AI 面前人人平等

每次我说“AI 面前人人平等”，最容易得到的反应，往往是一句怀疑。

你是工程师，在硅谷做了这么多年技术，现在又花很多时间用 AI，当然可以说人人平等。一个从没写过代码的人，怎么可能跟你站在同一条起跑线上？

这个质疑很合理。我确实有优势。工程训练让我更熟悉抽象、接口、调试和系统边界；用得多，也让我见过更多模型犯错的方式。如果把今天的 AI 使用能力单独截一张图，我可能在 3% 或 5% 的位置，一个刚打开工具的人可能是 0%。把差距说成不存在，只是一种自我感动。

但我反对的是另一个结论：因为今天差了这几个百分点，所以后来者已经追不上，非技术背景的人也错过了窗口。

这两个判断完全不是一回事。

差距要看它到底是什么。有些差距来自多年积累的专业知识、资源和判断，很难靠换一个工具消除；还有些只是对一套新界面多熟悉了几个月，随着产品变化很快就会折旧。今天围绕 AI 的很多焦虑，把这两类差距混在了一起。看到别人会用几个自己没见过的功能，便推断对方已经建立了完整而持久的能力。

可眼前展示出来的熟练，只是能力的一小部分。真正漫长的部分在后面：怎样把工具接进自己的工作，怎样判断结果好坏，怎样在模型犯错时找到原因，怎样把一次偶然成功变成可以重复的方法。这些事情，领先者也没有走完。

我说的平等，不是资源、天赋、时间和结果自动变得一样。它指向一个更具体的事实：面对一套刚刚出现、规则仍在快速变化的工具，今天看起来很大的领先，放到三年的能力总量里，可能只占很小的一段。

这件事，我在大学时就想过一次。那时让我焦虑的是一群看起来永远追不上的同学。

把三年拉满，领先只剩最前面的 3%

先把这套算法说清楚。

假设三年后，一个人熟练使用 AI 解决实际问题的能力总量是 100%。今天，已经高频使用的人走到了 3%，刚开始的人还在 0%。

站在今天的截面上，3% 对 0% 会制造一种近乎“无限大”的心理落差。前者已经能做出东西，能谈模型、上下文、工具调用；后者连该点哪个按钮都不知道。人会本能地把眼前的差距向未来延长：他今天比我强这么多，明年只会更强，我现在开始还有什么用？

可如果两个人的学习速度接近，接下来投入的有效时间也接近，三年后的画面更可能是 100% 对 97%。最初的差距没有凭空消失，只是被一个大得多的能力总量稀释了。到了那个位置，97% 和 100% 当然仍有区别，却通常不足以决定一个人能不能进入这个领域、能不能用 AI 把自己的事情做好。

这里的 100% 也不是某种终极水平。它只是把三年后两个人共同面对的能力范围临时设成一个刻度。重点不在数字有多精确，而在分母变了。今天我们拿三个月的经验做分母，几周的领先会显得惊人；三年后，分母包括上千次真实使用、无数次错误和一整套工作习惯，同样的领先就只占很薄的一层。

这和“后来的人一定反超”也没有关系。先发者如果继续投入，原来的优势可能保留，甚至因为更早得到正反馈而扩大。我的判断只是：开始得早，并不会自动把后来者锁在门外。真正有决定性的，是随后那一大段时间怎样度过。

3% 和 97% 不是测量出来的行业数据，也不是对每个人的许诺。它是一个用来纠正短期错觉的思维模型。我们太容易高估一个人提前几个月学会的技巧，又太容易低估三年持续练习能积累多少东西。

许多人看见别人完成一个复杂演示，就把成品背后的所有能力都一次性算给对方，再把自己的起点算成零。其实那个演示也许来自对现成工具的熟悉，离长期稳定地解决问题还有很远。领先是真实的，却常被我们的想象放大了。

更关键的是，这个模型暴露了真正会把差距拉大的变量。

如果你相信 3% 永远追不上，你很少会真的投入同样的时间。你会多看别人做了什么，少做一次自己的尝试；遇到模型答错，领先者把它当成一次调试，你却把它当成“我果然不适合”的证据。一天少一点，一个月少很多，三年后当然不再是 100% 和 97%。

于是，一个本来很小的差距开始自我强化。先行者因为做出过东西，更愿意继续试；后来者因为没有做出东西，更确信自己没有能力。两个人真正分开的时刻，不一定发生在第一次接触工具时，而可能发生在第十次失败之后：一个人还在改，另一个人已经不再打开它。

