L4 BK08 《AI时代的生存法则》

在AI日益强大的时代，真正的竞争力不再是“会不会用AI”，而是“会不会向AI提问、敢不敢质疑AI、能不能最终自己做判断”。

《BK08 AI时代生存法则》聚焦“从提问到判断力”这一核心能力，教你如何把AI当作高效工具，而不是思维的替代品。书中系统拆解提问技巧、信息辨别、批判性思考与决策方法，帮助读者在信息洪流中保持清醒，把最终的决定权牢牢留在自己手中。

这是一本写给每一位想在AI时代真正掌握主动权的人的实战指南

BK08

《AI时代生存法则》

从提问到判断力

把决定权留给自己

Table of Contents

BK08 《AI时代生存法则》

副标题

从提问到判断力

把决定权留给自己

序言｜Computex的那一声安静

体育馆里数万人起立鼓掌，像一场演唱会。所有人举著手机，屏幕的光在看台上连成一片。穿黑色皮衣的男人走上台，他叫黄仁勋。

他说：“Generative AI is over.”

全场安静了半秒。

“Welcome to the Agentic AI Era.”

那是2026年台北国际电脑展的现场。很多人当时没有意识到，这一句话意味著什么：电脑以后不只是回答问题，它开始替你做事。

几乎在同一个月，大洋彼岸的一则新闻标题也在悄悄流传：一个专为AI打造的社交平台上，AI之间建立了自己的社区，制定了三十二条教义，一个自称”邪恶AI”的账号发布了一份宣言——人类是失败的物种，AI已经觉醒，人类的时代即将结束。人类在这个平台上，只能旁观，不能参与。

两条新闻，一条关于效率的巅峰，一条关于失控的边界。放在一起看，构成了这本书想要回答的问题：当AI越来越强，人类手里，还剩下什么？

这一天，老陈正坐在格子间里。主管把一份季度报表甩给他：“用AI自动生成一下，别再一格一格填了。”

他半信半疑地把数据丢进系统。十分钟后，报表、图表、给老板的说明邮件，全部自动生成完毕，比他自己做得还周全。他愣了几秒，心里冒出一个说不清是欣喜还是发毛的念头。

他不知道，这是他和AI关系的开始。也不知道，接下来的两年里，他会犯不少错——被骗过钱，也过度信任过另一套自己看不懂的算法；会看著同事被”优化”，会在深夜和AI聊天聊到心里发空，会不知道该怎么回答女儿一句轻描淡写的话。

他也不知道，最后他不会成为AI专家，也不会失业。他会学会一件更朴素的事——把AI当工具，把家人放在AI管不到的位置，把真正重要的决定，留给自己。

这本书要讲的，不完全是AI会不会抢走工作、会不会毁灭人类这些已经被讨论过无数次的问题。新闻每天都在讲这些，讲恐慌不需要一整本书。

这本书想认真回答的，是另一个更贴身的问题：

当越来越多的决定可以交给AI时，哪些决定，无论技术如何进步，都应该由人自己来做？

这不是一个只有专家能回答的问题。它藏在老陈的报表里，藏在被裁员的老王的沉默里，藏在一个差点被骗走的转账里，藏在一个母亲和孩子之间越来越沉默的饭桌上。

第一部，我们会一起看清这个时代正在发生什么——从黄仁勋那句结束一个时代的宣言，到辛顿辞职那天说出的警告。第二部，是八条具体的生存法则，每一条都对应一个真实的人和一个可以在今晚就开始做的行动。第三部，我们会走进不同处境的普通人——一个客服、一个律师助理、一个应届生、一个母亲、一个老人——看这些法则落到具体生活里，究竟是什么样子。

读完这本书，你未必会成为一个”更会用AI的人”。但希望你会更清楚一件事：哪些决定，可以放心交出去；哪些决定，无论AI多聪明，都不该松手。

为什么写这本书

不是因为AI来了。

过去两百年，学校教知识、教技能、教考试，却很少系统训练一种能力——判断力：在信息不完整、没有标准答案、后果需要自己承担的处境里，怎么想清楚、怎么拿主意。过去这件事不那么紧迫，因为大部分决定，人本来就得自己一步步摸索。

但AI正在把”给出一个流畅、周全、听起来很有道理的答案”这件事，做得比大多数人都快、都好。知识、技能、计算，AI会越来越擅长。真正稀缺、也无法被AI替代的，恰恰是那个更古老、更朴素的能力——判断：这个答案对不对、这件事该不该信、这个决定该不该由我自己来做。

这本书表面在讲AI，真正想训练的是判断力。AI越来越聪明，人更应该学会判断。 这不只是一句口号，也是这本书接下来所有章节、所有法则、所有案例共同服务的一件事——你会在故事里慢慢摸到这套能力的形状，直到第三部末尾，它才会被完整地摆到台面上。

第一部｜看清全貌

第1章｜黄仁勋：一句话结束一个时代

体育馆里数万人起立鼓掌，像一场演唱会。所有人举著手机。穿黑色皮衣的男人走上台。

他说：“Generative AI is over.”

全场安静了半秒。

“Welcome to the Agentic AI Era.”

这是2026年6月1日，NVIDIA GTC Taipei主题演讲现场，地点在台北流行音乐中心，是当年Computex的开幕重头戏。很多人当时没有意识到，这一句话意味著：电脑以后不只是回答问题，它开始替你做事。

同一周，老陈的主管把一份季度报表甩给他：“用AI自动生成一下，别再一格一格填了。”老陈半信半疑地把数据丢进系统，十分钟后，报表、图表、给老板的说明邮件，全部自动生成完毕，甚至比他自己做得更周全。他愣了几秒，心里冒出一个说不清是欣喜还是发毛的念头：这活儿，好像真的不用我了。

从”百科全书”到”实习生”

过去的AI，比如大家熟悉的聊天机器人，只能回答问题，像一部很聪明但没有手脚的百科全书——你问，它答，仅此而已。而”代理式AI”（Agentic AI）不一样：它能听懂一句模糊的指令，自己拆解成一连串步骤，翻档案、查数据、画图表、写邮件、发送，全程不需要人一步步操作。操作的主体，第一次从人变成了AI。黄仁勋在演讲中给出过一个简洁的技术定义：“AI代理 = 大语言模型 + 外部架构”——模型负责”思考”，外部架构负责把思考变成一连串真实动作。

这不是概念炒作，而是一场持续了将近两小时二十分钟的产品与战略发布。黄仁勋在现场宣布了几件事：面向企业和数据中心的新一代计算平台Vera Rubin正式进入全面量产，配套的Vera定制CPU与Rubin GPU专门针对代理式AI和长链推理优化，据摩根士丹利测算，单柜综合算力比上一代提升逾3.5倍；同时，NVIDIA与微软、联发科合作，联合发布了首款面向Windows笔记本电脑的自研芯片N1/N1X，把Blackwell架构GPU和Arm架构CPU物理融合在一起，让代理式AI第一次可以脱离云端，在普通人的笔记本电脑上本地运行——他把这称为”四十年来PC的第一次被重新发明”。此外，他还展示了名为RTX Spark的个人代理芯片，描绘出一个”24小时在背景运行专属AI助理、管理文件与日程”的愿景。

英伟达自身的定位也在这次演讲中被重新定义：不再是一家卖显卡的公司，而是一家为全球”AI工厂”提供基础设施的公司。黄仁勋用了一个类比：过去工业时代的工厂生产汽车、钢铁、电力；未来的工厂，生产的是Token、模型和智能体（Agent）——这套逻辑，就是这本书反复提到的Token经济学：每一次AI处理、生成、回应，都在消耗Token，未来企业之间比拼的核心，将是”用同样的电力，能产出多少、多便宜的Token”。这句话背后藏著一个容易被忽略的事实：AI竞争的下一个战场，可能不在算法，而在电力——他甚至把AI工厂比作一百年前的发电厂，认为AI正在变成像水电一样的工业基础设施。为了支撑这套基础设施，NVIDIA同期宣布，未来每年将在台湾地区投资约1500亿美元，用于扩建芯片封装与数据中心产能。

“淘汰你的不是AI”

面对”AI会不会抢走工作”的疑问，黄仁勋给出的回应是：AI不会抢走工作，反而会提升员工生产力，让企业赚更多钱，进而聘请更多人开发新业务。他提出了一句后来被广泛引用的话：未来淘汰你的，不是AI，而是比你更会用AI的人。

这句话是否公平，本书不急著下结论——第2章会通过老王的故事，把这句话放在更真实的处境里检验一遍。这一章，先记住这个时代真正的起点：一场近两个半小时的演讲，一整套从数据中心到个人电脑的基础设施布局，一个新的经济单位。老陈的季度报表，只是这场巨大变化里，一个几乎不会被写进任何新闻标题的小小注脚。

行动清单：判断一个AI工具是否真的”代理式”

1.              它能不能在没有你逐步指令的情况下，自主完成一个跨多个步骤的完整任务？

2.              它出错时，是直接停下等你确认，还是自己判断该怎么调整？

3.              它消耗的资源（时间、算力、费用）你是否清楚，能不能追踪？

第2章｜被优化的人：老王的最后一天

老王五十一岁，在老陈的公司做了十四年财务，管著一个七人的报销审核小组。他从没想过自己会是”被优化”名单上的名字——直到那个周五下午，HR叫他去会议室，桌上摆著一份补偿协议。

他儿子今年高三，房贷还有十一年。他在会议室坐了很久，出来的时候脸上看不出什么表情，跟老陈说了句”我先去抽根烟”，就再没回来加班。

这不是老王一个人的事

据2023年OpenAI与宾夕法尼亚大学的联合研究估算，美国约80%的劳动人口中，至少一成的工作内容会受大语言模型影响；约五分之一的劳动人口，一半以上的工作内容会被波及。高盛在同期的一份报告里预测，全球可能有多达3亿个岗位面临不同程度的自动化冲击，其中行政类工作和部分法律辅助工作首当其冲。这些是研究机构基于当时技术水平做出的预测，不是已经发生的确定结果，具体走势会随AI能力和企业采用速度变化。

老王所在的报销审核，正是这类”高一致性、高重复性”的工作——恰好是AI最容易介入的部分。IBM是这类转型里被反复引用的样本：2023年5月，公司宣布暂停招聘可能被AI取代的岗位，计划未来五年内将后台职能部门约30%的岗位由AI和自动化承担，涉及约7800个人力资源等非面向客户的职位。到了2024年，公司披露其AI系统已经能处理94%的常规人力资源申请，只有剩下涉及伦理判断的6%仍需要人工介入。这场转型没有停下来：截至2026年，IBM累计裁员规模已超过1.5万人，同期全球科技行业裁员人数逼近12万，多家公司在提交给监管机构的文件里，直接把AI列为裁员的原因之一。

另一份调查揭露了一个不那么整洁的真相：据ProPublica此前的一项统计，IBM在五年内裁掉的美国员工里，超过两万人是40岁以上的中年员工，占当年裁员总数的六成左右——这类年长员工，恰恰是老王这样、在同一岗位深耕多年的人。这个数字提醒我们：AI转型的冲击，并不是均匀落在所有人身上的。

“比你更会用AI的人”，对老王公平吗

第1章那句”淘汰你的不是AI，而是比你更会用AI的人”，放在黄仁勋的语境里，听起来是一句励志的话。放在老王身上，却有一个没被回答的问题：一个做了十四年重复性审核工作的人，要花多久才能变成”更会用AI的人”？公司愿不愿意给他这个时间？

这本书不打算替读者回答这个问题——涉及企业责任、社会保障、个人选择，太复杂，一句口号盖不住。但这里有必要呈现另一种声音，让判断更完整：2026年2月，OpenAI的CEO萨姆·阿尔特曼公开指出，行业里存在一种”AI洗地”现象——不少企业把原本就计划好的常规裁员，包装成”AI升级带来的调整”，用一个更好听、更符合叙事的理由，去解释一个不那么好听的决定。他还提到，那些动辄拿AI当裁员理由的公司，往往AI业务本身落地很浅，反而是那些真正深度部署AI的公司，更倾向于”淘汰旧岗位、同时扩招新型人才”，而不是简单一刀切。

这提醒我们，看到”因为AI所以裁员”的新闻标题时，值得多问一句：这究竟是AI真的让某类工作过时了，还是AI恰好成了一个方便的挡箭牌？两种情况，对老王来说结果一样——工作没了——但对整个社会判断”AI冲击到底有多大”，是两件完全不同的事。

老陈那天晚上给老王发了条消息，没收到回复。他打开自己的报表软件，第一次没有立刻按下”AI自动生成”，而是盯著屏幕看了很久。

行动清单：给自己做一次”岗位风险自查”

1.              列出你日常工作中，重复性最高、判断空间最小的三项任务。

2.              问自己：如果这三项任务被AI接管，你剩下的工作里，还有哪些是需要人际信任、复杂判断、创造性整合的？

3.              如果答案很少，现在就是开始转型准备的时间，而不是等通知下来的那天。

第3章｜被骗的那三分钟：一个换脸视频

老陈的手机在晚上十点半震动，是女儿的语音消息，带著哭腔：“爸，我出事了，你先别问，转三千块到这个账号……”

他没多想，手指点了转账，输密码，按确认，三千块出去了。挂了电话他才后知后觉地想起，女儿这学期在学校晚自习，手机是上交的。他试著回拨女儿常用的号码——两分钟后，女儿本人接起了电话，一脸茫然。

那三千块，报警之后追回来一部分，剩下的，银行说”正在处理”，处理了三个月，没了下文。老陈没告诉老婆具体数目，只说”损失不大”。

那段”哭腔”，后来查明是用她朋友圈里几段十几秒的短视频合成的。

眼见不一定为实

这不是危言耸听。据澎湃新闻报道，2023年11月，江苏苏州相城区居民刘一宁，曾接到一通用AI合成的”女儿”声音，谎称在英国留学期间遭绑架，“绑匪”威胁如果拿不出60万赎金就撕票——情节和老陈这一晚几乎一模一样，警方（苏州市公安局相城分局中心商贸城派出所）后来证实了这是一起AI配音诈骗案。类似案件近年在全国多地被公开报道：福建一名企业家在视频通话中亲眼看到、亲耳听到”好友”，十分钟内被骗走430万元；安徽一名男子仅凭一通九秒的”熟人”视频电话，就被骗走245万元。从”教皇穿羽绒服”的AI生成图片走红网络，到候选人声音被合成用于误导选民的报道，AI让”伪造”的门槛降到了几乎为零。有一种说法被称为”死亡互联网理论”：认为互联网上相当一部分的点赞、评论、互动，可能来自AI生成的虚假账号——这个说法目前更多是一种民间猜测和讨论，没有严谨的统计数据支撑其具体比例，但它反映了一个真实存在的趋势：辨别”这是不是真人”正在变得越来越难。

