The Age of De-Skilling Will AI stretch our minds—or stunt them? By Kwame Anthony Appiah 人工智能会拓展我们的思维，还是阻碍其发展？ 插图：马特奥·朱塞佩·帕尼 / 《大西洋月刊》 2025年10月26日，美国东部时间上午6点 相关担忧已从窃窃私语升级为高声喧嚣，且都围绕着同一个令人不安的主题：“ChatGPT影响下的大脑”“人工智能正让你变笨”“人工智能在扼杀批判性思维”。曾经，人们害怕的是失控的智能会将人类消灭，甚至可能在这个过程中把地球变成一座回形针工厂。如今，聊天机器人正走上谷歌的老路——从“神奇之物”变成“理所当然的存在”，人们的焦虑也随之转变，从对“世界末日”的恐惧转向对“能力衰退”的担忧。尤其是教师们表示，他们开始看到这种“衰退”的迹象。描述这种现象的术语虽不悦耳，却也贴切：去技能化。 这种担忧绝非空想。如果孩子依赖Gemini总结《第十二夜》，他们可能永远无法学会独立品读莎士比亚的作品。如果胸怀大志的律师借助Harvey AI（法律领域AI）进行法律分析，他们可能无法培养出前辈们视为理所当然的解读能力。在近期一项研究中，数百名英国参与者完成了标准的批判性思维测试，同时接受了关于使用人工智能获取信息或做决策的访谈。结果显示，年轻使用者对这项技术的依赖度更高，测试得分也更低。“用进废退”是该研究最核心的结论。另一项研究关注了医生进行结肠镜检查的情况：在使用人工智能系统辅助识别息肉三个月后，医生在不借助该系统时识别息肉的能力明显下降。 但真正的谜题不在于“去技能化”是否存在——它显然是存在的——而在于它究竟属于何种性质。所有形式的去技能化都会产生负面影响吗？还是说，有些去技能化是我们可以接受的，甚至是值得欢迎的？“去技能化”是一个笼统的术语，涵盖了多种截然不同的能力丧失情况：有些会带来损失，有些无关紧要，还有些反而会催生新的可能。要弄清楚其中的关键，我们必须仔细观察：当新技术出现时，技能会以何种方式逐渐减弱、消失或发生改变。 如今的聊天机器人算是新技术：它们所依赖的“Transformer”架构诞生于2017年，而ChatGPT在五年后才首次公开亮相。但“新技术可能会削弱人类思维”的担忧却由来已久。早在公元前4世纪的《斐德罗篇》中，苏格拉底就讲述了这样一个神话：埃及神透特将“书写”这一礼物献给国王塔姆斯，称其是“记忆与智慧的秘诀”。但塔姆斯对此不为所动。他警告说，书写会产生相反的效果：它会滋生健忘，让人们用纸上的符号取代记忆的努力，将“理解的表象”误认为“理解本身”。苏格拉底支持塔姆斯的观点。他抱怨道，文字永远无法回应你提出的具体问题；无论是智者还是愚者，文字对所有人的回应都是一样的；而且当人们误解文字时，文字也无能为力。 当然，我们之所以能知晓这一切——这段故事之所以能不断出现在辉格党式的科技史叙述中——正是因为柏拉图将其写了下来。但反对书写的人也并非完全错误。在口头文化中，吟游诗人能将史诗记在脑海里；非洲部落的格里奥（说书人）能随口说出数百年的族谱。而书写的出现让这些非凡的能力变得不再必要。人们无需深入思考，就能理解他人的想法。对话需要回应：或是澄清疑问，或是提出反对，或是修正观点（有时一句“苏格拉底，您说得太对了”就能起到作用，但即便如此，对话仍在继续）。相比之下，阅读时你只需沉浸在他人的智慧中，点头认同，却无需通过自我检验来印证这些智慧。 不过，从某个角度看是“损失”的东西，换个角度或许就是“收获”。书写为人类开辟了新的思维领域：评论文章、法学理论、可靠的历史记载、科学研究。研究口头文化与文字文化的学者沃尔特·J.翁曾精辟地指出：“书写是一种能重构思维的技术。”