从今年元旦开始，我越来越多地把AI放进自己的工作里。
最开始只是查资料。
后来是整理材料、读论文、做检索、找反证。
再后来，写文章、做研究、处理一些原本需要自己慢慢啃的专业问题，我也会先让AI跑上一遍。
这种变化发生得很快。
有些以前要做一下午的事情，现在吃顿饭的时间就回来了。以前面对一个新问题，我会打开几个网页、建一个文档，从空白开始一点点搭架子；现在很多时候，第一个动作已经变成：
先让AI试试。
我很喜欢这种变化。
它让我能做过去根本做不过来的事情，也让我越来越相信，一个人和AI合作以后，研究的尺度可以被放大很多。
但最近我也慢慢意识到另一件事。
如有些事情不是做得更快了，而是那个“做”的过程本身消失了。
你以前会自己慢慢查，现在它替你查。
你以前会在十几个可能性里一点点试，现在它把三个答案摆在你面前。
你过去可能在一个下午里不断失败，最后终于想通一个问题；现在十分钟以后答案就在屏幕上，你要做的变成判断它到底对不对。
效率当然提高了。
可那个下午去哪儿了？
我以前没有认真想过这个问题。
直到前几天读到DeepSeek工程师刘胜与的一篇文章：
《我不得不把才华埋葬在昨天》。
一个写算子的人，开始告别写算子
刘胜与喜欢写算子。
不是“这个工作收入不错”意义上的喜欢，而是真的喜欢。
他会坐在那里读CUDA、PTX和SASS，看profiler里一条条指令究竟耗了多少时间，研究调度和内存，再把一个已经很快的实现往前推一点。
有时候超过厂商官方实现，有时候把一个大家都觉得很难继续优化的问题重新做快一点。
他形容那种感觉，就像游戏速通玩家又打破了自己的纪录。
我不写算子，但我大概能理解。
木匠喜欢木头在刨子下面一点点变平。
摄影师会怀念暗房里影像慢慢显出来。
律师可能喜欢把杂乱的事实一点点整理成一条严密的论证。
专利代理师可能喜欢第一次读完交底书以后，坐在那里琢磨：
这项发明到底应该从哪里保护？
这些事情做到最后，不只是技能。
会变成手感。
最后甚至会慢慢变成一个人认识自己的方式：
我是一个很会做这件事的人。
现在，AI也越来越会做这些事了。
它不只是补两行代码。它会读代码，会调用工具，会跑测试，会分析性能，再回头修改。
而且它不会累。
一次不行，再来一次。十个方案可以同时试。
刘胜与判断，再过半年或者一年，AI写算子的水平很可能追上甚至超过自己。
但他并不认为自己会失业。
相反，他觉得自己还会留在这个行业，只是角色会变：
过去亲手写算子。
以后驾驶AI去写算子。
他把后者叫作“机甲驾驶员”。
从生产率看，这甚至是一种升级。
让他舍不得的是：
饭碗也许保住了，过去那个愿意花一个下午安安静静做一件事的人，却未必还有机会以同样的方式工作。
文章火了以后，很多讨论跑到了失业、开源、Anthropic、AGI。
于是他又写了一篇补充说明，说自己想写的主要不是失业，而是告别过去手写算子的那段时光；与此同时，他仍然会继续写算子，也会继续把AI Agent引入算子工作。
我很喜欢这个补充。
因为它没有把事情写成“人和机器二选一”。
怀念昨天，并不意味着要求明天停下来等自己。
AI没有义务只替你做讨厌的事
我以前写过《不要把AI当成许愿池》。
里面有一个我一直很相信的想法：
那些重复、繁琐、我们不擅长也不愿意做的事情，可以更多交给AI。
人把时间留下来，去做判断、想象、愿景和品味。
这样不仅生产率会提高，工作甚至可能变得更幸福。
我今天仍然相信这件事。
但刘胜与让我意识到，这个判断少了一半。
因为它没有把事情写成“人和机器二选一”。
AI没有义务只替你做讨厌的事情。
技术不会先问：
这件事你喜不喜欢？
是不是你花了十年才练出来的？
你做它的时候有没有成就感？
机器不会因为你爱一件事，就特意把它留给你。
它只会继续向自己越来越擅长的地方推进。
