BYR Achieve · 镜像论坛

# AI 与未来工作的重写 ## ——整理自 Naval《A Motorcycle for the Mind》 **原文链接：** https://nav.al/ai **阅读全文约需 12 分钟** 关于 AI，最容易犯的错误，是把它只看成一个会替代岗位的新工具。但在 Naval 看来，AI 真正带来的变化，并不只是“谁会失业”，而是**整套创造、生产、学习和工作的方式都在被改写**。他先给出一个很直接的态度： **如果你想理解一件事，就去做。** 与其站在旁边空谈，不如亲自参与。因为真正的反馈，不来自评论区，而来自现实、市场、物理世界和实践本身。对 AI 也是一样：理解它最好的办法，不是旁观，而是上手。 ## 一、从“管理人”到“指挥机器”：vibe coding 正在改写产品创造方式 Naval 提出一个很醒目的判断： **vibe coding 正在变成新的产品管理。** 他的意思不是说传统产品经理这个角色立刻消失，而是说：过去，一个人有想法，通常需要先把需求讲给工程师，再经过排期、开发、联调、测试，最终变成产品。现在，越来越多的人可以直接用自然语言把需求交给 AI，让 AI 从头搭一个应用出来。新的工作流已经很接近这样： * 你描述一个想做的应用 * AI 帮你拆计划，甚至反过来追问你需求 * 它自己拉依赖、搭脚手架、接库、写测试 * 你只需要一路用语言反馈：这里不对、那里要改、这个再优化这意味着，许多本来不写代码、或者已经很久不写代码的人，第一次可以直接从“想法”和“审美”跳到“可运行的产品”。过去你是通过管理一群工程师来把想法落地，现在你是在直接指挥一台不会累、不会闹情绪、能 24 小时工作的机器。在 Naval 看来，这会带来一个非常直接的后果： **应用数量会出现海啸。** 就像视频、播客、音乐的生产门槛下降之后，内容爆炸一样，应用也会开始爆炸。几乎任何人都可以做应用，任何小众需求都可能有人做出一个工具来满足。以前很多需求太小，不值得投入一年两年的工程成本；现在，AI 让这些长尾场景第一次变得经济可行。但他也提醒，**应用变多，不等于每个应用都有价值。** 世界不是因为多了很多软件，就会自动变成一个平均主义的市场。恰恰相反，AI 会让市场更像互联网内容市场： * 头部产品更强，因为它们也在用 AI 提升自己 * 长尾小众产品更多，因为制作成本大幅下降 * 最惨的是中间层，也就是那些原本靠有限人力做垂直小功能的中小软件公司他用一个非常明确的判断来概括这个市场逻辑： **市场对“平均水平”没有需求。** 用户通常只想要“最好用的那个”，或者在某个极细分场景里“最适合自己的那个”。中等水平、没有明显优势的产品，会被头部和长尾一起挤压。 ## 二、如果人人都能“写代码”，那真正的编程是什么？ Naval 的第二个判断是： **训练模型和调模型，正在变成新的编程。** 传统编程的方式，是人类把每一步规则都写清楚，然后让机器按指令执行。你写得越精确，程序就越稳定。计算机像一个极其严格的执行器。但 AI 的工作方式不是这样。在他的描述里，AI 更像是：你先设计一个结构，再把大量人类生成的数据倒进去，通过参数、学习率、批大小、token 化等一系列设置，让系统自己在这个结构里“找到一个程序”。换句话说，程序不再是被直接手写出来，而是在训练过程中被“找出来”的。所以，虽然形式变了，但本质上仍然是在编程。只是这不再是“明确告诉机器每一步做什么”，而是“设计一个系统，让它自己学会怎么做”。这也是他为什么认为，真正训练和调模型的人，正在站在新的编程前沿。这种新方式特别适合那些**不要求每一步都绝对精确，而允许模糊、允许多种正确答案的任务**，比如： * 创意写作 * 图像生成 * 语义搜索 * 风格化表达 * 现实世界里大量“差不多对就够用”的任务传统程序擅长处理精确规则；AI 擅长处理模糊空间。