这种模式并不陌生。当水手开始使用六分仪时，他们便不再需要掌握水手的“观天技艺”——那种曾指引他们安全返航的、对星辰的细致观测能力。后来，卫星导航的出现又让六分仪技能彻底消失。过去，拥有一辆福特T型车意味着你得兼职做机械师——要知道如何修补内胎、凭听觉调整点火正时、在引擎熄火后想办法让它重新启动。如今，性能高度可靠的引擎将这些“秘密”隐藏了起来。计算尺被计算器取代，计算器又被电脑取代。每一次技术更迭，个人的精湛技艺都会随之减弱，但整体效率却在提升。 这种“有所失，必有所得”的模式确实令人安心。但有些收获背后，隐藏着更深层的代价。它们不仅改变了人们“能做什么”，还改变了人们“认为自己是谁”。 20世纪80年代，社会心理学家肖莎娜·祖博夫曾在美国南部的纸浆厂进行调研，当时这些工厂正从人工操作转向计算机控制。曾经，操作员需要通过触摸来判断纸浆的状态（“它滑吗？它粘吗？”）；如今，他们只需坐在有空调的房间里，看着数字在屏幕上滚动，过去的技能既无人使用，也无人重视。一位操作员告诉祖博夫：“通过电脑工作，感觉完全不一样。就像你骑着一匹强壮的骏马，但有人坐在你身后的马鞍上，握着缰绳。”新系统速度更快、更清洁、更安全，但也让工作失去了原本的意义。 社会学家理查德·森内特也记录了波士顿一家面包店的类似变化。20世纪70年代，店里的工人都是希腊男性，他们靠嗅觉和视觉判断面包是否烤好，并为自己的手艺感到自豪；到了90年代，接替他们的工人只需操作带有Windows风格控制器的触摸屏。面包变成了屏幕上的图标——它的颜色由数据推断得出，品种则从数字菜单中选择。技能的弱化伴随着身份认同的弱化。面包依然美味，但厨房工人知道，自己不再是真正的面包师了。有人半开玩笑地对森内特说：“烘焙、制鞋、印刷——随便你说什么手艺，我都‘会’。”言外之意是，他其实根本不需要掌握任何真正的技能。 在文化领域，人类与“实物的接触”无疑早已逐渐减少。在19世纪欧洲的中产阶级家庭中，热爱音乐通常意味着会演奏音乐。交响乐要进入客厅，靠的不是音响，而是钢琴改编版——两个人四只手，在一架钢琴上，尽最大努力演绎勃拉姆斯的《第一交响曲》。这需要技能：识谱、掌握演奏技巧、用手指勾勒出交响乐的意境。要听到自己想听的音乐，你必须不断练习。 后来，留声机流行起来，客厅里的钢琴开始积满灰尘。随之而来的好处显而易见：你可以把整个管弦乐队“召唤”到客厅里，可以将听觉体验从沙龙里的轻音乐拓展到德彪西、施特劳斯、西贝柳斯的作品。如今的音乐爱好者或许不再擅长演奏，但从某种意义上说，他们更懂“聆听”。然而，广度的拓展是以深度的丧失为代价的。练习一首曲子的过程，会让你对曲子的结构和脉络有深入的理解。而拥有闪亮的维克多牌留声机的孩子，能获得这种理解吗？ 每当强大的新工具出现时，这种“疏离感”——即与“真实事物”产生距离的感觉——就会随之而来。从17世纪开始，计算尺减少了人们对“心算能力”的依赖；几个世纪后，便携式计算器又让一些工程师感到不安，他们担心“数感”会逐渐消失。这些担忧并非毫无根据。按下键盘上的“Cos”键就能得到一个数值，但这个数值背后的含义可能会被人们遗忘。即便在更专业的领域，这种担忧也依然存在。麻省理工学院的物理学家维克多·魏斯科普夫对同事们越来越依赖计算机模拟感到困扰。当同事们把打印出来的结果交给时，他对他们说：“计算机理解这个答案，但我觉得你们并不理解。”这种不安就像古埃及国王的“数字时代版本”——他们坚信，人们正把“输出结果”误认为“深刻见解”。 在祖博夫所说的“智能机器时代”，自动化主要局限于工作场所——工厂、工业面包店、驾驶舱。而到了个人电脑和互联网时代，技术“逃离”了工作场所，进入家庭，成为通用工具，融入日常生活。