为什么有些人用了 AI，却没有变强
过去一年，"用 AI 会让人变强、生产力会自动提升"几乎成了默认共识。但最近我听到一段挺有意思的抱怨：用了 AI 之后，它给的方案比自己的还好、还专业，工作反而没了成就感。这让我想起一类人——AI "用得很熟"，demo 出得飞快，产出也确实更多，每天看着都很忙；可他们既没什么成就感，也觉得自己能力没怎么涨，甚至一旦没了 AI 还会退化。
这让我又想到了最近看到的一个说法 叫learning penalty，觉得很有意思拿来一用。它不是学术界的标准术语，研究里更常见的是 cognitive offloading（认知卸载）和 cognitive debt（认知负债）。但我保留这个词，是因为觉得它更契合地点出了"无脑"使用 AI 真正的代价：长期来看让人丧失深度思考与学习的能力。
于是我和 GPT 展开了一场讨论，顺便尝试一种新的写作记录模式（硬说偷懒也可以）：让 GPT 把我们多轮讨论里最终形成的观点，整理提炼成文章——做自己的笔记，也有个更「隆重」的地方留着溯源。字是 AI 打的，但交流和思考的过程是实打实的。如果这些碰撞出来的东西能帮到需要的人，那就更好了。
一、AI 替掉的首先不是工作量，是"认知摩擦"
很多人以为 AI 最大的价值是替人干活。更准确的说法是，它首先省掉的是认知摩擦——查资料、debug、踩坑、推翻重来这些又慢又烦的过程。
问题在于，相当一部分核心能力恰恰是在这些麻烦里长出来的：对边界的感觉、对结构的直觉、对 tradeoff 的判断、对失败的预判。教育学里有个老概念叫 desirable difficulty（必要难度），我念语言教育学时反复碰到它——有些困难必须亲历，因为真正重要的能力不是"知道答案"，而是知道答案为什么成立、在什么边界之外不成立。
AI 最擅长的，恰好是帮人绕开这些困难。绕过去，任务是完成了，但 mental model、debug 直觉、判断标准，一个都没建起来。于是会变成：越来越会"用 AI"，却没越来越会"解决问题"。
二、产出变多，是这个时代最像成长的假象
AI 会制造一种错觉：今天 output 这么多，我肯定成长了。但很可能只是更快地产出了一堆没内化的信息、没验证的结构、别人早就想清楚的东西。
判断一个人是否真在成长，看的不是他生成了多少东西，而是有没有逐渐形成更稳的判断、更强的拆解、更明确的验收标准、对失败更敏感的嗅觉——这些 AI 都替不了。
三、同样用 AI，为什么有人反而更快变强
真正的分水岭不是"用不用 AI"，而是"AI 在一个人的工作流里扮演什么角色"。
把 AI 当外包的人，要的是最终结果——AI 替他完成了任务，却没替他建立判断。把 AI 当放大器的人，会把省下来的时间投回那些更难、也更核心的部分：怎么拆问题（decomposition）、怎么定义"什么算好"（evaluator）、怎么设计结构（architecture）、怎么抽象（abstraction）、怎么把多个环节编排到一起（orchestration）。
于是会出现一个有点反直觉的结论：AI 越强，真正稀缺的能力越往判断、结构化、验证和抽象这一侧集中。
四、两个例子：难的从来不是生成
前面讲的是能力为什么会退化。这两个例子想说的是另一面——当生成变得廉价之后，真正值钱、也真正退化得起的能力，到底是什么。
最省事的做法是把用户历史丢给模型、让它吐结果。但真正难的部分都在后面：为什么推荐这个而不是那个、用户怎么在几款之间做对比、推荐怎么解释得清楚、怎么不靠"贴标签+话术"糊弄过去、不同的搜索意图怎么分别承接。这些 AI 能帮忙，但怎么拆、怎么抽象、边界画在哪、哪里会出错，仍然得人来定。
难的不是生成结果，是定义什么叫"好结果"。
很多人觉得 AI 已经会做 UI 了。但做过复杂产品的人都知道，最难的不是把界面画出来，而是判断"什么叫一个好界面"。为什么有些 AI 出的界面像 PPT、像概念稿，没有真实产品该有的信息层级和业务语境；而有些就明显更像能用的真页面。差别不在 prompt，而在于背后有没有一套验收标准、失败条件和优先级。
生成能力正在飞快地变成大路货，判断能力不会。
五、怎么不让自己掉进 Learning Penalty
重点不是少用 AI，而是不让它替人跳过认知形成的过程。
在让 AI 出方案之前，问题本身先过一遍：约束在哪、怎么算结果好、哪里可能出错、哪部分还没想清楚——这一步不交给 AI。
AI 的问题从来不是不会生成，而是太会生成"看起来对"的东西；能不能挡得住，靠的是一套 review 标准、一致性检查，和"什么时候该否决"的判断。
review、抽象、重构、权衡、泛化——这些真正长能力的动作，大多发生在答案给出之后；在它输出那一刻就收工，等于把最值钱的一段丢掉。