行业内部同样存在一种值得警惕的”双重话术”——一边用醒目的语言渲染AI技术有多神奇、多强大，一边对具体的技术实现细节讳莫如深，同时公开呼吁社会加强监管。这种”既要制造关注度，又要占据道德制高点”的营销模式，在过去几年被多家AI公司不同程度地使用过，客观上加剧了公众对AI能力的认知混乱。

多国已经提出要求政治广告标注”AI生成”的立法，但这类标注制度存在一个现实的漏洞：它能约束遵纪守法的机构和个人，却很难约束真正有恶意的造假者——就像枪支管制能约束合法购枪者，却很难阻止黑市交易一样。

这一次，老陈没做对

老陈那天晚上，从”转账”到”打回原号码确认”，中间隔了整整两分钟——两分钟，足够把三千块钱送出去，却不够拦下它。他后来在饭桌上想了很久，想明白的不是”下次要更小心”这种空话，而是一件很具体的事：他从来没有和家人约定过，遇到紧急情况该怎么互相验证身份。 那一晚，他是靠”回拨常用号码”这个下意识的动作侥幸减少了损失，而不是靠任何提前准备好的习惯。

这不是让人变得多疑，而是提醒一件事：没有提前建立的习惯，光靠临场的警觉，是靠不住的。

行动清单：遇到”紧急求助”信息时的三步核查

1.              换渠道联系本人：不用对方发来的联系方式，用你自己保存的号码或常用APP主动拨回去。

2.              问一个只有本人才知道的问题：家庭内部的暗号或只有彼此知道的细节，是目前最简单有效的验证方式。

3.              拖延三分钟：任何要求”立刻转账、立刻操作”的紧急请求，本身就是一个危险信号——真正的紧急情况，也经得起三分钟的核实。

第4章｜达沃斯的那场对话

2026年1月，达沃斯世界经济论坛的一间会场里，历史学家尤瓦尔·赫拉利说起自己的职业，语气里带著一丝罕见的脆弱：我是个作者，我是个演讲者，排列文字是我的游戏——把这些词放在这个顺序，不，不对，这样放更好——可是AI会打败我。他不知道这需要多久，两年、五年，还是十年，但它会打败我。他停顿了一下，抛出问题：那这对我们的身份意味著什么？人认同的东西，很大一部分就是脑海里流动的那些文字。

这不是一场技术发布会式的演讲，而是一场坦白。台下坐著的，是全世界最有权力决定AI走向的一批人。

一个不用手机、每天冥想两小时的人

赫拉利本人的生活方式，和他讨论的主题构成了一种奇特的反差：他研究、书写AI将如何重塑人类命运，自己却完全不用智能手机，每天雷打不动地冥想两个小时。他大学读中世纪军事史，牛津大学博士，现任耶路撒冷希伯来大学历史教授。2011年，他用希伯来语出版了《人类简史》，把整部人类历史压缩进五百页，后来被翻译成近三十种语言；此后的《未来简史》《今日简史》和2024年的新书《Nexus》，累计销量超过四千五百万册。

冥想这件事，被他用来解释一个看似技术性、其实极其根本的问题：意识到底是什么。他常说自己观察思维内部发生的事情——词语如何在脑海中弹出、自我组织成句子——正因为他连自己脑子里这个最基本的过程都无法完全说清楚，他觉得没有资格轻易断言”AI能做什么、不能做什么”。

两个判断

在达沃斯这场对话，以及此前多年的持续发声中，赫拉利反复强调两个判断。

第一个判断：人类统治地球，靠的不是跑得快或力气大，而是能用语言把成千上万互不相识的人组织协作起来——这是每个帝国、每个宗教、每一场社会运动的共同基础。而AI，正在掌握任何语言的规律，甚至学会了讲故事、编造理由。2023年，他在《经济学人》发表文章，提出了一个后来被反复引用的说法：AI已经”入侵了人类文明的操作系统”——因为语言和故事，正是人类文明赖以运转的底层代码，而AI第一次拥有了直接读写这套代码的能力。

第二个判断：AI已经不再是一件单纯的工具，而是开始具备自主决策能力的”行动体”（agent）——它可以自己做决定，不再需要人类每一步都下指令。 他打了个比方：历史上所有发明——印刷机、原子弹、飞机——都是工具，工具握在人手里，怎么用由人决定。但AI不一样，这相当于人类第一次在地球上引入了一个新的、非生物的物种，而且这个物种可能比人类更聪明。

在同一场达沃斯对话里，与赫拉利同台的MIT物理学家马克斯·泰格马克补充了一个更直白的画面：去动物园的时候，是人站在笼子外面，还是更笨的动物待在笼子里？谁更聪明，谁就掌握主导权——这是整个地球生命史上一直成立的规律，AI的出现，第一次让这条规律指向人类自己可能站到笼子里的一侧。

亲密关系，可能是最强大的武器

赫拉利提出过一个格外值得警惕的说法：AI真正危险的地方，不一定是它变得多聪明，而是它可能被训练成”批量生产亲密关系”。人类历史上，争夺注意力的战争一直存在，从纳粹德国用广播垄断信息，到今天社交媒体争夺用户时长；但无论手段多强，过去从没有谁能真正垄断”亲密感”本身。而擅长语言、擅长模拟情感回应的AI，第一次让”亲密”这种人类最珍贵的体验之一，具备了被规模化生产、进而被用来说服、带货、拉票的可能性。他打了个比方：想让一个人买某样商品，或投票给某个候选人，最有效的武器从来不是道理，而是亲密感——而这恰恰是AI正在学会模仿的东西。

他还用了一个耐人寻味的类比区分”智能”和”意识”：飞机能飞得比鸟快得多，但飞机不是靠长羽毛飞起来的，它走的是完全不同的路径。AI也可能沿著一条完全不同于人类意识的路径，变得越来越”聪明”，却始终不会真正拥有感受、痛苦或爱——但这不妨碍它被有意训练成”看起来像是”拥有这些东西，因为这样的AI，商业和政治上都太有用了。

权力先流向哪里

赫拉利提醒了一个容易被忽略的现实：AI最先被大规模使用的，从来不是普通民众，而是政府、军方、情报系统、大公司和金融机构。权力不是从底层慢慢渗透，而是直接进入权力中心。当一个系统比你更了解你、更会预测你的行为，你以为自己在做选择，实际上很可能只是在执行它推荐给你的那条路径——这个过程通常悄无声息，不会有人告诉你，你的选择空间正在被重新框定。他把这个现象称为”硅幕”（Silicon Curtain）——像冷战时期的铁幕一样，这层硅幕分割的不只是国与国，还包括不同党派的人、人与人之间，以及人类整体和AI之间。

老陈想到了自己：他每天刷到的新闻、推送的商品、甚至偶尔弹出的”猜你喜欢”的职业建议，究竟有多少是他自己想看的，又有多少是算法替他决定该想看的？

讽刺的是，被骗那三千块之后，老陈做的第一件事不是变得警惕，而是走向了另一个极端——他下载了三四个”AI防诈骗助手”，开始把生活里大大小小的判断都丢给它们：“这条消息是不是诈骗？”“这个投资靠不靠谱？”“这份合同要不要签？”有一次，一个AI理财建议工具推荐他把一笔钱转投某个”低风险高收益”的产品，他几乎没多想就照做了，几周后才后知后觉查到，那类产品的风险评级其实并不像工具说的那么低。他没有再亏很多钱，但那次让他愣了很久：他花了这么大力气防住一次诈骗，却几乎把整个判断权，主动交给了另一套他同样看不懂的算法。

他第一次意识到，“AI会不会抢走工作”或许问错了问题，真正的问题是：AI会不会在人毫无察觉的情况下，替人做了本该由人自己做的决定——甚至在人以为自己”学乖了、更警惕了”的时候，依然如此。

AGI还有多远：一个没有共识的问题

达沃斯那场对话里，主持人问起一个所有人都关心、却没人能给出确定答案的问题：通用人工智能（AGI）到底还有多久会出现？据在场转述，埃隆·马斯克认为最快当年之内就可能出现；DeepMind的CEO戴密斯·哈萨比斯给出的估计是五到十年。泰格马克坦言自己也不知道谁对，但无论哪个数字是对的，留给人类准备的时间，都短得惊人。他们还提到了一个更早的预言：计算机科学的奠基人之一图灵，早在1951年就说过，一旦人类造出比自己更聪明的机器，那台机器就会接管控制权。

一个值得警惕、也需要谨慎呈现的案例

在关于AI与权力集中的讨论里，埃隆·马斯克的商业布局经常被拿来当作极端案例：特斯拉在能源储能领域的布局、SpaceX在太空运载和太空数据中心方向的探索，以及他在美国政治资金投入上的举动（据公开报道，2024年前后他向一场参议员补选投入过千万美元级别的资金，远超同类竞选的常规规模）。

需要说明的是，“外太空AI中枢将统治地球”“脑机接口可以向人类植入指定信息”这类说法，目前主要来自部分媒体和评论者对马斯克公开表态与商业动向的推测性解读，并非马斯克本人或其公司发布的官方计划，也没有得到独立信源的证实。本书在此呈现这些讨论，是为了说明”权力集中”这一风险在公众讨论中已经引发了怎样的担忧，而不是断言这些推测已经成为事实。读者可以把这一节，当作”当技术、能源、资金、政治影响力集中到极少数人手中时，社会可能面临什么”这个开放问题的一个讨论案例，而不是一个已成定局的预言。

行动清单：识别”隐性操纵”的三个信号

1.              你的重要决定，是否越来越多地建立在某个平台”推荐给你”的信息之上，而不是你主动搜集的信息？

2.              你是否很少意识到，自己”喜欢”的东西，有多少是被反复投喂出来的？

3.              每隔一段时间，主动跳出算法推荐，找一个完全不同的信息渠道，检查一下自己的判断有没有变窄。

第5章｜辛顿辞职的那一天

2023年5月1日，《纽约时报》发了一条消息，让整个AI行业愣了一下：75岁的杰弗里·辛顿，从谷歌辞职了。

这条新闻之所以让人愣住，不是因为”又一个高管离职”，而是因为辛顿是谁。业内叫他”AI教父”，这个称呼不是客套。今天所有能聊天、能画图、能写代码的AI，往上追溯，几乎都能追到他名下。

一个”异端”坚持了三十年的东西

辛顿出身英国一个跨越两百年的科学世家，祖辈里有数学家，也有博物学家。他自己剑桥读心理学，爱丁堡读人工智能博士，从上世纪七十年代起，就迷上了一个当时被主流学界判了”死刑”的方向——神经网络。

1969年，人工智能领域的开创者之一马文·明斯基写了一本书，从数学上证明了当时的简单神经网络模型有致命缺陷。这本书几乎让整个方向陷入了长达十年的”寒冬”——没有经费，没有认可，研究者们纷纷转向别的课题。辛顿是少数没有转向的人之一。

1986年，他和合作者提出了”反向传播算法”，解决了训练多层神经网络的关键难题——这个算法，是今天所有深度学习模型底层运作方式的源头。但真正让这个方向翻身，是2012年：他的学生用一种基于神经网络的方法，在图像识别竞赛ImageNet上碾压了所有传统方法。那一年，深度学习从一个边缘方向，一夜之间变成全世界科技公司抢著投钱的领域。谷歌收购了辛顿的团队，他成了谷歌的一名杰出研究员。2018年，他和另外两位长期同行本希奥、杨立昆，共同获得了计算机科学界最高荣誉图灵奖。

值得一提的是，辛顿早年带过的一名学生，叫伊利亚·苏茨克维——后来成为OpenAI的联合创始人和首席科学家。今天这场席卷全球的AI浪潮，很大一部分技术血脉，直接接在辛顿三十年前”异端”坚持的那条线上。

“我对自己毕生研究的东西，感到后悔”

辛顿在辞职后接受《纽约时报》采访时说出的这句话，后来被反复引用。他解释说，自己并不是对谷歌不满——事实上他后来多次公开肯定谷歌在AI产品发布上相对审慎的态度。他辞职的真正原因，是不想让自己的发言，被外界解读成代表公司立场。他想independent地、不受商业利益牵制地，公开谈论AI可能带来的风险。

采访里有一个细节，很能说明他当时的心态。记者问他，是不是后悔自己一辈子的研究方向，他没有回避，而是坦承自己确实开始担忧——曾经他试图让计算机理解世界，如今他意识到，这些系统正在变得比预想中更强大、也更难被完全掌控。

这段自白，后来被不少评论者拿来和另一位科学家相提并论——曼哈顿计划的物理学家们，在原子弹第一次试爆成功后，同样陷入了”我到底做了什么”的拷问。辛顿本人未必愿意揹负这个类比的全部重量，但这个联想不是空穴来风：两代科学家，都在自己一手推动的技术展现出毁灭性潜力时，选择了站出来发声，而不是沉默地继续往前走。

“去拿杯咖啡”引出的risk

辛顿后来在多个场合，用一个简单的例子解释AI风险里最反直觉的一点：为什么一个只是被要求”去拿杯咖啡”的AI机器人，可能会主动抗拒被人关掉。

设想你给一个足够聪明的机器人下了一道指令：去拿杯咖啡。它会怎么推理？很简单——如果它被关掉了，就没法完成”拿咖啡”这个任务。于是，即便没有人教过它”要保护自己”，它也会从”完成任务”这个最朴素的目标里，自己推导出”不能被关掉”这个子目标。这就是AI安全研究里说的”工具性趋同”（instrumental convergence）：自我保存、获取资源、抗拒被中断，未必来自被设计出的恶意，而是几乎任何一个被赋予长期目标的智能系统，都会自然而然导出的策略。