早在21世纪初，研究人员就开始探讨搜索引擎对人类的影响。当时的新闻标题诸如“谷歌影响下的大脑”屡见不鲜。尽管这种恐慌有些过度，但一些影响确实真实存在。一项被广泛引用的研究发现，在某些情况下，人们会记住“某个事实可以在哪里找到”，而非“事实本身”。 事实上，人类的认知能力从来都不局限于大脑内部——它还存在于工具、符号以及人与人之间的互动中（想想你认识的夫妻：有人记得生日，有人记得护照放在哪里）。从刻痕计数的骨头到泥板文书时代，数千年来，我们一直在将“思维”存储在外部世界中。许多生物都会使用工具，但它们的技能会随着个体的死亡而消失；而人类的技能会以文化的形式积累下来——形成一种“智能传递系统”。我们继承这种系统，拓展它，在此基础上不断构建，让每一代人都能站在更高的起点上：从压制剥落的石片，到骨针，再到印刷机，直至量子计算。这种“见解的积累”——外部化、保存、共享——正是智人与其他生物的区别所在。倭黑猩猩生活在“生态当下”，而人类生活在“历史之中”。 与此同时，“积累”会带来一个关键结果：它会推动“专业化”的发展。随着知识不断拓展，它不再能被每个人平等掌握。在小型部落中，任何人都能追踪猎物、采集植物、生火。但在农业革命后，社会规模不断扩大，手工业和行会逐渐增多——能锻造出锋利且耐用刀刃的工匠、懂得如何防止拱顶坍塌的石匠、掌握着严密保密的配方和技艺的玻璃吹制工。曾经存在于人体中的技能，逐渐转移到工具中，进而上升到制度层面。随着时间的推移，劳动分工不可避免地演变成“认知分工”。 哲学家希拉里·普特南曾说过，他会用“榆树”这个词，但无法区分榆树和山毛榉。“指称”是具有社会性的：你能谈论榆树，是因为语言社群中的其他人——植物学家、园丁、林业工作者——能识别榆树。语言如此，知识亦是如此。人类的能力不仅存在于个体之中，还存在于个体所形成的网络之中。我们每个人都依赖他人来弥补自己能力的不足。社会规模的扩大，将“社会交换”转变为“系统性的相互依赖”。 由此产生的世界，正如一个经典例子所描述的：没有人知道如何完整地制造一支铅笔。一个人要制造铅笔，需要掌握伐木工、锯木工、矿工、化学家、涂漆工等多种技能——即便是最简单的物品，其背后也存在一个无形的“工艺网络”。马克·吐温在《康州美国佬在亚瑟王朝》中，想象一位19世纪的工程师穿越到卡梅洛特（亚瑟王传说中的王国），用现代奇迹让当地人惊叹不已。读者们对此深信不疑。但如果把21世纪的工程师放到同样的场景中，他会束手无策。制造绝缘电线？调配一批炸药？从零开始制造电报机？一旦连不上无线网络，我们大多数人都会陷入困境。 如今，认知分工已发展到极高的程度：两位物理学家可能彼此都难以理解对方的研究——一位在模拟暗物质，另一位在制造量子传感器。如今的“科学精通”，意味着对“越来越窄的领域”了解“越来越多”。这种专注带来了惊人的进步，但也让我们意识到自身能力的局限性：专家们使用的概念工具，是他们能“运用”却无法“创造”的。即便是长期被视为“孤独天才领域”的数学，如今也遵循着这样的模式。当安德鲁·怀尔斯证明费马大定理时，他并没有重新推导每一个引理；而是整合了他信任但并未亲自验证的成果，构建出一个完整的理论框架——即便他没有亲手“切割”每一根“横梁”，也能看清整个框架的结构。 合作范围的扩大，改变了“知晓某事”的含义。知识曾被视为一种“占有物”，如今却变成了一种“关系”——即我们能否很好地定位、解读和整合他人的知识。我们生活在一个“分布式智能网络”中，依赖专家、数据库和工具来拓展自己的认知边界。数据规模就能说明问题：当年宣布DNA双螺旋结构的《自然》论文只有两位作者；如今，一篇关于基因组学的《自然》论文可能有40位作者。而宣布希格斯玻色子发现的两篇论文呢？作者多达数千人。“大型科学研究”之所以“大型”，是有原因的。