判断力

Google 在 2026 年 4 月的 Cloud Next 大会上披露了一个数字：内部 75% 的新代码已由 AI 生成，仅需工程师审核。这意味着"会写代码"本身正在贬值——不是因为代码不重要了，而是因为写代码这件事正在变成"AI 干的活"。 麦肯锡 2026 年 HR Monitor 报告调研了 10 个国家、1303 名 HR 从业者，问了一个问题：未来最需要什么能力？ 结果出人意料——排在前面的不是"会写代码"“会用 AI 工具”，而是五种听起来很"软"的能力。更扎心的是，“AI 工具使用能力"的排名在持续下滑。 为什么？因为当所有人都会用 ChatGPT 的时候，“会用"就变成了像"会用 Word"一样的基本功，不再加分。真正拉开差距的，是你用 AI 做了什么——以及你能不能判断 AI 给你的东西到底对不对。这五种能力的共同点不是"做事"的能力，而是"判断"的能力。 一、问题解决：不是解决问题，是知道什么值得解决 排在第一位的是问题解决（44% 的 HR 把它列入 Top 5），比去年上升了 9 位。 但这里的"问题解决"不是你理解的那个。工业时代的问题解决是"接任务→完成”；AI 时代的问题解决是**“判断该不该做→拆解→指挥 AI 完成”**。难点不在技术瓶颈，而在目标模糊、约束复杂、结果不确定。 举个例子：业务说"要不要切入 R290 冷链市场”——这不是市场分析的问题，而是定义"什么场景下值得切入"的问题。你花三个月做的分析再完美，如果问题本身定义错了，结果也毫无价值。大多数人的精力花在"怎么解决"上，但真正稀缺的能力是"这个问题值不值得解决"。 这里有一个反直觉的点：问题解决能力的核心不是"聪明"，而是"谦虚"。 聪明人容易犯的错误是"我觉得我知道问题是什么"——然后花大量资源解决了一个错误的问题。真正问题解决能力强的人，会花 80% 的时间确认"我理解的问题是真的问题吗？"，只花 20% 的时间去解决。 一个经典的踩坑案例：某团队花了半年优化产品的注册流程，转化率提升了 30%——但整体营收没有变化。后来发现，真正的问题不是"注册转化率低"，而是"注册后的用户留存差"。他们解决了错误的问题，浪费了半年时间。 培养这项能力最有效的方法：每周给自己一个"重新定义问题"的练习——任何任务到手前，先问"我理解的问题是真的问题吗？“读《麦肯锡方法》和《金字塔原理》的"定义问题"章节，比学任何新工具都管用。另一个方法是"5 Why 追问法”：对任何问题连问 5 个"为什么"，直到找到根因。大多数人在第 2 层就停了，但真正的问题往往藏在第 4-5 层。 ...

刘胜与的处境大概是所有技术人里最刺眼的一种：北大图灵班、未名超算队队长、ASC 全球冠军、DeepSeek v4.1 主 Attention 算子的交付人——刚刚交付了行业最核心的组件，然后坐下来写自己的悼词。 如果这篇只是在讲「AI 会不会取代我」，它不值得十万阅读。真正的分量在于：他描述的三个机制，作用范围远远超过算器工程师这一个职业，而且这三个机制彼此咬合，构成一个完整的解释框架。 那份口播讲稿的贡献在于，它把框架翻译成了普通人的语言，并补上了原文没说透的一层——「开源救不了普惠」。这个补充比原文本身更接近问题的实质。 下面把两者的洞察合起来，逐层推到底。 一、这不是一篇失业文 技术的悖论，比「越努力越快被取代」更深 原文那句是： 「我算子写得越好，我们的新模型的训练、推理速度就会越快，模型能力进步就会更快，我就会更早地被取代。」 讲稿把它归纳为「个体理性导致集体非理性」——对的，但没讲透。这个悖论的诡异之处不在于矛盾，而在于因果链的自我指向。 设一个人的努力为 e，全行业努力总量为 E，模型能力增长速度是 E 的正函数。AI 自主编写算子达到「优秀人类工程师水平」的时间点，记作 τ。那么对他个人而言： 1 e ↑ → E ↑ → dA/dt ↑ → τ ↓（他被取代的时刻提前） 这是一条负向的自我强化链。 你的努力同时做了两件事：提高你自己的市场价值，以及降低你自己市场价值持续的时间。前者的收益是瞬时的——这一版的性能数字；后者的代价是永久的——你的能力被复制的时间点前移。 明知道还要做，因为有两层原因 原文给了两层，逻辑完全不同。 第一层是驱动力：「写算子对我来说就像打游戏一样……心中的激动程度不亚于游戏的速通玩家打破了自己过往的记录。」 这一层是结构性无解的。如果一个人从工作中获得的满足感是内生的，那么理性的「少做一点以延长职业寿命」根本无法被执行。喜欢一件事的人不会因为「这件事即将消失」而停止做它。 第二层是博弈：「哪怕我就此’摆烂’甚至故意下绊子耽误模型训练，其它家的模型也会照常发展并最终将我照杀不误。」 这是囚徒困境：个体理性（优化以保岗位）导致集体非理性（所有人共同加速一个自己不想要的未来）。喊 AI 该踩刹车永远没结果，因为一家踩刹车等于把位置让给对手，只有所有人一起踩才有意义。 但这里有一个被普遍忽略的转折 原文紧接着说：「我不至于会’失业’，但必须要’转业’。」 这句话把前面整段论证的目的翻转了。 如果只是担心被取代，结论应该是「怎么办」；但他给的是一个关于身份的判断——不是「我会不会失去位置」，而是「我必须放弃我热爱的那部分工作」。 技术悖论不是主题，「热爱的东西不再由人完成」才是。 二、三角错位——全篇最精确，也最被忽略的一句 「在之前，我的兴趣、我所擅长的、以及工业界所需要的，三者是基本对齐的；而现在，AI 让我所擅长的变成了它更擅长的，也让工业界的需求从『会写高性能算子的人』漂移到了『能用 AI 更快地产出高性能算子的人』。」 这一句的解释力，超过前面所有的金句。 讲稿完全没有引用它。 为什么工业时代这三者会对齐 不是因为巧合，是因为整个社会系统都建立在这三者对齐的前提上： 机制 作用 教育体系 告诉你「学什么有前途」，而这个答案来自「社会缺什么」 职业路径 资历 ≈ 能力 ≈ 报酬，熬年限就等于涨能力 市场定价 稀缺的技能获得溢价，供给减少则价格上升 闭环是：兴趣 → 愿意长期投入 → 形成稀缺能力 → 获得市场回报。一旦「所擅长的」同时也是「市场需要的」且「你恰好喜欢」，三者就形成自洽循环。 ...