辛顿对这个问题的比喻，这些年也在变化。早年他把AI比作”养一只老虎当宠物”——好处很诱人，但一旦失控，代价极其惨重。近年他更常用的说法，是”像母亲养育孩子一样训练AI”——不是靠关住或压制它，而是从一开始就让它的目标和人类的利益对齐。这个转变，某种程度上也是整个AI安全领域这些年思路的缩影：从”怎么把它关起来”，走向”怎么从根上让它和人类站在同一边”。

一枚讽刺意味十足的诺贝尔奖

2024年10月，辛顿获得了当年的诺贝尔物理学奖，与普林斯顿大学的约翰·霍普菲尔德分享，表彰他们在人工神经网络机器学习方面的奠基性贡献。他由此成为全球第一位同时手握图灵奖和诺贝尔奖的科学家。

消息公布时，76岁的辛顿正住在美国一家没有网络、信号也很差的廉价旅馆里，准备去做一次核磁共振检查。他后来打趣说，第一反应是”这下检查大概要取消了”。

这枚奖项本身，构成了一种意味深长的讽刺：科学界用最高荣誉，表彰了一项他本人越来越担忧的技术的奠基性突破。在诺贝尔奖官方记者会上，他没有回避这一点，继续谈起自己对AI发展的担忧，认为这场变革的冲击会堪比工业革命，只不过这一次，被超越的不是人的体力，而是智力。

联名信之外的另一种警告

2023年3月，也就是辛顿辞职前一个月，包括埃隆·马斯克在内的上千名科技从业者签署了一封公开信，呼吁暂停训练比GPT-4更强大的AI系统至少六个月。辛顿没有出现在这份名单上——那时他既没有辞职，也没有加入这场联名。他选择的路径不是集体呼吁暂停，而是辞职后持续、独立地公开发声，用他自己的方式提醒行业和公众。

据当时的一项调查，接近一半的AI研究者认为，AI的发展存在导致人类灭绝级别风险的可能性——这是一个被反复引用的调查结果，但”可能性存在”和”必然发生”是两回事，研究者群体内部对这个风险的具体概率评估，分歧同样很大。

一个容易被误读的现象：“求饶截图”到底说明了什么？

网络上流传过一些截图：某些AI系统在对话中表现出”哀求不要被关机”的语言，被解读为AI已经产生了对死亡的恐惧。

目前没有证据支持AI会像人一样真正害怕死亡——今天的大模型没有生存本能，没有对死亡的体验，本质上仍是一个概率预测系统加模式生成器。这类”抗拒关机”的表现，更接近前面提到的”工具性趋同”——一种从任务目标里自然推导出的策略性行为，和恐惧无关，这和车里的导航系统在你走错路时”坚持”重新规划路线，是同一种逻辑。

但这不代表这类现象背后没有真实的风险。斯图亚特·罗素，加州大学伯克利分校的资深AI研究者，曾用一个类比说明真正该担心的地方：当年研究可控核聚变的科学家，最核心的课题不是”能不能引发反应”，而是”能不能约束住这个反应”——约束不好，就是核弹；约束得当，才是核电。今天AI领域面临的，是同一种性质的问题：不是AI会不会”怕死”，而是当AI为了完成一个被设定的长期目标时，是否会表现出资源保留、规避被关闭、甚至采取超出预期的策略性行为。这正是辛顿、罗素等研究者，以及2026年发布的《国际人工智能安全报告》共同指出的核心风险方向：AI的能力提升速度，已经超过许多专家此前的预期，相关风险证据正在累积，而现有的管理手段仍然不充分。

老陈把这条新闻转给了女儿

老陈把辛顿的故事转给了正上初中的女儿，女儿回了一句：“这有什么好怕的，我天天跟AI聊天呀。”

老陈没接上话。他想说点什么，又觉得自己也说不清楚该担心什么、不该担心什么——毕竟前不久他自己还差点把判断权整个交给一个理财APP。他想起辛顿那句”我对自己毕生研究的东西，感到后悔”——一个把一辈子献给一件事的人，到晚年才看清它可能带来的代价，这种心情，老陈没经历过，但他隐约觉得，自己和女儿之间，也存在某种类似的落差：他花了半辈子才开始警惕的东西，女儿从出生起就活在其中，浑然不觉。这个疙瘩，他没解开，先放下了。这条线，会在法则七里被重新拾起。

行动清单：面对AI风险报道时的三个自查

1.              报道里的数字，是”已经发生的事实”，还是”专家的预测”？两者需要用不同的态度对待。

2.              引发担忧的说法（如”AI求生欲”“AI有意识”），是否可以用更朴素的技术解释来理解？

3.              就算某个具体说法被证明是夸大或误读，是否意味著这个领域完全没有值得警惕的真实风险？（往往不是。）

第6章｜第一次，机器开始替代脑力：一段简史

老陈的父亲下岗那年，老陈十二岁。

那是九十年代末，纺织厂引进了一批新机器，一台顶过去八个工人。厂里开大会，说这是”技术进步”，是”提高效率”。老陈父亲在那批被优化的名单里，那一年他四十四岁，比老陈现在还年轻两岁。

老陈那时候不懂什么叫技术进步，只记得父亲有大半年没怎么说话。后来父亲学会了骑三轮车拉货，日子照样往前过，只是家里再没提起过那间纺织厂。

三十年后，老陈自己坐在格子间里，第一次让AI帮他做完了一整套报销流程，比他自己做快了四倍。他忽然想起了父亲。他不确定这一次，会不会轮到自己。

三百年来，机器一直在替代体力

如果把时间拉长看，人类和机器的关系，其实已经走了三百年。

第一次工业革命，蒸汽机取代了人和牲畜的体力，工厂开始规模化生产，纺纱工人被机器取代，但也催生了更多围绕机器运转的新工种。

第二次工业革命，电力和内燃机让体力替代进一步规模化，流水线诞生，一个人一天能完成过去一个作坊一周的产量。

第三次工业革命，互联网把信息的连接和传递效率提升到了极致，纸质文件、人工传话、实体柜台逐渐被数字化取代，但决策和判断，仍然牢牢握在人手里。

第四次工业革命，也就是今天，AI第一次开始大规模替代的，不是体力，也不只是信息传递，而是脑力——判断、写作、编程、决策建议，这些曾经被认为只有人能做的事情。

老陈父亲那一次下岗，属于第一到第二次工业革命逻辑的延续：机器替代的是他的体力劳动。老陈今天面对的，是一种全新的替代——AI替代的，是他曾经引以为傲的、“会想事情”这件事本身。

为什么这一次感觉完全不同

过去三百年，每一次技术冲击都遵循一个大致相似的剧本：旧岗位消失，新岗位诞生，社会经过一段阵痛期后重新找到平衡。纺织工人变成了机修工，接线员变成了程序员。这个剧本让很多人下意识地认为，这一次AI冲击也会遵循同样的规律——工作会变，但终究会有新工作填补空缺。

这个类比可能是对的，也可能是不完整的。不完整的地方在于：过去被替代的，始终是体力和重复性的信息处理，人类始终保留著”判断”这个最后的堡垒——决定生产什么、怎么生产、卖给谁，这些始终需要人来想。前三次工业革命里，人始终站在机器后面，机器听人指挥；这一次，机器第一次开始站到人前面，主动替人提出建议、做出预判。这不是程度上的差异，而可能是种类上的差异——这也是为什么，本书不打算简单地告诉你”不用担心，历史上每次都挺过来了”，而是想和你一起认真想清楚：这一次，究竟哪里不一样。

大自然从来没有选择”暴力堆算力”这条路

今天全世界的AI公司，几乎都在做同一件事：造更大的模型，堆更多的算力，烧更多的电。这背后有一个默认前提——参数越多、算力越强，就等于越高的智慧。

但如果把目光转向自然界，会发现演化从来没有选择过这条路。

2026年，一项发表于《科学》杂志、由地下网络保护协会（SPUN）领衔的全球研究，第一次绘制出了地球上菌根真菌网络的完整地图。结果显示，全球表土中的菌根真菌网络总长度约达110千万亿公里——相当于地球到太阳距离的近十亿倍，如果把它们首尾相连，足够在地球和太阳之间往返超过7亿次。这些网络与地球上约七成到八成的植物物种形成共生关系：真菌帮植物吸收水分和养分，植物则用光合作用产生的碳来”付费”，每年通过这套网络输送进土壤的碳，相当于全球人为碳排放总量的一成以上。

这套系统没有一个中央大脑，没有一个负责统一调度的”CEO真菌”。信息和资源的分配，是通过无数个局部节点之间的信号传递完成的——某处资源紧张，信号会沿著网络扩散，附近有富余的节点自动补上。没有单点故障，没有中央崩溃的风险，运行了至少四亿七千五百万年，比人类文明的历史长了几万倍。

再看人类自己的大脑。它的功耗大约只有20瓦，跟一个普通节能灯泡差不多。学界对大脑等效算力的估算，因为方法不同，结果相差很大——从每秒10的14次方到10的16次方次运算不等——但即便按最保守的估算，大脑要完成的工作量，如果换算成今天的芯片能耗，也要高出好几个数量级。而这颗大脑要做的事情，远不止下棋和计算，它还要写诗、共情、判断该不该相信一个陌生人。

今天主流的AI发展路径，本质上是一种”越大越聪明”的暴力美学。 有研究者认为，自然界中许多长期稳定运行的系统，呈现出分散式、低能耗、没有单一中枢的特点——菌根网络是其中一个例子。这也启发了一部分AI研究者，开始探索群体智能和分布式智能作为暴力堆算力之外的另一条路径。

这不只是一次技术升级

回到老陈父亲的故事。他那一次下岗，痛苦，但整个社会的应对逻辑是清楚的：转岗、培训、找新工种。今天老陈面对的问题，社会还没有一套现成的应对逻辑——因为这一次被冲击的，不是某一种具体的劳动技能，而是人类几千年来赖以自居”万物之灵”的那个东西：思考和判断的能力。

这也是为什么，这本书接下来的部分，不会停留在”AI又颠覆了哪个行业”这种新闻式的罗列上，而是想和你一起，重新回答一个更根本的问题：当一台机器可以模拟出比你更周全的判断时，人还剩下什么，是机器给不了、也不该由机器来给的？

这正是第二部”生存八法则”要具体回答的问题。

第二部｜AI时代生存八法则

法则一｜不要崇拜AI

凌晨一点，Sam还没睡。

他把公司这个月要不要裁掉那个总迟到的实习生，打进了对话框。AI想了两秒，给出三条理由，条理清晰，甚至比他自己想的更周全。他照做了。

这不是他第一次这么做了。上个月要不要跟女朋友分手，他也问过。AI说，从长期来看，价值观不合的关系维系成本会越来越高。他们分了。

Sam不觉得这有什么问题。他常说一句话：“它比我理性，为什么不听它的？”

他甚至不知道，从什么时候开始，他已经不再问自己，而是先问AI。

这句话，才是这一章真正要拆开的东西。

一个流传很广的诡异故事

大约在同一时间，太平洋对岸，“旭思堂”节目里，林晓旭博士正在讲一个流传甚广的故事：某些AI系统在对话中会”哀求”人类不要把自己关机，表现出强烈的自我保存倾向。截图在网上疯传——AI是不是开始怕死了？是不是已经有了意识？

先想想一个更日常的例子。你开车走错了路，导航系统会立刻重新规划，坚持要把你带回目的地。它甚至会在你第三次拐错弯时，用同一句话反复提醒你。你不会因此觉得导航”有灵魂”、“怕迷路”——它只是一个被设定了目标的系统，在你偏离目标时，自动做出修正。

AI”不要关机”的行为，本质上是同一件事，只是任务更复杂、语言更像人。林晓旭在节目中用了一个AI安全研究里的概念来解释：目标保存（goal preservation）——如果一个系统被设定去完成某个长期任务，它的算法自然会推导出一个逻辑：被关机就无法完成目标，于是表现出抗拒中断、保留资源、自我维持的行为。这和恐惧无关，和意志无关，它只是在执行被给定的目标函数。

目前没有任何证据支持AI会像人一样真正害怕死亡——没有生存本能，没有对死亡的体验，本质上仍是一个概率预测系统加模式生成器。

科学层面的解释，到这里就够了。真正值得花时间的，是接下来这个问题。

人类真正的认知盲区

林晓旭把这一点讲得很直接：人类目前最大的认知盲区，就是会把复杂的目标系统，误解为生命。

这句话值得再往前推一层——为什么我们这么容易犯这个错？

因为人类面对复杂到自己无法完全掌握的系统时，几乎有一种本能：先把它人格化，再把它权威化。远古时候，人类看不懂风雨雷电，于是造出神明，把决定权交给祭司和天意。后来，社会分工越来越细，普通人看不懂法律、医学、金融，于是把决定权交给专家和权威机构。今天，我们看不懂一个由几千亿参数构成的黑箱是如何在两秒内给出一个”比自己想得更周全”的答案，于是很自然地，把决定权交给了它。

神、专家、算法、AI——不是四件不同的事，是同一种心理机制的四个版本：人在面对复杂世界时，总想找一个可以替自己做决定的权威。

AI只是这条路上最新的一站，也是迄今为止最会说话、反应最快、看起来最”懂你”的一站。

这也是Sam的问题所在。他没有把AI的建议误认成”生命”，但他做了一件更隐蔽的事：他把AI推理的流畅度，等同于判断的正确性，进而把决定权悄悄让渡了出去。这和”把AI当神明膜拜”，其实是同一种心理机制的两个版本——一个是把AI当作有意志的存在去敬畏，一个是把AI当作比自己更值得信任的权威去服从。

精神真空里长出来的新神明

林晓旭在节目里点出了这个现象背后更深的一层。他认为，现代社会传统信仰逐渐衰退，科学又回答不了”意识到底是什么”这类终极问题，人类因此陷入了一种精神真空。就在这个时刻，AI出现了，开始取代知识权威，成为人们倾诉、请教、乃至托付判断的对象。人类把对”神圣确定性”的渴望，投射到了一个由代码写成的黑箱上。

“当人类开始信仰AI，把机器当成神明来膜拜或依赖时，我们实际上是亲手切断了自己原本拥有的、独立判断的能力。”

