问题问错了
人们谈到人工智能，最常问的问题之一是：程序员会不会被AI替代？医生、律师、教师、记者、会计呢？我呢？
这个问题可能从一开始就问错了。因为“程序员”“律师”“医生”只是职业名称。任何一种职业，实际上都是许多不同能力的组合。程序员不只是写代码，还要理解需求、设计系统、判断取舍、发现异常、和其他人协作；律师也不只是查案例、写合同，还要理解事实、判断风险、形成策略、与客户和对手谈判。
AI首先进入的，并不是一个完整的“职业”，而是组成这个职业的某些能力。所以，在讨论AI究竟会替代谁之前，先问：
人的能力究竟是怎样组成的？AI正在进入哪些能力？哪些能力正在变得廉价，哪些能力又因此变得更加稀缺？
这是理解AI时代劳动、软件、企业乃至个人竞争力的一个更基础的问题。
一、人的能力有三个层次
从功能上看，人的认知和行动能力至少可以分成三个层次。
这里所说的“能力”，不是学历、职业资格或知识存量，而是一个主体实际完成某类认知或行动功能的能力。
第一层，可以称为基础能力。
它们能够在相对明确的任务中被单独调用，也比较容易得到局部反馈和验证。例如：获取信息、识别图像、调用知识、总结文本、翻译、写作、生成代码、比较资料、完成一个明确的软件操作。这些能力并不一定“简单”。写一段复杂代码当然可能非常难。这里所谓“基础”，不是难度低，而是它可以在一个相对明确的边界内单独完成和验证。
第二层，是综合能力。
它不是完成一个局部动作，而是围绕一个目标，把多种能力持续组织起来。例如：判断、规划、协同、组织、监控、处理异常、在环境变化以后继续完成任务。
写一段代码和负责一个大型软件系统，显然不是同一种能力。识别一张医学影像与长期管理一个病人，也不是同一种能力。前者可以被相对局部地验证，后者必须持续处理不同信息、目标、风险和现实变化。
第三层，是元能力。
元能力处理的不是“这件事情怎么做”，而是：我现在应该用什么方法做？哪一个判断值得怀疑？什么证据还不够？什么时候应该改变策略？这一次为什么错了？下一次应该改变什么规则？
元能力管理的是其他能力。最简单地说：
基础能力是会做。综合能力是会组合着做。元能力是会管理自己怎么做。
这并不是一套固定的生理分类。同一种能力在不同任务环境中可能处于不同层级。三步以内程序修改的规划，可以接近基础能力；一家企业未来三年的战略规划，则明显属于综合能力。
做出一个复杂判断，主要是在使用综合能力；追问“这个判断本身是否可靠、所用方法是否合适、是否应该换一把尺子”，就进入了元能力。
重要的不是给每一种能力永久贴上标签，而是建立一把可以分析AI应用的尺子。
二、AI让部分基础能力外部化并廉价化
生成式AI带来的一个巨大变化，是越来越多原本必须由人自己完成的基础认知能力，开始变成可以从外部调用的资源。过去，一个人要获得某种能力，通常要自己学习。不会写程序，就要学程序；不会翻译，就要学语言；不会查法律资料，就要接受专业训练；不会做设计，就要学习专业软件。
现在不同了。一个不会熟练编程的人，可以调用相当强的编程能力；一个无法一天阅读一百篇文章的人，可以先让AI概述、比较、归纳；一个人的知识只覆盖有限领域，却可以通过AI调用远远超出个人经验的知识空间。
这并不意味着专业知识失去了价值，也不意味着AI已经可靠完成所有这些任务。真正重要的变化是：
过去必须内生于个人的一部分认知能力，开始外部化了。
而一旦一种能力能够被大量、低成本地外部调用，它的经济性质就发生变化。它开始廉价化。所以，AI改变人的能力结构，第一步不是“机器比人聪明”，而是：
一部分认知能力从稀缺的人力资源，逐渐变成廉价的外部能力。
这里的“廉价化”，说的是获得和调用这类能力的边际成本下降，并不意味着高质量结果自动变得廉价，更不意味着验证成本消失。
三、人的“内生能力”与“有效能力”开始分离
这会带来一个过去不太明显的区别。一个人自己拥有的能力，可以称为内生能力。
但一个人在现实中真正能够完成什么，还取决于他能够可靠调用哪些外部能力。所以AI时代，一个人的有效能力已经不能简单用“他自己会什么”来定义。更准确地说：
人的有效能力，开始由自身能力和能够可靠调用的外部AI能力共同决定。