而“机器越来越容易做什么”和“人最喜欢做什么”，根本不是同一张表。
算子就是一个很好的例子。
它很难，要懂模型、编译器、GPU、内存、调度和底层指令。
但它同时又有一种AI特别喜欢的结构：
代码可以运行。
结果可以验证。
性能可以测量。
这次不好，改一个方案，再跑一遍。
机器会不断得到反馈。
AI最先拿走的，未必是最简单的工作，而可能是最容易形成闭环的工作。
对机器来说，可验证有时比简单更重要。
一件事情完全可能既是高手做很多年以后才会喜欢上的手艺，又是非常适合机器持续迭代的问题。
我们总希望机器先拿走枯燥。
可机器并不知道什么叫枯燥。
至少到今天，我的感觉还不一样
说到这里，我也得把自己的经验摆进来。
至少到现在，我没有刘胜与那种“最喜欢的事情正在被拿走”的感觉。
恰恰相反。
AI目前帮我拿走的，大部分仍然是我原来并不太愿意花时间做的事情：
大量检索、重复的数据整理、一篇篇材料的机械比对，以及为了验证一个判断不得不做的几十次搜索。
这些工作当然重要。
但很少是我最享受的部分。
AI把这里压缩以后，我反而有更多时间去想：
问题到底是什么？
哪一个事实值得留下？
两个看起来完全无关的事情为什么可以放到一起？
一篇文章写到哪里应该停？
一个判断虽然漂亮，证据是不是还不够？
一个理论应该直接说出来，还是藏在故事下面？
以及：
为什么这件事值得另外一个人花十分钟读下去？
为什么这件事值得另外一个人花十分钟读下去？
在这些地方，到今天我仍然明显感觉到人的价值。
AI有时会给我一个逻辑完整、资料很多的答案。
读完以后你会觉得：
都对。
就是没有东西留下来。
它知道应该说什么，却不一定知道为什么这一句话偏偏应该写在这里。
它可以一次给出十个比喻，却不一定知道哪一个会让一个做了二十年专利的人突然停一下。
所以至少到今天，我不觉得AI剥夺了自己最喜欢的工作。
相反，它让我第一次有机会把大量时间，从“不得不完成的工作”转移到“我真正想完成的工作”。
但我不认为这是一份永久合同。
我的工作和刘胜与的工作有一个很明显的区别。
他有benchmark。
有测试。
有profiler。
算子快了就是快了。
慢了就是慢了。
但文章不是这样。
没有一个profiler告诉你：
这一段比上一段提高了4.7%。
也没有一个自动测试告诉你：
这个比喻三年以后还有没有人记得。
一个战略判断、法律判断、复杂沟通，有时甚至要几个月、几年以后，才知道当初究竟对不对。
反馈慢。
目标不唯一。
结果很难被完整量化。
所以也许不是AI不会替代创造。
而是：
有些创造之所以暂时还留在人手里，不一定因为机器不够聪明，只是因为世界还没有给它一个足够好的打分器。
这也是为什么我对自己的乐观保留一点警惕。
今天AI替我做的是“我不喜欢的”。
不代表它永远停在那里。
这一点，刘胜与比我更早撞上了。
一架越来越会自己飞的飞机
一架越来越会自己飞的飞机
航空业比我们早很多年遇到过类似的问题。
想象一下，你坐进一架现代飞机的驾驶舱。
飞机进入巡航。
自动驾驶控制着航向和高度，飞行管理系统按照既定路线运行。
你仍然是飞行员。
你要理解飞机，要监控系统，要在天气变化、航路改变和设备异常时作出判断。
但你亲手操纵飞机的时间，和更早一代飞行员已经完全不同。
麻烦的地方是：
机器越可靠，人平时亲自飞得越少；可机器越不可靠的时候，偏偏又越需要人。
所以航空业不得不回答一个很奇怪的问题：
明明机器已经能飞得很好，为什么还要让人练习手动飞行？
答案恰恰是：
因为机器已经飞得太好了。
FAA 2025年的安全材料就明确提醒，自动化程度越高，飞行员越容易减少自身飞行技能的使用；如果手动飞行技能不持续练习，就会衰退。
这件事放到今天的知识工作里，突然就不陌生了。
AI能先审合同。
能先检索专利。
能写程序。
能改文章。