焦虑并不只是一种感受。它会改写你的时间表。

真正拉开差距的，是信心怎样改变投入

我这里说的信心，不是相信自己一定成功，更不是对能力边界视而不见。它只做一件很实际的事：让一个人在暂时做不好的时候，仍愿意继续花时间。

而且，是有效的时间。坐在屏幕前刷两个小时模型新闻，和拿一个真实问题与模型来回修改两个小时，钟表走得一样快，留下的东西很不一样。前者容易让人知道更多名词，也更清楚别人已经做到了什么；后者会留下对错误的感觉，知道哪句话没交代清楚，哪个结果看似完整却经不起检查。

有效练习通常会经过几个很朴素的动作。先动手，得到一个不完美的结果；再判断问题出在工具、输入还是自己的理解；改一点，重新尝试；最后从反馈里调整下一次的做法。信心影响的不是最后那个结果，它影响的是这条链会不会在中间断掉。

同样碰到一个陌生工具，有信心的人会想，我还没找到方法；没有信心的人更容易想，我不是这块料。前一句把失败留在任务上，后一句把失败写进了身份里。身份一旦被判定，后面的时间就不会再投入。

这也是为什么我后来会写《AI 时代，要自信》。我越来越觉得，自信不必总是能力积累之后发给自己的奖状。很多时候，它更像一张允许练习的临时通行证：我现在还不会，但我允许自己先做得很差，也愿意为下一次做得稍好一点负责。

这张通行证在 AI 时代尤其重要。今天没有一套稳定的教科书，告诉我们怎样才算最好的 AI 工作方式。模型在变，产品形态在变，人和模型如何分工也在变。领先者掌握的常常不是一门已经定型的学科，而是比别人多做了若干轮实验。

因此，我不太担心一个人今天叫不出所有工具的名字。我更担心他把“不了解”说成“学不会”。不了解只是当前状态，下一次使用就可能改变；“学不会”会让他主动避开下一次使用。一个是知识缺口，一个是时间开关。后者一旦关上，差距才真的开始固定。

这类领先当然有价值。它能带来更好的直觉，也能减少一些低级错误。但它还没有坚硬到无法追赶。真正危险的，是一个刚开始的人把别人的几百次尝试看成天赋，把自己的第一次失败看成结论。

你跑得慢，未必是因为你学得慢。很多时候，是你太早相信自己跑不动，于是没有给学习留下足够的小时数。

这个判断不是我看见 AI 之后才有的。2009 年，我刚进清华软件学院时，已经被它结结实实地教育过一次。

我第一次知道，排序原来可以只写 .sort()

现在回头看，大学是一段焦虑和兴奋交织的日子，但也让我第一次深刻地理解自己。

当时计算机和软件远没有今天这么热门。软件学院在校内也算相对边缘的专业，不少同学原本想去的是建筑、水利、土木、经管、电子。大家对写代码的未来没有多少笃定，甚至有人把计算机看成可能已经见顶的行业。

另一层压力来自同学。班里有些人通过信息学竞赛进来，对算法和编程已经很熟；也有很多同学几乎从零开始。课堂进度却不会等人。对刚学会循环的人来说，旁边有人轻松写完作业，那种差距不是抽象的，它就显示在屏幕上。

我本人并非严格的零基础。初高中时我学过 Pascal，也参加过 NOIP。可我对工程项目几乎没有概念。我以为编程高手的标志，是能快速写出深搜、广搜、动态规划，能把一个算法从 $O(N^2)$ 优化到 $O(N \log N)$。谁能手写出漂亮的排序，谁就厉害。

这段经历后来让我看到一个很有意思的事实：所谓“零”经常是比较出来的。和完全没写过代码的同学相比，我已经有一点基础；和竞赛经历更深、可以很快完成题目的同学相比，我又觉得自己几乎什么都不会。只要一直向上看，每个人都能找到一个让自己显得像零的人。

比较本身没有问题。它可以告诉我们还有什么要学。麻烦出在我们把某个很窄的比较结果，扩大成对整个人的判断。竞赛能力测到了算法训练，却没有测一个人以后会不会做工程、能不能理解用户、是否愿意长期解决问题。大一那几个月里，我们看见的只是能力地图上很窄的一条线，却很容易把它当成整张地图。

大一的一个课程作业要求我们用 C#、Visual Studio 和一套提供好的 API 做局域网通讯。环境怎么配置，SDK 是什么，报错该去哪里查，我都很陌生。很多同学还在消化基础语法，就突然要面对一个完整项目，挫败感非常具体。

后来助教带我们打开 MSDN，演示字符串处理和排序。replace、substring、sort，很多功能不需要自己重新实现。一个 .sort() 调下去，排序就完成了。