“可靠调用”非常重要。让AI偶然完成一次任务，并不等于真正获得了这种能力。可靠调用至少意味着：会提出任务；会理解结果；会发现明显错误和边界；会验证关键结论；必要时知道切换方法、升级处理或者停止使用。所以一个完全不懂代码的人让AI偶然写出一段可以运行的程序，与一个能够通过AI稳定设计、测试、修改和维护软件的人，并不是同一种“有效能力”。
这也是为什么同样使用一个模型，不同人最后产生的结果可以相差很大。AI能力相同，人的综合能力和元能力不同，最后形成的“人+AI”系统能力就不同。
四、AI扩大了人的思维半径
人的知识不仅有限，人在一个时刻能够真正调用的知识和关联范围也非常有限。一个人即使读过很多东西，在面对一个新问题时，也只能从自己有限的经验、记忆和联想范围里寻找答案。有些人能够长时间思考，思维范围会逐渐扩大。但无论如何，一个人的知识节点、关联数量和瞬时调用速度，都受到很强限制。
大模型第一次提供了一个很不一样的外部认知系统。它当然没有“全部人类知识”，也缺少大量现实经验、默会知识和最新信息。但它能够调用的人类外显知识及其关联范围，远远超过任何单一个人。因此，人和AI合作以后发生的一个重要变化是：
一些原本处在人的思维半径之外的候选解，被搬进了人的判断范围。
这并不意味着AI负责最终判断。很多时候恰恰相反。人在一个复杂问题中未必能够提前想到下一步应该往哪里走，但AI展开多个可能方向以后，人可能立即知道哪一个方向值得继续。所以高质量的人机协同经常表现为：
AI扩大候选空间，人压缩选择空间。
AI的优势是展开。人的优势仍然大量体现在目标、现实经验、重要性判断、异常识别和最终取舍上。这也是为什么“AI展开，人压缩”不是一句形容，而是一种可以观察到的认知分工。
这里扩大的是“可达的思维空间”，并不保证最终思想一定更多样。如果只让AI给出一个“最佳答案”，人和AI也可能一起过早收敛。
五、价值会向新的稀缺瓶颈迁移
当大量基础能力变得越来越廉价以后，新的稀缺性可能向更高层迁移。这可能是一条比“综合能力会升值”更稳定的规律：
一种能力被AI廉价化以后，价值会向新的稀缺瓶颈迁移。
今天，搜索、总结、写作、代码生成、信息整理等能力正在迅速变便宜。于是新的瓶颈越来越集中到：什么问题值得解决；什么变量真正重要；哪个答案值得相信；什么时候证据还不够；什么时候应该改变方向；如何把多个能力组织成一个持续运行的系统。在当前阶段，这些瓶颈大量集中在综合能力和元能力。
但这不是人的永久领地。在边界明确、反馈充分的任务中，AI已经开始进入综合能力，甚至部分元能力。
这也不是永恒规律。如果未来AI连这些能力也变得成熟和廉价，稀缺性还会继续向新的地方迁移。所以真正稳定的不是“某种能力永远值钱”，而是：
价值会不断向新的稀缺瓶颈迁移。
六、人+AI并不会自动产生更高能力
把一个人和一个AI放在一起，并不等于形成一个高效的人机系统。AI可能把人带偏，人也可能错误干预AI，双方甚至可能形成共同盲点。因此决定最终效果的，还有第三个变量：工作流程。
我们在长期研究中逐渐形成了一套比较稳定的流程，主要用于开放、不确定、需要形成判断的问题：
确定对象与问题边界 → 建立事实底座 → 人机讨论与遍扫展开 → 形成判断 → 查重与反向攻击 → 验证事实、尺子和因果箭头 → 修正判断 → 压缩成文 → 规则沉淀。
这不是所有任务都必须完整走一遍的固定清单。越确定、越容易验证的任务，流程越可以简化；越开放、后果越高的问题，越需要完整的展开、攻击和验证。
在确定对象和建立事实底座之后，利用AI的大知识半径展开可能空间，再由人形成判断。
判断形成以后，不再继续寻找支持，而是进入查重与反向攻击：主动寻找思想前驱、反方观点、反例和能够破坏结论的事实。
不仅验证事实，还验证事实与结论之间那根因果箭头。如果判断被攻击成功，就修改判断；如果一次错误暴露出一个更一般的问题，就把它进一步沉淀成下一次可以重复调用的规则。
因此，在AI参与的条件下，可以用一条启发式结构公式来概括人的有效认知生产力。它表达的是三者之间的相互制约关系，而不是可直接计量的数学恒等式：
人的有效认知生产力 ≈ AI可调用的基础能力 × 人的综合能力 × 协作流程质量
