2026 年，也过去 1/4 了，现如今，AI 以一种几年前难以想象的速度重塑着一切，2022 年底 ChatGPT 发布时，那种第一次使用时的奇异感受，我至今难忘。不知道你们有没有用过微软小冰——上大学的时候我折腾过，吐槽过。而现在，“豆包” APP 已经悄悄装进了每个人的手机。没想到当年被我吐槽为“人工智障”的 AI，现在已经变得如此智能。
即便是在 2022 年底，我也没有预料到生成式 AI 的生长速度可以这样快，OpenAI、Claude、Gemini、各家模型百花齐放，争相斗艳。DeepSeek、豆包、OpenClaw 等模型、工具的破圈，真实地影响到了每一个人。
作为一个对科技有浓厚兴趣的程序员，近两年来我让 AI 深度参与了工作和生活。我想谈谈我真实的几点体会。
效率至上
不得不说，现在是一个效率至上的社会。各种新鲜事物蓬勃发展，人们的节奏也就越来越快。正如热力学第二定律，这是一个熵增的过程。
然而，一个可怕的事实是，这种情况下，我们会变得愈来愈浮躁：你是不是很久没有读完一本书？很久没有认真做一顿饭？看视频都要倍速？小学奥数里煎烙饼的问题，如今变成了每个人的必备技能——多线程并发处理任务。
《慢思考》里有一个清醒的提醒：多任务处理其实是一个神话。我们的大脑并不能真正同时处理多件事，它只是在不同任务之间高速切换。每一次切换，都会消耗认知资源，留下微小的”切换损耗”。我们以为自己在高效并行，实际上是在用更高的代价换取更低的质量。
而 AI 这种跳过过程\直接拥抱结果的工具，更是加速了这种浮躁：
- 妄想用四个月走完别人十几年走过的路
- 妄想用三言两语，就拿到和别人打磨多年一样效果的产品方案
- 妄想用一次治疗解决多年的顽疾
- 妄想用三分钟读懂《百年孤独》
- …
追求效率对于这个商业社会自然是一件再正常不过的事情了，毕竟效率代表着利益，降本增效是它的必然逻辑。但效率的反面是什么？
管理学中有一个概念，叫做“忙碌陷阱”（The Busyness Paradox）——一个人越忙，往往他产出的有效价值就越低。这种悖论强调的是忙碌和成就之间的一种非线性关系：过度优化流程，反而挤压了思考时间，最终损害长期的产出质量和创新能力。
我认为效率的反面是“沉淀”：
面对危机时，效率意味着极度精简，任何一环断裂都可能崩盘；沉淀形成的”冗余”，恰恰是韧性的来源。
核心追求上，效率追求”短平快”；沉淀需要”慢与深”，追求的是厚度。
时间周期上，技术壁垒和核心竞争力，没有任何一个能单纯靠提高效率来缩短——它们必须经过时间的过滤与打磨。
《慢思考》把这件事解释得更透彻：大脑有三个系统——思考脑负责深度分析与创造；反射脑处理即时的自动反应；存档脑则在我们放空、休息甚至发呆时悄悄运转，整合记忆、产生洞见。真正的灵感和突破，往往来自第三个系统。而“永远在线”的状态，不断激活反射脑，却让思考脑和存档脑长期处于饥饿状态。
当我们把所有时间都填满效率，大脑实际上失去了一种发散的空间。很多灵感和创意，恰恰诞生于那些“无所事事”的时刻。艺术中的留白，影视里的开放式结局，商业中可能存在的试错——这些空间是创新的温床。完全投入效率路径、一味消除低效，往往也抹杀了创新的可能性。
追求效率会让我们在一条已经决定好的跑道上加速，快速抵达目的地；但如果我们能“反效率”地去沉淀，抬起头来，才有时间思考：这条跑道，是否真的通向我们想去的地方？
有篇文章曾写道：
我们有时候并不是在追求效率，而是存在一种对浪费时间的恐惧。也就是说，我们的生活是被时间统治了，而不是我们拥有了时间。在“效率”这张皮下，藏着的是对“无意义感”的深层恐惧。
对于 AI，我认为：正是因为它把“沉淀”这个步骤直接省略了，所以它带来的不是能力的增强，而是欲望的放大。
隐形债务
近两年来，尤其是从去年年底到现在，我一直用 AI 工具辅助代码编写。无论是 Claude Sonnet 还是 Gemini Pro，每次新版本发布，都能在工期压缩的情况下带来真实的效率提升，让我赶上 DDL。
但随着使用越发深入，我产生了一种奇怪的感觉：虽然我的 AI 代码率可能已高达 90% 以上，交付速度很快，但与此同时，我对自己项目的理解深度却在悄悄下降。