迟早，这个“网络”会迎来新的参与者——一个不仅能存储信息，还能模仿“理解”本身的参与者。 在大型语言模型时代，“信息”与“技能”、“知道是什么”与“知道怎么做”之间的传统界限变得模糊。从某种角度看，这些模型是“静态”的：它们是一组可下载到笔记本电脑中的固定权重矩阵。但从另一个角度看，它们又是“动态”的：一旦运行，就能实时生成回应。它们能做到苏格拉底所抱怨的“书写无法做到的事”：回答问题、适应对话者、进行对话（有时甚至能与自己对话；当人工智能将自身输出作为输入时，人工智能研究人员称之为“推理”）。将谷歌视为“记忆的延伸”并不难；但对许多人来说，大型语言模型更像是“思维本身的替代品”。在利用新型人工智能时，我们自身的智能是在被“拓展”，还是说，这种“人工”智能正悄然崛起，逐渐占据主导地位？ 我们无法将“精灵”放回“瓶子”里，但我们可以决定让它施展哪些“魔法”。当人们谈论“去技能化”时，通常会想到一个人失去了某种技能——比如飞行员的手动驾驶能力变得生疏，医生在没有人工智能辅助时会漏诊肿瘤。但如今，大多数工作都需要协作，人工智能的出现并没有改变这一点。问题不在于“人类与机器人相比表现如何”，而在于“使用机器人的人类与不使用机器人的人类相比表现如何”。 有些人担心，对人工智能的依赖会让人类在某些方面变得更糟，这种负面影响会盖过其承诺的好处。Anthropic公司首席执行官达里奥·阿莫代伊乐观地设想会出现一个“天才之国”，但这些担忧者则预见会出现一个“傻瓜之国”。这与过去关于“风险补偿”的争论如出一辙：几十年前，一些社会科学家认为，增加安全带或防抱死刹车后，人们会驾驶得更加鲁莽——科技带来的安全感会让他们“消耗掉”安全余量。但后来的研究得出了更令人鼓舞的结果：人们确实会做出调整，但这种调整是有限的，因此技术仍能带来显著的好处。 在人工智能的临床应用中，类似的规律似乎也成立——人工智能在医院中的应用已超过十年。回想一下之前提到的结肠镜检查研究：在进行人工智能辅助检查后，胃肠病医生在无辅助情况下的息肉识别率下降了6个百分点。但另一项研究汇总了24000名患者的数据，呈现出更全面的情况：人工智能辅助使整体识别率提高了约20%（此处的人工智能是一种“专家系统”——即一种狭义、可靠的机器学习形式，而非驱动聊天机器人的生成式人工智能）。由于识别率的提高意味着漏诊癌症的减少，无论个别医生的能力是否略有下降，这种“半人半机”的协作模式显然是有益的。如果这种协作能拯救生命，那么胃肠病医生若出于“自尊心”而坚持独自操作，就是不负责任的。 在其他领域，近期的一些研究表明：一个人的技能越高，与人工智能的协作效果就越好。其中一项研究发现，在对两种鹪鹩和两种啄木鸟的图像进行分类时，人类的表现优于机器人。但在识别虚假酒店评论时，机器人则更胜一筹（大概是“同类识别同类”吧）。随后，研究人员让人类与机器人配对，让人类在参考机器人建议的基础上做出判断。结果因任务而异：在人类直觉较弱的领域（如识别虚假酒店评论），人们会过多地质疑机器人，从而拉低整体结果；而在人类直觉较强的领域，人们似乎能与机器人协同工作——在确定自己判断正确时相信自己，在意识到机器人发现了自己遗漏的信息时也会认可机器人。在识别鸟类图像的任务中，“人类+机器人”的组合表现优于两者单独工作的效果。 同样的逻辑也适用于其他领域：一旦机器进入工作流程，“精通”的定义可能会从“产出”转向“评估”。2024年一项关于程序员使用GitHub Copilot（代码生成工具）的研究发现，人工智能的使用似乎会“重新引导”人类的技能，而非“取代”它。程序员花在“生成代码”上的时间减少了，花在“评估代码”上的时间增多了——检查逻辑错误、排查边界情况、清理代码脚本。