能给出一个很像资深专业人士完成的方案。
人越来越像坐在驾驶舱里的人：
平时监督机器。
关键时候纠正机器。
最后还要为结果负责。
当机器越来越会飞，我们要在哪里保留自己的“手动飞行”？
今天做得更好，不等于明天自己还会做
刘胜与还问过：
现在的学生，面对八小时自己完成一个Lab和几分钟让AI完成一个Lab，会怎么选？
工程能力以后到底还重不重要？
我并不特别担心学生以后是不是还会一行行亲手敲完所有代码。
有些技能就是会退出大多数人的日常生产。
更重要的是，他还有没有经历过：
我先判断。
我做错。
结果出现。
我知道为什么错。
下一次重新判断。
如果这个循环仍然存在，AI甚至可能让学习加速。
以前一天只能做两个案例，现在可以做十个。
真正的问题不是用了AI，而是AI替你完成的是劳动，还是连形成判断的过程也一起替你完成了。
一项275人的随机编程实验提供了一个很有意思的提醒：AI明显提高了学生当下完成编程任务的表现、降低了压力，但后续概念学习并没有同步提高。
今天做得更好，不等于明天自己还会做。
未来更重要的能力，未必还是某一种具体的“手工能力”。
它可能越来越变成：
理解整个系统。
发现异常。
知道什么时候机器不可信。
以及在机器失效时，有能力重新接管问题。
自动驾驶越好，“懂飞机”没有变得不重要。
只是“会开飞机”的内容变了。
技术经常做的，是把技能搬家
把时间再往前拉几十年。
数控机床进入工厂的时候，也有人担心：
过去靠经验亲手控制机器的熟练工，以后是不是只剩下按按钮？
后来并没有这么简单。
1991年一项针对美国机械制造业57类加工岗位的研究回看了数控机床扩散约30年后的变化：根据不同的技能度量，平均技能水平要么只下降约1%，要么没有显著变化。
旧的手工技能减少了一部分。
新的编程、设备设置、故障诊断和系统判断能力又出现了。
所以技术经常做的，不是把技能彻底消灭。
而是：
把技能搬家。
这让我对刘胜与的故事没有那么悲观。
他失去的也许是一种手艺。
但完全可能获得另外一种更复杂的手艺。
以前一个下午优化一个算子。
以后也许是让几十个Agent同时探索过去一个人根本不可能尝试完的方案空间，然后由他决定应该往哪里走。
那种工作可能更难，也可能更有创造性。
可问题在于：
技能可以迁移，热爱不会自动跟着迁移。
新工作可以更高级、收入更高、影响更大。
但技术不会顺便保证：
你也会喜欢它。
他真正打动我的，还有另一句话
他真正打动我的，还有另一句话
刘胜与文章里有一句话，我觉得和“我不得不把才华埋葬在昨天”一样值得记住：
我当然希望自己不要被革命，但如果非被革命不可的话，我希望革我自己命的人是我自己。”
我很喜欢这句话。
如果自己今天停下来，故意少优化一点算子，AI的发展也不会因此停下来。
别人会继续做。
模型会继续往前走。
旧的工作方式不会因为一个人的留恋，被时间特意保存下来。
所以他的选择不是：
既然这项技术可能替代我，那我慢一点。
而是：
既然革命迟早会来，那就让我自己先走进去。
做到这一点其实很难。
因为这意味着：
你非常清楚自己为什么成功，也知道自己的优势在哪里，却仍然主动制造一种可能让这些优势贬值的东西。
自我革命最难的地方，不是学习新东西，而是亲手降低旧优势的价值。
一个优秀的算子工程师，亲手把AI做得越来越会写算子，然后再主动学习怎样驾驶这些AI。
我觉得这里面有一种很值得尊重的勇气。
他不是不舍得昨天。
恰恰是舍不得，仍然继续往前走。
怀念昨天，但不要求明天停下来等自己。
如果明天轮到你
不妨想一件你自己很会做的事。
可能是一张Excel。
一个模型。
一场谈判。
一份合同。
一个程序。
一篇文章。
一次庭审。
甚至只是你特别善于从客户说的一大堆话里，听出他究竟想解决什么。
你花了很多年，才把它做得比别人好一点。
