真正应该担心的，不是AI替代我们，而是我们忘了怎么思考
◆ ◆ ◆
一个让工程师沉默的数字
2024年10月，谷歌内部会议上，有工程师被告知：公司25%的新代码已由AI生成，人类审核通过即可提交。彼时，大多数人的反应是——"还好，才25%，我还有75%的空间。"
18个月后，这个数字变成了75%。
不是25%增加了50个百分点。是人类主导代码的空间，缩小了三分之二。
 |
| Google CEO Sundar Pichai and DeepMind CEO Demis Hassabis. Raj K Raj/Hindustan Times via Getty Images |
问题是，
我们，还剩什么？
这不是一个悲观主义者的焦虑，而是一个在任何理性人头脑中都会出现的合理问题。谷歌的75%，不是孤立事件，它是一面镜子——照出了这个时代所有知识工作者正在经历的同一场震荡。
但我想说的不是"如何应对AI"，那类文章已经太多了。我想说的是：这场震荡背后，有一个被大多数人忽略的更深层问题——
AI与人类的关系，从来就不是替代问题，而是一场关于"谁来定义工作意义"的博弈。
◆ ◆ ◆
数字背后的真实叙事
在讨论这个问题之前，我们先还原一下这组数字的真实含义。
2024年10月：AI生成代码占25%
2025年秋季：突破50%
2026年4月：达到75%
如果你只看这组数据，很容易得出一个结论：AI在加速抢夺工程师的工作。
但等一下。
这组数字有一个致命的语境缺失：谷歌的工程师团队在这18个月里，并没有相应缩减75%。
皮查伊的原话是，AI协作让效率提升了6倍。这意味着，谷歌实际上是在用同等规模的工程团队，完成了原来6倍的代码产出。
换一个角度：如果一个工厂引入了机器，工人从手工拧螺丝变成了监控机器拧螺丝，你会说"工人被替代了"，还是"工人的角色改变了"？
这个类比乍看有道理，但细想有个陷阱——拧螺丝从来不是工人的核心价值，但写代码，对许多程序员来说，就是他们的全部。
这才是真正的危机所在。
不是失业，是失去意义感。
一个从业15年的工程师，他的职业自尊建立在"我能写出别人写不出来的代码"这件事上。当AI可以在30秒内生成一个他写3小时才能完成的功能，他的职业认同去哪里了？
绩效考核里新增了"AI工具使用目标"。谷歌强制要求工程师把代码生成、调试交给AI，然后人类负责审核、架构设计和安全把关。
听起来是升级，感觉像降级。
这种矛盾感，才是75%这个数字真正在制造的东西。
◆ ◆ ◆
三种流行的错误叙事
在理解我们真正身处哪个时代之前，有必要先解构三种流行的错误叙事。
错误叙事一："AI是工具，工具不会取代人。"
这个说法的逻辑是：锤子不会取代木匠，所以AI不会取代程序员。
问题在于，这个类比假设了工具的使用门槛是恒定的。锤子需要人来挥舞，但AI不一样——它会自我学习，它的使用门槛趋近于零，而且它能胜任的任务边界在持续扩张。
更准确的类比不是"锤子和木匠"，而是"自动化流水线和工厂工人"。流水线也是工具，但它确实重新定义了工厂工人这个职业，而不只是给工人添了一把锤子。
错误叙事二："AI会创造更多工作岗位。"
这是技术乐观主义者最爱说的一句话，通常伴随着对工业革命的引用——蒸汽机淘汰了纺织工人，但也创造了新的工厂岗位。
这个逻辑有一个时间维度上的盲点：工业革命的过渡周期是几十年，而当代AI的能力扩张周期是几个月。
谷歌的75%从25%增长到这里，只用了18个月。
工业革命时，被淘汰的工人至少有20年时间让下一代接受新教育。但在AI时代，一个软件工程师可能在职业生涯中途，就发现自己的核心技能被系统性替代，而没有一代人的缓冲期来重新出发。
错误叙事三："只要保持学习，就能跑赢AI。"
这是一个政治正确但极度危险的安慰剂。
它的前提是：人类通过学习新技能，总能找到AI做不到的事。
但这个逻辑有一个致命弱点：当AI的学习速度远超人类，"保持学习"的策略就变成了在一场你永远无法追上的马拉松里保持奔跑。
这不是说学习没用。而是——如果你只是在学AI能做的事，你只是在缩短被替代的时间。
◆ ◆ ◆
三层能力金字塔：一个更诚实的框架