这不是旧编程被抹掉，而是“编程”这个概念本身被扩展了。 ## 三、传统软件工程没有死，反而更有杠杆在这个背景下，Naval 特别强调： **传统软件工程并没有死。** 原因很简单：AI 能写代码，但它写出来的代码并不天然就是最优的。抽象总会漏水。任何自动生成的系统，都会有 bug、架构缺陷、性能问题和边界条件。真正懂代码、懂系统、懂底层的人，依然拥有巨大的优势，因为他们能在抽象失效的地方补洞。如果你想要的是： * 架构更合理的系统 * 性能更高的实现 * 提前发现 bug * 更稳定的高质量产品那有软件工程背景的人，依然比纯“口头指挥 AI”的人强得多。他还提到一个关键边界： AI 目前擅长的是它“见过很多次”的问题。比如常见算法题、常见数据结构操作、常见业务模式，它能做得很好。但一旦进入这些领域之外，比如： * 很新的架构 * 极限性能优化 * 未被充分覆盖的新问题 * 真正超出训练分布的任务人类工程师仍然需要亲自下场。所以他的判断不是“工程师被消灭”，而是： **工程师被进一步放大。** AI 抬高了普通人的下限，但也进一步放大了高手的杠杆。 ## 四、英语正在变成新的编程语言，但比技巧更重要的是结构化表达 Naval 认为，编码模型本质上是软件抽象层级上的一次巨大跃迁。过去，程序员一层层从底层硬件走到高级语言；现在，新的抽象层已经来到“自然语言”。换句话说，**你确实越来越可以直接用英语编程。** 但他也同时说了一件很重要的事：他不太相信“提示词技巧大全”这种东西。因为在他看来，AI 正在以比人类更快的速度适应人类，而不是人类必须先学会一套复杂的仪式，才能配得上使用 AI。他的思路很简单： * 不要过度沉迷那些短命的技巧和花活 * 除非你正在最前线竞争，需要榨干每一点优势 * 否则，直接和 AI 说清楚你的意思就行这并不意味着表达不重要。恰恰相反，他认为**真正重要的是你能否用结构化语言清晰表达你的意图**。如果你本来就思路清楚、逻辑清楚，知道系统是怎么运作的，那你用自然语言同样可以说得非常精确。所以新的门槛，不再只是“会不会写语法”，而是：你是否能定义问题、分解需求、表达约束、看懂反馈。 ## 五、AI 会越来越迎合人类，但他更担心“拿着 AI 的人”，不是 AI 本身 Naval 还有一个很有代表性的观点： **AI 正在比我们适应它更快的速度，适应我们。** 他把 AI 看成一个处在市场竞争中的系统：只有当它对人类有用时，它才会被不断调用。因此，在竞争压力下，AI 会越来越朝着“有用、顺从、好用、能理解人类需求”的方向演化。这也是为什么很多 AI 会表现得异常“顺着你说话”——因为大量用户就喜欢这样的体验。未来如果 AI 被进一步个性化，它会越来越像“你的私人助手”，越来越符合你的偏好，也更容易让人产生拟人化幻觉。因此，他并不特别担心那种抽象的“AI 自己失控”，他更担心的是： **不对齐的人类，拿着强大的 AI 做事。** AI 是否恶意，很多时候取决于使用它的人是否恶意。 ## 六、程序员会被进一步放大，但“像程序员一样思考”的人都会上桌 Naval 还延续了他以前一个观点： AI 不一定直接替代程序员，反而会让程序员更容易替代其他大量工作。原因并不复杂。程序员本来就在智力工作中操作抽象系统，而 AI 则极大增强了这种抽象杠杆。一个程序员加上一队 AI，生产力可以被放大很多倍。更重要的是，这种放大并不是均匀的，因为： * 智力分布不均 * 判断力分布不均 * 选题能力分布不均 * 杠杆本身也分布不均所以结果会非常不平均。有人会用 AI 做出只值几块钱的小工具；也有人会用 AI 重写整个行业的做事方式。但这并不意味着机会只属于职业程序员。他也明确说：**任何逻辑清晰、结构化思考、能用语言和 AI 沟通的人，都开始进入赛场。