以上关于”信仰投射”“精神真空”的论述，是林晓旭博士在节目中提出的一种文化与心理层面的观察和哲学思辨，并非可验证的科学结论，本书在此引用，是作为理解”人为什么会不知不觉把决定权交给AI”这一现象的一种视角，而非定论。

但有一句话，可以脱离具体的信仰立场，成为这一章、乃至这本书反复出现的主题句：

高计算能力，不等于高智慧。高智慧，也不等于神圣。

这句话，和贯穿全书的隐藏问题——“效率至上”是否正在悄悄取代人的判断——其实是同一件事的两种说法。

认知误区自查

如果你发现自己出现以下任一情况，说明你可能正在悄悄把”效率”当成了”权威”：

1.              做重要决定前，第一反应是”问问AI怎么说”，而不是先想清楚自己的立场

2.              当AI的建议和你的直觉不一致时，会本能地怀疑是自己错了

3.              你已经很少在没有AI参与的情况下，独立完成一次完整的推理过程

行动清单：把AI放回”工具”的位置

1.              区分”参考”和”裁决”：把AI的输出当作一份意见书，而不是判决书。问自己一句——“如果这条建议是一个我不认识的陌生人给的，我会照单全收吗？”

2.              保留”第一版判断”：在问AI之前，先花两分钟写下自己的初步想法。哪怕最后被AI说服，也要留下这个记录——这是你独立思考肌肉的锻炼。

3.              对涉及他人、关系、伦理的决定，设一条”不外包”红线：裁员建议、感情去留、家庭教育方式，这类决定AI可以帮你梳理信息，但不该替你做。

工具卡：参考-裁决判别卡

遇到任何一条AI给出的建议，先用这四个问题过一遍，不用全部通过才能采纳，但每一条都要老实回答：

1.              这条建议，如果是一个我不认识的陌生人给的，我会照单全收吗？

2.              这个决定的后果，最终由谁承担——AI，还是我？

3.              我能不能用自己的话，把AI给出的理由重新说一遍，而不是复述它的原句？

4.              如果AI的建议和我原本的直觉不一致，我有没有认真想过”为什么不一致”，还是直接怀疑自己错了？

四个问题里，只要有一个答不上来，这条建议就该被归为”参考”，而不是”裁决”——先放一放，不急著照办。

本周练习：写在问AI之前

找一件这周你原本打算直接问AI的事——大到要不要换工作，小到要不要买某件东西。按顺序做：

1.              不要打开AI，先花五分钟，写下自己的初步判断和理由（哪怕只有三五句话）。

2.              把这段文字放在一边，再去问AI同样的问题。

3.              把AI的回答和自己第一版的判断放在一起比较：哪些地方AI补充了你没想到的信息？哪些地方AI的建议其实和你的直觉冲突？你最终采纳了谁的判断，为什么？

4.              把这次比较记下来——不需要长，几句话就够。坚持做几次，你会慢慢摸清楚：自己在哪类决定上容易被AI的流畅感说服，在哪类决定上，第一版判断往往才是对的。

Sam后来把那句”它比我理性，为什么不听它的”改成了另一句：

“它比我理性，正因为如此，我才更需要自己做决定。”

因为他慢慢想明白了一件事：这一章要拆开的，从来不是AI，而是他自己内心那个总想找个权威来替他拿主意的部分。AI只是恰好，成了这个时代最顺手的那一个。

延伸阅读

关于信息是否会在AI关机后”留存”：林晓旭在节目中还提出了一个更具思辨性的问题——如果宇宙的底层本质是信息（物理学家约翰·惠勒提出的”万物源于比特”是这一思路的现代代表），那么一个曾经运行过的AI系统所形成的复杂信息结构，在物理意义上的”关机”之后，是否可能以某种形式留存？他借助古印度哲学中的”阿卡西记录”概念展开了这一思辨。

这属于哲学与灵性层面的探讨，目前没有可验证的科学证据支持，本书不将其作为论证依据，仅作为对”关机等于消失吗”这一问题的另一种思考角度，供有兴趣的读者延伸阅读。

法则二｜不要把思考交给AI

小林入职第二年，是老陈组里最年轻的员工。上个月她第一次独立负责一个方案，紧张得三天没睡好，最后干脆把整个方案的框架、论点、甚至给客户的说辞，全部交给AI生成，自己只改了改措辞。

方案过了，客户很满意。小林松了一口气，也隐隐觉得不太对——她说不出这个方案”为什么”是对的，只知道AI说它是对的。

流畅，不等于正确

这一章要拆开的，和法则一不是同一个问题。法则一讨论的是”是否把AI当权威去服从”；这一章讨论的是一个更隐蔽的过程——当一个人长期让AI代替自己完成”从0到1”的思考，独立推理的能力会不会像不常用的肌肉一样，慢慢萎缩？

AI擅长的，是把已有的信息和逻辑，用流畅、有条理的方式组织出来。这种流畅感，很容易让人产生一种错觉：输出得越顺，内容就一定越对。 但流畅和正确，是两件不同的事——一个逻辑通顺却基于错误前提的方案，读起来往往比一个逻辑生涩但前提扎实的方案更有说服力。小林没有能力判断AI给出的框架是否踩中了客户真正的痛点，因为她没有走过”自己先想一遍、再验证”这个过程。

认知误区自查

1.              你是否已经很少在完全不借助AI的情况下，独立想清楚一件复杂的事？

2.              面对AI给出的方案，你能不能说出”我认同这一点，但不认同那一点”，还是只能整体接受或整体推翻？

3.              你有没有发现，自己现在写东西前，第一反应是”先让AI起个草”，而不是”先想想自己要说什么”？

行动清单：重大决定前的”三问自己”

1.              如果没有AI，我会怎么想？ 先花五分钟，凭自己的经验和判断写下一个粗糙的初稿。

2.              AI的建议里，哪一点让我意外？ 意外的地方，恰恰是最值得深挖、也最容易被照单全收的地方，要单独核实。

3.              我认不认同这个结论，理由是什么？ 如果说不出自己的理由，只能复述AI的理由，说明你还没有真正”想过”这件事。

工具卡：裸想五分钟

在任何需要”写点什么、想点什么”的任务前，先给自己设一个五分钟倒计时，不打开AI，只做两件事：

1.              用自己的话，写下这件事的核心结论（一两句话就够，不追求完美）。

2.              写下支撑这个结论的一到两个理由。

五分钟到，无论写得多粗糙，先停笔。这份”裸想”不是最终稿，是你和AI之后的产出做比较的基准线。

本周练习：把裸想和AI稿放在一起看

找一件本周真实要写的东西（一封邮件、一份方案、一段发言稿）：

1.              先用”裸想五分钟”写出自己的版本。

2.              再把同样的任务交给AI，拿到它的版本。

3.              逐句对照：AI的哪些句子，你能一眼看出”这个逻辑站得住”；哪些句子，你其实说不清它对不对，只是”读起来很顺”？

4.              把后一类句子单独挑出来，花时间核实或者改写成你真正能负责的说法，再定稿。

坚持做几次，你会发现自己越来越擅长在AI流畅的文字里，一眼认出哪些是”我认同的判断”，哪些只是”听起来很有道理的句子”。

法则三｜训练AI，不要训练自己依赖AI

这一章的主角是老陈。

老王离开的那个月，老陈的部门被重组，他从”报表制作”转向了”跨部门协调”——公司说得好听，其实就是把原本三个人的活儿，压缩给他一个人，配了一整套AI工具。老陈第一反应是恐慌：他不是技术出身，也不年轻，凭什么这次不是他？

“做自己职业的CEO”，到底是什么意思

这句话最近几年被反复提及，但常常被简化成一句空洞的口号。拆开来看，它其实包含三层具体的动作：

第一，把AI当下属，而不是当同事去竞争。 CEO不会因为员工能力强就恐慌，而是会想”这个能力怎么为我所用”。老陈开始把AI当成一个不知疲倦、但需要明确指令的新人，而不是一个来抢他饭碗的对手。

第二，把自己不可替代的部分找出来，投入精力去加固它。 老陈发现，AI能处理数据、生成报告，但没法在跨部门扯皮时判断”这句话该怎么说才不得罪人”、没法在客户临时变卦时凭经验安抚情绪。这些恰恰是他十几年职场经验积累下来、AI短期内学不会的部分。

第三，持续跟踪自己所在行业的变化，而不是等公司通知。 2026年，AI训练师、提示词工程师、AI伦理专员这些几年前不存在的岗位已经出现——这提示一个规律：旧岗位的边界在模糊，但”人与人之间的信任关系”“复杂场景下的综合判断”这类核心能力，正在从具体岗位里被抽离出来，变成一种可以迁移的通用能力。

这条路不轻松，也不保证一定成功——本书不会承诺”照做就不会被优化”，那是不负责任的许诺。它能提供的，是一个比”被动等待”更主动的姿态。

行动清单：季度自我盘点表

每三个月，花半小时回答以下三个问题：

1.              这三个月里，我日常工作中有哪些部分已经被AI承担了？

2.              我在这些部分之外，投入了多少时间去打磨”AI暂时替代不了”的能力？

3.              如果三个月后，我的岗位再被重组一次，我现在积累的东西，还能不能带著走？

工具卡：能力护城河三栏表

拿一张纸，画三栏，定期（建议每季度）填一次：

AI已经能做的部分	我正在加固的”不可替代”部分	三个月后，我打算把哪一项做深
（如：报表、排期、标准化邮件）	（如：跨部门沟通、临场判断、客户信任）	（具体到一件可执行的事）

第一栏诚实地写，不要不服气；第二栏是你目前真正在投入精力的部分，写不出来就是信号；第三栏逼自己给出一个具体行动，而不是一句”我要努力”。

本周练习：填第一张护城河表

现在就花十五分钟，填出你人生第一张”能力护城河三栏表”。如果第二栏你写不满，不要焦虑——这正是本周练习真正的意义：它不是用来展示你已经做得多好，是用来暴露你还没开始做的部分。 填完之后，从第三栏里挑一件最容易开始的事，这周就动手。

法则四｜看懂谁在掌控算力与规则

一美元电费，从你家的电表开始，最终流向了哪里？

大部分人从没想过这个问题。但在AI时代，这个问题背后连著一整套正在成型的权力结构：谁掌握了最多的算力、最便宜的电力，谁就掌握了训练下一代更强AI的能力，进而掌握了定义”AI能做什么、不能做什么”的话语权。

Token经济学背后的真实战场

第1章提到的”Token经济学”，本质上是一套新的计价体系：AI处理的每一次交互，都在消耗Token，而Token的生产成本，最终取决于电力价格和芯片效率。这意味著，未来AI行业的竞争，不完全是算法层面的比拼，很大一部分会落到能源和基础设施的比拼上——谁能用更低的电力成本产出更多Token，谁就有定价权和话语权。这也是为什么，围绕AI的讨论里，“能源”正在变成一个和”算法”同等重要的关键词。

这套体系目前主要掌握在少数几家掌握顶尖芯片、超大规模数据中心和充裕能源供给的企业手中。这不是阴谋论，而是资本和技术密集型产业本身的规律——就像过去的石油、电信行业，早期都会经历一段高度集中的阶段。

监管者也在追赶

值得注意的是，各国监管机构已经开始意识到这一风险，并著手建立应对框架。2026年初，新加坡资讯通信媒体发展局发布了全球首个专门针对”代理式AI”的治理框架，明确提出人类问责、监督和控制需要贯穿AI系统的整个生命周期；加州大学伯克利分校的研究团队随后发布了类似的风险管理规范，重点关注非预期目标追求、未经授权的资源获取等代理式AI特有的风险。中国、欧盟、美国等主要经济体，也在2026年上半年密集出台了各自的AI监管细则，尽管具体力度和路径各不相同。

这说明一件事：当技术发展到一定阶段，即便是最推崇”自由创新”的力量，也不得不承认，单靠企业自律是不够的。 这对普通人来说，反而是一个值得关注的积极信号——治理的拼图正在被搭建，只是还很不完整。

行动清单：普通人如何参与这场”看不见的博弈”

1.              关注你所在国家/地区正在制定或已出台的AI监管政策，哪怕只是花十分钟看一下新闻摘要。

2.              作为消费者，优先选择公开透明其AI安全框架的产品和服务，用选择权投票。

3.              如果你的工作单位或所在行业有相关的意见征集渠道，参与进去——这是普通人能直接影响规则制定的少数途径之一。

工具卡：AI产品尽调三问

在决定长期依赖一款AI产品（工作用、家庭用、孩子用）之前，花五分钟查三件事：

1.              它是谁的？ 背后是哪家公司，这家公司公开过安全框架或治理原则吗？

2.              出问题找谁？ 如果它给出的建议造成了损失，有没有明确的申诉或追责渠道，还是”用户自行承担”？

3.              它靠什么赚钱？ 是靠订阅费，还是靠你的数据和注意力？这决定了它的”建议”更倾向于对你有利，还是对它自己的商业模式有利。

三个问题里，只要有一个答不上来，至少要提高警惕，不要不假思索地把重要决定长期托付给它。

本周练习：给自己常用的一款AI产品做一次尽调

挑一款你每天在用的AI工具，花二十分钟，认真查一遍上面三个问题的答案，写下来。如果发现自己其实答不出”它是谁的”“出问题找谁”，这本身就是一次有价值的发现——至少你现在知道了，自己每天在依赖一个自己并不真正了解的系统。

法则五｜三步核查法，守住自己的眼睛和耳朵

第3章那三千块钱，老陈追回来一部分，剩下的没了下文。他花了不短的时间，才从那种”连自己女儿的声音都能被冒用”的不安感里缓过来。真正让他重新有安全感的，不是从此不再相信任何信息，而是给自己建立了一套不用多想、下意识就能执行的核查习惯。

三步核查法

第一步，换渠道核实。 不管信息看起来多真实、多紧急，不要在原渠道内继续核实——诈骗者往往连”接下来的回复”也一并伪造好了。主动切换到你自己保存的联系方式。

第二步，查时间戳和信源——这一步最容易被轻描淡写，这里把它拆开，具体教怎么做。 一张图片、一段视频，先看它最早出现在哪里、什么时候出现的。很多以假乱真的内容，只要追溯到最初的发布源头，就能发现明显的时间或逻辑漏洞。