我在那篇关于“启蒙算法”的回忆里写过，这一刻对我的冲击很大。原来写程序不等于把所有轮子再造一遍。别人已经做好的函数、API 和 SDK，可以拿来组合；真正要解决的是眼前的问题。

.sort() 没有让我立刻变成更好的程序员。它只是拆掉了一个错误前提：我不必先拥有全部底层能力，才有资格开始做项目。

调用现成函数也不等于底层知识失去价值。排序结果不对时，你仍要理解输入、比较规则和复杂度；项目规模变大之后，也要知道抽象在哪些地方会漏。变化在于学习顺序：我可以先借助已经存在的能力做出东西，在问题真正要求我往下钻时，再把那一层学深。

这是 API 经验与今天 AI 最相似的地方。新工具把一个更大的能力块放到了我们面前，让人可以先组合、先验证、先获得反馈。它没有替我们承担最终判断，却让“必须全部学完才能开始”这道门槛失去了合理性。

同学之间的初始差距也没有立刻消失。竞赛生依旧写得快，基础薄弱的人依旧要多学几遍、多问几次。可把尺度拉到四年，入学时那张能力排名表并没有整齐地延续到毕业。有人继续深耕技术，有人去了别的方向；很多刚入学时并不显眼的人，也掌握了足够多的东西。

因为四年里被考验的东西不断增加。写出一道题只是其中一部分，后面还有课程、项目、合作，以及对自己究竟想做什么的理解。新的维度一层层加进来，早期在单一维度上的排序自然会被改写。今天我们看 AI 也容易犯同样的错误：把“谁更会操作当前这代工具”当成未来全部能力的排名。

我后来想明白，大学四年如果是 100%，入学时令人绝望的领先，也许只是前面的 3% 到 5%。那几步确实存在，但没有我们在最恐惧的时候想得那么远。

真正让人掉队的，常常不是第一次作业不会，而是从第二次开始就不再认真做；不是别人懂得多，而是自己因为害怕，把可以用来学习的时间先撤走了。

AI 的 3%，比当年的 3% 更容易折旧

传统工程能力可以积累很久。你熟悉一门语言、一个代码库、一套基础设施，这些经验会在相当长的时间里继续有用。AI 工具上的领先却有些不同：今天花很大力气调出来的提示词和工作流，下一次模型升级之后，可能只剩一部分价值。

我在一篇讨论时代 Beta 的文章里写过类似的事。个人当然可以研究技巧，做出自己的优化；可底座模型一升级，许多原本需要复杂方法才能完成的任务，会突然变成普通人用自然语言就能做。大家共同得到的底座进步，时常比某个人短期攒下的技巧更大。

把 AI 使用能力拆开看，会更清楚。最外面一层是操作：知道工具在哪里，熟悉常用功能，会组织一段输入。中间一层是解决问题：能把模糊目标拆开，给模型足够的上下文，经过几轮来回得到可用结果。再往里是专业判断：知道什么值得做，什么结果算好，哪里有风险，最后愿意为选择负责。

当前很多显眼的先发优势集中在最外层，而这一层恰好折旧最快。按钮会换，模型会升级，昨天复杂的技巧可能被产品直接吸收。中间那层需要在实际问题里练习，后来者完全可以通过持续使用追上。最里面那层积累最慢，却未必掌握在工程师手里。医生、律师、销售、财务、设计师，以及任何长期做一件事的人，都带着自己的判断进入 AI。

所以“人人平等”没有把过去全部抹掉。它改变的是各种能力重新组合的方式。工程师带着技术判断来，非工程人士带着现场问题和行业经验来，双方都要补一层新的工具能力。没人真的从零开始，也没人只凭旧经验就自动获得答案。

这也是我在一次 Vibe Coding 的分享里说“我们在 AI 面前都一无是处”的原因。那句话不是贬低人的经验，而是提醒自己：别把刚学会的一套方法误认成稳定的护城河。今天的熟练者，也在一套不断移动的规则里学习。

现实研究里已经能看到局部差距被压缩的现象。NBER 收录的一项客服现场研究观察了 5,179 名员工。引入生成式 AI 助手后，平均生产率提高约 14%，新手和低技能员工的提升约 34%，而高经验、高基线员工的增益很小。研究者给出的一个解释是，AI 把优秀员工过去难以写进手册的做法，更快地传给了新人。

这项研究只发生在一家公司、一个任务类型里。它不能证明所有人三年后都会到 97%，更不能证明经验从此无用。但它至少展示了一种真实机制：当工具能够随时提供示范、反馈和下一步建议时，新人不必完全按照过去那条漫长的经验曲线前进。

