AI时代稀缺的人是能判断结果好坏、能给反馈、能把事情收口的人：AI能完成大部分工作，最后那一点仍要人来做，而做这件事的前提是你懂这个领域，不懂就分不出两个答案哪个更好、错在哪里⁠1。学习上，工具和原型被叫作“新分数”，它们最有进步的感觉却过期最快，留下来的是拿到模糊需求先拆成可检验的小步、结果不对先找原因这类习惯⁠2。所以自我提升的方面可以归成三层：一是本专业的深度，让你有资格判断；二是把隐性标准说清楚的能力，能讲出什么是好、错在哪、期待什么样子⁠3；三是跨边界把问题端到端解决的能力⁠1。

有一种预测是假学习会先繁荣再贬值：当每个人都能用AI做出漂亮的作品集，作品本身就证明不了什么，能证明你的只剩撤掉帮助以后你还会的东西⁠2。按这个标准，成果不该用“会几个工具、做了几个原型”来量，而可以看三件事：面对一个没见过的模糊任务，你能不能自己拆出可检验的步骤；AI给出的结果，你能不能指出哪里不对、为什么；同一类问题第二次出现时，你是否已经把它沉淀成流程交给AI或别人，自己腾出手去做更大的问题⁠2,4。还有一层更原初的标准：在分析和定义之前，你对一个东西好不好有直接的感受，这种品味判断在AI时代没有贬值，反而是一切价值的源头⁠5。

一个可以试的做法：挑一件你本来打算直接让AI做完的事，改成让它只给提示、不给答案，你自己先想、先犯错，卡住时再让它托一把。那篇课程文章提到一组数学实验，规定GPT-4只给提示、不给答案的练习组成绩提高明显，考试也没下降，区别就在于学生还有没有机会自己先想⁠2。这个尝试能帮你验证一件事：你的进步是来自自己长出来的判断，还是来自工具替你完成。如果撤掉提示后你仍能拆解和判断，说明提升是真的；如果一撤就无从下手，那部分能力其实还没长在你身上。配环境、调端口这类费劲但不让人变聪明的“假困难”可以放心交给AI⁠2。