和AI协作最值钱的：不是替你干活

今天，我的 Claude Code 出了个 bug。

我先让它自己排查，折腾了一会儿还是没能解决；再让它把排查范围扩大，去找更深层的线索，结果依旧不行；我甚至让它去网上找思路，也没起效。于是我把工具换成了 Codex。Codex 一开始就想用 bare 的方式先糊弄过去，我立刻叫停——"你必须找到正常的登录方式。"最后它终于修好了，但我没有停在“能用”上，还追问：你到底是怎么修好的？

我把这整段过程复述给 AI 听，它给我的回答让我有点意外：

我这一下午算是想明白了：和 AI 协作最隐蔽的价值，不在于它替你把活做完，而在于它逼你把那些原本模糊的“默会”知识，变成可被你清楚做出的判断。你用得越多，你自己反而越明白。

可要把原因说透，还得从我和它刚开始聊的那个大问题讲起。

我问：你觉得在 AI 时代，人会怎么学习？

AI 列了几个观察，有几个特别戳中我：

一是提问能力的重要性会上升，甚至超过答题能力。过去学习卡壳常常是"找不到老师、找不到资料、看不懂教材"，而现在这些障碍几乎被扫平了——任何概念都能让 AI 用十种说法讲到你听懂为止。但问题也因此暴露出来：你能不能拿到好答案，取决于你有没有能力提出好问题；而好问题又来自你对该领域已经有一定的"地形感"。所以悖论在于：完全的新手反而最难把 AI 用好——因为你不知道自己究竟不知道什么。

二是“理解的幻觉”会变成新的坑。AI 的解释太顺滑了，你听完就会产生"懂了"的感觉，但很多时候你只是接受了别人早就组织好的逻辑，并没有真正把内容在脑中搭建起来。古人抄书、做题、推导公式那种看似笨的方法，本质上是在迫使大脑真正处理信息，而不只是被喂进去。于是 AI 反而会更建议你保留一点"摩擦感"，用来验证你是否真的掌握。

三是人与人之间的差距可能不但不会缩小，反而会被拉大。工具越强，会用的人和不会用的人差距就越明显。就像出现搜索引擎后，真正做研究的人效率更高，而不少人只是更容易满足于浅层信息。

四是有些能力 AI 代替不了：身体层面的、社交层面的、以及长期积累下来的判断力。学游泳、学手术、学做菜、学带团队、学与具体的人相处——这些都必须亲身经历。"亲身经验"会变得更稀缺，也更值钱。

AI 给我的建议是：

我接着补充了自己的一个观察：因为 AI 让“尝试”变得更容易了，所以人也要更愿意接受失败。不要把失败当成必须一次成功的反面，而是把注意力放到：从失败里找出怎么做。

AI 顺着我的这个想法继续说：试错成本在降低，其实正在悄悄改变“聪明”的定义。

以前之所以会强调“想清楚再做”，是因为试错很贵——做个产品要几个月、写本书要一年、学一个新领域要花大量时间。所以“先想明白”被当成美德，“一次做对”被当成高手的标志。教育体系也在按这个逻辑训练：考试不许错、标准答案要对、规划要周全。

但现在，花三天把方案打磨到完美的人，可能不如花三天试了五十个粗糙版本的人。原因是后者拿到的是真实反馈，而前者得到的只是自己脑内推演的结果。

因此，“接受失败”已经不只是心态调整，更是方法论的转向：

AI 也提醒我：廉价的失败和有价值的失败并不是一回事。盲目地一万次都不等于你就能学到东西。真正有价值的失败，是让你每一次都比上一次更精准——"这次我要验证的是什么？结果告诉了我什么？下一次该改哪个变量？"

这又回到了"提好问题"的循环：会失败的人，本质上是在每次失败之后都能把下一问问得更好。好问题告诉你该试什么；快速试错又让你知道下一个更好的问题应该是什么。两者连成一个闭环。

我说：有两类人走不通这条路。一种是错了就立刻收手、再也不玩了的；另一种是错误是非结构化的——那不叫试错，是真正的错。

AI 把这两类人讲得更清楚了：

第一种：错了就不玩了的人。

这里面其实有个更深的自我认知问题：他们把“事情做失败了”直接等同于“我这个人失败了”。所以每一次失败都会变成对自我的攻击，扛不住几次就会退出。

相反，能够持续试错的人，心里往往有一种隐含的分离：是“事”出了问题，而不是“我这个人”不行。这个方案这次不通，只是说明“方案不通”，并不等于“人不行”。这种分离看起来很简单，但其实属于少数人具备的能力。它通常来自两种