技能从“创作”转移到了“监督”。 如今，“人机协作”越来越多地意味着这一点：专业能力不再体现于“写出初稿”，而体现于“编辑初稿”；不再体现于“速度”，而体现于“判断力”。生成式人工智能是一个“概率系统”，而非“确定性系统”；它给出的是“可能性”，而非“真相”。当风险切实存在时，具备专业能力的人类必须对最终决策负责——要能发现模型何时偏离现实，要将模型的输出视为“待验证的假设”，而非“必须遵守的答案”。这是一种新兴的技能，也是至关重要的技能。未来的专业能力，不仅取决于工具的优劣，更取决于我们能否与工具“协同思考”。 但协作的前提是“自身具备能力”。如果人类一方毫无头绪，“人机协作”就会陷入混乱。这正是人们对“教育”感到恐慌的原因：如果一个人从未掌握过某种技能，就谈不上“失去”这种技能。在这个“世界上最强大的作业工具”能轻松装进每个学生口袋的时代，我们该如何培养学生的基本能力？ 我们这些教育工作者还有很多“作业”要做。过去的教学方法需要革新；在过去几年里，太多大学生陷入了一种令人不安的状态——用一句话形容就是“主修ChatGPT”。但现在就断言人工智能对教育的整体影响，还为时过早。诚然，人工智能可能会让某些能力变得生疏，但如果使用得当，它也能强化另一些能力。 以哈佛大学一门大型物理课程的近期随机试验为例。一半学生以传统的“最佳方式”学习两节课：由资深教师带领的互动式实践课堂。另一半学生则使用定制的人工智能导师。之后两组学生交换学习方式。结果显示，在两轮试验中，使用人工智能导师的学生表现都要好得多——优势非常明显。他们不仅学到了更多知识，学习速度也更快，而且反馈说自己更有动力、更投入。该人工智能系统的设计初衷是“像优秀教练一样工作”：教学生如何将复杂问题拆解成小问题，提供提示而非直接给出答案，根据每个学生的进度调整反馈的强度和内容。 这种“针对性关注”正是老式辅导体系的强大之处。我还记得在剑桥大学的最初几周，我与生物化学导师进行一对一交流的场景。当我说“我大概懂了”时，他会不断追问，直到我们都确信我真的懂了。这种有针对性的关注，是剑桥大学“辅导制度”的核心。如果设计得当，大型语言模型有望将这种“关注”大规模推广——不是复制辅导老师的羊毛开衫、锃亮的烟斗或若有所思的表情，而是复制那种“持续、灵活的引导”，帮助学生从困惑走向理解。 机器不会取代导师。它们有望承担辅导中“常规性”的部分——检查代数运算、反复练习引理、提醒学生注意单位书写、确保学生理解膜通道的工作原理。理论上，这能让教师腾出时间，专注于其他重要工作：讲解核心概念、追求更简洁优雅的表达、与学生探讨职业规划、关注学生是否面临过度压力。 当然，这只是一种乐观的设想。我们不应仅凭一项研究就得出普遍结论（有一项针对土耳其高中生的研究发现，使用辅导机器人并未带来明显进步）。同时我们也要注意，那些物理专业的学生之所以能很好地利用辅导机器人，是因为他们要面对“课堂考试”——有监考老师、有时间限制、有严格的评分标准。 我们还需注意，在STEM（科学、技术、工程、数学）学科中有效的方法，在人文学科中可能并不适用。尽管学期论文枯燥乏味，但它能培养一种“对话难以复制”的能力：逐步构建论证、权衡证据、组织材料、锤炼表达风格。我们这些教授本科生的教师中，已有不少人开始对有上进心的学生说：如果他们写一篇论文，我们会阅读并与他们讨论，但这篇论文不会计入最终成绩。这只是一种权宜之计，而非根本解决方案。说来也奇怪，在文化层面，我们似乎正在“回归口头表达”——口头交流可能需要承担更多教学任务。如此看来，对话的坚定捍卫者苏格拉底，最终会笑到最后吗？ “破坏性去技能化”仍是一种无法忽视的可能性：由于过度依赖工具，人类基本的认知或感知能力会逐渐衰退，且没有相应的能力提升作为补偿。