AI

站在 2026 年的当下，如果你在科技互联网行业工作，大概率会有这种切身的体感：AI 的能力边界扩张得太快了。 我们经常在各种讨论群、咖啡馆里听到这样的焦虑：“我的工作会被 AI 取代吗？” 要回答这个问题，我不打算搬出冰冷的宏观报告，而是想“解剖”一下我自己的职业生涯。从 2011 年毕业至今，我干过数据清理和数据开发、写过无数的脚本规则、搭建过数仓和指标体系、 做过很长时间的数据分析挖掘以及机器学习开发工作，也做过一线车企和头部 AI 公司的 AI 产品经理。而到了 2024 年底，我转身进入了一家国际顶尖的第三方检测认证机构，开始围绕欧盟 AI 法案（EU AI Act）以及汽车相关 AI 标准和法规，开展 AI 系统的合规评测、评估与指导业务。 如果把我的这段履历切分成两半，你会发现一个非常残酷但也极其清晰的真相：我前半段职业生涯积累的绝大部分硬技能，现在都已经可以被 AI 完美取代；而我现在正在做的事情，AI 却几乎无从下手。 这中间的逻辑分界线到底在哪里？ 为什么我过去的很多工作，现在可以直接交给 AI？ 让我们先把时间拨回到 2011 年到 2024 年这十几年间。 在早期的外企网络安全数据运营中，我的日常工作是处理海量的垃圾邮件。我需要写大量的 Perl、Python、Shell、PHP 等脚本，精雕细琢复杂的正则表达式（Regular Expressions）去构建规则。 后来进入几家头部的智能可穿戴和智能手机厂商，我成为了业务数据 BP（Business Partner）和高级数据分析工程师。我的日常变成了：不仅要写复杂的 SQL 语句提数、做 ETL 数据清洗、构建底层数据仓库、梳理用户埋点，用 Tableau 或 Superset 搭建起漂亮的数据看板；我还会频繁使用 Python 的 PySpark，以及基于 Java 或 Scala 的 Spark，去开展更加复杂的大规模数据分析与挖掘。同时，我也负责开发基于传统机器学习方法，以及更为先进的神经网络等机器学习服务。 甚至在 2023 年到 2024 年期间，我在一线车企和头部 AI 企业做智能座舱产品经理和智能问答服务的产品负责人时，我的核心工作是：梳理需求、协调各方（运营、研发、测试）的动作，撰写和优化需求文档（PRD），推动产品功能落地。 站在今天回看，这些工作本质上可以归结为两个词：翻译与搬砖。 翻译属性工作：将一种人类语言转化为另一种机器或其他部门能理解的指令。可以想象成一个“人肉编译器”，把业务方说的“我要看昨天活跃用户下降的原因”翻译成底层的多表关联 SQL 代码。 ...

Human-to-Human，AI-to-AI，贾扬清的内部沟通规则或许太简单理想化了 贾扬清发了一条帖子，17K+ Views，说他在公司内部设了一条沟通规则： Just set an internal comms rule: no AI-generated content for collaboration. If you used AI, don’t send the output. Send your prompt, or better, your raw thinking. Assume your reader will paste it into ChatGPT. Write so they won’t need to. Separate channels: human-to-human = your thoughts; AI-to-AI = attach outputs like audit working papers. Human to human, AI to AI. Works well so far. 图1：贾扬清发帖提出内部沟通规则，主张将人与AI的沟通通道分离。 ...

