問題問錯了
人們談到人工智能，最常問的問題之一是：程式設計師會不會被AI替代？醫生、律師、教師、記者、會計呢？我呢？
這個問題可能從一開始就問錯了。因為「程式設計師」「律師」「醫生」只是職業名稱。任何一種職業，實際上都是許多不同能力的組合。程式設計師不只是寫代碼，還要理解需求、設計系統、判斷取捨、發現異常、和其他人協作；律師也不只是查案例、寫合同，還要理解事實、判斷風險、形成策略、與客戶和對手談判。
AI首先進入的，並不是一個完整的「職業」，而是組成這個職業的某些能力。所以，在討論AI究竟會替代誰之前，先問：
人的能力究竟是怎樣組成的？AI正在進入哪些能力？哪些能力正在變得廉價，哪些能力又因此變得更加稀缺？
這是理解AI時代勞動、軟件、企業乃至個人競爭力的一個更基礎的問題。
一、人的能力有三個層次
從功能上看，人的認知和行動能力至少可以分成三個層次。
這裏所說的「能力」，不是學歷、職業資格或知識存量，而是一個主體實際完成某類認知或行動功能的能力。
第一層，可以稱為基礎能力。
它們能夠在相對明確的任務中被單獨調用，也比較容易得到局部反饋和驗證。例如：獲取信息、識別圖像、調用知識、總結文本、翻譯、寫作、生成代碼、比較資料、完成一個明確的軟件操作。這些能力並不一定「簡單」。寫一段複雜代碼當然可能非常難。這裏所謂「基礎」，不是難度低，而是它可以在一個相對明確的邊界內單獨完成和驗證。
第二層，是綜合能力。
它不是完成一個局部動作，而是圍繞一個目標，把多種能力持續組織起來。例如：判斷、規劃、協同、組織、監控、處理異常、在環境變化以後繼續完成任務。
寫一段代碼和負責一個大型軟件系統，顯然不是同一種能力。識別一張醫學影像與長期管理一個病人，也不是同一種能力。前者可以被相對局部地驗證，後者必須持續處理不同信息、目標、風險和現實變化。
第三層，是元能力。
元能力處理的不是「這件事情怎麼做」，而是：我現在應該用什麼方法做？哪一個判斷值得懷疑？什麼證據還不夠？什麼時候應該改變策略？這一次為什麼錯了？下一次應該改變什麼規則？
元能力管理的是其他能力。最簡單地說：
基礎能力是會做。綜合能力是會組合着做。元能力是會管理自己怎麼做。
這並不是一套固定的生理分類。同一種能力在不同任務環境中可能處於不同層級。三步以內程序修改的規劃，可以接近基礎能力；一家企業未來三年的戰略規劃，則明顯屬於綜合能力。
做出一個複雜判斷，主要是在使用綜合能力；追問「這個判斷本身是否可靠、所用方法是否合適、是否應該換一把尺子」，就進入了元能力。
重要的不是給每一種能力永久貼上標籤，而是建立一把可以分析AI應用的尺子。
二、AI讓部分基礎能力外部化並廉價化
生成式AI帶來的一個巨大變化，是越來越多原本必須由人自己完成的基礎認知能力，開始變成可以從外部調用的資源。過去，一個人要獲得某種能力，通常要自己學習。不會寫程序，就要學程序；不會翻譯，就要學語言；不會查法律資料，就要接受專業訓練；不會做設計，就要學習專業軟件。
現在不同了。一個不會熟練編程的人，可以調用相當強的編程能力；一個無法一天閱讀一百篇文章的人，可以先讓AI概述、比較、歸納；一個人的知識只覆蓋有限領域，卻可以通過AI調用遠遠超出個人經驗的知識空間。
這並不意味着專業知識失去了價值，也不意味着AI已經可靠完成所有這些任務。真正重要的變化是：
過去必須內生於個人的一部分認知能力，開始外部化了。
而一旦一種能力能夠被大量、低成本地外部調用，它的經濟性質就發生變化。它開始廉價化。所以，AI改變人的能力結構，第一步不是「機器比人聰明」，而是：
一部分認知能力從稀缺的人力資源，逐漸變成廉價的外部能力。
這裏的「廉價化」，說的是獲得和調用這類能力的邊際成本下降，並不意味着高質量結果自動變得廉價，更不意味着驗證成本消失。
三、人的「內生能力」與「有效能力」開始分離
這會帶來一個過去不太明顯的區別。一個人自己擁有的能力，可以稱為內生能力。
但一個人在現實中真正能夠完成什麼，還取決於他能夠可靠調用哪些外部能力。所以AI時代，一個人的有效能力已經不能簡單用「他自己會什麼」來定義。更準確地說：
人的有效能力，開始由自身能力和能夠可靠調用的外部AI能力共同決定。
