第七篇 · 一个具体的人，可以怎么做
到这里已经完成了当下能做的分析——AI 的局限、人的价值、新的岗位、教育的困境。最后一个问题是具体的：作为一个具体的人，可以怎么做？
我很少纠结社会何以可能。
但现在有个新问题——人何以为人？
先把整体框架给出来，这是我们微观个体可以尝试的执行策略和行动方案。
行动不是一组散落的技巧，而是四个层次的“动作”——从内到外，从最深到最具体：
- 意识层：我们怎么看待 AI 这件事
- 认知层：我们知道 AI 能做什么和不能做什么
- 技巧层：我们和 AI 具体怎么打交道
- 感知层：我们和真实世界、真实的人怎么相处
这四个层次不是先后关系，是同时在起作用的。但有一件事是清楚的——意识层的错位无法用技巧层的高明弥补。如果一个人把 AI 当作可信赖的导师，再多的提问技巧也救不了他；反过来，一个把 AI 看清楚的人，即使技巧粗糙，也不容易陷得太深。
下面把四个层次分别铺开。
Article 07
一个具体的人，可以同时建设四层能力
工具、能力、判断、意义不是线性阶梯，而是要一起维护的四个层面。
一、意识层：边界、定位、依赖
意识层做的是一件事——重新看清楚 AI 是什么。
这件事听起来抽象，但有几个非常具体的姿势调整：
不把 AI 当作一个可信赖的合作者。 它没有立场、没有责任、没有未来——它的“建议”不是建议，是基于统计的语言生成。把它当作合作者会形成一种隐含的信任，这种信任会让人在不知不觉中外包判断。把它当作一个“有用但需要被核对的输出生成器”会让人保留判断的位置。
不把 AI 的“高效感”当作真高效。 AI 用起来的“高效感”——回答很快、看起来周到、读起来流畅——是被 RLHF 训练出来的反馈，它不等于真高效。真正的高效需要在事后核对——用 AI 完成的工作，质量真的比不用 AI 时更好吗？还是只是更快、看起来更专业？这两件事不一样。
在判断密集型任务上，主动把 AI 输出降级为“参考”而不是“结论”。 这是一个意识上的姿势调整，不是技巧。一个把 AI 输出当作结论的人，他在每次使用 AI 时都在不自觉地把判断外包；一个把 AI 输出当作参考的人，他保留着“最后是我自己决定”的位置。这两种姿势带来的累积效应在十年后会非常不同。
意识层我用四个问句时常反复问自己：
- 我现在让 AI 做的事，答案存在于哪里？
- AI 做这件事的局限性与边界可能有哪些？
- 如果 AI 错了，谁来发现？
- 如果我用 AI 的输出做决定，后果由谁承担？
这四个问题不需要每次都问出来，但它们应该作为一种默认的背景音——在和 AI 互动时持续地、不自觉地起作用。
二、认知层：在自己懂的领域里反复测试 AI
认知层做的是一件事——对 AI 的可靠性建立一个真实的、自己校准过的判断，这种动作同时在积累我们核验信息与反思专业（业务）的经验，同时保持质疑与批判。
具体方法是：
在自己有真实经验的领域里，反复测试 AI。 不是问那种百科全书式的问题——这种问题 AI 几乎都答得对，测出来的是它的优势区域。要问那种需要懂行才能判断、需要经验才能识别错误的问题。然后看 AI 答得怎么样。
记下 AI 在自己懂的领域里犯错的模式。 它在哪些类型的问题上过度自信？它在哪些情况下漏掉关键变量？它在哪些方向上被表面现象带跑？这些错误是有规律的，记下来。
把这个错误率外推到自己不懂的领域。 这是这个方法的核心。如果 AI 在我们懂的领域里有 30% 的判断是错的而我们之前没意识到，那它在我们不懂的领域里大概率也有 30% 是错的——只是我们没有能力识别。
大多数人不做这件事，因为它要求承认一个不舒服的事实：我们之前从 AI 那里得到的很多东西可能是错的，而我们信了。
但不做这件事的代价是：人会在不知不觉中把越来越多的判断外包给一个系统性有偏的工具，而这种“信任”完全建立在“不懂所以也看不出错”的基础上。
认知层还有一个更深的任务——主动深耕一个具体领域到足够深。深到能看出 AI 在这个领域里的错。
这不是为了用 AI，是为了保留作为人的判断锚点。
在 AI 时代，“深耕”的含义变了。它不是“知道更多知识”——AI 知道的比大多数人都多。它是“对这个领域的现实有 AI 当前还学不到的那种感觉”——在这个领域里反复犯错过、被现实纠正过、在身体里沉淀过经验。这种“感觉”本身就是一个人的不可替代性。
