“凡是想學會飛的人，必須先學會站立、行走、奔跑、攀爬和跳舞；人無法一蹴而就地學會飛翔?！?—— 尼采

沒有滿意答案的問題

故事要從幾個月前的一次面試說起。

當時我正在面試Anthropic的一個崗位。屏幕對面坐著Claude的人格制定者，也是一位擁有哲學背景的科學家。我們聊得很愉快，關于倫理、關于對齊，畢竟Anthropic很關注AI Safety。

在面試的尾聲，她問我：“你有什么想問我的嗎？”

我猶豫了一下，拋出了那個困擾我許久的問題：“現(xiàn)在的模型已經(jīng)非常強大，它們雖然暫時還無法替代資深專家，但替代初級工程師已經(jīng)綽綽有余。從資本效率的角度看，企業(yè)會傾向于只招資深人士配合AI工作，而不再招聘新人。

“但問題是，每一個專家都是從菜鳥一步步‘熬’出來的。如果我們砍掉了初級崗位，鋸斷了成長的階梯，十年后，新的資深專家從哪里來？人類的專業(yè)智慧如何傳承？”

屏幕那頭陷入了短暫的沉默。面試官給出的回答很誠懇，涉及教育改革、涉及AI輔助教學，但并沒有給出一個讓我感到踏實的、結構性的解決方案。

那一刻我意識到，即便是這家星球上最聰明的AI公司，面對這個關于“人類智力傳承”的宏大命題時，也依然處于一種謹慎的迷茫之中。

公眾和媒體總是熱衷于討論“10年后AI會不會讓所有人失業(yè)”這種宏大的科幻命題，但也許我們更應該擔心的是那些已經(jīng)發(fā)生的事情。

即使AI技術從今天起停止進化，哪怕它永遠無法產(chǎn)生自我意識，它也已經(jīng)完成了一項不可逆的破壞：它把通往資深的階梯給拆了。

這不僅是未來的就業(yè)危機，這是正在發(fā)生的“斷代”預兆。

效率的詛咒：消失的“垃圾時間”

回想一下，一個剛入行的實習生，在沒有AI的年代通常在做什么？

他們通常被丟進“數(shù)據(jù)的煤礦”里：比如手動清洗上萬行數(shù)據(jù)，逐字逐句地整理冗長的文檔，或者在代碼庫的角落里修復那些不起眼的Bug。

在現(xiàn)代管理學的視角下，這些都是極度低效的“垃圾時間”。如果你問一個硅谷的VC，他會告訴你：這些低價值重復勞動，是AI最應該首先消滅的。

2024年的代碼世界，正在上演這一幕。

在許多科技公司的招聘看板上，初級工程師的職位正在悄悄消失。取而代之的是一個新的默契：以前需要三個初級開發(fā)寫兩天的CRUD接口和單元測試，現(xiàn)在一個資深工程師用Cursor配合LLM，喝杯咖啡的功夫就生成了，而且代碼質(zhì)量比剛畢業(yè)的實習生寫得還要干凈、規(guī)范。至少對于我自己的經(jīng)歷，大部分代碼都已經(jīng)由AI生成，自己基本只需要把握方向就行了。

“Senior + AI > Team” 正在成為一種新的行業(yè)共識。在管理者眼里，這不僅是降本增效的勝利，更是對生產(chǎn)力的解放。

這是一個屬于“資深者”的黃金時代。如果你已經(jīng)擁有了深厚的架構知識、敏銳的代碼嗅覺，AI就是你的外骨骼，讓你變成不知疲倦的“十倍工程師”。我們正在享受著前所未有的效率紅利，就像在享用一場豐盛的免費午餐。

然而，天下沒有免費的午餐。我們正在透支的，是未來的“專家儲備”。

波蘭尼悖論：被AI剝奪的痛苦

為什么我們不能直接跳過“菜鳥”階段，直接成為專家？

這涉及到一個核心的哲學概念——波蘭尼悖論（Polanyi's Paradox）。哲學家邁克爾·波蘭尼在1966年提出：“我們知道的，比我們能說出來的多。”（We know more than we can tell）。