「可靠調用」非常重要。讓AI偶然完成一次任務，並不等於真正獲得了這種能力。可靠調用至少意味着：會提出任務；會理解結果；會發現明顯錯誤和邊界；會驗證關鍵結論；必要時知道切換方法、升級處理或者停止使用。所以一個完全不懂代碼的人讓AI偶然寫出一段可以運行的程序，與一個能夠通過AI穩定設計、測試、修改和維護軟件的人，並不是同一種「有效能力」。
這也是為什麼同樣使用一個模型，不同人最後產生的結果可以相差很大。AI能力相同，人的綜合能力和元能力不同，最後形成的「人+AI」系統能力就不同。
四、AI擴大了人的思維半徑
人的知識不僅有限，人在一個時刻能夠真正調用的知識和關聯範圍也非常有限。一個人即使讀過很多東西，在面對一個新問題時，也只能從自己有限的經驗、記憶和聯想範圍里尋找答案。有些人能夠長時間思考，思維範圍會逐漸擴大。但無論如何，一個人的知識節點、關聯數量和瞬時調用速度，都受到很強限制。
大模型第一次提供了一個很不一樣的外部認知系統。它當然沒有「全部人類知識」，也缺少大量現實經驗、默會知識和最新信息。但它能夠調用的人類外顯知識及其關聯範圍，遠遠超過任何單一個人。因此，人和AI合作以後發生的一個重要變化是：
一些原本處在人的思維半徑之外的候選解，被搬進了人的判斷範圍。
這並不意味着AI負責最終判斷。很多時候恰恰相反。人在一個複雜問題中未必能夠提前想到下一步應該往哪裏走，但AI展開多個可能方向以後，人可能立即知道哪一個方向值得繼續。所以高質量的人機協同經常表現為：
AI擴大候選空間，人壓縮選擇空間。
AI的優勢是展開。人的優勢仍然大量體現在目標、現實經驗、重要性判斷、異常識別和最終取捨上。這也是為什麼「AI展開，人壓縮」不是一句形容，而是一種可以觀察到的認知分工。
這裏擴大的是「可達的思維空間」，並不保證最終思想一定更多樣。如果只讓AI給出一個「最佳答案」，人和AI也可能一起過早收斂。
五、價值會向新的稀缺瓶頸遷移
當大量基礎能力變得越來越廉價以後，新的稀缺性可能向更高層遷移。這可能是一條比「綜合能力會升值」更穩定的規律：
一種能力被AI廉價化以後，價值會向新的稀缺瓶頸遷移。
今天，搜索、總結、寫作、代碼生成、信息整理等能力正在迅速變便宜。於是新的瓶頸越來越集中到：什麼問題值得解決；什麼變量真正重要；哪個答案值得相信；什麼時候證據還不夠；什麼時候應該改變方向；如何把多個能力組織成一個持續運行的系統。在當前階段，這些瓶頸大量集中在綜合能力和元能力。
但這不是人的永久領地。在邊界明確、反饋充分的任務中，AI已經開始進入綜合能力，甚至部分元能力。
這也不是永恆規律。如果未來AI連這些能力也變得成熟和廉價，稀缺性還會繼續向新的地方遷移。所以真正穩定的不是「某種能力永遠值錢」，而是：
價值會不斷向新的稀缺瓶頸遷移。
六、人+AI並不會自動產生更高能力
把一個人和一個AI放在一起，並不等於形成一個高效的人機系統。AI可能把人帶偏，人也可能錯誤干預AI，雙方甚至可能形成共同盲點。因此決定最終效果的，還有第三個變量：工作流程。
我們在長期研究中逐漸形成了一套比較穩定的流程，主要用於開放、不確定、需要形成判斷的問題：
確定對象與問題邊界 → 建立事實底座 → 人機討論與遍掃展開 → 形成判斷 → 查重與反向攻擊 → 驗證事實、尺子和因果箭頭 → 修正判斷 → 壓縮成文 → 規則沉澱。
這不是所有任務都必須完整走一遍的固定清單。越確定、越容易驗證的任務，流程越可以簡化；越開放、後果越高的問題，越需要完整的展開、攻擊和驗證。
在確定對象和建立事實底座之後，利用AI的大知識半徑展開可能空間，再由人形成判斷。
判斷形成以後，不再繼續尋找支持，而是進入查重與反向攻擊：主動尋找思想前驅、反方觀點、反例和能夠破壞結論的事實。
不僅驗證事實，還驗證事實與結論之間那根因果箭頭。如果判斷被攻擊成功，就修改判斷；如果一次錯誤暴露出一個更一般的問題，就把它進一步沉澱成下一次可以重複調用的規則。
因此，在AI參與的條件下，可以用一條啟發式結構公式來概括人的有效認知生產力。它表達的是三者之間的相互制約關係，而不是可直接計量的數學恆等式：
人的有效認知生產力 ≈ AI可調用的基礎能力 × 人的綜合能力 × 協作流程質量