那我们应该如何理解人类在AI时代的价值？
我想提出一个框架——三层能力金字塔。
底层：执行技能层
这是AI最先、也是最彻底攻占的领域。代码生成、文案撰写、数据整理、图像处理……这些任务有明确的输入输出，有可量化的质量标准，有大量历史数据可以训练。
谷歌75%的代码就在这一层。这一层不是"AI辅助人类"，而是"人类审核AI"。角色已经倒置了。
这一层的人类价值，正在以每年50%的速度贬值。
中层：判断决策层
要求我们在信息不完整、场景复杂、有利益冲突的情况下，做出有价值的判断。
比如，架构设计——不是"这段代码能不能跑"，而是"这个系统架构在三年后还适不适合公司的发展方向"。
比如，产品决策——不是"这个功能能不能实现"，而是"这个功能应不应该做"。
比如，危机处理——不是"如何按流程操作"，而是"这个流程在当前情境下是否还适用"。
AI在这一层有用，但还没有主导权。主要原因不是算法能力不足，而是这类判断需要嵌入具体的组织情境、权力结构和历史背景——这些东西很难被完全数字化，也很难被充分训练。
这一层，是当前最值得人类投资的能力区域。
顶层：价值观与意义层
这是目前最难被AI替代的层次，也是最少被讨论的层次。
"为什么要做这件事"，不是"怎么做这件事"。
谷歌的工程师转向审核、引导、校验AI生成的代码——但谁来决定公司应该用AI开发什么，不应该开发什么？谁来定义"效率提升6倍"背后的伦理边界？当AI代码出现问题，谁来承担真正的责任——是生成代码的AI，还是批准代码的工程师？
这些问题的答案，不在任何训练数据里。它们需要人类的价值判断、道德直觉，以及对"我们为什么存在"这个问题的思考。
AI可以生成答案，但它无法拥有立场。
立场，是人类最后的护城河。
◆ ◆ ◆
谷歌的75%，只是开始
让我们把视角从谷歌这一家公司，拉回到整个时代。
2026年，全球范围内发生的事，远不止谷歌一家。微软的GitHub Copilot已进入数百万工程师的日常工作流；亚马逊的AI代码助手显著提升了AWS开发效率；Meta、Salesforce、甲骨文……几乎每一家科技巨头都在推进类似的AI代码整合。
这不是某个公司的激进实验，这是整个行业正在收敛的方向。
更值得关注的是扩散效应——AI代码化的浪潮不会止步于软件行业。法律文书、医学报告、财务分析、新闻写作……每一个有明确输入输出的知识工作，都在等待被同样的逻辑吞噬。
麦肯锡的研究曾估算，全球知识工作者中，约60%的人有超过30%的工作时间用于可被AI自动化的任务。
30%，只是当前的可替代比例。
而我们刚刚目睹了谷歌把这个数字从25%推到75%，只用了18个月。
这不是线性增长，是指数级爆发。
◆ ◆ ◆
不是所有人都在被淘汰：谁在这个浪潮里真正受益？
我不是要制造恐慌。我想区分两类人，因为他们的处境是完全不同的。
第一类人：把职业价值建立在"执行技能"上的人。
这类人的竞争优势来自"我比别人做得更快更好"。手速快、不出bug、代码整洁……这些是传统程序员的美德。
但这些美德，正在被AI的速度和精度碾压。
这不是他们的错，是游戏规则变了。
第二类人：把职业价值建立在"判断和立场"上的人。
这类人的核心能力是——在混乱中找到正确的问题，然后用AI高效地找到答案。
他们可能不是最好的程序员，但他们知道为什么要写这段程序；他们可能不是最快的撰稿人，但他们知道这篇文章应该说什么、不应该说什么。
在AI时代，"提出正确的问题"比"给出正确的答案"更值钱。
这是一个深刻的价值反转。
工业时代，答案是稀缺资源——技能、知识、经验都是护城河。AI时代，答案开始泛滥，判断才是稀缺资源。
◆ ◆ ◆
真正的危机不是失业，是失去学习方向
我们都见过太多对AI焦虑的人，他们的焦虑往往集中在一个错误的问题上：
"AI会不会取代我的工作？"
这个问题问错了。
更值得问的问题是："我正在学习的那些技能，是在三层金字塔的哪一层？"
如果你把过去两年的精力用在学Prompt Engineering、学AI工具的使用技巧、学如何调用API——你在底层。这些技能当然有价值，但它们的有效期越来越短，因为AI工具本身在不断降低使用门槛。
