编辑 | 鸢玮

崔皓：51CTO 学堂金牌讲师，51CTO 社区编辑，资深架构师，具有 20 年 IT 项目开发经验以及教学经验。

AI 来了以后，人应该更轻松吗？

至少崔皓不是这么想的。

2022 年底，在 AI 开始成为技术圈高频话题之后，崔皓逐渐把自己的重心从 Java、MySQL、RabbitMQ 等技术课程转向 ChatGPT、LangChain 等 AI 技术。他持续做课程、写书、做企业培训和项目，也越来越多地把 AI 用到自己的工作中。

变化很明显。以前录一门课，他基本要花一个月。现在，资料搜索、案例整理、思路拓展等工作都可以交给 AI，原来需要花一周完成的事情，现在一天就可能完成。

效率提高了，但时间并没有因此空出来。

" 更多就是思考嘛，想一些事情。" 在崔皓看来，AI 真正带来的变化，不只是把一件事情做得更快，而是让一个人能够处理更多事情。

" 过去因为时间、精力或者执行成本太高而放弃的事情，现在变得可以尝试。就像原来步行上下班，有了汽车以后，生活半径自然会扩大。"

AI 也是一样。当工具让人的 " 手 " 伸得更远，人的工作边界也会跟着扩大。

所以，AI 越能干，他反而越忙了。

AI 提升效率之后，人的工作边界也在扩大

崔皓把   AI 看成一种可以被调度的生产力。

他用一个简单的例子解释这种变化。如果一家公司原来只有一个人干活，后来突然拥有了一万个 " 员工 "，老板接下来显然不会因此闲下来。管理这些员工、寻找新的业务、思考公司的发展、不断设定新的目标，这些事情反而会增加。

" 现在把 AI 就把它想成员工就行了。" 这也是他理解 AI 提效的方式。

过去，一个人的时间和精力决定了他能同时做多少事情。AI 接手越来越多执行性工作之后，人能够把注意力放到更上游的问题上：做什么、为什么做、怎么拆解、资源怎么组织，以及最终结果是否成立。

因此，AI 带来的效率提升，并不只是节省几个小时。

" 它让一个人可以同时处理更多问题，也迫使人去思考更多问题。" 崔皓说。

AI 降低了工具门槛，却没有消除能力差距

这种变化同样出现在软件开发领域。

当 AI 已经可以写代码、分析问题，甚至参与软件开发流程时，程序员的价值究竟在哪里？

崔皓的答案是：回到业务本身。

在他看来，很多垂直领域的业务，AI 并不了解。真正有价值的能力，是理解业务、理解用户的痛点，进入真实的工作场景，了解业务流程和实际问题，再把问题真正解决掉。

这也让他对 "AI 平权 " 这个说法保持了警惕。

在很多人看来，AI 降低了专业工具的使用门槛，不会编程的人也可以写代码，不懂设计的人也可以生成设计，这似乎意味着能力正在被普遍拉平。

但崔皓认为，事情没有这么简单。"AI 根本不是平权，它会把差距拉得更大。"

原因在于，AI 降低的主要是工具使用的门槛，却没有同步降低解决复杂问题的门槛。

同样一个 AI 工具，不同的人使用，最后得到的结果可能完全不同。一个有经验的人知道应该问什么、怎么判断答案、哪里需要继续追问，也更清楚一个结果能不能真正落地。AI 能力越强，这种差异反而可能被进一步放大。

所以，AI 带来的变化并不是所有人的能力都被拉到了同一个水平线上。

工具门槛降低了，但经验、判断和解决问题的能力依然存在差距。

这也是他谈到 FDE 时特别强调的一点。FDE，也就是前向交付工程师或前向部署工程师，需要从建立沟通开始，理解用户需求，执行实施和开发，再到部署，最终让项目真正运行起来，完成端到端的交付。

这要求技术人员具备的不再只是某一个技术领域的能力，还包括沟通、协作以及使用 AI 工具解决问题的能力。

写代码本身正在越来越多地成为 AI 可以协助完成的事情。但代码之外的问题依然存在：用户到底需要什么？业务真正的问题在哪里？应该怎么解决？最终有没有产生结果？

这些问题，需要人进入真实场景。

工具可以参与判断，但不能替人承担判断

如果 AI 能够完成越来越多的事情，人是不是也会越来越懒得思考？

崔皓认为，会。

他注意到，现在已经出现了越来越多的 "AI 垃圾 "。一个重要原因，就是很多人开始让 AI 生成内容，再让 AI 处理内容，整个过程中人的思考越来越少。

因此，他在使用 AI 时一直强调一个习惯：不断追问。

AI 给出一个答案之后，可以继续问，可以让它讨论，也可以让它指出自己的问题。

在他看来，人与 AI 之间应该保持一种有来有回的关系。

如果 AI 只是不断提供情绪价值，顺着人的想法说，让人听得舒服，却不指出问题，人反而可能逐渐失去判断。

所以，他并不把 " 会用 AI" 简单理解成会写 Prompt、会调用工具。

"真正重要的是，你有没有自己的判断。"