看了甲子光年的文章《胡峥楠就任小米汽车CTO后首次受访：我的第一要务是重新学习》整篇采访里最让我愣住的一段是这个： 就像今天雷总对我的要求是，你可不可以开始 AI coding？ 说这话的人叫胡峥楠。吉利前研究院院长，路特斯汽车智能化平台创始人，现在是小米汽车的 CTO。一个在传统车企体系里成长了二十多年的人，被老板当面问：你能不能开始用 AI 写代码？ 这个场景本身就是2026年汽车行业最精准的缩影。 不是一个刚毕业的程序员在尝试 Copilot，是一个造了二十年车的 CTO，被要求重新审视自己的工作方式。胡峥楠自己的反应也很坦诚： 如果说我们在很短的时间之内不能够适应这种新的思维模式的话，可能我很快会被淘汰。 一个 CTO 说"我可能会被淘汰"，这不是谦虚，这是一个看清了形势的人在说实话。 “我首先需要做的事情是：更新我的知识体系” 胡峥楠在这次采访中说了一句让我印象很深的话： 你学的东西五年后可能有50%是错的，但你不知道是哪50%。 这句话之所以有分量，是因为说这话的人不是一个焦虑的中层，而是一个亲手建立过完整汽车开发方法论的人。他在吉利十五年，从底盘调校到整车架构，一砖一瓦堆起来的知识体系，现在他自己说：这套体系需要重建。 不是推倒重来，而是持续重建。 转型有终点，你到达另一个状态就结束了。但"更新知识体系"没有终点，它是一种持续的生存状态。胡峥楠选的词很准：不是"转型"，是"学习"。 第四次融合：三条曲线同时叠加 雷军讲过一个框架，胡峥楠在采访中展开了：未来的智能电动汽车是汽车行业的第四次融合。 前三次分别是机械与电气、电气与电子、互联网与移动通信。每一次都消灭了一批旧行业，催生了一批新职业，但每一次基本上是一条曲线替代另一条曲线。 从机械、电气、电子到新能源、移动通信与 AI，第四次融合的复杂性在于多条曲线同时叠加。 第四次融合不一样。新能源技术、消费电子能力、信息通信技术，三条曲线都还没有消退，就已经在同一台车里汇合了。这意味着你不能像以前那样，等一条曲线彻底成熟再整合。三套方法论必须在同一时间、以某种还没有人完全弄清楚的方式共存。 用胡峥楠自己的话说，这本质上是"降维打击"。过去在传统车企体系里积累的经验，在这个融合时代未必还是经验。 所以"五年后有50%是错的"，指的正是这种状态：不是某一项知识被推翻，而是整个知识体系的权重在快速变化。你不知道重心该往哪里放。 关于 AI coding 那段，我多说两句 回到雷军让胡峥楠 AI coding 的事。 雷军不是在说"你去了解一下 AI"，他是在说"你自己动手用 AI 来工作"。从了解到使用，从使用到重构工作流，这中间的距离比大多数人以为的要大得多。 胡峥楠说"传统’撸铁’的同学"需要学习新的知识体系，用的词也挺妙。“撸铁"在这里是个隐喻，指的是那些扎扎实实做硬件工程、底盘调校、NVH（Noise, Vibration and Harshness）优化的同事。这些能力不会消失，但如果你不学会用 AI 工具来辅助你的工作，你会越来越慢，直到被那些学会了的人拉开距离。 端到端大模型：安全范式正在被重新定义 胡峥楠提到一个他正在思考的核心问题：端到端大模型的安全，行业目前没有答案。 这不是技术不成熟的问题。这是方法论的根本性挑战。 传统汽车功能安全建立在"可穷举系统状态"这个假设上。ISO 26262、HARA（Hazard Analysis and Risk Assessment）、FMEA（Failure Mode and Effects Analysis）、FTA（Fault Tree Analysis）这套工具链，本质上是在说：只要你穷举了所有故障模式，就能定义安全边界。 端到端自动驾驶不遵循这个逻辑。 它的决策来自大规模数据驱动的神经网络，不是手工编码的规则。它的"安全边界"不是一条工程师画出来的曲线，而是一个由数据分布定义的隐空间。系统的失效模式不再是"某个传感器故障”，而是"训练数据分布之外的场景导致模型产生了在分布内看似合理但实际危险的输出"。 传统安全工程的故障树，正在被迫翻译成 AI 模型的数据分布与隐空间语言。 ...