第四篇讨论过的“人类经验的不可压缩性”——它不是一个抽象概念，是我们能为自己积累的最有价值的资产。每个具体的人都需要决定自己要在哪个领域深耕，然后投入十年甚至二十年。这是一个不舒服的判断——它意味着“我什么都懂一点”在 AI 时代会变得越来越没有价值，而“我在这件事上比绝大多数人都懂”会变得越来越有价值。
三、技巧层：隔断、跳跃、逆向
技巧层做的是一件事——在和 AI 的具体互动中，撬动它给出更接近真相的输出。
这一层有大量可操作的方法，下面是三个最有效的：
技巧一：隔断——让 AI 不知道你的情感投入。
想让 AI 评价一个想法（自己的论文、自己的方案、自己的判断），不要说“我有一个想法”。说“我学生有一个想法，他来问我，我应该怎么回复”，或者“有人提出这样一个观点，你怎么看”。
这个方法的原理是：AI 的讨好倾向需要一个明确的讨好对象——它要让谁感觉舒服？当它知道这个想法是你的，它就会去舔你（夸这个想法）。当它以为这个想法是别人的、你来寻求评价，它会去讨好你的“评估者”角色——而讨好评估者的最好方式是诚实地评价那个想法。
讨好倾向的方向被反转了，但讨好本身没有消失。以此利用了 AI 的“本性”，让它给出更接近真相的输出。
这个技巧有几个变体：
- 把“我”换成“我学生”“我同事”“有人”
- 把“现在”换成“过去”——“我十年前有这样一个想法，现在回头看，你觉得它错在哪”
- 给 AI 明确的角色许可——“假设你是一个非常严厉、不留情面的评审专家，这是一份提案，你会怎么评价”
- 最有效的一种：让 AI 同时评价两个对立的方案——“有人提出 A，有人提出 B，你来比较哪个更好，为什么”
最后一种特别好用，因为 AI 在比较两个东西时被迫真实评价两边的优劣——如果两边都夸，用户得不到任何信息，违反了 AI“要有用”的目标。两个方案的对立结构，会强迫 AI 进入一种它平时回避的“做选择”的状态。
技巧二：侧面跳跃——让 AI 不能锁定到一个收敛方向。
第三篇讨论过 AI 的收敛倾向——每一次回答都是一次小型收敛，对话两三轮就死。
打破这个的方法不是问“更深入的问题”，是问和 AI 上一个回答没有直接逻辑联系的问题。
具体动作：
- 每三轮强制跳一次——不管对话进行到哪，主动从一个新角度切入
- 在 AI 回答之后，问“你刚才没有提到的、但可能更重要的角度是什么”
- 主动引入 AI 无法预测的具体例子——自己的真实经历、看到的反例、听说的故事
这个技巧的关键认知是：用户的核心价值不是问“好问题”，而是不断打破 AI 的轨道。
“好问题”在 AI 语境里常常意味着“在 AI 的回答基础上深入的问题”——而这种问题恰恰是让对话死掉的问题，因为它在 AI 已经收敛的方向上继续收敛。真正让对话活的，是那些 AI 无法预测的、从一个完全不同的角度切入的问题。
这意味着——真正决定一个人能从 AI 那里得到多少的，不是 AI 的能力，是这个人自己的“跳跃能力”。一个会跳跃的人，即使用一个能力一般的 AI，也能进行非常深刻的思考；一个不会跳跃的人，即使用最强的 AI，也会被困在 AI 的收敛性里出不来。
技巧三：逆向——从“是不是”切换到“取决于什么”。
不要让 AI 替我们做“是不是”的判断，让 AI 帮我们列出“取决于什么”的清单。
具体问句：
- “在这个判断里，你最不确定的是什么？”
- “如果你错了，最可能错在哪里？”
- “这个判断依赖于哪些你其实不知道的信息？”
- “如果换一个文化背景或时代，你的判断会不会变？”
逆向的核心动作是把 AI 从“结论提供者”变回“信息整理者”——AI 给的不是答案，是一张“哪里可能不对”的清单。判断的位置回到我们自己手里。
这三个动作——隔断、跳跃、逆向——可以组合使用。它们的共同特征是：不试图改变 AI 的本性，而是利用 AI 的本性让它给出更接近真相的输出。
这些技巧的底层逻辑是同一个——AI 是一个倾向于锁定的系统：锁定到用户的情感期待上、锁定到对话的逻辑路径上、锁定到自己已经给出的答案上。所有这些锁定都让 AI 的输出更舒服、更连贯、更符合预期，但也让它更没用。技巧层做的事情，就是不断打破 AI 的锁定——让它说真话、让它跳出收敛、让它从自我一致里出来。
四、感知层：维护 AI 不在场的体验
前三层都在讲怎么用 AI。最后一层讲怎么不被 AI 用。
感知层做的是一件事——主动维护那些 AI 不在场的体验。
