AI时代，执行越来越便宜，判断越来越昂贵
——王小波风格：冷幽默里的清醒
我最近跟一个学生聊了很久。聊完之后我意识到，我们其实在讨论一个古老的问题：人到底是干活的，还是想事的？只不过以前这个问题不那么尖锐，因为不管你怎么想，活还是得你自己干。现在不一样了。AI 来了，活它可以干，于是这个问题就变得极其真实。
先说一件让我觉得有意思的事。
这个学生用 AI 做 PPT。她先试了 Markdown 转 PPT，又让 ChatGPT 写 Python 脚本生成 PPT。过程中她发现两件事：第一，AI 给出的图表和呈现方式，有些是她自己想不到的。AI 不只替她做了事，还替她看见了一些东西。第二，她本来只需要十几页 PPT，AI 一口气给了她五十页。
五十页。
你让一个勤快的人帮你整理房间，他帮你整理完了，还顺手买了三十件你不需要的家具。这就是 AI 做事的风格——它不知道什么叫够了。
这说明一个道理：AI 很擅长生产，但它不知道什么该生产、什么不该生产。它是一台没有方向感的发动机。发动机越强劲，方向盘就越重要。
方向盘在谁手里？在你手里。前提是你得知道自己要去哪儿。
我们聊到一个词叫“负责”。
过去的负责很好理解。代码是你一行一行写的，你逐行看过，签上你的名，这就叫负责。这个定义简单、直觉、不需要哲学训练。
但 AI 把这个定义搅乱了。现在 AI 可以帮你写两千行代码。你逐行审查？那你不如自己写。不审查？那出了问题算谁的？
在我看来，出了问题当然还是算你的。但“负责”的方式需要升级。你不需要证明每行代码都过了你的眼睛，但你需要证明三件事：核心逻辑你理解了，测试你做充分了，关键风险你把控住了。
这就好比你当了一个将军。将军不需要亲手拧每一颗螺丝钉，但他得知道哪座桥是关键的，炸了就完蛋那种。
学生的焦虑也不是没有道理。在科研环境里，AI 的介入让责任变得更微妙。实验环境和论文描述对不上、AI 润色改了参考文献的年份、导师要看代码你说不清楚——这些问题归结为一点：AI 提高了效率，但它没有帮你承担后果。后果永远是你的。
然后我们聊到了一个微妙的话题：为什么很多人用了 AI 却不愿意说？
学生的回答很诚实：不完全是羞耻，更多是在保留信息差。你用了什么工具、怎么用的、用了哪些提示词，这些东西一旦被完全复制，你的优势就没了。
我觉得这个回答特别好，因为它没有假装高尚。
但我也觉得，透明和保留优势其实不矛盾。你可以告诉别人 AI 参与了什么环节、你自己做了什么判断和校验。但你不必把你的整套提示词工程和工作流细节都摆出来。就像一个厨师可以告诉你他用了什么食材，但他不一定要教你他的火候。
我们还聊到一个概念叫 common knowledge。很多事情，大家心里都知道，但一旦摆到台面上，性质就变了。就像办公室里大家都知道某个领导水平有限，但没人会在全体会议上说出来——不是因为不真实，而是因为说出来之后，所有人都被迫表态，整个系统就要重新运转一遍。AI 使用这件事也一样。它已经无处不在了，但评价标准还悬在半空中。
聊完这些现实问题之后，我们讨论了一个更大的判断：什么能力在 AI 时代真正值钱？
我的答案——至少在可以被数字化的知识工作里——是两样：创新能力和快速学习能力。
当然，领域深度专长、伦理判断、复杂的组织协调，在特定场景下仍然值大钱。但责任心、沟通能力、执行力这些通用素养，已经不是拉开差距的东西了。就像识字在一百年前是优势，现在只是底线。
真正值钱的是：你能不能提出新的做法？你能不能跨学科吸收新知识？你能不能在整个行业都在剧变的时候，比别人更快地完成自我重建？
因为重复性、标准化的工作，AI 做得又快又便宜。如果你的核心竞争力是“我比别人更熟练”，那你本质上是在和一个边际成本趋零的对手赛跑。这场比赛的结局已经写好了。
这也引出了一个对照：做“工具人”还是做“决策者”。工具人的时间可以被排满——给任务就执行，执行完给下一个。但做决策的人不一样。他们需要留出空间来想事情，需要散步，需要发呆，需要读一些看起来跟工作毫无关系的书。
我认为发呆是一项被严重低估的生产力。
我们把 token 比作水电。这不是夸张。
