当 AI 成为强力执行者细节做得好不好、快不快都不再重要。模型会越来越智能、越来越快。但真正决定你能用好 AI 还是被 AI 牵着走的是你的思考能力。专业能力的本质是质疑能力很多人以为用好 AI 的关键是写好提示词Prompt。但实际上专业能力的本质是质疑能力。理解不够深入、没有经验判断你就无法质疑 AI 做法的好坏。最多只能在结果层面去质疑——“这个输出不对”、“这个效果不是我要的”。但你说不出哪里不对、为什么不对、应该怎么改。更危险的是即便 AI 很配合你的修改进行得看起来很顺利也很有可能在拆东墙补西墙。你修好了 AB 悄悄坏了而你浑然不知。这就引出了一个关键问题AI 生成的代码量和你的掌控力之间存在一个临界点。代码量小的时候谁都能 hold 住。但随着复杂度增长如果你的质疑能力跟不上 AI 的产出速度你就会逐渐失去引导能力和控制能力最终只能任由 AI 发挥——你变成了一个点确认按钮的人。人在 AI 时代需要的三层思考能力我把人与 AI 协作时需要的思考能力分为三个层次第一层过程质疑 —— 专家维度这是基于专业能力和经验的质疑。你需要能够对 AI 的执行过程进行观测和评估它的实现思路对不对架构是否合理是否有扩展性能否承载复杂状态没有足够的领域专业能力即便你能利用 AI 很快入门做出一个看似过了门槛的 demo但在细节差异、扩展性、复杂状态承载等方面你是提不出质疑的。AI 的幻觉和不确定性会随着代码量增长而累积。如果你无法从过程层面质疑这些问题就会像滚雪球一样直到某个时刻集中爆发。第二层结果把控 —— 管理维度这需要全局视角。你不一定需要知道执行细节但你必须清楚要达到什么结果做到什么程度算完成最关注什么、底线在哪这里有一个反直觉的点不是要关注更多而是要关注更少。AI 产生代码的速度和量远远超过了人脑的处理能力。什么都抓等于什么都抓不住。你应该只关注最核心的目的然后守住底线比如安全就是底线。同时你必须保持持续的自我追问现在走到哪一步了是否符合预期下一步应该往什么方向你的管理能力很大程度取决于你对最终结果的预期是否明朗。如果你自己都说不清楚要什么AI 更不可能帮你说清楚。第三层问题定义 —— 最核心的能力前两层都是在已定义的问题空间里工作。而第三层是定义问题本身。存在什么问题问题有什么影响这个问题值不值得解决怎么定义解决了这是人最核心的能力也是 AI 最难替代的能力。AI 非常擅长通过模型训练找到既定框架下的好坏对错。给它一个明确的问题它能给你一个高质量的答案。但问题从哪来标准谁来定人对世界的认知、人的感受在不停地变化标准在不停地被重新定义。即便 AI 想跟随这些变化也需要时间去收集数据、训练模型。人的独特性和不可替代性就存在于我们对问题的定义、对问题的思考之中。这里没有绝对的好坏对错只有基于你的经历、处境、理解所做出的判断。三层能力的关系这三层不是孤立的而是自下而上支撑的第三层问题定义为什么做 ↓ 定义问题空间 第二层结果把控做成什么样 ↓ 设定目标和边界 第一层过程质疑怎么做才对 ↓ 引导执行过程 AI 执行层具体做越往上越不可替代。模型进步可以逐步压缩第一层的价值——更强的 AI 需要更少的过程纠偏。第二层的价值也会被压缩——AI 会越来越擅长自我评估结果质量。但第三层——问题的定义权——始终在人手里。因为问题的定义不是对客观世界的发现而是人基于自身理解的创造。一个危险的趋势当越来越多的人把第三层能力也交给 AI——“帮我想想做什么”、“你觉得我应该做什么”——人和 AI 的关系就从协作变成了依赖。你用 AI 的边界就是你能质疑 AI 的边界。超出这个边界的部分你要么先补上认知再做要么就接受结果不可控的风险。这不是 AI 的问题是人的问题。写在最后AI 时代真正拉开差距的不是谁的提示词写得好不是谁用的模型新而是你能不能基于专业能力质疑 AI 的过程第一层你能不能克制地只关注核心目标和底线第二层你能不能定义出有价值的问题第三层工具会越来越强但思考能力是你唯一带不走、也替代不了的东西。本文基于与 AI 的深度对话整理而成。是的这篇关于如何思考 AI的文章本身就是人与 AI 协作的产物——我定义了问题AI 帮我组织了表达。