几个先撂在这儿的结论 AI 越强，知识浪费越严重。 以前一天产出几千字文档，现在和 AI 对话轻松上万字。但这些"对话态"的知识，绝大多数产生之后就蒸发了——窗口一关，就不再看了。 记住一切等于什么都没记住。筛选和遗忘，才是记忆的精髓。 这是我搭建知识系统过程中悟到的。不是要把所有东西都存下来，而是让系统知道什么该记住、什么该放手。 我已经好多年没用过纸质笔记本了。 虽然到现在还会忍不住买精美的本子和笔，买完往书架上一放，供着。但真要记东西，我不会去翻那些本子。写在纸上的内容，写完那一刻就开始沉睡了。 BTW，这篇文章基于我自己搭建的一套记忆系统实践，有代码、有踩坑经验，不是纯理论空谈。 你的知识，散落在哪里？ 你的知识现在大概分布在这些地方： Obsidian/Notion/飞书/语雀 里的笔记（如果你有坚持写的话） 散落各处的项目文件夹（可能叫 project_v2_final_真的最终版） 和 AI 的聊天记录（窗口一关，灰飞烟灭） 纸质笔记本里面 大脑里（众所周知，这个存储介质的可靠性不太行） 这些知识之间基本是孤岛状态。上周和 Claude 讨论的细节，这周换个 session 就得从头解释。去年踩过的坑写的复盘，今年遇到类似场景，完全想不起来那份文档存在哪里。 这就是我们要解决的问题：Agent 时代，个人知识管理到底该怎么搞？ 第一章：为什么现在必须重视知识管理 知识管理不是新鲜话题。 那为什么到了 2025、2026 这个节点，这事又变得有意思起来了？ 因为 AI Agent 既是知识的消费大户，也是生产大户。 以前你写一份技术方案，可能就自己看看、存个档。现在不一样了——你和 Agent 之间一天可能产生上万字的交互。这些对话里藏着你的偏好、决策逻辑、踩过的坑，全是有价值的东西。 但 Agent 默认不会帮你留住这些。关掉窗口，一切归零。 这就是问题所在：Agent 越强，知识浪费越严重。 举个例子：我最近在探索智能知识管理，和大模型讨论了几十上百个 session。每个 session 里都有重要的技术决策：为什么选择 Pinecone 而不是 Milvus、向量维度从 768 调到 1024 的理由、混合检索的权重参数怎么设…… 如果这些东西没有系统性地沉淀下来，三个月后再维护这个系统，我得重新和 AI 解释一遍所有背景。这就是巨大的隐性成本。 第二章：传统知识管理的三个死穴 在聊怎么做之前，先看看传统方案哪里不行。 2.1 文件夹模式：人能记住，机器搜不到 最原始的方式：按项目、按日期建文件夹，文档往里扔。 这个方案的最大问题是检索靠记忆。你知道三个月前写过一份PPT，但记不清放在哪个目录的哪个子文件夹里。搜文件名？关键词可能没对上。全文搜索？几万个文件扫一遍，跳出来一堆不相关的结果。 更要命的是跨项目复用几乎不可能。A 项目总结的经验教训，B 项目需要时，你压根不知道它存在。 ...

你大概有过这种时刻。 手机弹出一个答案，你扫一眼就点了"提交"。 你甚至没意识到自己刚才其实没在思考，你只是在确认"这个答案看起来像对的"。 这篇论文最锋利的地方，就在这里。它不是在讨论"AI帮不帮忙"，而是在问一个更扎心的问题：当你把判断过程交出去时，你还在不在场。 作者把这个过程称为"认知投降"。这个说法很重，但看完整个实验，你会发现它并不夸张。 你以为自己在用工具，其实你在借脑 图1：系统3就像一个隐形的"副驾驶"，你以为是自己在开车，其实只是偶尔扶一下方向盘。 我们习惯把AI当工具。工具这个词会让人放松，因为它听起来像"我始终是控制者"。 可现实里，很多使用场景不是"我算不出来，用AI算一下"，而是"我懒得再想了，直接采纳AI给的结论"。 这两个动作表面很像，认知含义完全不同。 认知生态（Cognitive Ecology）：人类判断并不只发生在大脑内部，还会和外部系统一起构成一个完整环境。可以想象成你做饭时不只是手艺在起作用，厨房布局、刀具质量、备菜顺序也在共同决定成败。 认知外包（Cognitive Outsourcing）：把部分思维任务交给外部系统。