这种感觉在最开始接触 Figma Make 或 Lovable 这类工具时就很难形容。你只需在对话框里输入一些想法，几分钟就能输出一个可点击的界面。以前可能需要几天的原型工作，现在一个下午就能搞定。Cursor 类工具更是如此：以前面对复杂需求，我会先在脑中想清楚架构，再拆解，再一个小模块一个小模块地编写；现在我会直接把需求描述给 AI，让它规划、设计，差不多了就往下走。
也就是说，我们的工作从”系统构建”变成了”调试生成结果”的游戏。我们从生产者的角色，变成了消费者——消费的是 Token，消费的是 Prompt。
这种游戏非常容易上瘾，因为每一次 Prompt 都是一次即时的正反馈。我们不再需要忍受那些方案想不清楚的痛苦，不再需要对着控制台发呆，只需给出描述，等待输出就行了。而中间过程我们思考的不确定性和痛苦完全被跳过了。短期的这种正反馈肯定会带来更快的交付。
比如说，我们通过一些初步的讨论，就可以通过 Figma Make 之类的工具去呈现一些原型（Prototype）。然后我们的工程师可以用 AI 迅速编码出一些 Live Data High Fidelity Prototype，再过两天就能上线了。
但是紧接着我们就会发现，有大量的 Corner Cases 没有考虑，代码其实是不可维护的，也就是说，这种“爽”是有代价的。
技术债务可能是很多人用 AI 时，第一个就能轻易理解和体察到的东西。
因为 AI 生成的代码质量参差不齐，很多边界情况考虑不足。即便我们让 AI 进行一些设计，它可能也考虑得不够周全，导致后期维护成本很高。这是一个非常显性的问题，而且我觉得很多人也意识到了。我们通常会通过一些方法，比如 各种Skills、Spec、乃至派生出来的工作流，例如 Superpowers、Get Shit Down 等，通过 SDD、TDD 开发来解决或减少这种技术债务。
有一天我打开自己项目的某个模块，发现我竟然说不清它为什么是这么设计的。不是因为逻辑复杂，而是因为这段代码是 AI 写的。AI 完成了设计，AI 完成了代码，我最后的工作只是确认它能跑就行。我没有时间去深入理解它——AI 生成的速度太快了，快到我来不及阅读所有代码。代码是我的，理解却不属于我。
而更危险的是，我们往往意识不到这种危险。
因为 AI 给我们的反馈太及时了。及时到当所有创造都被压缩成一次次的即时输出，我们会渐渐误以为：我变强了。
《慢思考》里有一句话让我印象深刻：当存档脑没有足够的时间运转，我们就无法真正”消化”经历——知识进来了，却没有沉淀成直觉和判断力。AI 的即时反馈，让我们的存档脑彻底失业。我们体验到了”做到”，却跳过了”理解”。
讽刺的是，AI 让我变快了，我却反而更焦虑了。开发过程中，我把代码交给了 AI，却还是会嫌它输出太慢——明明已经比自己写快了十倍，我却盯着那个闪烁的光标，心里催它：快一点，再快一点。这种急于求成的心态，是 AI 带给我的，还是我本来就有、只是被它放大了？
我想是后者。
我们不再愿意忍受”慢”。不再愿意独立坐在那里，对着一个想不清楚的问题发呆。不再愿意一个人把一段逻辑从头想到尾。这不是能力的扩张，是欲望的膨胀。
欲望越多，限制越多；欲望越大，自由越少。
AI 给了我们瞬间的确定性，却悄悄偷走了”慢的智慧”。
我们一方面希望产品取得长期可靠的成功，另一方面又期待决策更快、思考更快、结果来得更快。这两件事，本质上是矛盾的。真正的洞察和判断力，恰恰来自那种缓慢、枯燥、无法跳过的过程——来自盯着问题发呆的那半个小时，来自一个方案改了又改的那几个版本，来自无数次试错之后才慢慢沉淀下来的直觉。
AI 可以帮你跳过这个过程。但你跳过的，正是你本应成长的地方。
这种欲望的膨胀，其实并不只是发生在我个人身上。当它蔓延到团队的时候，问题就会被放大。
我观察到一个现象：自从用了 AI，大家变得更”敢”了——动不动就想重构，动不动就想造轮子，方案还没想清楚就让 AI 开始生成代码。执行成本降低了，决策也变得随意了。