未来的科研和工作环境不应该把 AI 当奢侈品，而应该当基础设施。没有 AI 不是回到朴素年代，而是故意把自己放在一个低效的位置上。就像一个木匠非要用石斧，不是因为石斧更好，而是因为他没见过铁斧。
但 token 变便宜之后，真正稀缺的东西也变了。以前稀缺的是“能不能做出来”。以后稀缺的是“该不该做”以及“往哪个方向做”。当然，不是所有执行都在变便宜——你去现场装一台设备、去法庭打一场官司、去手术台上操一次刀，这些事 AI 目前帮不了太多。但在可以被数字化的知识工作里，代码越来越便宜，实现越来越便宜，真正昂贵的是认知、创意和方向感。
一个人如果只有想法而没有工具，那叫空想。一个人如果只有工具而没有想法，那叫浪费。AI 解决了工具问题，于是想法就变成了最稀缺的资源。
那个学生在做 PPT 时有一种体验让我印象很深。她说，感觉像古人需要一把斧子，于是先给自己劈了一把斧子出来，再拿这把斧子去砍柴。
我觉得这是整场对话里最精彩的一句话。
因为它精准地捕捉到了人和 AI 之间最好的关系：不是让 AI 替你干活，而是用 AI 给自己造工具。前者是消费，后者是投资。前者每次都要重新开始，后者能沉淀和复用。
工具一旦真正顺手，还能分享给别人、沉淀成开源项目。这时候你不再只是 AI 的用户，你成了工具的创造者。
在模型选择上，这个学生也已经开始分层了。高风险的实验用强模型，低风险的整理用便宜模型。杀鸡不用牛刀，这不是吝啬，这是资源配置能力。就像你不会用一万块的红酒来做菜一样——除非你实在不知道怎么花钱。
然后我们聊到了决策。这是整场对谈真正的重头戏。
学生分享了几个具体的选择：接手一个快烂尾的跨组项目，改成每天下楼跑步，重新评估一个投入产出不清的研究方向。
这些选择看起来很平常。但成年人的生活就是由这种中等规模的决策组成的。我们很少面临“生存还是毁灭”的时刻，但我们每天都在被这些不大不小的选择一点一点地塑造。
我也讲了三个自己的案例。
跟领导有分歧时，不把问题理解成“听他的还是听我的”，而是去找第三条路。很多时候对抗不是因为你们的目标不一致，而是因为你们把问题框窄了。
健身时，意识到“行为设计胜过意志力”。意志力是一种特别不靠谱的资源——它在你最需要的时候最容易消失。更好的做法是设计一个系统，让你不需要意志力也能把事做成。
去年想冲动离职时，没有让情绪直接接管行动。我用 ChatGPT 做了一次“理性注入”，说白了就是让一个没有情绪的家伙帮我把利弊摊开看了看。结果情绪过了之后，我做了一个好得多的决定。
这三个案例里其实藏着同一套原则：增加选项，重构问题，保留期权，不在情绪最猛的时候做不可逆的事。
AI 在这里面扮演的角色很简单：它帮你冷静。它没有情绪，不会被你的委屈感染，不会因为你很痛苦就顺着你说“对，赶紧走”。它只是帮你把问题摊开来看，看完之后决定权还是在你手里。
最后我们聊到了复盘。
我以前以为复盘就是每天记录自己做了什么。后来我发现这种流水账式的复盘效率很低——你记了一大堆琐事，但很少从中提炼出真正有用的东西。
更有价值的复盘方式是：不记流水账，只记决策。
今天做了哪几个关键决策？质量高不高？有没有被情绪带跑？有没有更好的选项是我当时没看到的？
这种复盘在 AI 时代特别重要。因为执行变便宜之后，“做什么”和“怎么选”就成了真正昂贵的东西。AI 给你十个方案不难。难的是你选哪个。
这场对谈里我最欣慰的一点，是我们没有把 AI 变成一种新型鞭子。
总有人担心：AI 会不会让人更卷？会不会让所有人都变成永不停机的机器？
这个担忧有道理。但我们给出的答案是：AI 最好的用法不是让人更累，而是让人的成长速度更快——快到你可以用更少的时间达到同样的积累，然后把省下来的时间拿去生活。
工具不会自动让人自由。枪可以用来打猎，也可以用来打自己的脚。AI 也一样。关键在于你拿它做什么，以及你有没有意识到——有些事情，再强的工具也替代不了。
比如判断。
比如选择。
比如为自己的选择负责。
如果让我用一句话总结这场对话，我会说：
AI 时代，执行越来越便宜，判断越来越昂贵。
所以别再纠结怎么让自己执行得更快了。去练你的判断力。那才是真正值钱的东西。而且很遗憾，目前还没有哪个 AI 能替你练。