当 AI 编码工具让“写出代码”变得前所未有的容易时，一个危险的悖论出现了：那些用它加速思考的人正在创造全新的工作范式，而那些用它替代思考的人，正在丧失最基本的判断力。

核心观点：AI 的真正分水岭不是谁在用、谁不用，而是用 AI 思考的人和用 AI 逃避思考的人之间的差距正在急速拉大，而后者正在被无声地抛下。

这几年关于 AI 的讨论，从最初的“AI 会不会取代我的工作”，到后来的“AI 能帮我做什么”，再到现在的“AI 让我变得更强了吗”，话题不断翻新，但有一个核心问题始终没有被认真对待：AI 究竟是在拓宽人的能力边界，还是在悄悄收窄它？

我不是在说技术悲观主义那一套。我亲眼见过，也亲手用过那些令人惊叹的 AI 工具。GitHub Copilot 让我写后端逻辑的速度提升了至少两倍，ChatGPT 帮我梳理过几十页的 API 文档。但正是在这种“效率狂欢”中，我注意到一个令人不安的分化正在发生：同样是用 AI，有些人用它来撬动自己认知的盲区，而另一些人则用它来为自己本应负责的任务铺上一层“完成了”的假象。

这个观察并非空穴来风。最近 Reddit 上一个在科技行业工作七年的开发者分享了他的洞察，他认为真正的分界线不是“AI 是否取代你”，而是“你是否在用 AI 思考”。他举了一个例子：他的团队里有个刚毕业的实习生，用 AI 在三天内重构了一个遗留的老模块，代码质量甚至超过了团队里一位干了五年的高级工程师。但问题在于，那个高级工程师虽然写代码慢，但他知道每一个函数为什么这么设计，边界条件在哪里，而那个实习生在被问到“为什么这里要用递归而不是迭代”时，沉默了。

这不是个例。我在过去几个月里观察了至少十几个类似的场景。AI 让“产出”变得廉价，但让“理解”变得可有可无。更致命的是，这种“可有可无”正在被包装成一种新的能力：所谓“prompt engineering”的流行，本质上是在训练人们如何向机器提问，而不是训练他们如何自己思考。当一个开发者把大部分认知负担外包给语言模型时，他其实是在用“熟练度”置换“深度”。

当然，反对者会说：这不就是工具演进的自然结果吗？计算器出现的时候，不也有人哀叹人类的心算能力会退化？但这里的根本区别在于，计算器处理的是数学运算，那是逻辑链条中可以被明确封装的一环，而 AI 工具处理的是语义理解和模式匹配，这是人类认知中最核心、最不可替代的部分。你把核心认知过程外包出去，久而久之，你就不再拥有它。

我承认，这个观点听起来有些危言耸听。毕竟 AI 也在帮我们做很多之前做不到的事。比如 Andrej Karpathy 最近在一次闭门分享中提到的“menugen”概念——一个完全由 LLM 驱动的应用，不需要一行传统代码，输入图像，输出图像，所有逻辑都由模型完成。这确实令人兴奋，它打开了一个全新的可能性空间。但问题是：当所有人都能“生成”一个应用时，谁还真正理解这个应用在做什么？谁还能在模型出错时干预它？

更现实的矛盾在于，经济系统正在加剧这种分化。当一家公司发现，一个会用 AI 的初级开发者可以完成一个高级开发者 80% 的工作量时，它会毫不犹豫地选择前者。但那个高级开发者的价值恰恰在于那 20%——处理极端情况、识别系统风险、做出架构决策。而这些能力，恰恰是 AI 最难替代，也最容易被初学者忽略的。

我并不是要指责那些选择“用 AI 偷懒”的人。生存压力下，每个人都会选择最省力的路径。但我们必须意识到，这种选择是有代价的。当一个行业里越来越多的人依赖 AI 来完成原本需要深度理解才能完成的工作时，这个行业的整体认知水位就在下降。而更可怕的是，这种下降是无声的、渐进的，只有当某个关键系统崩溃时，人们才会发现：原来我们已经没人知道它为什么这么工作了。

在我看来，真正明智的做法不是拒绝 AI，而是主动设计自己的使用方式，确保每一次与 AI 的交互都是一次认知的扩展，而不是替代。比如，让 AI 生成一个函数的多个实现方案，然后自己去分析优劣；或者让 AI 解释一段复杂代码的原理，然后自己去重构它。关键是要保持一种“认知上的紧张感”——永远知道自己在做什么，以及为什么这么做。

这不是一个技术问题，这是一个教育问题，也是一个文化问题。如果我们继续把“能写出 AI 生成的代码”等同于“会编程”，把“能问出好问题”等同于“有深度思考”，那么不出五年，我们会看到一批表面上极其高效、实则认知空洞的“数字文盲”充斥整个行业。他们可以生成任何东西，但理解不了任何东西。

如果把这个判断再往前推一步，真正重要的不是 Has anyone switched…、7 years in tech, no…、Fireside chat at Se… 本身，而是它们共同暴露出的分配逻辑。 reddit、x 在同一轮里把注意力推向同一问题，通常意味着这个主题正在从圈层内部经验，转向更可共享的公共议题。 这也是为什么这种内容值得写成长文：短帖只负责提醒你“这里有事发生”，但只有长文才能把背景、代价、误判空间和后续影响放到同一张桌面上。 换句话说，AI 的真正分水岭不是谁在用、谁不用，而是用 AI 思考的人和用 AI 逃避思考的人之间的差距正在急速拉大，而后者正在被无声地抛下。 之所以重要，不是因为它看上去新，而是因为它会重新定义用户接下来应该如何理解这一类内容。

当然，这个判断仍然有边界。技术 领域的很多内容天生带有夸张表达、圈层黑话和强情绪包装， 这意味着原始材料本身未必可靠，甚至会故意放大戏剧性。 所以这里真正需要辨认的，不是表层标题是否足够抓人，而是标题下面有没有重复出现的结构：问题是否反复被提到，解决路径是否开始稳定， 以及不同来源是否在无意中指向相同结论。只有这些条件同时成立时，AI 的真正分水岭不是谁在用、谁不用，而是用 AI 思考的人和用 AI 逃避思考的人之间的差距正在急速拉大，而后者正在被无声地抛下。 才算站得住。否则，它最多只能算一个值得观察的苗头，而不是已经完成的判断。