# 在AI培训课上，我跟学员说：能不用AI就不用AI

> 龙虾AGI通用实验室 · 2026-07-30

今天在做AI培训的时候，发生了一件挺有意思的事。

我在讲一个小程序的开发思路，把任务拆成了三个部分，逐个分析每个部分应该怎么实现。讲到中间我说了一句：每一个部分，你们如果能不用AI的能力就不要用AI的能力。

底下几个学员笑了。

我理解他们为什么笑。这是一个AI培训，教人怎么用AI的培训，讲师站在台上说"能不用AI就不用AI"，这画面确实挺滑稽的。

但我没跟着笑，我说：这句话你们可能没听懂。

## 这句话在说什么

背景是这样的：这个小程序要完成一个任务，我把它拆成了三个部分。仔细看每一个部分，有些部分的逻辑是确定的，输入是什么、输出是什么、中间的处理规则是什么，都能写清楚。这种就应该用普通的程序来实现，写死它，不要引入AI。

为什么？

因为写死的程序，运行一万次，结果一模一样。这就是百分之百的准确。而AI有幻觉，有不确定性，同样的输入，可能这次对了下次就错了。你明明能用确定性的方式解决的问题，为什么要引入一个不确定的东西？

那AI该在什么时候登场？

在那些你实在没法写死的地方。比如这三个部分里有一个，需要理解用户的自然语言输入，需要做语义层面的判断，这种东西你没法用if-else穷举。这时候AI上场，是因为你没有别的选择了。

所以"能不用AI就不用AI"这句话的完整意思是：能用确定性程序解决的就用确定性程序，实在解决不了的才让AI来补。AI不是升级，是在精确性上的一种让步，你放弃了百分之百的准确，换来了处理模糊问题的能力。

我讲完这段之后，底下不笑了，有几个人在点头。

## 这背后的变迁逻辑

如果再往深说一层，这个思路其实对应着自动化的一个根本性变化。

以前没有AI的时候，很多流程是没法完全自动化的。你可以用程序把确定性的部分串起来，但总会碰到一些需要"判断"的节点。这些判断是模糊的、依赖经验的、没法写成规则的。所以流程到这里就断了，得停下来等人来拍板，然后再继续。

人是整条流水线上的胶水。

现在有了AI，这些原本只有人才能做的判断，AI可以接手了。整条流水线就能跑通了。

但这不意味着你应该把所有节点都换成AI。胶水就是胶水，能用螺栓固定的地方你不会去抹胶水。AI的价值不是替换掉那些本来就跑得好好的确定性程序，而是补上那几个原来必须靠人的断点。

这个思路还引出了一个实践原则：**把不确定性控制在最小的范围内。** 你的系统里只有两三个节点用了AI，出了问题你很快能定位是哪个节点的判断出了偏差。但如果你到处都用AI，系统一旦出错，你根本不知道是哪个环节的幻觉导致的，调试成本指数级上升。

## AI探路，程序沉淀

顺着这个思路再想一步，AI和确定性程序的关系，其实不只是"该用谁"的选择题，还有一个时间维度。

很多时候，你面对一个新问题，一开始确实不知道规则是什么。比如你要做一个客诉分类系统，客户的投诉五花八门，你不确定该怎么分类、分几类、判断标准是什么。

这时候让AI先上。不预设规则，让它自己判断，跑一段时间，积累几千条处理过的case。然后你回头分析这些case，会发现很多清晰的模式：某类投诉的关键词就那几个，某类问题的判断逻辑其实就是三个条件的组合。

然后你就可以把这些模式提取出来，写成规则，做成确定性的分类器。AI完成了"探路"的使命之后就可以退场了。

这个过程的本质，是用AI的智能去"蒸馏"出规则。AI替你完成了本来需要大量人工分析才能完成的规律发现过程。但规律一旦被发现，就不再需要智能来执行了，确定性的代码就够了。

我在《用大模型来开发，不等于要交付AI产品》里把这个叫做大模型的"第二种角色"：帮你发现和固化规律。AI不是最终产品的一部分，而是开发过程中的研究工具。它替你把那些"你知道有规律但还不知道规律是什么"的东西搞清楚，搞清楚之后它就该退场了。

所以AI和程序不是非此即彼的关系，而是一个演化过程：AI是前锋，负责在模糊地带探路；程序是后勤，负责把探出来的路铺成高速公路。

这也意味着，"什么时候该用AI"这个问题的答案是动态的。今天必须用AI的地方，可能半年后就能被规则替代了，因为你在这半年里积累够了case，搞清楚了规律。而新的场景又会出现新的模糊地带，AI再去探。

## 为什么这个思路很多人搞反了

说回今天培训的场景。学员们一开始觉得好笑，是因为他们有一个潜意识里的预设：学了AI，就应该用AI。AI是更高级的东西，用AI就是在进步，不用AI就是在倒退。

这个预设在很多团队里也存在。我之前在《用大模型来开发，不等于要交付AI产品》里讨论过这个问题：很多团队觉得"既然我们是AI团队，既然我们用了大模型来开发，那最终产品里就应该有大模型"。好像交付一个不含AI的产品，就不够先进，不够有故事性。

但这恰恰搞反了。大模型是你的生产力工具，不是你的产品组件。你用它来造东西，但造出来的东西本身不一定需要它。生产力工具可以是最先进的，但产出物应该是最稳定的。

实际上，最理想的状态可能是这样：你用最先进的AI来开发，但最终交付的产品里，AI只出现在那几个真正不可替代的节点上。其他地方全是确定性程序，稳定、可靠、可预测。

## 这不是保守，是尊重一个基本约束

有人可能会说，这个思路是不是太保守了？AI在进化，也许很快就不会犯错了，何必这么小心？

我在《AI的第一性原理 | AI产品的广义圣维南原理》里分析过，精确性和适用性之间存在一个结构性的约束。这不是"当前技术还不够成熟"的问题，而是一个更根本的限制：任何系统，想要在无限广的输入空间上做到每一个点都精确，所需要的描述复杂度是无穷的。有限的系统必须在精确性和适用性之间做取舍。

AI的方式是：用精确度的适度降低，换来了处理那些你根本无法用代码描述的判断的能力。以前100%可靠的规则系统，覆盖范围可能只有20%。现在95%可靠的大模型，覆盖范围可以到98%。

所以"能不用AI就不用AI"不是排斥AI，而是在说：在那些能做到100%的地方，为什么要接受95%？把95%留给那些原本是0%的地方，整个系统的总体效果反而是最优的。

这就好比你做投资组合，稳健的部分用债券锁死收益，只拿出一部分去做高风险高回报的投资。全仓梭哈AI，和全仓排斥AI，都不是最优解。

## 真正会用AI的人，知道AI的边界在哪

回到今天培训的那个场景。

一个AI培训师告诉学员"能不用AI就不用AI"，表面上矛盾，实际上这可能是整场培训里最值钱的一句话。

因为大部分人学AI，学的是"怎么用"。但真正的高手思考的是"什么时候不用"。知道AI的边界在哪，知道在什么地方该克制，知道引入AI意味着引入不确定性，因此每一次引入都应该是一个经过评估的决策，而不是一个想当然的默认选项。

这才算真正会用AI。

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，或者使用Claude和Claude code，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。当然你也可以简单粗暴的甩给我999元，我拉你进群，这个没门槛。

![](images/3c9ac4/img_001.jpg)