别人觉得麻烦。
你反而有一点享受。
然后明天，一个AI来了。
第一年，它比你快。
第二年，它和你一样好。
第三年，它比你又快又好。
公司没有裁掉你。
甚至给你升职了。
十个Agent都归你管。
你过去一天做一件事。
现在一天交付十件。
从所有能够被Excel记录下来的指标来看，你都是这场技术革命的赢家。
只是你已经很久没有亲手做过那件自己最喜欢的事情。
你会不会舍不得？
我觉得会。
这并不反技术。
人本来就不是一台只计算收益函数的机器。
住过很久的一间房会变成记忆。
做了十年的一件工作，也会慢慢长进一个人的身体里。
你知道哪里最容易出错。
知道做到什么程度才算好。
知道一个别人看不出来的小细节为什么值得多花半小时。
最后，它甚至会成为你理解自己的一部分：
我是一个很会做这件事的人。
所以当技术把这件事情拿走时，人失去的有时不只是一项任务。
还有一点点过去的自己。
我不想回到昨天
可是写到这里，如果结论变成：
既然旧手艺这么珍贵，我们应该少用AI。
那我觉得就写错了。
我不会。
刘胜与也不会。
我不会为了保留过去的研究方式，再用几天去做AI几个小时能够完成的资料工作。
航空公司不会为了保留手动飞行的浪漫拆掉自动驾驶。
工厂不会为了让工人继续拥有车床手感拆掉数控机床。
旧手艺值得怀念，但不值得为了怀念，把今天故意变慢。
所以我现在更关心的是另一个问题：
效率可以迁移给机器，意义却不会自动迁移给人。
至少在我的工作里，今天的答案似乎是：
让AI去做更多搜索、整理和重复分析。
把时间重新拿回来。
用在问题定义、判断、创造、情感，以及那些暂时还没有明确打分器可以衡量的地方。
这种分工让我现在很舒服。
但我不认为它是一份永久合同。
未来AI能力继续变化，我们还会重新谈判。
今天留给人的，明天也许又会有一部分交出去。
然后我们重新寻找下一块地方。
所以，人和AI长期的关系，也许不是划一条固定的线：
这边归人。
那边归机器。
而是边界一直在移动。
我们也不断重新回答：
我还想把什么留给自己？
技术负责提高效率。
技术不会自动负责给人安排一份更有意义的工作。
后面这件事，还得我们自己做。
刘胜与以后也许真的不再需要花一个下午亲手优化某个算子。
那些旧日的CUDA、PTX、SASS，像很多已经离开生产现场的老手艺一样，慢慢留在记忆里。
但那个下午未必真的消失。
它也许只是换了一种形状。
有一天，他坐在那里，让几十个Agent同时尝试过去一个人一辈子也试不完的方案。
然后从无数结果里突然看见一个别人没有看到的可能性，说：
等等，这里还能再快一点。
如果那个时候，他又感受到当年打破自己纪录时的兴奋，
我会觉得：
才华没有被埋葬。
只是换了一块地方生长。
真正需要保留的，不一定是某一种旧手艺，而是人继续形成判断、感受到创造，并愿意把一件事情做好的机会。
因为AI时代最好的未来，不应该只是同样八个小时，我们完成了过去十倍的工作。
还应该是很多年以后，当有人问：
你为什么还愿意做这份工作？
我们仍然能找到一个答案。
不是因为机器还没有学会。
而是因为这里面，依然有一些事情，
是我想把它做好的。
参考资料
刘胜与：《我不得不把才华埋葬在昨天》，微信公众号原文：。
Federal Aviation Administration, FAA Safety Briefing , May/June 2025：FAA PDF。
关于AI辅助编程与学习结果的275人随机实验：ScienceDirect。
Jeffrey Keefe, “Numerically Controlled Machine Tools and Worker Skills,” Industrial and Labor Relations Review (1991)：SAGE Journals。
热门跟贴