但这里面可能藏着一种危险的错觉。AI 确实降低了执行成本，但没有降低判断成本。当我们做出一个方向错误的决策时，AI 帮我们执行得越快，只会让我们离正确目标越来越远。以前走弯路，发现时偏移还不远；现在有了 AI，可能一周就走远了，速度更快，代价也更大。
当”所有方案都让 AI 出”成为常态，真正需要人来完成的核心任务，就是判断这个方向值不值得做。如果这个环节被悄悄跳过，产品团队的核心价值就会丧失——我们的价值不是生产方案，而是筛选方案。方案的生产成本趋近于零，筛选的标准反而会跟着模糊。
我想举个例子来说明 AI 在工作中的边界到底在哪里。
OpenAI 在推出”结构化输出”功能时，曾公开过一篇技术文章。他们训练了当时最新的 GPT-4o，专门优化 JSON Schema 的遵循能力，在复杂评测中得分从 40% 以下提升到了 93%。但 93% 在生产环境里是不够的。于是他们做了第二件事：用传统工程方法把 JSON Schema 转化成上下文无关文法（CFG），在模型每生成一个 Token 时，实时计算哪些 Token 合法，把其余概率压到 0。靠着这种确定性，结果才从 93% 提升到了 100%。
这说明了一个根本性问题：AI 输出的东西是概率性的，工程的约束是确定性的。在需要 100% 可靠的地方，必须用确定性的东西兜底。而”判断哪里需要兜底”，恰恰是人的工作。连 OpenAI 自己都没有把这件事交给 AI 解决。
祛魅之后
说了这么多问题，我想说清楚一件事：我没有否定 AI，我每天还在用，而且会继续用。
祛魅，不是失去热情，而是一种成熟。
从“AI能做什么”转向“我想做什么”，从“让AI帮我生成”转向“我用AI来思考”——这是我这半年来最大的转变。
具体到工具使用上，我现在给自己立了一条规矩：AI可以帮我写代码，但架构必须是我先想清楚的。 它生成的每一段关键逻辑，我都会认真读一遍，确认我能用自己的话解释清楚它在做什么。如果不能，我就继续问，直到我真正理解为止。
这样效率确实慢了一点。但我开始重新感觉到——这个项目是我的，不只是一堆AI帮我生成的文件。
在工作层面，我认为现阶段 AI 最适合做的事情是执行，而不是决策。让 AI 帮你写代码、生成方案、整理文档，这些都很好。但“这个方向值不值得做”、“这个设计对不对”、“这个方案的最大风险在哪里”——这些判断必须是人来完成的，而且不能偷懒。
在个人成长上，我很认同 Teresa Torres 说的一句话：
I don’t outsource my thinking to LLMs; I use them as thought partners. I make sure I understand everything it suggests, so I ask detailed questions until I do.（我不把思考外包给LLM，我把它当成思考伙伴。它给的每个建议，我都确保自己理解，直到我能解释清楚为止。）
最后，我想推荐大家读一本书——特奥·康普诺利的《慢思考：大脑超载时代的思考学》。它不是一本反对科技的书，而是一本帮你理解大脑如何真正工作的书。在 AI 把一切都加速的今天，重新理解”慢”的价值，可能是我们最需要的一堂课。
书中一个核心观点值得记住：存档脑只在你真正放松、不做任何有目的的事情时才会启动。散步、发呆、洗澡时的出神——那不是在浪费时间，那是大脑在整理和生长。如果你的每一分钟都被效率填满，你就永远用不上这个系统。
AI 最大的价值，不是让你做到更多，而是让你更快看清自己的边界在哪里。边界不是弱点，是起点。当你知道自己的边界，你才能决定要不要突破它，以及用什么方式突破。
道家说“知其白，守其黑”。白是能力，黑是局限，二者共存才完整。AI把“白”无限放大，让我们感觉无所不能——但“黑”并没有消失，它只是变得更加隐蔽了。我们看不到自己的理解盲区，看不到自己正在退化的深度思考，看不到那些被跳过的、本应属于自己的成长。
这才是最大的风险。
所以，真正的智慧不是一头扎进 AI 的怀抱，也不是挥手拒绝它，而是——
在AI的幻象里，摸清自己的边界，看见真实的自己。
2026年，我们都在学习如何和AI协作。
拥抱它，但别忘了你是谁。