AI能力强，人不会判断，结果可能很差；人判断很强，但完全不用AI，知识半径和执行半径仍然受到个人限制；两边都强，如果没有合适的分工、验证和反馈，也可能互相干扰。
真正有价值的不是抽象的“人+AI”，而是：
什么能力由谁承担，以及这些能力通过什么规则连接起来。
七、长期协作会形成共享的认知协议
工作流程解决的是一次任务如何协同；长期协作还会产生第二层收益：规则开始沉淀。人和AI的协作不是每一次都必须从零开始。
当同一套规则被反复使用以后，人会逐渐把它们压缩成直觉。例如看到一个异常大的数据，可能立即觉得“不对”。很多时候，人并没有把背后的逻辑逐条展开，但长期经验已经形成了一条隐性的判断规则。
持续的人机对话可以进一步做一件过去很难做的事情：把部分隐性的判断规则重新显性化。
为什么觉得不对？是哪一个变量触发了警觉？这一次错误到底是事实错了、分类错了、尺子错了，还是推理链错了？
经过反复讨论，一次性的经验可以逐渐变成可表达、可保存、可复用、可以交给其他人继续使用的规则。于是人和AI之间会逐渐形成一套共享的认知协议。
共享的不是“最后必须得出同一个结论”，而是：什么情况下应该怀疑；什么情况下应该找反例；什么证据可以接受；什么情况下必须重新定义问题。
理想状态不是人和AI越来越一致，而是：
规则高度对齐，结论持续可攻击。
否则，长期合作也可能形成共同盲点。所以成熟的人机协作既需要知识沉淀，也需要反向攻击。
八、先分析能力，再谈“职业替代”
如果能力才是更基本的分析单位，那么“AI会不会替代程序员”就不是一个足够好的问题。
更好的分析顺序应该是：
AI能力变化 → 哪些人的能力被廉价化 → 职业内部任务重新组合 → 单个人产能发生变化 → 企业重新设计岗位 → 市场需求发生变化 → 最后才表现为就业人数增加或减少。
所以：
能力替代，不等于任务替代；任务替代，不等于岗位替代；岗位变化，也不等于职业消失。
一个程序员的大量编码工作可能交给AI，但他因此可能管理更大的系统。一个律师的大量检索和起草工作可能交给AI，但判断、谈判和责任仍然存在。一个医生的大量资料整理和局部识别可能交给AI，但病人的长期管理仍然要求更复杂的能力组合。
未来当然可能有一些职业大幅缩小，也可能有一些职业消失。但要判断这些结果，必须先拆能力，再看经济传导。按职业先做结论，容易把真正发生的变化隐藏起来。
这条传导也不是单向直线。岗位设计、市场需求、工资和教育选择，会反过来改变能力的价格与供给；职业结果最终是一个反馈系统。
九、AI改变的是能力结构，而不只是能力大小
AI时代真正值得研究的问题，不只是“人是不是变得更强”。一个人的某些内生基础能力可能因为长期外包而下降。他可能不再记忆很多知识，不再自己完成某些计算，不再亲自写所有代码。但与此同时，他能够调用的外部能力却可能迅速增加。因此，AI时代很可能同时发生：
部分内生能力下降；外接能力大幅上升；在可靠协作时，有效能力总体提高；人的注意力和价值向新的稀缺能力重新配置。
这种变化也有代价。某些基础能力如果长期不再练习，可能退化，并进一步影响判断时的细节敏感度。因此，“外接更多能力”并不等于“人自身的每一种能力都变强”。
这是一种能力结构的重组，而不是简单的能力增加。过去我们评价一个人，往往看他：知道多少；会做多少；掌握多少专业技能。
以后可能越来越需要看另外一些东西：他能提出什么问题；他能判断什么；他知道什么时候不应该相信答案吗；他能可靠调用哪些外部能力；他能把多少不同能力组织成一个结果；他能不能从错误中形成下一次更好的规则。
所以，AI真正改变的可能不是“机器开始拥有人的能力”这么简单。更深的变化是：
人的能力本身正在从一个封闭在个人内部的概念，变成一个由人和外部智能共同组成的开放系统。
这也许才是理解AI时代“谁会被替代、谁会受益、什么能力最值钱”的真正起点。
我们不应该先问：AI会替代谁？而应该先问：人的能力究竟由什么组成？哪些能力正在被AI外部化和廉价化？当这些能力不再稀缺以后，下一种真正稀缺的能力又是什么？
只有先把这把尺子造出来，后面的职业、企业和社会变化，才有可能被真正看清。