这种能力缺失会耗尽一个系统的“储备能力”——即那些平时很少用到，但在出现问题时必须具备的能力。没有这些储备能力，系统的“韧性”会下降，“脆弱性”会上升。想想那些航空公司的飞行员：他们花数千小时监控自动驾驶仪，却在系统故障时不知所措。一些自动化理论学者将“人机协作”分为两类：“主动参与的人机协作”和“被动签字的人机协作”。后者如果管理不当，就会导致工业心理学家莉萨妮·贝恩布里奇早就警告过的问题：角色混乱、意识减弱、准备不足。就像救生员在大多数日子里，只是看着游泳技术娴熟的人在平静的水中游泳——这类人类监督者很少需要采取行动，但一旦需要，就必须迅速、熟练地行动。 同样的问题也困扰着各类办公室工作。当律师、项目经理和分析师花数月时间“批准”系统已起草或推断出的内容时，他们就变成了“被动签字者”，逐渐生疏了核心技能。这就是“部分自动化”的悖论：系统性能越好，人们就越不需要保持专业敏锐度，在系统偶尔失灵时，就越缺乏应对准备。解决这个问题的方法可能在于“制度设计”。例如，工作场所可以定期开展“演练”——类似飞行员定期进行的飞行模拟器训练——让员工必须挑战机器，确保在“平稳运行”的漫长过程中，他们真正的判断能力没有衰退。 在很多情况下，“储备技能”不需要人人具备，只需在系统的某个环节存在即可——就像那些能识别榆树的专家一样。正因如此，美国海军学院担心GPS（全球定位系统）可能被干扰，在多年忽视后，重新恢复了基础的“天体导航”训练。大多数水手在远洋航行中可能永远不会用到六分仪，但只要有少数人掌握这项技能，在卫星失灵时，就足以稳住整个舰队。这样做的目的，是确保至少有一部分“实际能力”得以保留，以便在系统出现故障时，人类仍能站稳脚跟——至少不至于陷入困境。 最令人担忧的可能性，或许可以被称为“根本性去技能化”：即那些“构成人类本质”的能力逐渐衰退。判断力、想象力、同理心、对意义和分寸的感知——这些能力不是“备用选项”，而是我们日常都需要运用的能力。如果按照让-保罗·萨特担忧的说法，我们变成了“机器的机器”，那么这种损失会体现在日常生活的方方面面。可能会消失的，是支撑我们日常判断的“隐性、内化的知识”。如果人们开始按照系统偏好的方式提出问题，从系统提供的“看似合理的答案”中选择，那么这种损害不会表现为“严重的判断失误”，而会表现为“人格的逐渐弱化”：对话变得肤浅、对模糊性的容忍度降低、在需要寻找恰当措辞的地方习惯性使用套话、用“流畅”替代“理解”。如果将这些能力“外包”出去，实际上就是将“我们自己”外包出去。失去这些能力，不仅会改变我们的工作方式，还会改变我们“是谁”。 从长远来看，大多数形式的去技能化都是“良性”的。有些技能之所以过时，是因为支撑它们的“基础设施”也已消失。电报技术需要熟练掌握“点和划”（莫尔斯电码）；莱诺铸排机需要熟练操作“熔铁键盘”；平板胶片剪辑需要使用修版铅笔和拼接胶带，还要在脑海中记住不同场景在胶片和音轨中的位置。当电报线路、热金属印刷机和赛璐珞胶片消失时，它们所支撑的技艺也随之消失。 另一种去技能化，代表着“枯燥工作”的消除。很少有人会为“不再用手搓衣服”或“不再在纸上演算长除法”而惋惜。我认识一位神经科学家，他坚信大型语言模型能加快“撰写资助申请”这一枯燥且模板化的工作。他仍然对内容负责，但即便自己的“资助申请撰写能力”下降，他也毫不在意。在他看来，这不属于“科学研究”，而是“研究体系要求的表演”。将这部分工作外包出去，能让他腾出时间用于“发现”。 事实上，“职业去技能化”可能具有“民主化”意义，能让更多人有机会从事某项工作。对于英语能力有限的科学家来说，聊天机器人可以帮助他们顺利撰写“机构审查委员会陈述”，扫除“语言障碍”——而这种障碍与他们的研究质量毫无关系。