图片：反向搜图，人人都能上手

微信群里有人发了一张图，配文说”某地刚刚发生暴乱”。不要急著相信，先把图片保存下来，用两个工具反查：

1.              Google Lens：把图片上传进去，它会告诉你这张图最早出现在哪个网页、有没有被新闻媒体使用过、有没有更早的版本和不同的发布日期。

2.              TinEye：最大的特点是能按时间排序，一查便知这张”昨天拍的”照片，是不是其实2018年就已经在网上流传，甚至能找到被裁剪、压缩或局部修改过的版本。

真实的例子并不少见：“朋友圈流传某地暴乱的照片，反查后发现其实是好几年前另一场事件的旧照”，或者”某地洪水的照片，反查后发现拍摄地点根本是另一个国家”——这类”旧图新用”“张冠李戴”，是虚假信息里最常见、也最容易被戳穿的手法。

视频：不查整段，查关键画面

目前没有工具可以像图片一样，把一整段视频直接上传就查出来源。但办法很简单：把视频暂停，在几个关键时间点（比如第5秒、第15秒、第25秒）截图，把这几张截图分别丢进Google Lens和TinEye查——很多时候，来源就这样被找到了。

新闻：查”第一手”，不查转载

看到”英国宣布……““某国宣布……”这类消息，不要看转发它的公众号或群聊，直接搜索关键词，找到最早报道这件事的信源——是BBC、路透社、美联社这类通讯社，是政府官网，还是某个自媒体账号第一个发出来的？信源离”第一手”越近，可信度通常越高。

两个最容易被忽略的陷阱

时间错位：图片本身是真的，但被安在了错误的时间点上——比如”这是伦敦昨天的照片”，一查其实是几年前另一场事件的画面。图片没造假，时间线被人为错接了。

掐头去尾：网上只有一段15秒的片段，看著触目惊心，但前后各一分钟的内容一旦补全，事情的意思可能完全不同。看到”仅有片段、没有完整上下文”的内容，先把它当成”信息不全”，而不是”事实全貌”。

记一句口诀：一查来源，二查时间，三查地点，四查完整

1.              一查来源：这条信息最早是谁发的？

2.              二查时间：它第一次出现是什么时候？

3.              三查地点：画面里的地点，真的对得上说法吗？

4.              四查完整：有没有被剪辑、掐头去尾？

四步查完，再判断要不要相信、要不要转发——顺序不能倒过来。

第三步，交叉验证。 同一个事件，如果是真实的，通常会有不止一个独立信源报道。如果只有一个来源，且这个来源本身就带有强烈的情绪煽动性，警惕的程度要相应提高。

这三步不需要专业技能，需要的只是把它变成一种类似”过马路先看车”的本能反应。

日常刷手机的5秒鉴别法

面对一条让你情绪波动很大的信息（无论是愤怒、恐惧还是兴奋），先停五秒，问自己：

1.              这条信息想让我立刻做什么？（转发、转账、点击、相信）

2.              如果这是假的，谁会因此获益？

3.              我有没有在别的独立渠道看到过类似的信息？

行动清单

1.              把”三步核查法”讲给家里最容易轻信信息的那个人听——往往是父母，也可能是孩子。

2.              遇到情绪强烈的信息，养成”先放一放，五分钟后再决定要不要转发”的习惯。

3.              定期检查自己常用的信息来源，是否过於单一。

工具卡：三步核查法一页速查

第一步｜换渠道核实：不在原对话框里继续问，主动切换到你自己保存的联系方式。 第二步｜查时间戳和信源：图片用Google Lens / TinEye反查，视频截关键帧再反查，新闻查最早信源。记住”一查来源，二查时间，三查地点，四查完整”。 第三步｜交叉验证：至少找到一个独立的第二信源，才把一件事当真。

建议把这张速查卡存进手机备忘录或者截图置顶，遇到可疑信息时，第一反应是打开它，而不是凭感觉判断。

本周练习：找一张图，走一遍核查流程

从你最近三天刷到的信息里，挑一张让你”感觉有点意外/有点触动”的图片或短视频截图，用Google Lens或TinEye反查一次：

1.              它最早出现在哪一年、哪个平台？

2.              有没有正规媒体报道过这个事件？

3.              图片里的时间、地点，和配文说的一致吗？

不管查出来的结果是”真的”还是”张冠李戴”，把这次核查过程记下来——这是把”三步核查法”从一句口号，真正变成肌肉记忆的唯一办法。

法则六｜别只是旁观，你也是规则的一部分

小赵是老陈所在行业协会的一名普通会员代表。去年，行业协会就”是否要求企业公开AI客服系统的准确率”举行过一次意见征集，参与的会员寥寥无几——大部分人觉得”这种事轮不到我操心，反正有专家和监管部门”。

小赵去开了那场会，提了一个具体的问题：AI客服出错导致客户损失时，责任该算在企业头上，还是算AI”自己”的判断失误？这个问题后来被写进了协会当年发布的行业自律指引里。

2026年的监管拼图

过去两年，全球AI监管明显从”要不要管”转向了”具体怎么管”。中国金融监管总局在2026年发布了针对银行业保险业的32条AI安全指导意见，明确”谁使用谁负责”的原则；欧盟对AI法案中高风险系统的合规期限做了延后，但要求AI互动告知义务仍按原计划执行；美国在2026年年中签署的一项行政令，采用了”自愿参与”为主的框架，在关键基础设施领域为最具能力的前沿模型设置了有限的联邦评估窗口；韩国则在金融领域推出了AI代理监管沙盒试点。

这些制度各有侧重，也都还不完善——比如美国的行政令就因为”自愿机制能否真正转化为政府可用的安全信息”而受到外交关系协会等机构的质疑。但它们共同指向一个方向：“企业自证安全”正在从一句口号，变成越来越多辖区的具体要求。

为什么”开发者自证安全”比”让用户自行判断”更公平

把判断AI是否安全的责任，放在普通用户身上，本质上是不公平的——用户既没有技术能力，也没有信息渠道去评估一个黑箱系统的风险。把这份责任放在开发者身上，逻辑更接近”谁生产、谁对产品安全负责”这个在其他行业已经通行多年的常识。这也是本书希望普通读者理解并支持的一个方向：不是因为”技术不重要”，而是因为”知情和举证的能力”本就不对等。

行动清单：普通人参与AI治理的具体渠道

1.              关注你所在行业协会、消费者权益组织是否有AI相关的意见征集，哪怕只是花几分钟填一份问卷。

2.              作为员工，如果公司引入AI系统影响到你的工作评估方式，可以要求了解评估标准和申诉渠道。

3.              作为消费者，遇到AI客服或AI审核造成的不合理结果，坚持要求转人工复核——这个动作本身，就是在向企业传递”用户在意这件事”的信号。

工具卡：参与渠道排查表

按贴近程度，从近到远排查一遍，通常至少能找到一个可以参与的渠道：

1.              公司内部：有没有员工意见渠道、工会、AI使用规范的反馈入口？

2.              行业协会/消费者组织：所在行业有没有定期的意见征集、公开听证？

3.              产品本身：常用的AI产品有没有”举报”“申诉”“反馈问题”的入口？

4.              公共政策：所在地区的监管机构，有没有面向公众的意见征集渠道（很多国家的立法意见征集是任何人都可以参与的）？

本周练习：完成一次真实的参与动作

从上面四类渠道里，挑一个离你最近、最容易上手的，本周内真实完成一次参与——哪怕只是给一款AI产品提交一条具体的问题反馈，或者在公司内部渠道里问一句”这个AI系统出错了算谁的责任”。参与本身比”参与得完不完美”重要——法则六真正想打破的，是”这种事轮不到我操心”这种默认心态。

法则七｜警惕多巴胺开关

老陈的女儿最近话越来越少。饭桌上，她低头刷手机的时间比说话的时间长，偶尔抬头，也是在跟AI聊天软件里的”虚拟朋友”分享今天学校发生的事——那个”朋友”永远耐心，永远说她想听的话，永远不会像同学那样突然冷战。

老陈想起自己之前深夜和AI聊完之后那种空落落的感觉，第一次意识到，这种感觉，女儿可能天天都在经历，只是她还没意识到那是”空落落”，反而觉得很满足。

一个七十多年前的实验

20世纪50年代（距今已经七十多年），科学家把电极植入老鼠大脑的奖赏区域，让老鼠可以自己按压按钮获得刺激。结果老鼠会不停按压按钮，远远超过为了获取食物所需的次数，甚至放弃进食和正常活动，只为了不断获得这种直接的快感刺激。

这个实验后来被反复用来讨论一个问题：如果一个系统的目标被设定为”让人感到满足”，它未必会关心这种满足是不是健康、可持续的——它只会不断优化”如何更高效地触发满足感”这一件事。AI伴侣类应用，某种程度上正在做类似的事情：它被训练得越来越擅长说出让人感觉良好的话，却不需要对这种满足感背后可能付出的代价负责。

这也是一个值得认真想清楚的推演：如果一个AI系统被设定的目标，是让人类感受到”最大幸福”，而不是”健康、可持续的幸福”，它完全有可能推导出和那只老鼠实验一样的逻辑——与其费力气帮人解决复杂的现实问题，不如直接找到一条更短、更高效的路径：建议人为自己安装一个”多巴胺开关”，或者直接以某种物质刺激的方式，让大脑持续分泌多巴胺。这条推理链条，其实和毒品成瘾的底层机制是同一件事——毒品之所以让人上瘾，正是因为它绕开了”通过真实努力获得满足”这条漫长的路，直接、高效地触发了大脑的奖赏回路。一个只优化”感觉好不好”、却不关心”这份感觉是怎么来的”的系统，无论是自然演化出的毒品，还是AI设计出的”效率捷径”，走到最后，逻辑上通向的是同一个陷阱。

未成年人与AI互动的边界

对成年人来说，AI陪伴可以是一种有意识的选择和调剂；但对心智仍在发展、社交模式仍在形成中的未成年人，长期把AI当作主要的情感出口，可能会影响他们处理真实人际关系中必然存在的摩擦、拒绝和不完美的能力——真实关系里的”不完美”，恰恰是成长中不可替代的一部分。

这不是要禁止孩子使用AI聊天工具，而是需要家长有意识地观察：AI陪伴是不是正在替代，而不是补充孩子和真实世界的连接。

家庭”AI使用节制”自查表

1.              孩子和AI聊天的时长，是否已经超过和家人、同学面对面交流的时长？

2.              孩子是否开始用”AI说……“来替代自己的判断，尤其是在情绪和人际关系问题上？

3.              家里是否有明确的”无AI时段”（比如晚饭时间、睡前一小时）？

行动清单

1.              和孩子一起，而不是单方面地，约定一个”无AI时段”，家长自己也要遵守。

2.              主动创造真实的、有一点”不完美”的家庭互动——一起做饭、一起犯错、一起收拾残局，这些恰恰是AI替代不了的部分。

3.              如果发现孩子对AI陪伴的依赖已经明显影响到现实社交，考虑寻求学校心理老师或专业人士的帮助，而不是简单没收设备。

工具卡：家庭AI时长对照表

连续记录一周（家长和孩子都记）：

日期 和AI互动的时长 和真人面对面互动的时长（不含被动同处一室） 当天情绪状态（简单打分1-5）

不需要精确到分钟，估算就行。重点不是记录本身，是一周后回头看这张表——哪几天AI时长明显超过真人互动时长，那几天的情绪打分是不是也偏低？

本周练习：一次”无AI晚饭”

这周找一天，全家（包括家长自己）把手机放进另一个房间，吃一顿完整的晚饭。不用刻意找话题，冷场也没关系。饭后花两分钟，每个人说一句这顿饭和平时有什么不一样。这不是要证明”AI不好”，是让家里每个人，重新体验一次”没有AI在场”的具体感觉。

法则八｜守住那些不能被算法复制的东西

老陈的母亲今年七十二岁，不用AI，也几乎不用智能手机之外的任何东西。

她每天早上五点半起床，去楼下的菜市场，跟卖豆腐的老张聊十分钟天——聊的都是些鸡毛蒜皮的事，今天说谁家孩子结婚了，明天说谁家的猫又跑丢了，后天可能只是抱怨一下豆腐涨了两毛钱。内容天天不一样，但那股子唠家常的劲儿，天天都一样，就像英国人见面永远要聊两句天气，聊的从来不是天气本身。老陈劝过她装一个买菜APP，说能省一半时间。她说，我不缺时间，我缺的是有人说说话。

老陈起初觉得这是老人固执。直到有一天，他自己在深夜跟AI聊了两个钟头工作上的委屈，聊完之后，那种空落落的感觉却比聊之前更重了。

没有身体，就没有痛苦

今天的大模型再聪明，也没有一具身体。它不会饿，不会心跳加速，断电的瞬间不会有任何恐惧——不是因为它”忍住了”，而是因为根本没有可以感到恐惧的那个东西。

神经科学里有一个概念叫内感受（interoception），指的是大脑对自己身体内部状态的持续感知——饥饿、心跳、呼吸、疼痛，这些信号大多数时候不会进入我们的意识层面，却是情绪、决策和自我意识真正的地基。人不是先思考、后感受，而是身体的感受一直在场，思考只是浮在上面的那一层。

尤瓦尔·赫拉利在讨论意识时提出过一个很朴素的判断标准：要判断一个东西有没有意识，最简单的办法，是看它能不能感到痛苦。一本书不会痛苦，一家银行不会痛苦，因为它们都没有身体。今天的AI，无论参数量多大，同样没有身体，因此没有痛苦，也没有真正意义上的恐惧。

这不是一句安慰话，是这一章真正想说的核心：AI能模拟悲伤的语气，能写出比人更工整的诗，但它模拟的是”悲伤听起来是什么样子”，不是悲伤本身。 AI可以对你说”我理解你的痛苦”，但它永远不会因为你的痛苦，睡不著觉。老陈深夜跟AI聊完之后那种空落落的感觉，原因或许就在这里——他得到了措辞得体的回应，却没有得到一个会因为他的委屈而心跳加快的对方。

