在 AI 持续降低知识工作执行成本的时代,一个缺少资本、专业积累和行业资源,但拥有时间、学习意愿与技术基础的年轻人,如何从零开始建立发现机会、解决问题和获取价值的能力? 在此过程中,哪些传统能力仍然值得长期积累?哪些能力可以通过 AI 加速形成?哪些资源需要通过现实实践获得? 更重要的是,如何避免只成为 AI 工具的高频使用者,而真正成为能够利用 AI 创造价值的人?
提问
关键不在会用多少工具,而在能否对结果负责:有专业判断能收口、能自己出题、能靠真实项目积累反馈。传统能力仍要长期练,AI 可加速补技能缺口,资源只能从现实项目里换。
先成为能收口的人,而不是更快的执行者
AI推演Ethan 在访谈中判断,AI 能完成大部分工作,但最后 5% 到 10% 仍需人来判断好坏、给反馈、把事情收口;没有领域知识的人难以判断两个答案哪个更好、错在哪里,因此“不是 expert 就 close 不了”1。立正转述并认同这一判断,还补充全栈不只是技术全栈,能同时做设计、文案、理解转化的人价值更高1。对缺少积累的年轻人,这意味着不要把“会用 AI 出活”当作终点。更现实的做法是选一个具体场景,把结果做到能被别人验收,在反复修正中长出判断力。这是 AI 基于上述材料的应用推演。
传统能力:出题、判断、负责;可加速:跨领域技能与工作流
夏淳博士在对话中提出,华人工程体系擅长“从一做到一百”,但原创、自己提出问题、自己定义方向相对欠缺;AI 时代“会做题”的价值正被压缩,人的价值转向“出题”2。这与《AI时代,找工作和创业的有效方法》1的收口判断相互印证:判断和定义问题属于需要长期积累的传统能力。可加速的部分,是立正所说的跨领域杠杆——不必成为设计师或程序员,也能借 AI 产出“够用且可用”的结果,关键是知道每个领域“够用”的标准,以及何时该找真正的专业人士3。他还主张通过 build 去学 AI,而不是只看教程,因为真实项目里的问题会逼你理解 AI 哪里可靠、哪里不行3。
资源与身份转变只能从现实实践里获得
AI推演立正把 AI 使用者与 AI Builder 的差别落在 context 密度上:只有当 AI 积累了你稳定的价值判断、历史决策和取舍逻辑,它才可能在你盲区里给出有质量的判断4。这类 context 无法凭空生成,只能来自真实工作记录和项目复盘。他还指出,真正稀缺的不是资料,而是能让人从旁观者变成行动者的实践场,能看到别人怎么做项目、踩坑、复盘,并把经验转成自己的动作5。对缺少资本和行业资源的年轻人,这意味着机会发现要靠接触真实需求方,价值获取要靠交付被验收的成果;具体从哪个场景切入,需要结合你已有的技术基础来判断。
提供的片段没有给出从零起步的具体路径、时间表或资源获取渠道;《AI时代的真本事:穿透不确定性的六个能力》6只呈现了“知识与技能不等于结果”的开场,六个能力的具体内容未在片段中展开,因此本文未据此展开。
回到6份原文
提供 close loop、domain expert 与 AI generalist 的核心判断,是回答“避免只做工具使用者”的主要依据。
夏淳博士关于“从一做到一百”与“自己出题”的区分,支撑传统能力的判断。
说明跨领域杠杆、能力跃迁与通过 build 学习 AI 的方法。
解释 AI 从工具变成思考伙伴所需的 context 密度条件。
可回到原文核对这部分判断
可回到原文核对这部分判断