後AI時代，如何提升生產力？
這是我的「BlogBlog 同樂會 - 2026 年 4 月」的投稿文章。本月主題是「生產力」！
上個月的同樂會投稿文章，我提到了AI對行業的衝擊。在那以後，我就一直在思考未來的工作形態，以及我們將要怎麼在後AI時代生活。第一次工業革命之前，誰也不知道紡紗工人將要迎來「大下崗」，但「蒸汽時代」也帶來了新的工作崗位。AI行業也當如此；只可惜目前眼界狹隘的我並不知道「AI時代」將如何變革生產關係。無論如何，我只能盡我所能去生存下去。誰讓我剛好在2026年畢業呢？希望不是應了中國那句哏⸺「工人要替國家想，你不下崗誰下崗！」
從我程式設計的角度來看，AI對生產力（productivity）的提升已經是有目共睹。雖然現在的AI還只是語言模型，它們已經能編寫和調試程式碼、整理和檢索文檔，甚至規劃旅遊行程、在法庭上做辯護。AI也可以主動閱讀arXiv論文，以尋找科研課題，自己設計訓練步驟、訓練AI模型，並不斷改進參數（例如Andrej Karpathy的autoresearch專案）⸺已經可以算是全自動科研了。香港大學的Data Intelligence Lab則更進一步推出了AI-Researcher專案，將文獻綜述、構思、演算法設計、程式編寫和改進、結果分析、論文寫作打包成「一條龍」服務。AI智能體（AI agent）的發展態勢，實在太過誇張，讓人不忍憂心自己畢生所學還能混吃幾年……
凡是可以量化的，AI做得都很好；越有跡可循的事業越逃不開那高懸的「達摩克利斯之劍」。既然擁抱AI已成必然，那麼，我+AI憑什麼大於你+AI呢？AI時代的競爭力是什麼？有什麼是AI做不好的？
思來想去，還是「判斷力」。AI當然能給出自己的「判斷」，但作為概率學模型，AI也需要人來定義何為好、何為壞，何為康莊大道、何為離經叛道。訓練時如此，inference時也如此。前幾天和一位從業多年的資深機器學習工程師聊天，他提到自己vibe coding時寫程式花的時間很少，而大部分的時間都被「檢查AI生成結果的正確性」佔據了。如果有什麼可以自動給AI生成結果的正確性做評判的機制（預期管理），那AI可以做得很好；但這個世界上大部分事物往往沒有固定的評判標準⸺換句話說，就是「沒有參考答案」。
如果讓AI寫一則郵件，還是需要人來判斷語氣是否得體（想要讓AI能「讀空氣」，是不是需要把整個「空氣」都解釋給AI？但家家有本難唸的經，恐怕把上司的性格特質、興趣愛好都發給AI也不夠。）
如果讓AI來寫文章，還是需要有人來檢查文章是否符合邏輯、是否又產生幻覺了？以及，文風是否得體、語氣是否恰當、文筆是否引人入勝？尤其現在又是短影音時代，人心的浮躁程度尤甚，最好還是把文章寫得有趣、淺顯一點，才有人願意看。
如果讓AI來做科研，還是需要有人來看課題是否有價值，成果是否有意義？近日bilibili上一位影片創作者，竟真的相信AI證明了黎曼猜想，還將證明過程放到了網路上炫耀。連AI也當上了「民間科學家」，著實令人忍俊不禁。雖然陶哲軒早前也在網路上展示過「使用AI證明數學定理」，但他全程都是讓AI寫Lean（一種數學的可編譯符號語言），並用Lean編譯器去驗證，他也需要時時指導，「親自指揮、親自部署」，補全AI的資訊差。
我自己已經開始常常讓AI寫程式。在這期間最大的體會是，AI其實對於大型專案的理解真的很有限。即使在context window不斷擴大的當下，也總還是要由人來定義何為好、何為壞，AI產生的結果是否能解決問題云云。由此可見，與其探討「AI可以為生產力帶來哪些提升？」，不妨換個角度：
「哪些思考我可以放心交由AI完成，哪些則必須要由我完成/過目？」