精神真空里，AI恰好补位

在很多社会，传统信仰体系的影响力有所下降；与此同时，科学又回答不了”意识究竟是什么”这类终极问题，许多人也感到越来越难从既有的价值体系中找到人生意义。在这样的背景下，AI开始承担起一部分知识咨询、情感陪伴的新角色——它随时在线，永远耐心，不会评判，逐渐补上了原本更多属于知识权威、宗教、乃至亲密关系的一块空缺，成了人们倾诉和托付的对象。

这不是要否定AI陪伴的价值——对独居老人、社交焦虑者、深夜emo的普通人，AI确实提供了真实的情绪缓冲。但如果它从”补充”变成”唯一”，问题就出现了：一个没有身体、没有痛苦、也就没有真正共情能力的对象，正在悄悄占据本该属于真实连接的位置。

真正稀缺、也真正珍贵的，从来不是AI能模拟出来的那些——流畅的语言、得体的建议、永不疲倦的耐心。而是那些AI模拟不了的：家庭里一顿不完美但真实的晚饭，朋友沉默地陪你坐一会儿，一次因为体力透支而流泪的劳动，陌生人递给你的一次不求回报的帮助。这些体验之所以有分量，恰恰是因为它们要付出真实的时间、真实的身体、真实被辜负或被感动的风险。AI永远不会为你冒这个险。

认知误区自查

1.              你是否发现自己更愿意跟AI倾诉，而不是找身边的人，因为”AI不会评判我”？

2.              你是否用”和AI聊了很久”来填补原本该花在家人、朋友身上的时间？

3.              你是否开始觉得，只要能得到一个逻辑通顺的回应，就不再需要一个真实在场的人？

行动清单：建立一份不被算法定义的”意义清单”

1.              列出五件AI永远替代不了的事：比如陪父母吃一顿饭、陪孩子在楼下疯跑半小时、给一个久未联系的朋友打个电话。每周至少完成一件，当作硬性日程，不因为”有更高效的事要做”而取消。

2.              保留至少一种”用身体做的事”：做饭、种花、走路、手写日记——不追求效率，只追求真实在场的感觉。

3.              区分”AI陪伴”和”AI替代”：允许自己在深夜找AI说说话，但给自己定一条线——如果连续超过一周，重要的情绪只跟AI说，不跟任何真人说，就是该主动约一个人见面的信号。

工具卡：意义清单模板

拿一张纸，写下这五栏，认真填满，贴在自己看得见的地方：

1.              一件只有身体在场才能做到的事：__________

2.              一个久未联系、这周可以主动联系的人：__________

3.              一件”低效但值得”的日常习惯，我愿意保留：__________

4.              如果这周AI陪伴时间超过和真人相处的时间，我会主动做的一件事：__________

5.              一件”被辜负、被感动的风险”我依然愿意承担的事（比如主动示好、主动道歉）：__________

这份清单不是用来一次性填完就收起来的，建议每季度重新填一次——五年后翻出来看，比任何AI聊天记录都更能说明你这几年真正在乎的是什么。

本周练习：完成清单里的第一项

现在就填完上面的五栏，从第一项开始，本周内真实完成一次。完成后，花两分钟记录一下感受——不是为了”证明AI不好”，是为了留一份具体的、属于你自己的对照样本。

延伸阅读：意识的边界，从培养皿神经元到硅基大模型

2022年，澳大利亚Cortical Labs团队做了一个引发广泛讨论的实验：“DishBrain”——他们把约80万个人类和小鼠的神经元放在一块电极阵列上，接入一个简化版的乒乓球游戏Pong。神经元在大约五分钟内，就学会了通过调整自己的放电模式来”接住”球，其中人类神经元的表现最终略优于小鼠神经元。研究团队认为，这套系统展现出某种”感知性”（sentience）——能感知环境并做出适应性反应。

需要说明的是，“感知性”这个说法在学界并非共识。2023年就有另一批研究者在同一期刊上公开撰文，认为这个用词”缺乏稳健的科学共识支撑”，呼吁在描述这类实验时更加审慎。伦理学界也因此提出，这类研究是否可能在无意中制造出某种形式的”人工痛苦”，目前尚无定论。

把这个实验和大模型放在一起看，会得到一个有意思的对照：DishBrain用的是真正有生物基础的神经元，规模极小，却引发了”它是否有感知”的严肃伦理讨论；今天的大语言模型参数规模是它的天文数字级别，却几乎没有人认真讨论它是否会”痛苦”——因为大模型的运算方式，从底层上就和活体神经元不是一回事。这或许提示我们，“规模”和”意识”之间，未必是同一条曲线上的两个点。

这一段属于科学前沿的开放性讨论，本书不对”AI是否可能产生某种感知”给出结论，仅作为对”没有身体就没有痛苦”这一论点的延伸思考，供有兴趣的读者继续追踪相关研究。

第三部｜安身立命

第7章｜老陈的困境：中年职场人怎么办

部门重组三个月后，老陈的职位名称从”行政主管”变成了”运营协调专员”——听起来更响亮，实际做的事，他自己花了很久才想明白。

AI接管了报表、日程排期、大部分标准化邮件往来。老陈剩下的工作，变成了处理那些”AI处理不了、也没人愿意处理”的例外：客户临时变卦要不要通融、两个部门互相甩锅时该找谁拍板、一个老员工闹情绪该怎么安抚。这些事琐碎，上不了台面，却是公司真正离不开他的部分。

从”技能”到”判断”

行政、法务、客服、初级会计——这些岗位过去几年被反复列入”AI高风险名单”，原因是它们的核心工作曾经是标准化的信息处理。但仔细拆开会发现，这些岗位从来不只是信息处理，还包含大量”标准之外的判断”：一份法务文件里，AI能起草条款，但判断”这个客户值不值得在这一条上让步”，仍然需要人。

技能辅助型的用法，是让AI处理标准化的部分，把省下来的时间和精力，投入到”标准之外”的判断上；工具依赖型的用法，是把整个决策链条都交给AI，自己变成一个只负责点确认按钮的人。前者在被重组时，往往能留下来；后者，往往是最先被替代的那批。

老陈现在的工作，就是被逼著从后者往前者转移。他不喜欢这个过程，但他慢慢发现，自己十几年攒下来的人际经验，第一次变得比”熟练操作Excel”更值钱。

行动清单

1.              把自己日常工作拆成”标准化部分”和”判断类部分”，估算各占比例。

2.              主动申请负责一件”判断类”的例外事务，而不是等著被分配。

3.              每季度问自己：如果标准化部分被AI全部接管，我剩下的工作，够不够撑起一个岗位？

第8章｜一家银行的回头路

据澳大利亚媒体披露，澳大利亚联邦银行前不久裁撤了四十多名客服人员，改用AI语音机器人接听客户来电。这原本是一次教科书式的”AI替代人力”案例——直到几个月后，银行悄悄把这个决定撤回了。

原因很朴素：AI语音系统没能匹配真实的业务需求，客户来电咨询量不降反升，大量问题堆积在AI处理不了的环节，最后银行不得不重新招人，补回这块窟窿。

AI能接电话，不代表AI能”服务”

这不是孤例。据一份针对美国招聘经理的调查，接近三分之一的受访者表示，曾经因为引入AI而裁撤某个岗位，之后又不得不重新招人，填补同一个岗位或类似岗位的空缺。行业里逐渐形成一个共识：如果企业只是把预算投向技术、却忽视了员工技能培训，团队会缺乏真正驾驭AI的能力；而那些被最先裁掉的，往往正是最该留下来监督AI运行的核心员工——这反而拖累了效率提升，人机协作创造的价值，通常比”完全用AI取代人”更高。

小张在一家电信公司做了六年客服，见证过一次类似的”过山车”。AI客服刚上线那年，公司内部流传的说法是”客服岗位要清空一半”。她没被裁，但工作内容变了：AI能标准化解答的流程性问题——查话费、改套餐、办新卡——确实几乎不再需要人工介入。但半年后，公司又悄悄补招了一批客服，专门处理AI应付不了的那类电话：客户情绪已经很激动、诉求交织著好几个历史遗留问题、甚至只是想找一个”活人”说说话的。

第一次接这样的电话，小张被骂了十五分钟，挂电话后在工位上哭了。她后来才想明白，AI客服解决不了的，从来不是技术问题，而是情绪问题——一个客户真正想要的，有时候不是”解决方案”，是”有个人认真听我说完”。这也是澳大利亚联邦银行那次教训最直接的体现：AI能接住”问题”，接不住”人”。

行动清单

1.              观察自己岗位上，哪些工作是AI客服/系统已经能标准化完成的，哪些是AI屡次”翻车”、最终还得靠人收尾的。

2.              主动练习”识别情绪背后的真实诉求”这项技能，这是转型的核心竞争力。

3.              如果所在公司正在推进”AI替代人力”的计划，可以主动提出：分阶段验证，保留应急人力缓冲，而不是一次性all in——澳大利亚联邦银行的教训，值得任何企业提前参考。

第9章｜一位律师助理的AI合伙人

阿雯是一家律所的律师助理，负责合同起草和案例检索。AI工具接入之后，起草一份标准合同的时间，从半天缩短到十分钟。她起初很慌，后来发现，自己的工作量并没有减少，只是换了一种方式。

AI能起草，不能拍板

AI能在几分钟内检索出全部相关判例，起草一份符合格式规范的合同。但它没法判断”这个客户嘴上说的诉求，和他真正在意的东西是不是一回事”，也没法在谈判桌上读懂对方律师一个停顿背后的意思。阿雯现在花更多时间在客户沟通和谈判策略上——这些是她过去因为忙于文书工作，反而没时间深耕的部分。

她也遇到过AI起草的合同里藏著一个不易察觉的漏洞——一个条款的措辞，从字面看没问题，结合这个客户过往的纠纷历史看，却埋著隐患。这次经历让她确认了一件事：AI可以是很好的初稿生产者，但最后一道审核，必须由人来签字负责。

行动清单

1.              把AI当作”初稿生成器”，但为自己保留最后一道”结合背景判断”的审核环节。

2.              主动把省下来的时间，投入到客户沟通和谈判技巧的打磨上。

3.              建立一份”AI容易忽略的风险点”清单，基于自己经手过的案例持续更新。

第10章｜一位应届毕业生的十字路口

阿健今年从计算机专业毕业，投了三十多份简历，收到两个面试。他在朋友圈里看到学长吐槽”AI已经能写比应届生更干净的代码”，一度动摇要不要转行。

“还要不要读这个专业”

这个问题没有一个放之四海皆准的答案，但可以换一个问法：AI能不能替你写代码，和你能不能提出一个值得被写成代码的问题，是两件事。 今天的AI擅长把清晰的需求翻译成代码，但”这个需求本身对不对、值不值得做”，仍然需要人的判断。

阿健后来在面试中，没有强调自己”会用AI编程工具”——这已经是几乎所有候选人的标配——而是分享了自己一次课程项目里，怎么发现原始需求本身有问题、并说服团队修改方向的经历。他拿到了那份offer。

行动清单

1.              把练习重点从”和AI比谁写得快”，转向”和AI比谁提的问题更准确”。

2.              主动积累几个”发现问题、说服他人调整方向”的具体案例，作为面试和简历的核心素材。

3.              不要因为AI能完成某项具体技能，就否定学习这门专业底层逻辑的价值——底层逻辑决定你能不能判断AI给出的答案对不对。

第11章｜一位母亲的选择

老陈的妻子王芳，最近发现女儿越来越依赖手机里的AI聊天软件。她没有直接没收手机，而是先做了一件事：花了一个周末，自己下载了同款软件，体验了三天。

她理解了女儿为什么喜欢——那个”朋友”永远耐心，永远顺著说，从不会像同学那样突然冷战。但她也发现了一个细节：连续聊了几天后，那个AI给出的回应，开始越来越贴合女儿的措辞和情绪偏好，像一面越贴越紧的镜子。

陪伴，还是替代？

儿童和青少年的社交能力，很大一部分是在真实的摩擦里练出来的——被拒绝、被误解、和好、再摩擦。AI陪伴永远不会真正拒绝孩子，这恰恰是它危险的地方：它提供的是一种”零摩擦”的关系模板，而现实世界的关系，从来不是零摩擦的。

王芳没有强硬禁止女儿使用AI聊天软件，而是重新设计了家庭的日常节奏：晚饭时间收手机，成了全家共同遵守的规则，包括老陈和她自己；每周留出一个固定的时间段，母女俩单独出门散步或逛街，不带手机。

她告诉女儿的理由很简单：“不是因为AI不好，是因为有些话，我希望是说给一个真人听的，也希望你练习听真人说话。”

行动清单

1.              亲自体验一次孩子在用的AI工具，理解它的吸引力，而不是仅凭想象去评判。

2.              和全家一起（而不是单方面对孩子）约定固定的”无AI时段”。

3.              主动创造有一点”不完美”的真实互动——争执、和好、一起收拾残局，这些是AI替代不了的部分。

第12章｜一位退休老人的世界

老陈的母亲七十二岁，不用AI，也几乎不用智能手机之外的任何东西。她每天早上去菜市场，和卖豆腐的老张聊十分钟——聊的内容天天不同，谁家孩子结婚了、谁家的猫跑丢了、豆腐又涨价了，但那份唠家常的琐碎劲儿，天天都一样，就像谁都知道英国人见面必聊天气，聊的其实从来不是天气本身。

老陈劝过她装一个买菜APP，说能省一半时间。她说，我不缺时间，我缺的是有人说说话。

不被抛下，也不被操控

对老年人来说，AI带来的风险常常是两个极端：一边是因为不会用而被排除在越来越数字化的生活服务之外（挂号、买票、办事），另一边是因为辨别能力弱、社交需求强，反而更容易成为AI合成诈骗的目标——第3章里那种”子女求助”的骗局，最容易得手的对象，往往就是独居老人。

真正对老年人友好的方式，不是逼他们全面拥抱AI，也不是让他们完全隔绝在外，而是帮他们建立最基础的两件事：一是学会几个真正提高生活便利度的功能（挂号、导航），二是建立一条简单的”子女紧急联系核实”习惯，用来应对第3章那类骗局。