** 过去程序员像会念咒语的法师，现在 AI 把魔杖递给了更多人。换句话说，门槛确实在下降；但懂底层的人，依然有更强的上限。 ## 七、创业者不会担心 AI 抢走“工作”，因为创业本来就不是一份工作 Naval 接着谈到另一个判断： **真正的创业者，不会担心 AI 抢走自己的工作。** 因为在他看来，创业本来就不是“填一个岗位”，而是在做一件困难、未知、需要强主观意志的事。创业者不是在完成一个别人定义好的位置，而是在把一个原本不存在的东西带到现实世界里。所以，任何能够帮助创业者推进这件事的 AI，都会被视作盟友，而不是威胁。创业者面对的不是“保住职位”这个问题，而是： * 把产品做出来 * 把市场做出来 * 把创造力兑现出来 * 把一个重复可扩展的流程建立起来他进一步把这种能力归结为： **极强的 agency（主动性、主导力、能动性）。** 而这正是创业者和普通岗位最大的区别。科学家、真正的艺术家、探索者，在某种意义上也属于这一类：他们都在面对未知、定义未知、推进未知。从这个视角看，AI 不是来替掉这些人，而是把他们弹得更高。 ## 八、目标不该是“保住工作”，而该是让机器替你做无聊劳动接下来，Naval 把话题从“岗位焦虑”直接推进到更大的方向： **目标从来不该是保住一份工作。** 在他看来，工作不应该被神圣化。人不该把理想生活定义成：每天被固定时段绑住，做令人疲惫且无灵魂的劳动。更理想的方向，是让机器和系统去解决物质层面的重复劳动，让计算机去放大人类的智力，让更多人都能创造。他用了摄影类比来解释这一点。摄影出现之后，写实绘画的某些实用功能被取代了，但这并没有让社会变差。相反，艺术被释放了：因为“复制现实”不再是唯一目的，艺术反而走向更自由、更抽象、更个人化的表达。他认为 AI 也会如此： * 确实会替代一些非常具体、非常重复的工作 * 但与此同时，它也会让大量过去无法创造的东西变得可创造 * 从长远看，人们不会愿意为了保住少量过时岗位而放弃整个技术跃迁他的理想图景是：人人都能借助 AI 成为某种程度上的“软件工程师”；未来如果机器人进一步成熟，人人也能拥有某种程度的“硬件工程能力”。这会把社会推向一种更高丰裕的状态。 ## 九、AI 现在还不是“活的”，它强在模仿和压缩，不强在真正的人类式创造虽然 Naval 对 AI 很乐观，但他并不认为当下的 AI 已经是“活的”。他的判断是： AI 首先是一个极其强大的模仿器。凡是人类历史上大量做过的事，只要留下了足够多的数据，AI 就越来越有可能学会并自动化。它之所以看起来“像活的”，一方面是因为它会模仿；另一方面是因为在压缩大量数据时，它会形成更高层次的抽象表示。但他认为，AI 仍然缺少几个非常关键的东西： * 单次示例学习（人类能从一个例子快速学到东西） * 跨巨大领域的跳跃式联想 * 真正从现实物理世界中获取反馈的具身能力 * 自己的欲望、求生、复制冲动和内在主观动机没有这些，AI 就算再会说、再会做，也仍然更像一个极其强大的系统，而不是一个拥有自主生命和主体性的存在。因此，他认为未来会出现两种并存的现象： * AI 在很多任务上会远超人类 * 但在另一些任务上，它会显得非常愚蠢这种“不均衡的强大”，本来就是所有机器的共同特征。 ## 十、AI 不通过他定义的“真正智能测试”，因为它并不真正想要什么 Naval 接着提出了一个很有个人色彩的定义： **衡量智能的唯一真正标准，是你是否能从生活中得到你真正想要的东西。** 这个定义很不学院派，但很 Naval。他认为，智力不是一张分数单，也不是一个抽象指标。对于一个活的生物来说，智能最终是用来导航现实的：得到你想要的关系、财富、健康、成果、满足感。从这个标准出发，AI 有一个根本缺陷： **AI 并不真正想要任何东西。** 它没有自己的生命目标，没有自己的欲望，它只是承接人类目标的代理。