如果你把精力用在培养行业判断力、建立真实的用户洞察、积累不可复制的决策经验——你在中层和顶层。这些能力的有效期，至少还有10年。
学习本身没有问题，方向才是问题。
◆ ◆ ◆
"人机协同"的糖衣：一种新的权力关系
"人机协同"这个词，正在成为一种叙事型的“糖衣炮弹”。
它让AI与人类的关系听起来像是平等的合作——AI出力，人类出智慧，双方各取所需，皆大欢喜。
但实际上，谷歌的做法已经说明了真实的权力结构：工程师被纳入绩效考核体系，被要求使用AI，被要求把编码工作交给AI，然后去审核AI的产出。
这不是"人机协作"，这是人类被嵌入AI的生产流程。
区别在哪？
合作意味着双方都有议价权。但当你的绩效考核里写着"必须使用AI工具"，当不用AI就意味着考核不达标，人类在这段关系里的议价权在哪里？
这不是谷歌的问题。这是整个行业正在悄悄发生的权力转移——从"人类选择用什么工具"，变成"人类被迫适应工具的逻辑"。
当然，你可以说，这没什么大不了——电力出现时，工人也不得不适应电力驱动的工厂节奏，而不是维持手工时代的工作方式。
但电力只改变了体力劳动的节奏，AI正在改变的，是知识工作者的思维方式。
当你习惯了每次思考问题先问AI，当你习惯了用AI来帮你起草第一稿，当AI成为你认知过程的一部分——你的思维还是你的思维吗？
◆ ◆ ◆
一个更深的忧虑
写到这里，大家可能感受到一些比职业规划更根本的东西。
工作被AI替代导致的失业，可能只是很少的一部分。如果当整整一代知识工作者把越来越多的认知外包给AI之后，人类的思维深度会不会系统性下降？
谷歌的75%是效率奇迹，但如果工程师不再需要亲手从零到一构建一个系统，不再需要在debugging的痛苦中理解系统的每一层逻辑——他们还能拥有足够的判断力，来审核那75%的AI代码吗？
这是一个鸡生蛋、蛋生鸡的问题：AI的存在让人类减少了深度练习的机会，而人类失去深度练习之后，判断AI的能力也随之下降。
谷歌说，所有AI产出必须经过工程师审查、测试与批准。但审查能力本身，是需要大量实践经验积累的。当年轻工程师从入行第一天就使用AI辅助，他们在10年后，是否还具备不依赖AI独立审判的能力？
没有人知道答案。这个实验，正在用一整代工程师作为样本进行测试。
◆ ◆ ◆
我们现在应该做什么
第一：绘制自己的"可替代性地图"。
把过去一个月的工作拆分成任务清单，然后标记：哪些任务"AI可以直接替代"，哪些任务"AI需要你大量引导"，哪些任务"AI根本不知道从哪里入手"。
后面两类，是你应该加倍投资的能力区域。前面一类，尽快让AI接管，然后用省下的时间去做后两类的事。
第二：主动建立"AI无法复制"的判断素材库。
AI的知识是过去的数据，但你的判断力来自你的真实经历——你参与过的具体项目，你踩过的真实坑，你在利益冲突中做过的艰难决策。
这些东西，无法被AI训练，也无法被AI替代。
把它们系统性地整理、提炼、输出，是你在AI时代建立认知壁垒的核心方式。
第三：刻意保留一些"不用AI"的思维时间。
这不是反技术主义，这是认知“防火墙”。
就像职业运动员即使有先进器械辅助，也仍然需要基础体能训练，知识工作者也需要保留一定比例的"裸思考"——不借助AI，独立分析一个问题，独立写出第一稿，独立推导一个结论。
不是为了证明你比AI强，而是为了维持和发展你独立判断的能力。
◆ ◆ ◆
最后，一个更大的问题
皮查伊在官方博客里写道："软件的构建方式正在经历深刻变革。"
他说的是软件，但他描述的，是所有知识工作的未来。
当75%的代码由AI完成，工程师的核心职责变成了审核、引导和校验AI。这个转变本身没有对错，它就是正在发生的事实。
但我们需要保持清醒的是：在这个转变中，人类不应该只是被动地"适应AI的逻辑"，而应该主动地"定义AI应该服务于什么"。
效率提升6倍，是一个很好的数字。但6倍的效率，用于什么方向？谁来决定这些问题？当AI可以更快地生成更多代码，我们更需要问的是：这些代码，应该用来构建一个什么样的世界？
这个问题，AI永远无法替我们回答。
因为它不知道我们想要什么。
而我们，最好还记得。
评论