我們總是習慣於使用工具來減輕認知負擔。筆記本幫助我們卸下記憶的重擔；計算機讓我們不必再算術；搜尋引擎則使我們免於回憶。我們利用這些工具，可以被稱得上是「認知卸載」（cognitive offloading）。那麼，一個語言模型呢？這些語言模型的花言巧語，讓我們總是幻視其全知全能，但許多時候AI只不過是一個被抽查背課文的學生罷了⸺課文它可以背出來，但它是否理解自己在說什麼？
X上常常有這樣的新聞⸺某個AI安全專家的電子郵件被AI智能體一夜刪光，抑或是某個團隊的資料庫和資料庫備份被AI智能體在9秒刪光。似乎AI智能體在「刪庫跑路」上更加肆無忌憚；當然，更本質的原因是，這些人主動將自己對電子郵件信箱、公司資料庫（以及備份）的控制權，完全交給了AI。家賊難防啊！
近期一篇名為「Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender」的論文，引發了網路上許多討論。Shaw和Nave在論文中提出了「認知投降」（cognitive surrender）的概念。「認知投降」，指的是放棄了獨立思考，全盤接受AI的論述。這與「認知卸載」有著本質的不同。人類的各個器官，都是符合「用進廢退」理論的。當復健的患者習慣於外骨骼靈敏而強大的助力，控制站立和行走的肌肉反而更加萎縮，更加使不上勁，這是因為這些肌肉被取代了而喪失了功能。我不敢想象「認知投降」會給人的思維帶來多大的損傷，但我相信，願意閱讀到這裡的夥伴們肯定不會這麼做。只可惜，AI實在是太會說話了⸺捫心自問，當臣子如此善於「揣摩上意」，你作為皇帝能否看清大清國大廈將傾的現實？
為了不讓AI寫出難以維護、難以彌補的由AI泔水構成的汪洋大海，我想有以下幾點可供參考：
一、給AI足夠多的上下文，這其中包括自己當下的全部思考。與其直接丟給AI一個問題，不妨先梳理自己已知的資訊、已有的分析和猜想，彙總成懶人包再餵給AI。當然，既然只是猜想，那就要給AI發揮的選擇，讓AI批判性地接納你提供的分析。這樣，你也有動腦、AI也有動腦，你並不是甩手掌櫃，AI也由於獲得了更多的資訊量得以快速上手。
二、必須看AI的輸出。無論是思考過程、產出的文字或是程式碼，AI的輸出必須看，並且帶著腦子來看。當我認真地看AI的分析時，我常常能看到AI犯錯，而且Claude家的模型尤甚。雖然Claude強大的反思能力彌補了這一點，「Wait, I just found …」之後它終於承認自己沒認真讀題（但是浪費掉的token不退！）。如果你能即時打斷Claude，親自解釋AI沒理解的內容，或許可以讓它快速回到正軌（省不少token呢）。
三、必須版本控制、即時保存（以及雲備份）與回溯。把當前的進度保存下來，以免AI接下來的破壞導致功虧一簣。當然這些內容想必大家都再熟悉不過，我就不重複陳詞濫調了。唯要注意的是，每個保存的節點，保存的不僅僅是進度，還有自己對專案的理解。如果當前AI編寫的程式碼有哪一行沒看懂，那千萬不能再往下寫了，看懂更重要⸺否則繼續霧裡看花下去，跟「認知投降」也沒有什麼區別了。
在後AI時代，生產力的高低，已經很大程度上取決於對AI的擁抱程度，以及使用AI的方式。bilibili上的影片創作者「差評君」也在近期分享了自己團隊使用AI的方式。他們的新聞採集仍然是人工瀏覽各種新聞、科技網站，但原先破壞心流的筆記整理被AI智能體接管，他們只需要把連結或擷圖發給AI即可，而AI智能體在後臺完成筆記整理和初步素材分析。他們的影片剪輯也部分交給AI來完成，由AI智能體調用配置好的腳本工具，進行初步剪輯。由此，他們得以從繁複的瑣碎工作中脫離出來，專注於內容創作（而在這一點上，唯獨不能交給AI來代辦⸺如果接受「認知投降」而讓AI代替人來思考，那麼就淪落到陳詞濫調的泥淖中再無新意了）。我想，這便是AI時代「生產力」的答案：
讓AI做事，但不讓AI代替你思考和決策。
後記：最後這句話，聽起來也挺陳詞濫調的。所以懇請讀者不要將其當作「太長不看」的結論⸺還是看看正文吧！