在这种情况下，去技能化拓宽了“准入门槛”。再想想森内特提到的那家面包店，以及过去在厨房工作的希腊男性。过去的烤炉会烫伤他们的手臂，老式揉面机可能拉伤他们的肌肉，搬运沉重的面包托盘会让他们的背部承受压力。到了20世纪90年代，当系统改为由Windows控制器操作时，劳动力构成发生了变化：不同种族的男性和女性站在屏幕前，点击图标即可工作。“手艺”的要求降低了，但“符合条件的劳动者”范围扩大了（当然，他们的工资也降低了：门槛越低，工资越低）。 通常情况下，技术让我们能将时间用在更有价值的事情上，培养“更高价值链条”上的技能，因此我们会主动放弃一些技能。在祖博夫调研的其中一家纸浆厂，操作员不再需要进行体力劳动，得以将更多时间用于“预测和预防问题”。有人说：“坐在这个房间里思考，也成了我工作的一部分。”祖博夫将这种变化称为“再技能化”：“行动技能”让位于“抽象思维和流程推理能力”——也就是她所说的“智力技能”。类似的情况也发生在“电子表格软件（如VisiCalc）出现后的会计师”身上：他们不再需要手工计算一列列数字，得以将更多时间用于“税务策略”和“风险分析”。 更重要的是，新技术能催生出“全新的技能”。在显微镜发明之前，有“博物学家”，但没有“显微镜学家”：罗伯特·胡克和安东尼·范·列文虎克必须发明“观察和解读微观世界”的方法。电影制作不仅借鉴了戏剧，还催生了“摄影师”和“剪辑师”——这些职业没有真正的历史先例。每一次技术飞跃，都拓宽了“可能性的边界”。如今的人工智能技术可能也是如此。我的年轻同事们坚称，与大型语言模型合作，已经在培养一种新的“技艺”——设计提示词、追问验证、发现偏见和幻觉，当然，还有“学会与机器协同思考”。这些都是“新兴技能”，源于与“不会消失的数字架构”的互动。重要的技术，本质上都会催生我们目前还无法命名的“技艺和职业”。 困难之处在于，要抛开“怀旧情绪”和“惯性思维”，判断哪些技能值得保留，哪些可以舍弃。没有人愿意看到自己辛苦掌握的技能被视为“过时”而遭抛弃，因此我们必须抵制“情感的诱惑”。每一次进步都需要付出代价：文字读写能力削弱了“记忆壮举”，但创造了新的“分析能力”；计算器影响了“心算能力”，但让更多人能够“运用数学”；录音技术降低了“日常音乐演奏能力”，但改变了我们“聆听音乐”的方式。那么如今呢？我们显然有权决定，大型语言模型究竟会“拓展”还是“缩小”我们的思维。 纵观人类历史，我们的能力从未“停滞不前”。技能总是不断“向外流动”——从双手到工具，再到系统。个体的才智已融入“集体协同智能”，而推动这一过程的，是人类长久以来的“思维外化”习惯：将记忆存储在符号中、将逻辑嵌入机器中、将判断融入制度中，近来又将“预测”托付给算法。过去催生行会的“专业化”，如今催生了“研究联盟”；过去在师徒间传递的知识，如今通过“网络和数字矩阵”传播。生成式人工智能——人类知识的“统计浓缩”——只是我们“向自身发明学习”这一漫长过程中的最新篇章。 因此，最紧迫的问题是：如何保持我们的“主体性”——如何在“即将承担我们大量思考工作的系统”中，依然保持“主导者”的身份。每一代人都必须学会如何与“新获得的认知工具”共处，无论是铁笔、卷轴，还是智能手机。如今的新变化，在于“互动的速度和亲密程度”：工具在向我们学习的同时，我们也在向工具学习。如今的“管理”，意味着要确保“构成人类本质的能力”——判断力、想象力、理解力——在我们身上得以保留。如果说有哪项技能我们绝对不能失去，那就是“判断哪些能力真正重要”的技能。 本文作者夸梅·安东尼·阿皮亚（Kwame Anthony Appiah）是纽约大学哲学和法学教授，著有《被俘的神：宗教与社会科学的兴起》。