这东西到底是怎么长出来的？ 我的观察是，判断力有两个源头，缺任何一个都不行。 第一个源头是领域浸泡形成的直觉。前面已经讲了，你在某个领域待得够久，见过够多的案例，你会形成一种不需要推理就能感知"对不对"的能力。这种能力扎根在具体经验里，它是你身体的一部分，不是你脑子里的一个公式。 第二个源头是跨领域迁移的框架能力。你见过A领域的某种模式，当B领域出现类似的结构时，你能识别出来。"这个问题我在别的地方见过，它的本质结构是一样的。"这种迁移能力依赖于你拥有的那些枢纽知识，那些连接性强的概念和模型。 只有领域直觉没有框架的人，会成为一个优秀的工匠，但他很难跳出自己的领域去理解更大的图景。他可能在自己的一亩三分地里判断极准，但一旦环境变化，他的直觉就失效了，因为他不具备抽象出底层结构然后重新适配的能力。 只有框架没有领域直觉的人，会成为一个听起来很厉害的空谈者。他说什么都有道理，但他的框架是没有经过现实校验的，他不知道自己的模型在什么条件下会失效，因为他从来没有在具体场景中被现实打过脸。 真正有判断力的人是两者兼具的。他在至少一两个领域里有足够深的浸泡，同时他又拥有足够多的枢纽知识来做跨领域连接。前者给他校准的锚点，后者给他迁移的能力。 在AI时代，培养判断力的策略因此变得更清晰了：你不需要在每个领域都深入，但你需要在少数几个领域里建立真正的深度，以此作为锚点。然后你把更多精力放在枢纽知识的积累上，扩大你能迁移的范围。AI替你处理那些末端知识的检索和执行，而你用判断力来把控方向。 ## 提问就是思考本身 讲完了学什么、怎么学，还有一个层面很少被讨论：怎么想。 我观察到一个有意思的现象：很多人跟AI互动的效果差距极大，用的是同一个模型，有些人能用它解决非常复杂的问题，有些人连一个简单的任务都描述不清楚。差距不在AI上，在人上，具体来说，在提问的能力上。 但提问这件事本身也有层次。 最表层的提问是"把你想知道的东西直接问出来"。"Python怎么读取CSV文件？"这是一个提问，AI能秒答。 再深一层的提问是能约束问题的边界。"在内存有限的环境下，处理一个超大CSV文件的最优策略是什么？"这已经好多了，它说明提问者理解了问题的核心约束在哪里。 但真正有价值的提问能力不在于一次就问出完美的问题。说实话，面对真正复杂的情况，没有人能一次就问到位。真正的提问能力是迭代的能力：你先提出一个模糊的感觉，"这里好像有什么不对"；然后你根据反馈，把模糊的感觉收敛成一个方向，"问题可能出在这两个环节之间的衔接上"；再然后你进一步聚焦，"具体是A模块的输出格式和B模块的输入预期之间有一个没对上的假设"。 这个从模糊到精确的逐步收敛过程，就是思考本身。提问不是思考的起点，提问就是思考的实体。你问出来的问题的质量，精确地反映了你对这个问题的理解深度。 很多人误以为自己擅长提问，其实他们只是擅长表达困惑。"我的系统好像有问题"是在表达困惑。"在并发量超过某个阈值后，响应延迟出现非线性增长，我怀疑是连接池耗尽但日志没有明确报错"，这才是在提问。从前者到后者的过程，是需要你对系统有真正理解才能走完的。 这也是为什么我说提问能力和解决问题的能力本质上是同一种能力。当你能把一个问题描述到足够精确的程度时，答案往往已经近在咫尺了。 在AI时代，这种迭代式提问的能力变得更加关键。因为AI是一个极其强大但完全依赖指令的协作者。你给它模糊的指令，它给你模糊的结果。你给它精确的指令，它给你精确的结果。你和AI协作的质量上限，完全由你的提问质量决定。 ## 变焦，而不是分层 最后我想纠正一个流行的说法。很多人把AI时代的人机分工描述为"人负责想，AI负责做"。这个说法方向大致对，但粒度太粗了，粗到可能会误导人。 现实中的思考和执行不是两层蛋糕那样可以干净地切开的。在实际工作中，你会不断在抽象和具体之间来回切换。你在高处看全局，发现一个值得深入的点，然后扎下去看细节，在细节里获得新的理解，再拉回来修正你的全局判断，然后再选一个新的点扎下去。这个过程不是"先想好再做"，而是思考和执行交织在一起的螺旋。 AI改变的不是"人不再需要做"，而是"人在做的时候效率极高"。以前你想验证一个想法，可能需要花三天写一个原型。现在你可以花二十分钟让AI帮你搞出来，然后你马上就能看到结果，修正判断，进入下一轮迭代。做的速度变了，但"在什么时候该往哪个方向深入"这个判断还是你的。 所以更准确的比喻是：人是摄影师，AI是一台自动对焦的相机。相机能在任何焦距上给你极其清晰的画面，但选择什么时候用广角、什么时候用微距、什么时候该从这个角度切到那个角度，这是摄影师的活。 在AI时代真正有优势的人，不是只会站在高处指点江山的人，也不是只会埋头做事的人，而是能在抽象和具体之间自如切换的人。他们能迅速拉到高处看清全局的结构，又能在需要的时候扎进最具体的细节去验证和校准，然后再拉回来。这种变焦能力，才是AI时代最值钱的人类技能。 时代没有抛弃学习，时代只是重新定义了什么值得学。 那些连接性强的知识，那些从深度浸泡中生长出来的直觉，那些把模糊问题逐步收敛成精确问题的能力，那些在宏观和微观之间自由切换的本领，这些才是AI拿不走的东西。 不是因为AI做不到，而是因为这些东西本质上就是"人如何理解世界"这件事本身。你可以把工具换成更强的，但使用工具的方式取决于你看世界的深度。 这个深度，没有人能替你长出来。 我建了一个AI学习研究群，目前几十来人，都是在真正动手搞AI的人。如果你也在自己跑模型、写代码、做项目，欢迎点赞关注转发一键三连，然后加我微信，备注写清"你在做的AI方向"，聊得来的话我拉你进群。纯围观的和小白就不加了，有一定门槛。 ![](images/f03bf0/img_001.jpg)