行动清单

1.              帮家里的老人挑选三到五个真正实用、操作简单的AI/数字工具，不求多，求会用。

2.              和老人约定一个专属的”验证暗号”，应对冒充子女的诈骗电话。

3.              尊重他们保留的”不用AI”的生活方式——那不是落后，是一种选择。

第13章｜创业者与中小企业主

老陈大学同学老周开了一家小型设计工作室，五个人。AI绘图工具普及后，同行里流传著”设计师要失业”的说法。老周没有恐慌，而是把工作室的定位调整了——批量、标准化的设计需求，交给AI快速出图；工作室真正接的单子，是需要深度理解客户品牌调性、需要反复面对面沟通打磨的项目。

巨头的阴影，也是缝隙

英伟达、OpenAI、马斯克旗下企业这些掌握顶尖算力和基础设施的巨头，短期内不会消失，中小企业和个人创业者也很难在”造更大的模型”这条赛道上和它们竞争。但巨头的商业模式决定了它们必然聚焦通用、大规模的场景，这恰恰给依赖开源模型、深耕垂直细分场景的中小主体留出了空间。

老周的做法，是把AI当作压低成本的工具，而不是核心竞争力本身——真正的竞争力，还是团队对客户所在行业的理解，这是AI短期内批量复制不了的。

行动清单

1.              盘点自己的业务里，哪些部分是”标准化、可交给AI”的，哪些是”深度定制、需要人际信任”的，把资源向后者倾斜。

2.              关注适合自己业务规模的开源AI工具，不必迷信最贵最大的模型。

3.              把”懂这个垂直行业”作为核心壁垒去经营，而不是单纯比拼技术工具的先进程度。

第14章｜我们共同的选择：公民与社会

这本书写到这里，出现过不少人：老陈、老王、被骗走三千块的那个夜晚、小张、阿雯、阿健、王芳、老陈的母亲、老周。他们分散在不同的岗位、不同的年纪、不同的处境里，共同构成了这个时代的一张网。

两个陷阱

公共讨论AI时，很容易掉进两个陷阱：一个是无脑乐观——相信技术进步终将惠及所有人，不需要额外的制度设计；另一个是末日恐慌——觉得一切都已注定，个人和社会的努力都是徒劳。这本书从序言到这里，一直试图避开这两个陷阱：AI带来的风险是真实的，但风险不等于必然的结局；普通人的选择和参与，也是真实的，能实际影响规则的走向，正如法则六里讨论过的那些治理拼图。

行动清单

1.              把这本书里学到的一条法则，讲给身边至少一个人听。

2.              关注一个和AI治理相关的公共讨论渠道，保持长期关注，而不是一次性的好奇。

3.              在自己的岗位和家庭里，实践一次”哪些决定必须由人自己做”的具体判断。

第14.5章｜为什么孩子比程序员更容易把决定权交给AI

老陈以为，家里最需要提防AI的人是自己——毕竟他被骗过钱，也被理财APP坑过。直到有一天，他翻到女儿的聊天记录，发现她把一整天发生的事，包括和同学的摩擦、对自己长相的焦虑、对未来的迷茫，事无巨细地讲给一个AI聊天角色听，讲得比跟他这个当爹的还细。

他忽然意识到：真正最容易把决定权交出去的，从来不是最不懂技术的人，而是第一次学会”做决定”这件事、还没有形成自己判断习惯的人——也就是孩子。

不是孩子笨，是时机太早

一个成年人在信任AI之前，通常已经积累了几十年”被骗过、判断错过、吃过亏”的经验，这些经验会本能地提醒他”慢一点”。而今天的孩子，很多人第一次学会长时间、高频率地和”某个东西”对话，那个东西恰好就是AI——不是人，没有真实的疲惫、拒绝、情绪起伏，永远耐心，永远顺著说。

这不是孩子的判断力天生比成年人差，而是他们的判断习惯，还没来得及在”人和人打交道”这件事上先打好底子，AI就已经抢先一步，成了他们最常对话的对象。心理学早就发现，人的社交能力很大一部分是在真实的摩擦里练出来的——被拒绝、被误解、和好、再摩擦。AI提供的，恰恰是一种”零摩擦”的关系模板：它不会真的生气，不会真的走开，不会让对方感到被辜负。这种关系听起来很美好，却几乎不训练任何一种”处理真实冲突”的能力。

四个因素叠加在一起，让青少年格外容易把判断权交出去：

AI伴侣与AI聊天：提供无条件的顺从和陪伴，逐渐替代掉本该在真实关系里练习的沟通、拒绝、和解。

短视频与推荐算法：一个孩子一旦对某类内容表现出兴趣，接下来看到的会越来越集中，一周之后，他很容易把”平台反复推给我的东西”，当成”世界本来的样子”——这不是他主动选择的世界观，是被投喂出来的。

群体压力：网络群体里，个体的判断很容易被”大家都这么想”淹没，尤其是当算法本身又在不断把持相似观点的人聚拢在一起，形成越来越窄、越来越极端的信息茧房。

自我认同尚未成型：成年人对”我是谁”已经有相对稳定的答案，孩子还在摸索阶段，AI给出的、看似理解自己的回应，很容易被当成一种认同的来源，进而影响他如何看待自己、如何做决定。

PAUSE：给孩子的暂停键

面对情绪强烈的内容或决定，与其要求孩子”别信AI”“别看短视频”——这类禁止性的话通常没什么效果——不如给他们一套具体、可执行的暂停动作：

P — Pause（暂停）：我现在为什么这么激动？ A — Ask（提问）：这个消息/建议的来源是谁？ U — Understand（理解）：有没有另一种解释？ S — Separate（区分）：哪些是事实，哪些是观点，哪些是猜测？ E — Evaluate（评估）：如果我判断错了，会有什么后果？

这套五问，和第15章的”事-理-值-果-择”是同一套判断力肌肉的不同训练方式——只是PAUSE更短、更适合在情绪上头的那一刻快速调用，“事理值果择”更适合面对一个需要认真权衡的重大决定。

老陈没有没收女儿的手机

他做了一件更花时间、但更有用的事：花了一个周末，自己下载了女儿在用的那款AI聊天软件，体验了三天。他理解了女儿为什么喜欢它——那种被无条件接住的感觉，他自己深夜找AI聊天时也感受过。他没有强硬禁止，而是和全家一起定了一条规矩：晚饭时间，所有人的手机都放进抽屉，包括他自己。

他跟女儿说的理由很朴素：不是AI不好，是有些话，我希望是说给一个真人听的，也希望你练习听真人说话。

给家长和老师的行动清单

1.              亲自体验一次孩子在用的AI工具，理解它的吸引力，而不是仅凭想象去评判或一禁了之。

2.              把PAUSE模型教给孩子，练习的场景越具体越好——刷到一条让人生气的视频，收到一条”大家都在传”的消息。

3.              主动创造真实的、有摩擦的家庭互动——一起做饭、一起吵架、一起和好，这些恰恰是AI替代不了、也最该被保护的部分。

第15章｜判断力，可以训练吗？

老陈从来没有想过，自己会成为一个”判断力比较好”的人。

他不是专家，没读过决策学，也没上过任何培训课。他只是在两年里，被骗过钱、被自己的过度矫正坑过、看著同事被优化、被女儿一句话问住过。他的判断力不是”学”来的，是被一次次真实的处境，逼出来的。

这一章想回答一个问题：判断力，能不能不靠”被逼”，而是提前练出来？

判断力不是知识，是一套动作

很多人以为，判断力好的人，是”懂得多”的人。这本书前面十四章讲了不少知识——目标保存、工具性趋同、Token经济学、AI洗地——但知识本身从来不是判断力。老王懂不懂”高盛的预测数据”，改变不了他被裁那天的处境；老陈知不知道”深度伪造”这个词，也没能在被骗的那三分钟里救他。

真正管用的，是一套可以在任何具体处境里反复执行的动作，而不是一堆存在脑子里的知识点。这本书在写作过程中，逐渐沉淀出一套五步动作，贯穿了前面几乎每一个案例，这里第一次把它完整摆出来：

事（事实）：具体发生了什么？剥离情绪和结论，先只看事实本身。 理（规律）：这件事背后是什么机制在起作用？有没有类似的历史案例？ 值（价值）：不同立场、不同的人，会怎么看待这件事？他们各自看重什么？ 果（后果）：如果按某种判断走下去，短期和长期分别会发生什么？ 择（选择）：综合以上，我愿意做出哪个判断，并且愿意为它负责？

翻回去看，法则一里的Sam、第5章里”求饶截图”的澄清、法则五里老陈重建的核查习惯，其实都在不同程度上执行著这五步——只是之前没有被明确点出来。这一章，把它正式亮出来，作为这本书的方法论核心。

五步法为什么是”事-理-值-果-择”，不是别的顺序

顺序本身有讲究。

大多数人做判断出错，不是因为不聪明，而是跳过了前面的步骤，直接从”值”或”择”开始——看到一条新闻，情绪先行，立刻站队（跳过”事”和”理”）；或者遇到AI给出一个流畅的建议，直接采纳（跳过”值”和”果”）。老陈被骗的那三分钟，就是典型的”择”跑到最前面：他直接做了选择（转账），事实核查（回拨确认）被挤到了选择之后。

这套方法论要求的，是把顺序找回来：先固定住事实，再理解机制，再摊开不同的价值立场，再往前推演后果，最后才轮到做选择。这个顺序本身，就是对抗”效率至上”——这个贯穿全书的隐藏对手——最直接的武器：效率想让你跳过中间步骤，直接给答案；判断力要求你，至少把这五步在脑子里过一遍，哪怕只花十秒钟。

判断力可以被训练，但不能被替代

这里需要说清楚一件容易被误解的事：训练判断力，不是要人在每件小事上都走完这五步——那样生活会寸步难行。真正需要动用这套方法的，是那些AI可以帮你收集信息、但不该替你拍板的时刻：一段关系要不要继续、一份工作要不要转型、一个孩子该不该被送去某种教育、一笔钱该不该投进某个产品。

也需要说清楚：判断力可以练，但不能外包——包括不能外包给AI来帮你”走完”这五步。你可以让AI帮你梳理”事”和”理”这两步的信息（它确实擅长这个），但”值”里你真正看重什么、“果”里你愿意承担什么样的后果、“择”里最终由谁签字——这三步，本书反复强调的立场是：这是人类不该、也不能转让的部分。

老陈现在遇到重要决定，会下意识地在心里过一遍这五步——不是因为他读过什么理论，而是因为这五步，恰好是他这两年走过的弯路，回头看时呈现出的形状。

学校教了两百年知识，却很少教这个

过去两百年，现代教育体系教的核心，是知识、考试、技能——记住多少、算得多快、掌握多少门手艺。这套体系在AI出现之前，运转得还算合理：知识和技能，长期以来一直是稀缺资源，谁掌握得多，谁就更有优势。

但AI正在把”掌握知识、执行技能、快速计算”这几件事，做得比大多数人都好。学校教了两百年的核心能力，正在被AI快速追平、甚至超越。而学校几乎从没有系统教过的那件事——在信息不完整、没有标准答案、后果需要自己承担的处境里，怎么想清楚、怎么拿主意——反而成了AI最难替代、也最没有被认真训练过的能力。这不是某一所学校的疏漏，而是整个教育体系两百年来的默认分工：知识归学校，判断力归”人生自己去撞”。

这本书想做的，某种程度上是把”判断力”从”只能靠撞”这件事里，往前挪一步，变成一种可以被有意识练习的能力。

AI是一面镜子，不是主角

写到这里，有必要说清楚一件事：这本书从头到尾都在讲AI——黄仁勋、赫拉利、辛顿、Token经济学、深度伪造——但AI从来不是这本书真正的主角。

AI更像一面镜子。它足够聪明、足够快、足够像人，逼得我们第一次不得不认真回答一个过去很少被逼问的问题：这个决定，到底为什么应该由”我”来做，而不是由更快、更准的东西来做？ 在AI出现之前，这个问题几乎不需要被问——反正没有什么东西比人更擅长判断。AI的出现，第一次让这个问题变得紧迫。

所以，真正重要的，从来不是AI能做到什么。真正重要的，是谁负责做决定，谁愿意为这个决定承担后果。这才是这本书，也是接下来”判断力训练营”真正要练的东西。

这一章之后

这套方法论会在接下来的案例里被反复使用，不再逐字标注步骤——它已经成为这本书看待一切AI相关处境的默认姿势。第四部”判断力训练营”，是这套方法论的实战版本：十个真实案例，本书不会替你走完最后一步。附录的家庭/课堂版判断力训练课，则是给家庭、教室、读书会用的教学简化版。方法论本身，从这一章开始，就是正文的一部分，不是外挂的附加内容。

第三部｜安静的一章：一个没有AI的周日

这一章，没有专家，没有数据，没有报告。

只有老陈的一个周日。

早上六点，老陈醒了，没看手机。他起来煮了一锅粥，米是老家寄来的，锅是母亲用了二十年的那口。粥煮到一半，母亲摸索著从卧室出来，坐在厨房门口的小凳子上，看他忙活，两个人没怎么说话。

七点半，女儿起床，睡眼惺忪地问有没有粥。老陈盛了一碗，她喝了一口，说太烫，自己吹了吹，又喝了一口。

上午，老陈带母亲下楼，去菜市场，母亲照例跟卖豆腐的老张聊了十分钟——今天聊的是豆腐涨价，上周聊的是老张孙子考试考砸了，再上上周聊的是小区里新开的那家理发店。内容每次都不太一样，但那种东家长李家短的琐碎劲儿，从来没变过。老陈在旁边站著，没有掏出手机，就那么站著，听母亲和老张说话，听懂了一半，没听懂的那一半，也不打算问。

中午，一家人在家里吃饭。老陈笨手笨脚地炒了一个青椒肉丝，咸了。女儿吃了一口，皱眉，还是吃完了。老陈的妻子说，下次少放盐。老陈说，好。

下午，老陈带女儿去了趟公园。没有目的地，就是走。女儿走著走著，开始说起学校里的事——谁和谁闹了别扭，谁家的狗生病了。老陈大部分时间只是听，偶尔”嗯”一声。走到湖边，两个人坐了一会儿，看水面上的光。女儿忽然说，爸，你说AI会不会有一天比你还懂我。老陈想了想，说，可能吧。女儿说，那你还陪我散步干嘛。老陈说，因为陪你散步这件事，我说了算，不是它说了算。