这也是为什么 AI 进入他的工作之后，他的基本工作方式并没有发生根本变化。

AI 改变了工具使用，问题拆解仍然是起点

谈到 AI 对工作习惯的影响，崔皓的回答反而很克制。

" 其实我的变化并不大，对于思维上的影响其实不大，主要是工具使用方面。"

一个项目来了，他还是会先拆解。

项目可以分成几块？哪些地方自己知道？哪些地方不知道？哪里是痛点，哪里是难点？先跟谁沟通，再做什么架构，再怎么设计数据。

这些事情想清楚之后，AI 才真正有用。

工具可以变化，工作流程也可以变化，但面对一个具体问题时，先确定目标、拆解问题、找到关键环节的习惯没有消失。

这也是他看待 AI 的一个重要前提：先想清楚，再让工具参与进来。

AI 越强，越需要回到真实实践

这种思维也延续到了他的学习方式。

崔皓一直保持着一个学习闭环：听别人讲，自己做，参与讨论，再给别人讲，接受质疑，然后重新反刍、修改自己的知识体系。

到了 AI 时代，这套方法依然没有改变。

面对一项新技术，他会先理解，再学习原理，然后亲自上手，找到真实场景去实践，看它究竟能解决什么问题。

"不了解，就没有发言权。" 在他看来，很多事情看起来很简单，真正动手之后才会发现其中存在大量细节和难点。

这也是他没有完全把实践交给 AI 的原因。

AI 可以帮助一个人更快获得信息、整理信息，但如果没有亲自做过，就很难真正知道工具的边界在哪里，也很难判断一个结果到底意味着什么。

从大模型到 Agent，形态变化之外还是问题

崔皓对大模型的理解，也延续了这种思路。

他给学生讲大模型时，会先从模型的训练和推理机制讲起。

在他看来，理解底层原理很重要，因为这样才能给大模型 " 祛魅 "。

" 大模型本身不在思考，它是在做向量运算。" 理解这一点之后，人和大模型之间的关系也会变得更加清晰。

大模型可以处理大量信息，可以完成很多复杂任务，但它依然是一种工具。Agent 也是在这个基础上发展出来的。

在崔皓看来，可以把大模型理解成 " 大脑 "，再配合工具、执行能力和记忆等能力，最终形成能够完成任务的系统。

至于 Agent 最终呈现什么形态，并没有那么重要。真正重要的，还是它能不能解决用户或者服务对象的实际问题。

从大模型到 Agent，技术形态一直在变化，但问题始终没有变化：到底要解决什么问题？

AI 改变做事方式，但没有改变人的基本能力

回到崔皓最开始谈到的那个变化。

AI 确实让很多事情变快了。

过去录一门课需要一个月，现在随时可以开始；过去需要大量时间搜索、整理资料，现在可以让 AI 协助完成；过去因为成本太高而放弃的一些事情，现在也有了尝试的可能。

但效率提升并没有让他变得更闲。

因为当执行成本降低，一个人的选择反而变多了。

于是，人的工作重心开始向前移动。

从执行，走向判断；从完成任务，走向发现问题；从单点技术能力，走向业务理解、沟通协作和端到端解决问题。

这也是 AI 进入技术工作之后，一个越来越明显的变化。

代码、资料整理、信息处理等工作，可以越来越多地交给工具完成，但明确目标、理解问题、拆解任务、判断结果，以及对最终结果负责，依然需要人来完成。

AI 越强，人反而越需要知道自己在做什么。

这或许也是 "AI 在场 " 真正值得记录的地方。

技术和工具一直在变化，但一个人如何理解问题、如何进入真实场景、如何保持思考，又如何把工具真正变成自己的能力，并没有因为 AI 的出现而改变。

AI 可以替你做更多事情。

但为什么做、做什么，以及做完之后事情有没有真正变好，依然需要人来回答。