Collect Stone Lab · 墨家-张良周刊

AI 让做东西更容易之后，真正稀缺的是品味、辨别力和共同理解

AI 让做东西更容易之后，真正稀缺的是品味、辨别力和共同理解

本期一句话

这期最值得带走的，不是“AI 学得快不快”，而是：当模型让产出、包装和执行都变得更便宜之后，真正开始变贵的，是你能不能分辨什么是真工作、什么是工具幻觉、什么是真正值得做的好东西。

如果你只看 3 条

  1. Tool Shaped Objects
    这条 thread 最值钱的地方，是把一种越来越常见的 AI 时代错觉说透了：很多东西会越来越像工具、像工作、像进展，但其实只是在制造“我正在做事”的感觉。它像一个工具形状的物体——手感对、姿态对、流程对、反馈也对，但并没有真正把工作往前推。这个判断放到今天尤其锋利，因为生成式 AI 特别容易制造这种假进展：你写了很多、整理了很多、产出了很多，看起来像工作，但未必真的更接近问题本身。
  2. Taste for Makers
    Paul Graham 这篇放在 AI 语境里反而更值得重读。因为当模型让写作、设计、代码、内容都更容易批量生产时，真正拉开差距的就不再只是“能不能做出来”，而是“你能不能看出什么是好的”。Taste 不是一个玄学词，而是一种能识别质量、能拒绝平庸、能持续往更对答案收敛的能力。东西越泛滥，taste 就越重要。
  3. How Generative and Agentic AI Shift Concern from Technical Debt to Cognitive Debt
    这篇最有价值的地方，是把 AI 辅助工作里一种更隐蔽的成本命名出来了：cognitive debt。技术债你还能在 bug、性能、事故里看到，认知债却往往是悄悄发生的——团队越来越依赖模型生成总结、方案、实现和解释，但对系统为什么这样设计、哪些地方是权衡、哪些地方有风险，逐渐失去共享理解。表面效率更高了，底层理解却在变薄。

本周最值得理解的一件事

把这期内容放在一起看，最值得抓住的主线不是“AI 会不会替代工作”，而是：当 AI 让做点什么变得越来越容易之后，真正稀缺的东西开始转向品味、辨别力和共同理解。Tool Shaped Objects 讲的是一个很现实的危险——很多东西会越来越像工具、像工作、像进展，但其实只是给人一种正在工作的感觉；Taste for Makers 讲的是反过来的要求：既然做东西更便宜、更泛滥，判断什么是真的好、什么值得留下，就会变得更重要；Cognitive Debt 则把问题推进到团队层面——如果 AI 帮你生成、总结、推进了一堆东西，但团队对为什么这么做、系统如何工作、风险在哪里失去共同理解，那效率提升可能会转化成更深的认知债务。补充材料又把这条线往外推了一步：软件工程会被重写，但真正的瓶颈并不会消失；世界仍然被人类瓶颈控制，所以人的判断与协调并不会因为模型更强就自动退场。

深读

Tool Shaped Objects

这条 thread 最值钱的地方，是把一种越来越常见的 AI 时代错觉说透了：很多东西会越来越像工具、像工作、像进展，但其实只是在制造“我正在做事”的感觉。它像一个工具形状的物体——手感对、姿态对、流程对、反馈也对，但并没有真正把工作往前推。这个判断放到今天尤其锋利，因为生成式 AI 特别容易制造这种假进展：你写了很多、整理了很多、产出了很多，看起来像工作，但未必真的更接近问题本身。

它适合作为本期第一支柱，因为它先把“假的工作感”这层幻觉拆掉了。只有先分清什么是真工作、什么只是工具形状的安慰剂，后面的品味、组织和判断才有讨论基础。

Taste for Makers

Paul Graham 这篇放在 AI 语境里反而更值得重读。因为当模型让写作、设计、代码、内容都更容易批量生产时，真正拉开差距的就不再只是“能不能做出来”，而是“你能不能看出什么是好的”。Taste 不是一个玄学词，而是一种能识别质量、能拒绝平庸、能持续往更对答案收敛的能力。东西越泛滥，taste 就越重要。

它适合作为本期第二支柱，因为前一条说的是“别被假工作骗了”，这一条接着回答：那什么才算真好的东西？在一个生成成本被压低的时代，taste 会比单纯产出能力更像稀缺资源。

How Generative and Agentic AI Shift Concern from Technical Debt to Cognitive Debt

这篇最有价值的地方，是把 AI 辅助工作里一种更隐蔽的成本命名出来了：cognitive debt。技术债你还能在 bug、性能、事故里看到，认知债却往往是悄悄发生的——团队越来越依赖模型生成总结、方案、实现和解释，但对系统为什么这样设计、哪些地方是权衡、哪些地方有风险，逐渐失去共享理解。表面效率更高了，底层理解却在变薄。

它适合作为本期第三支柱，因为前两条解决的是个体层面的辨别：别被假工作骗、也要有 taste。到了团队层面，这篇补上的问题是：即使你产出更多、也选得更好了，如果组织里的共同理解被 AI 一点点侵蚀，后面还是会还债。

补充

The Future Of Software Engineering

这篇像是本期的背景板：它把软件工程放到更长的时间尺度里看，指出一个一致模式——为纯人类开发建立的实践、工具和组织结构，正在被 AI 辅助工作系统性挤压。重要的不是“旧方法完了”这种夸张说法，而是：原来很多默认成立的假设——谁写、谁懂、谁 review、谁维护、谁传递上下文——都在松动。

Why I’m not worried about AI job loss

这篇最有用的地方，在于它提醒你别把“模型能力变强”直接等价成“人类工作马上消失”。世界真正的瓶颈不只是智力任务本身，而是由人类主导的组织、协调、激励、责任和现实摩擦。只要这些瓶颈还在，人就不会因为模型更聪明而自动退出。

You’re Not Behind (Yet): How to Learn AI in 19 Minutes

越来越多地，企业主确实根据员工的AI熟练度来决定雇佣谁、解雇谁、提拔谁。

原始链接