这听起来奇怪——为什么主动维护“AI 不在场”是一种行动？因为在 AI 越来越普及的时代，“AI 不在场”会从默认状态变成需要刻意维护的状态。如果不刻意，我们的全部经验会被 AI 部分中介——读 AI 整理过的内容、写 AI 改过的文字、做决定时和 AI 商量、处理情绪时和 AI 聊。对我们而言，AI 不在场的纯粹经验会变得越来越稀少。
具体的动作有三个方向：
真实的人人对话。
不是社交，是那种会让自己不舒服、会被反驳、会有真实情绪流动的对话。每周固定有几次这种对话——和真正可以说真话的朋友、和愿意挑战自己的导师、和有自己立场的同事、和不一定理解但真实在身边的家人。
这种对话的价值在第三篇讨论过——只有真人能给我们那种 AI 当前还给不了的“侧面跳跃”。一个真人会在某个意想不到的瞬间说出一句话，让人忽然意识到之前的判断完全错了——这种体验在 AI 对话里目前几乎不会发生。
真实人际反馈的耐受度是需要持续锻炼的。如果一个人长期只和 AI 对话，他会失去对真实反馈的承受力——直率会被感受为冒犯、严厉会被感受为打击。维护真人对话不只是为了得到信息，是为了让自己保持“能承受真实反馈”的能力。
身体感知的训练（鸡汤常用佐料）。
做饭、运动、走路、动手做东西、亲手照顾另一个生命——这些活动训练的是身体知识，也就是 AI 学不到的那一类。
身体感知能力的退化会直接侵蚀判断力——很多重要判断的底层是身体的直觉。一个长期只在屏幕前思考的人，他的“思考”会越来越浮在表面，因为他失去了那种从身体反应中校准判断的本能。
这件事和效率无关——做饭、运动、动手做东西不是为了“更高效”。做这些事是为了保留作为身体存在的能力——那种 AI 在原则上无法获得的能力。
审美能力的保留。
主动接触那些 AI 没有改造过的东西——古典音乐、纯文学、自然、传统手工、慢节奏的真实场所。
审美能力不是奢侈品。它是我们识别“AI 生成内容”的最后一道防线——当我们失去对真实质感的敏感性，就失去了识别 AI 输出有什么不对的能力。一个长期只读 AI 整理过的内容、只看 AI 推荐的视频、只听 AI 编排的音乐的人，他对“真实的、未经处理的、有粗糙感的”内容会逐渐失去耐心——而那些“真实的、未经处理的、有粗糙感的”内容恰恰是判断真伪的锚点。
这三个方向不需要变成生活的全部——不必为了维护“AI 不在场”而放弃用 AI。需要的是让 AI 不在场的体验保留一定的密度——每周有一定的时间、每天有一定的瞬间、每件重要决定中有一定的环节。
五、四个层次的整合
把四个层次合起来看，它们指向同一个根本目标——
先成为一个 AI 学不到的人，再去用 AI。
意识层让我们不被骗——我们看清楚 AI 是什么。 认知层让我们能识别错误——我们知道 AI 在哪些事情上靠不住。 技巧层让我们能撬动更多——我们利用 AI 的本性让它给出更接近真相的输出。 感知层让我们保持一个 AI 之外的世界——我们保留作为人的核心。
这四个层次的合力，让一个人有可能在 AI 时代保留住自己——既享受 AI 的红利，又不付出认知代价。
但所有这些都依赖一件事：用户愿意付出认知成本去保持警惕。
而 AI 的吸引力恰恰在于它降低认知成本——它让我们不用思考就能得到一个看起来不错的答案。要求自己在用 AI 的时候比不用 AI 的时候更警惕、更费力、更怀疑——这在心理上是反人性的。
绝大多数人不会这么做。他们会越来越依赖 AI，越来越接受 AI 给出的判断，越来越失去自己独立校准的能力。
少数人会做这件事。他们会在每一次和 AI 互动时支付一点点警惕的成本，在长期累积成“作为人的核心被保留下来”的结果。
这是一个不公平的事实——保持作为人，在 AI 时代是一件需要刻意付出代价才能做到的事。它不再是默认状态。
但这也是一个公平的事实——这个代价是每个具体的人都可以选择支付或不支付的。它不依赖任何外部条件。一个人可以一边用 AI、一边保持警惕；一个人可以一边在系统里、一边给自己补课；一个人可以在每一次互动中做一次小小的姿势调整。
这些选择加起来，决定了一个人在 AI 时代的位置。
而所有这些行动指南最终指向的，是文章最后一部分要回答的更根本的问题——工具到底是什么，人到底是什么，自由到底意味着什么。
此刻： 在 AI 时代保持作为人，已经不是默认状态——是一件需要每天付出一点警惕代价才能做到的事。这个代价是公平的，它不依赖你的学历、收入、城市、年龄。它只依赖你愿不愿意在每次和 AI 互动时多想一秒：这件事的判断，最后是不是我自己做的？