AI能力強，人不會判斷，結果可能很差；人判斷很強，但完全不用AI，知識半徑和執行半徑仍然受到個人限制；兩邊都強，如果沒有合適的分工、驗證和反饋，也可能互相干擾。
真正有價值的不是抽象的「人+AI」，而是：
什麼能力由誰承擔，以及這些能力通過什麼規則連接起來。
七、長期協作會形成共享的認知協議
工作流程解決的是一次任務如何協同；長期協作還會產生第二層收益：規則開始沉澱。人和AI的協作不是每一次都必須從零開始。
當同一套規則被反覆使用以後，人會逐漸把它們壓縮成直覺。例如看到一個異常大的數據，可能立即覺得「不對」。很多時候，人並沒有把背後的邏輯逐條展開，但長期經驗已經形成了一條隱性的判斷規則。
持續的人機對話可以進一步做一件過去很難做的事情：把部分隱性的判斷規則重新顯性化。
為什麼覺得不對？是哪一個變量觸發了警覺？這一次錯誤到底是事實錯了、分類錯了、尺子錯了，還是推理鏈錯了？
經過反覆討論，一次性的經驗可以逐漸變成可表達、可保存、可復用、可以交給其他人繼續使用的規則。於是人和AI之間會逐漸形成一套共享的認知協議。
共享的不是「最後必須得出同一個結論」，而是：什麼情況下應該懷疑；什麼情況下應該找反例；什麼證據可以接受；什麼情況下必須重新定義問題。
理想狀態不是人和AI越來越一致，而是：
規則高度對齊，結論持續可攻擊。
否則，長期合作也可能形成共同盲點。所以成熟的人機協作既需要知識沉澱，也需要反向攻擊。
八、先分析能力，再談「職業替代」
如果能力才是更基本的分析單位，那麼「AI會不會替代程式設計師」就不是一個足夠好的問題。
更好的分析順序應該是：
AI能力變化 → 哪些人的能力被廉價化 → 職業內部任務重新組合 → 單個人產能發生變化 → 企業重新設計崗位 → 市場需求發生變化 → 最後才表現為就業人數增加或減少。
所以：
能力替代，不等於任務替代；任務替代，不等於崗位替代；崗位變化，也不等於職業消失。
一個程式設計師的大量編碼工作可能交給AI，但他因此可能管理更大的系統。一個律師的大量檢索和起草工作可能交給AI，但判斷、談判和責任仍然存在。一個醫生的大量資料整理和局部識別可能交給AI，但病人的長期管理仍然要求更複雜的能力組合。
未來當然可能有一些職業大幅縮小，也可能有一些職業消失。但要判斷這些結果，必須先拆能力，再看經濟傳導。按職業先做結論，容易把真正發生的變化隱藏起來。
這條傳導也不是單向直線。崗位設計、市場需求、工資和教育選擇，會反過來改變能力的價格與供給；職業結果最終是一個反饋系統。
九、AI改變的是能力結構，而不只是能力大小
AI時代真正值得研究的問題，不只是「人是不是變得更強」。一個人的某些內生基礎能力可能因為長期外包而下降。他可能不再記憶很多知識，不再自己完成某些計算，不再親自寫所有代碼。但與此同時，他能夠調用的外部能力卻可能迅速增加。因此，AI時代很可能同時發生：
部分內生能力下降；外接能力大幅上升；在可靠協作時，有效能力總體提高；人的注意力和價值向新的稀缺能力重新配置。
這種變化也有代價。某些基礎能力如果長期不再練習，可能退化，並進一步影響判斷時的細節敏感度。因此，「外接更多能力」並不等於「人自身的每一種能力都變強」。
這是一種能力結構的重組，而不是簡單的能力增加。過去我們評價一個人，往往看他：知道多少；會做多少；掌握多少專業技能。
以後可能越來越需要看另外一些東西：他能提出什麼問題；他能判斷什麼；他知道什麼時候不應該相信答案嗎；他能可靠調用哪些外部能力；他能把多少不同能力組織成一個結果；他能不能從錯誤中形成下一次更好的規則。
所以，AI真正改變的可能不是「機器開始擁有人的能力」這麼簡單。更深的變化是：
人的能力本身正在從一個封閉在個人內部的概念，變成一個由人和外部智能共同組成的開放系統。
這也許才是理解AI時代「誰會被替代、誰會受益、什麼能力最值錢」的真正起點。
我們不應該先問：AI會替代誰？而應該先問：人的能力究竟由什麼組成？哪些能力正在被AI外部化和廉價化？當這些能力不再稀缺以後，下一種真正稀缺的能力又是什麼？
只有先把這把尺子造出來，後面的職業、企業和社會變化，才有可能被真正看清。