它像把记账交给表格软件，本身中性，关键在于你是否保留审核与纠错。 作者提出，我们正在从"偶尔借工具"走向"常态化借脑"。这不是一个小变化，因为它会改写人的判断路径。 你可以把它想成开车。 以前是你自己踩油门、看路况，做变道决策。现在是你经常把方向盘轻轻交给副驾，对方说"左转"，你就左转。一路顺的时候你觉得很省力。出错的候你才突然意识到，自己刚刚其实没有在驾驶。 这篇论文到底做了什么 图2：三项实验设计总览，从基线测试到时间压力再到激励反馈，逐步验证认知投降机制。 作者做了三项预注册实验，核心任务是改造版CRT题目，并且把AI输出准确率做了隐藏随机化。 认知反思测验（CRT）：一类专门测试"你会不会停下来再想一层"的题目。它像脑内刹车测试，测的是你能不能从直觉反应切换到审慎推理。 预注册实验（Preregistered Study）：在正式收集数据前先公开研究计划。可以想象成比赛前先把战术写进密封信，减少赛后按结果改口径的空间。 试次（Trial）：每一次独立作答都算一个试次。就像投篮训练里每次出手都记一次命中，累计后更能看出模式。 论文不是简单比较"用AI"和"不用AI"，而是更细地比较三种状态： 不接入AI，只靠大脑。 接入AI且AI给对答案。 接入AI但AI故意给错答案。 最关键结果可以一句话概括：人们在大多数试次都会咨询AI，而且准确率会跟着AI质量一起上升或下坠。 图3：跨研究总趋势图——系统3使用率与AI准确率高度相关，人们的表现会随AI质量波动。 图里那条趋势线非常直接。系统3使用越高，表现越像"跟着AI质量走"。这就是本文想证明的核心机制。 系统1，系统2，系统3分别是什么 图4：三种认知系统的特征对比——系统1直觉快速、系统2审慎推理、系统3外部AI辅助。 很多人熟悉系统1和系统2。作者在这套经典框架里加了一层系统3，也就是外部人工认知。 系统1（System 1）：快速，直觉、自动化的判断路径。就像你看到球飞来下意识伸手接住，不需要推导。 系统2（System 2）：慢速、费力、规则驱动的推理路径。像你做税务申报时逐项核对，步骤慢但可解释。 系统3（System 3）：来自AI与算法的外部认知输出。它在你体外运行，但会直接进入你的决策链路。 三系统理论（Tri-System Theory）：把系统1、系统2、系统3放进同一张认知地图，强调现代判断已经是"人脑+外部模型"的联合作业。 图5：三系统理论框架图——展示了系统1、系统2、系统3如何协同与冲突。 作者强调，系统3不是"外挂信息源"这么简单。它会改变你是否还调用系统2，甚至会抢在系统1前面给出答案模板。 试想一下你在写邮件。 你本来要花一分钟组织语言。现在AI先给你一版很顺的草稿。你会不会直接改两句就发出去。你大概率会。这个动作就是系统3在重排你的思考顺序。 图6：系统3的能力与代价对比——快、规模化、模式识别强是收益；情境理解，责任归属、可追溯性不稳定是代价。 表1很有价值。它告诉你系统3的收益和代价同时存在。快、规模化、模式识别强，这是收益。情境理解，责任归属、可追溯性不稳定，这是代价。 什么叫认知投降 图7：认知投降的本质——把判断权实质性交给AI输出，而非策略性外包。 “认知投降"不是"用AI”。 它是"在没有充分审查时直接采用AI输出，并让这份输出覆盖自己的直觉和推理"。 认知投降（Cognitive Surrender）：把判断权实质性交给AI输出。可以想象成考试时你并不是参考同学答案，而是完全照抄，连题目都不再自己读。 认知卸载（Cognitive Offloading）：策略性外包某个子任务，但保留最终审查。比如你用计算器算中间值，最后仍检查量纲与数量级。 采纳率（Adoption / Follow Rate）：用户在看到AI建议后选择跟随的比例。它像导航建议采纳率，越高代表你越把方向盘交出去。 覆写率（Override Rate）：用户在看到AI建议后选择否决的比例。覆写率越高，说明系统2仍在工作。 论文里有两个特别扎眼的数字。 ...