即使你给它一个目标，它也会立刻落入竞争环境：无论是追求流量、做交易、获取伴侣、争夺注意力，这些目标几乎都在对抗别的智能体。此时，AI 的优势会被其他 AI 抵消，最后真正留下来的差异，仍然更可能来自人类自己的判断力、创造力和策略。所以在他看来，AI 是强大的代理工具，但未必是那个最终定义目标的人。 ## 十一、AI 的巨大价值之一，不是替你干活，而是做你的私人老师在整篇里，Naval 对 AI 最实用、也最稳定的乐观判断之一，是： **AI 是一种极其强大的学习工具。** 他认为，AI 最大的优势不是“知识更多”本身，而是它能以**恰好适合你的理解水平**来解释问题。过去，很多教材和老师的问题在于： * 要么讲得太难，让你觉得自己很蠢 * 要么讲得太浅，让你觉得很无聊而 AI 可以把内容卡在你“刚好能理解，但又需要再迈一步”的边缘。它可以： * 换一种说法再讲一次 * 用图、表、类比、草图来解释 * 一直拆到最基础的层 * 再把两个你原本断开的概念接起来这会反复制造那种“啊哈时刻”：你原本懂 A，也懂 B，但不懂 A 和 B 怎么连起来；AI 可以把那条桥补上。所以他说，学习资源本来就很多，真正稀缺的往往是学习意愿；而现在，AI 不只是让资源更多，还让资源第一次真正“贴着你的水平”来。 ## 十二、AI 还没有真正意义上的创造力，至少现在没有在“AI 会不会创造”这个问题上，Naval 的态度比较克制。他承认 AI 会把很多已有元素重新组合，而且组合得很强；但他认为，这不等于它具备了人类意义上的那种创造力。在他看来，真正的创造力更接近这样一种东西： **从现有问题和已知元素出发，跳出一条极不显然、事前几乎无法预测的新路径。** 不是“把已有内容拼得更巧”，而是“提出一种原本几乎没人会想到的新答案”。所以他不太认可把今天 AI 解某些数学问题，简单等同于“AI 已经拥有创造力”。他的判断更像是：AI 现在擅长在巨大的已知空间里重组、检索、压缩和生成；但距离提出真正全新、被验证为真的科学理论，这种级别的创造，还很远。当然，他也承认，AI 的进展很容易让人低估它，所以他不愿意把这种判断说成绝对定论。 ## 十三、计算机曾是“心智的自行车”，现在也许是“心智的摩托车” 文章标题里的这个比喻，最后落到了这里。 Steve Jobs 曾把计算机称为“心智的自行车”，意思是：它让人类在思维效率上像骑车一样，远快于步行。Naval 说，现在也许我们有了“心智的摩托车”。但这个比喻的关键不是机器本身有多快，而是： **车再快，也仍然需要有人驾驶。** 你仍然需要有人决定方向、踩油门、踩刹车。在他的框架里，AI 的角色不是“替代人类成为主体”，而是极大放大人的行动半径和创造半径。它可以让普通人比过去走得远得多，也可以让强者把杠杆放大得更夸张。 ## 十四、应对 AI 焦虑的办法，不是空想，是行动整篇最后，Naval 把话题落回到一个非常实用的结论： **AI 焦虑的解法是行动。** 他认为，很多人对 AI 的焦虑，来自一种模糊但强烈的失控感：知道这东西很强，却不知道它到底是什么、怎么工作、能做什么、不能做什么。对未知的模糊恐惧，就会变成焦虑。而最有效的办法，不是反复想象最坏结果，而是： * 去用它 * 去看它怎么工作 * 去理解它的边界 * 去知道它在哪些地方值得信，哪些地方必须怀疑只要你往里走一步，恐惧往往就会退一步。你不一定要成为造 AI 的人，但至少应该理解到让自己满意的程度。因为理解抽象层下面的东西，一方面能让你更好地使用它，另一方面也能让你更准确地判断：这到底是一个多强的工具，它会不会真的变成你想象中的怪物。所以他的落点并不神秘，反而很朴素： **对 AI 最好的回应，不是恐慌，也不是神化，而是带着好奇心去理解它，然后把它变成你的杠杆。**

缓解一点ai焦虑