目錄

每次有新的生產力工具出現，就有人說「人類的工作方式會改變」。珠算被計算機取代，計算機被試算表取代，試算表被自動化腳本取代——每一次，人們確實把時間移到了別的事情上。

但 AI 工具帶來的轉變，感覺和過去的技術進步不太一樣。不只是「某些工作可以自動化」，而是「思考本身的某些環節可以外包」。這個差別值得深入想清楚。

TL;DR

AI 改變的不只是效率，而是思考分工。過去需要你記憶的東西、需要你花時間搜尋的東西、需要你從零開始起草的東西，現在可以外包給 AI。這解放了認知資源，但也帶來新的要求：你需要更擅長「提問」、「判斷輸出品質」、和「整合不完整資訊做決策」。

是什麼在改變

外部記憶的擴展

人類一直在用外部工具擴展記憶：書籍、筆記、資料庫。AI 把這件事推到了新的層次：不只是儲存資訊，而是能理解問題並主動提取相關資訊。

對工程師的實際影響：你不再需要記住所有 API 的細節，不再需要在腦子裡保存龐大的背景知識。這聽起來是好事——但副作用是，如果你不主動建立深度理解，很容易變成只會使用 AI 輸出但沒有真正的判斷能力。

從「怎麼做」到「做什麼」的轉移

以前你需要把大量精力放在「怎麼寫這段程式碼」、「怎麼起草這封信」、「怎麼整理這份資料」。現在 AI 能做掉大部分的執行層工作，你的價值越來越集中在：

  • 問題定義：清楚描述要解決的問題，而不是描述解法
  • 品質判斷：AI 的輸出對不對？夠好嗎？有沒有遺漏的邊界條件？
  • 方向選擇：在多個可行方案中做決策，這需要的是判斷力而不是執行力

這個轉移對不同人的影響是不對稱的：執行層技能強但判斷力不足的人，會感受到更大的壓力；而判斷力和問題定義能力強的人，AI 是槓桿倍增器。

思考速度和品質的新均衡

AI 讓你能快速得到一個「差不多的答案」。這在很多場合很有用，但也有一個陷阱：快速得到的答案會讓你不願意花時間深入思考。

這在軟體工程上特別明顯。AI 生成的程式碼可以快速通過基本測試，但可能在邊界條件或效能上有問題。如果你養成了「AI 寫完就直接用」的習慣，你的判斷能力會逐漸退化。

怎麼在 AI 時代維持思考能力

主動練習問題定義

提示工程（prompt engineering）的核心不是學會用什麼魔法詞彙，而是練習把一個模糊的需求變成清晰的問題描述。這個能力在非 AI 工作中同樣重要，但 AI 讓它變得更容易驗證——你的問題定義好不好，AI 的輸出品質立即給你回饋。

刻意保留「慢思考」的習慣

卡尼曼的《快思慢想》把思考分成系統一（直覺、快速）和系統二（深思熟慮、慢速）。AI 強化了系統一，讓你能更快地得到「差不多對」的答案。但系統二的深度思考——分析權衡、理解底層機制、預見未預期的後果——這些仍然需要人刻意去做。

對工程師來說，這意味著：偶爾不用 AI，從頭自己寫；讀 AI 生成的程式碼並理解每一行為什麼這樣寫；對 AI 給出的架構設計，要能說清楚自己同意或不同意的理由。

建立個人的「第二大腦」框架

AI 可以幫你快速找到資訊，但理解和連接資訊仍然需要人腦做。建立個人知識庫（Obsidian、Notion、卡片盒筆記法），不只是存資訊，而是建立概念之間的連結，這是 AI 目前不太能替代的認知工作。

對工程師職涯的影響

從技能需求的角度看，AI 時代對工程師的要求在分化：

邊際價值下降的技能：寫樣板程式碼（CRUD、配置）、記憶 API 細節、做格式化和排版

邊際價值提升的技能：系統設計、需求澄清、程式碼審查和批判性評估、與非技術同事的溝通、理解業務背景

這不是說「會被 AI 取代」這種簡化的說法。而是：同樣職位的工程師，善用 AI 的和不善用 AI 的生產力差距會越來越大，而生產力差距最終會反映在市場價值上。

小結

AI 改變的不是「要不要思考」，而是「思考什麼」。把執行層的認知負擔外包給 AI，讓人有更多空間做更高層次的判斷和決策——前提是你要主動維持這個判斷能力，而不是讓它隨著 AI 使用習慣一起退化。

接下來五年，最值得投資的能力不是某個特定的技術工具，而是「清晰定義問題」和「批判性評估答案」這兩件事。這兩件事不會被 AI 取代，而且在 AI 工具普及的環境下，它們的相對稀缺性只會提高。

參考資料

相關標籤

#ai#cognitive-change#llm#productivity#thinking#knowledge-work

相關文章