人類的知識分為兩類：

1. 顯性知識（Explicit Knowledge）
2. ：可以寫在書本上、文檔里，可以通過邏輯傳授的。這是AI最擅長學習的部分。
3. 隱性知識（Tacit Knowledge）
4. ：那些只可意會不可言傳的“手感”、“直覺”和“經(jīng)驗”。

這就好比當年的實習生，正是在那一行行枯燥的數(shù)據(jù)清洗中，建立了對數(shù)據(jù)“質(zhì)感”的直覺——哪些異常值暗示著業(yè)務的變動，哪些空缺值是系統(tǒng)的Bug。這種直覺不是書本能教的，它是在低效的、重復的、痛苦的“試錯”過程中，在神經(jīng)元之間刻畫出來的溝壑。

現(xiàn)在的危機在于：AI完美地替代了“試錯”的過程。

AI生成的代碼太完美了，它直接給出了正確答案。年輕的工程師們不再需要去查文檔、不再需要去Stack Overflow上翻找答案、不再需要經(jīng)歷那種“百思不得其解后突然頓悟”的快感。

他們失去了痛苦，同時也失去了與知識建立深度連接的機會。當AI填平了所有的坑，我們也就失去了在坑里仰望星空的能力。

空心的中間層與“終產(chǎn)者”危機

如果我們將視角拉高，觀察整個技術社會的結構，會發(fā)現(xiàn)一種可怕的形變。

過去的人才結構是金字塔型的：大量的初級人才在底部支撐，通過層層篩選和歷練，少數(shù)人爬上塔尖成為專家。

而在AI席卷之后，結構正在變成“圖釘型”：

• 頂部
• 是極少數(shù)掌握核心算法、擁有深厚行業(yè)背景的“超級個體”和“終產(chǎn)者”。他們利用AI無限放大自己的能力。
• 中間
• 原本承載著承上啟下功能的“中產(chǎn)階級”工程師、分析師、插畫師，正在被掏空。
• 底部
• 則是茫茫多的、只能做簡單指令交互的“數(shù)據(jù)標注員”或“提示詞操作工”。

現(xiàn)在的專家，是舊時代“低效”體系培養(yǎng)出來的。十年后，當這批專家退休，誰來接班？

那些看著AI生成代碼長大的新一代，當他們面對AI也無法解決的復雜系統(tǒng)性崩潰時，是否具備足夠的“內(nèi)功”去力挽狂瀾？

我們正在通過AI“剝削”人類幾千年積累的存量智慧，卻切斷了增量智慧的生產(chǎn)機制。這就像是一場盛大的篝火晚會，我們拆掉了支撐未來的階梯，把它扔進火里，換取了此刻最耀眼的光芒。

在算法的廢墟上重建學徒制

悲觀的分析之后，我們依然要尋找出路。既然傳統(tǒng)的“梯子”斷了，我們需要一種新的攀登方式。

未來的學徒制，或許不再是關于“如何做（Doing）”，而是關于“如何評判（Critiquing）”。在過去，學徒通過寫代碼來學習；在未來，學徒可能需要通過“審查AI的代碼”來學習。

但這帶來了一個悖論：鑒賞通常需要比創(chuàng)造更高的品味。一個剛入行的學生，如何有能力去審查一個看過Github上所有代碼的AI？

或許，我們需要人為地制造“困難”。

就像飛行員在模擬器中應對各種極端故障一樣，未來的工程師教育，可能需要刻意脫離AI的輔助，在一個“純凈”甚至“惡劣”的環(huán)境中進行高強度的思維訓練。不是為了生產(chǎn)代碼，而是為了訓練大腦的肌肉。

我們必須明白，AI可以替代我們的產(chǎn)出，但不能替代我們的成長。

維特根斯坦的梯子

維特根斯坦在《邏輯哲學論》中有一個著名的比喻：當你爬上梯子，到達高處后，就必須把梯子扔掉。

但對于現(xiàn)在的人類來說，危險在于我們還沒有爬上去，梯子就被撤走了。

在那次面試的最后，雖然沒有得到完美的答案，但我依然對和我討論的面試官所代表的努力保持敬意。因為我們在討論這個問題本身，就證明了人類依然在反思，依然在試圖掌控自己的命運。

在這個被算法加速的時代，保持一點“笨拙”的努力，保留一點“低效”的思考，或許是我們身為人類最后的倔強，也是通往真正智慧的唯一窄門。