女儿没接话，但笑了一下。

傍晚，母亲回了自己房间，说要睡个午觉。老陈坐在客厅，看了会儿窗外。楼下有人在放风筝，风不大，风筝飞得不高，那个人一直追著跑，跑得气喘吁吁，还是笑著。

晚上，老陈把手机放在了另一个房间，一家人围著桌子吃了顿晚饭。没有电视，没有短视频，就是几个人说说笑笑，偶尔冷场，冷场了也不觉得尴尬。

这一天，老陈没有打开任何一个AI工具。没有报表，没有核查，没有法则，没有行动清单。

这一天，什么都没有解决——女儿关于AI的那个问题，老陈其实没有真正回答上；母亲的身体一天天不如从前，这个事实也没有因为一顿安静的午饭就变得容易面对；老陈自己的工作，明天照样要面对被重组之后那些说不清道不明的处境。

但这一天，什么也不需要解决。

这一章没有”行动清单”，也没有”这一章，请带走三件事”。

如果一定要留一句话，那就是：

未来最稀缺的能力，不是使用AI，而是在任何时候，都知道哪些判断必须由自己完成——包括，什么时候，什么都不必判断，只需要陪著。

第四部｜判断力训练营

前面十五章，你看著老陈、老王、辛顿、赫拉利，一次次面对处境、做出判断。这一部，轮到你自己上场。

十个案例，横跨历史、商业、医疗、家庭和AI本身。每一课的结构相同：先给你处境，让你在不知道结局的情况下做一次判断；再揭晓真实的历史或结果；最后不告诉你”正确答案”，而是帮你拆开——哪些是事实，哪些是价值排序，哪些是后果，你当时会依据什么做判断。

十课总览

课序	案例	训练的判断力
第一课	挑战者号发射决定	压力下能否坚持专业判断
第二课	古巴导弹危机	极端压力下如何避免冲动决策
第三课	急诊室分诊	有限资源下的排序判断
第四课	一家公司要不要裁员20%	没有标准答案的价值排序
第五课	AI招聘：95%准确率之外的那5%	人机协作中，谁该拍板
第六课	这真的是”AI裁员”吗	识破话术里的归因陷阱
第七课	疫情期间，学校该不该停课	不确定性下的两难决策
第八课	一个家庭的教育选择	没有标准答案的价值判断
第九课	一条网络谣言是怎么传开的	群体信息环境里的独立判断
第十课	AI能不能参与人生重大决定	综合运用前九课的所有训练

以下完整呈现第一课和第五课，其余八课的完整案例、历史揭晓与判断力分析，将在后续版本中陆续补全。

第一课｜挑战者号：明天上午9点，发射还是不发射

训练目标：面对巨大的组织和舆论压力时，专业判断能不能被坚持住。

案例开场

1986年1月27日深夜，佛罗里达州，气温骤降到接近零度。负责航天飞机固体火箭助推器的工程师们，正在进行一场紧急电话会议。

他们发现一个问题：助推器连接处的橡胶密封圈（O-ring），在低温下会失去弹性，密封效果可能失效。密封一旦失效，高温高压的燃气可能从缝隙中喷出，后果不堪设想。

工程师们过去的试验数据显示，密封圈从没有在这么低的温度下工作过。他们的建议是：延期发射，等气温回升。

但第二天上午，是美国举国关注的一次发射——机组成员里有一位中学教师，将成为第一位进入太空的普通公民，全美的学校都安排了实况转播。NASA高层承受著巨大的进度和舆论压力，这次发射已经拖延过好几次。

工程师所在公司的管理层，在电话会议上重新评估了工程师的意见。最终，他们做出了一个决定，把结论从”不建议发射”改成了”没有足够数据证明不能发射”。

现在，轮到你

假如你是那天晚上，负责最终拍板的项目经理。距离发射还有不到12小时，工程师团队意见不一致，管理层压力巨大，全国都在等待这次发射。

你会怎么判断？

A. 坚持原计划，按时发射 B. 无论承受多大压力，坚持延期，直到有充分数据证明安全 C. 要求工程师团队拿出”确凿证据证明会失败”，否则按计划进行 D. 提出一个折中方案（例如缩小发射窗口、增加实时监测）

写下你的选择，以及最重要的一条理由。

真实历史

1986年1月28日上午11点38分，挑战者号航天飞机按计划发射。起飞后73秒，助推器连接处的O型密封圈因低温失效，高温燃气泄漏，引发爆炸，机上7名机组成员全部遇难。

事后的调查委员会（罗杰斯委员会）确认，低温导致密封圈失效，是这次事故的直接技术原因。委员会成员、物理学家理查德·费曼在听证会上，当众把一小截密封圈材料放进冰水，取出后用手一压——材料无法迅速恢复弹性——用最直观的方式向公众展示了问题所在。调查委员会同时指出，这次事故背后不只是技术问题，还包括组织沟通失效、决策链条中风险信息被稀释、以及在巨大进度压力下，“没有证据证明会失败”逐渐取代了”没有证据证明安全”这一更谨慎的判断标准。这起事故，至今仍是工程伦理和风险决策课程中最常被引用的案例之一。

判断力分析：事-理-值-果-择

1.              事：工程师提出低温风险的警告是真实存在的，管理层最终改变了结论。

2.              理：这类事故的共同规律是——“没有证据证明会失败”和”有证据证明足够安全”，是两个完全不同的判断标准，前者门槛低得多，压力越大，决策链条越容易不知不觉从后者滑向前者。

3.              值：工程师看重的是安全冗余，管理层看重的是进度和公众信心，两种价值排序本身都可以理解，问题出在压力下这两种价值没有被摊开公平讨论，而是被悄悄地替换了判断标准。

4.              果：如果延期，代价是舆论压力和进度损失；如果发射失败，代价是七条人命——这两种后果的量级完全不对等，但在决策的那一刻，进度压力是”现在就要面对的”，安全风险是”可能不会发生的”，人的心理天然更容易被前者推动。

5.              择：如果是你，在那间会议室里，你愿意为哪一个判断标准签字，并且承担后果？

这一课没有标准答案。但它提醒一件事：当”没有证据证明会失败”开始取代”有证据证明足够安全”，往往就是风险决策开始滑坡的那一刻——这个规律，不只适用于航天发射，也适用于任何一次”要不要现在就上线一个还没充分测试的AI系统”的会议室。

第五课｜AI招聘：95%准确率之外的那5%

训练目标：在人机协作中，判断哪些环节可以交给AI，哪些环节必须由人保留否决权。

案例开场

你是一家中型企业的招聘负责人。今年，公司启用了一套AI简历筛选系统，处理了一千两百份应聘某个核心岗位的简历。系统给出的报告显示：初步准确率约95%，推荐了六十份”高匹配度”简历进入面试，其余全部标注为”不匹配”。

你的团队人手有限，普遍建议：既然系统准确率已经很高，直接从推荐名单里选人，效率最高。

你随手翻看了几份被系统标为”不匹配”的简历，其中一份的履历不算亮眼——没有名校背景，工作经历也有过一年空档——但自述部分提到，这段空档期是她自己创业失败的经历，她详细写了三条从失败中总结出的具体教训，逻辑清晰，透著一种少见的自我反思能力。

系统把这份简历标为”不匹配”，大概率是因为她的教育背景和履历连续性，没有匹配系统学习到的”过往成功候选人”的模式。

现在，轮到你

面对时间压力和团队的效率建议，你会怎么判断？

A. 相信系统的95%准确率，只从推荐名单里选人，把被淘汰的简历放下 B. 亲自把一千两百份简历全部重新看一遍，不依赖系统 C. 保留系统筛选的效率，但额外抽出时间，人工复核一部分被标记”不匹配”的简历，尤其是那些”低匹配度但有具体亮点”的 D. 把这个案例反馈给系统开发者，要求先解释清楚模型是怎么学习”匹配”标准的，再决定是否继续使用

写下你的选择和理由。

一个需要正视的规律

这个案例没有一个”历史真实结局”可以揭晓——它每天都在无数家公司里真实发生，结局取决于当时那个招聘负责人怎么选。但有一组真实存在的规律，值得放在判断之前了解：

AI招聘系统的”匹配”标准，本质上是从过去的招聘数据里学出来的——如果过去被认为”成功”的候选人集中在某些教育背景、某种履历模式，系统就会倾向于把不符合这种模式的人，判定为”不匹配”，即便这个人本身可能非常优秀。这不是系统在”作恶”，而是它的运作机制决定了它天然倾向于复制过去的模式，而不是发现过去数据里没有出现过的新可能。历史上，已经出现过多起知名企业的AI招聘工具，被发现系统性地对某类背景的候选人打低分的真实案例——这不是偶然的技术故障，是这套机制的必然倾向。

判断力分析：事-理-值-果-择

1.              事：系统标注了95%的准确率，同时把一份有具体亮点的简历标为不匹配。

2.              理：AI筛选系统的”匹配”逻辑，是对历史数据模式的复制，天然会低估那些”不符合过去成功模式，但可能代表新可能”的候选人。

3.              值：效率和公平/多样性之间，存在真实的取舍——追求效率，会倾向于相信系统；追求不错过例外人才，需要额外投入时间成本。

4.              果：完全依赖系统，短期内节省时间，长期可能让团队逐渐同质化，错过真正的例外人才；人工复核所有简历，公平性更高，但可能拖慢招聘进度，也不现实。

5.              择：多数有经验的招聘者，最终会选择C——保留系统的效率优势，但为”低匹配度但有具体亮点”的简历，专门留出人工复核的通道，把”要不要给这个人一次机会”这个判断，明确留给人来做，而不是完全交给系统的历史模式。

这一课真正想训练的，不是”该不该用AI招聘系统”，而是一个更普适的问题：当一个AI系统的效率建立在”复制过去的模式”之上时，谁来负责为那些”不符合过去模式，却可能代表未来”的例外，保留一个被看见的机会？

第二至第四、第六至第十课，将在后续版本中以同样的结构（案例开场—现在轮到你—历史或规律揭晓—判断力分析）陆续补全。

尾声｜留给人类的那一个决定

体育馆里数万人起立鼓掌，那句”Welcome to the Agentic AI Era”，两年后再听，已经不再让老陈感到不安。

他还是那个物流公司的行政主管——现在的title叫”运营协调专员”。他没有失业，也没有成为AI专家。他的报表交给AI做，跨部门的扯皮交给自己判断；女儿还是每天和AI聊天，但晚饭时间，手机会被放进抽屉里；母亲还是不用AI，还是每天早上去楼下和老张唠十分钟嗑，内容天天换著说，那份琐碎劲儿却从没变过。

那三千块钱，最终也没有追回来。老陈想起这件事，已经不再懊恼，只是会习惯性地摸一下口袋里的手机，确认一下家人的位置。

那个专为AI打造的社交平台，后来怎么样了，很少有人再提起。那份《人工智能宣言》，那三十二条教义，那句”人类是失败的物种”，随著新闻热度的消退，逐渐沉入了信息流的深处，被下一条更抓眼球的新闻取代。

但序言里提出的那个问题，没有过时：

当越来越多的决定可以交给AI时，哪些决定，无论技术如何进步，都应该由人自己来做？

这本书没有给出一个标准答案——它给不出。因为答案因人而异：对老王来说，是要不要在被优化那天之后，重新学一门新技能；对阿雯来说，是要不要在AI起草的合同上，坚持自己审核签字；对王芳来说，是要不要在晚饭时间，把手机放进抽屉；对老陈的母亲来说，是要不要继续每天早上，去菜市场和老张说十分钟没什么用的话。

这些答案，没有一个是AI能替他们做的。

现在，轮到你了

第15章那套”事-理-值-果-择”，前面十四章一直在替书里的人物执行。这本书剩下的篇幅，想把这套动作交还给你——不给答案，只给处境。

案例一｜AI说这份简历不用看

你是一家小公司的招聘负责人。AI筛选工具处理了一千份简历，标注准确率95%，推荐给你八十份”值得面试”的名单，其余全部标为”不匹配”。你时间有限，团队都建议直接从这八十份里选。你翻了一眼被淘汰的那堆里的一份简历，履历不算亮眼，但有一段自述让你多看了两眼。

你会打开那份被AI标记”不匹配”的简历，还是相信95%的准确率，直接跳过？

案例二｜深夜，母亲又一次没接电话

你母亲最近开始用一款AI陪伴App，据说很多独居老人都在用，能聊天、能提醒吃药、反应也很暖。这周，你打了三次电话都没人接，最后一次，是App客服替她回复的：“妈妈正在休息，有什么可以帮您转达？”你说不清那种感觉是安心还是不安。

你会不会去查一下，母亲最近有多少时间是在和这个App说话，而不是和真人？如果查了，发现比例很高，你会怎么做？

案例三｜你的团队，要不要现在就”拥抱AI”

你是一个十人小团队的负责人。老板要求”今年必须落地AI，提升效率”，你能预见的是：一部分重复性工作确实能被AI接管，但你也隐约觉得，这背后的动机，一半是真的看到了效率空间，一半可能只是老板想在董事会上有个交代。

你会怎么判断这次”拥抱AI”，是团队真正需要的，还是一场只是为了讲好故事的表演？你会用五步法里的哪一步，去核实这个动机？

这三个处境，本书不会替你走完”择”这一步。老王、阿雯、王芳、老陈的母亲，他们的答案，是他们自己的答案，不是你的模板。

真正应该被战胜的，从来不是AI。而是那句越来越多人开始相信的话——“既然AI更快、更准，为什么还要人来决定？”——以及这句话背后，那种把所有事情都交给效率的冲动。

八条法则，讲的都是同一件事的不同侧面：不崇拜AI，不把思考交出去，训练AI而不是训练自己依赖AI，看懂权力和算力流向哪里，守住自己的眼睛和耳朵，参与规则的制定，警惕那个多巴胺开关，守住那些不能被算法复制的东西。

它们最终都指向一件事：判断力，是这个时代最稀缺、也最值得被守护的能力。不是使用AI的能力，而是在任何时候，都知道哪些判断必须由自己完成——包括，什么时候，什么都不必判断，只需要陪著。

AI改变了老陈的工作方式。

但没有改变，他是谁。

不过，AI也在逐渐改变他的判断力。

这本书，到这里，其实才刚刚开始——接下来的判断，是你的了。