另一项发表在 Science 的职业写作实验也看到了相近方向：453 名专业人士在使用 ChatGPT 后，平均完成时间下降 40%，输出质量提高 18%，初始表现较弱的人收益更大。它测的是一组中等难度、时间有限的写作任务，并非长期职业能力。可两项研究放在一起，至少让“工具有可能压缩特定任务上的起点差距”不再只是一句鼓励。

这里最值得注意的，不是某一个百分比，而是反馈来得更早。过去，新人可能要经过很长训练，才第一次做出接近可用的结果；AI 可以让他更快看到一版像样的东西，再从修改中理解标准。第一次正反馈提前，继续练习就更容易发生。信心和投入由此连接起来，不再只是抽象的心理口号。

所以，工程师今天的优势是真的，优势会折旧也是真的。否认前者，会让非技术的人低估复杂任务；看不见后者，则会让他们在开始之前就把未来让出去。

AI 面前的平等，不是每个人已有的能力被清零，而是所有人同时多了一层还没有固化的新能力。

对没有工程背景的人来说，这层能力并不是一张空白考卷。因为他们还带着一样工程师未必拥有的东西进入考场。

你不是空手来的

一个在某个行业工作多年的人，可能不会写代码，却知道什么问题每天都在发生，哪一步最浪费时间，哪种答案看起来正确但根本不能用。这些领域知识过去常常被实现门槛挡住：他能说出问题，却很难独自做出工具；工程师能做工具，却未必理解那个场景里真正重要的细节。

AI 降低的是两者之间第一次合作的成本。

“门外汉有优势”这句话也需要说准。不懂技术本身并不是优势。它会带来明显盲区：不知道实现代价，低估安全和维护，也可能看不出模型生成的东西哪里有错。真正有价值的身份，是一个领域里的当事人。他也许是技术的门外汉，却是问题的内行。

这类人拥有很多没有写在需求文档里的知识。他知道用户嘴上说的需求和最后愿意使用的东西可能有距离，知道一个流程为什么看起来多余却不能删，知道哪种错误可以补救，哪种错误会让整件事失去信任。模型可以帮忙把想法写成第一版，却很难凭空拥有这些长期形成的分寸。

工程师当然也可以成为这样的当事人。只要长期进入一个行业、持续面对真实结果，他同样会积累领域知识。所以这里没有“外行战胜专家”的固定剧本。新的组合更像是：谁更理解问题，谁就负责方向；谁更理解实现和风险，谁就负责把边界守住；AI 让他们少在中间的翻译和重复劳动上消耗。

非技术背景的人可以先用自然语言描述流程，让模型帮忙整理需求、做出原型、暴露遗漏。工程师也可以更快理解陌生行业，少走一些只在技术上漂亮、在业务里没有用的弯路。双方的专业没有消失，只是中间那段翻译和试做变便宜了。

这里面，领域知识至少承担四件事：

• 找出值得解决的问题，而不是只做一个看起来炫的演示；
• 补足模型不知道的现场条件，让答案不至于悬在空中；
• 判断输出是否真的可用，知道哪里需要请专业人士复核；
• 对最后的结果负责，而不是把“AI 说的”当成免责理由。

宝洁的一项跨职能实验很能说明这个变化。776 名商业与研发人员参与了模拟的新产品开发任务。没有 AI 时，两类人给出的方案明显偏向各自专业；使用 AI 后，单人也能提出更平衡的方案，输出质量达到或超过传统二人团队在这项任务中的平均水平。

这并不是说一个模型把商业专家变成了研发专家。更准确的理解是，AI 临时补上了一部分跨专业视角，让一个人能更早看到完整问题。真正决定方案有没有意义的，仍然包括他原来的行业经验、判断和取舍。

“更早看到完整问题”很重要。过去很多想法会死在第一次沟通之前：领域人士说不清实现，工程师也不愿意为一个尚未证明的需求投入太多。现在双方可以先做一版很粗的东西，把抽象争论变成具体反馈。第一版未必能上线，却足够帮助人发现自己想错了什么。试错成本下降之后，以前太小、太怪、太依赖现场知识的问题，也值得被拿出来试一次。

所以我反而认为，今天是非工程人士很值得投入的时点。你无需先把自己训练成另一个工程师，再来使用 AI。先把它接到自己最熟悉的工作里，用你的领域知识给它上下文，也用同一套知识检查它。

工程能力决定很多复杂系统的可靠性和上限，领域能力决定问题是否值得做、结果能否落地。AI 没有把这两种能力抹平，它让它们更容易在一个人或一个小团队身上相遇。

“腾讯做了怎么办？”

学会工具之后，还有第二层焦虑：已经跑在前面的人会不会把机会全部拿走？

2010、2011 年前后，创业者常被问一句话：“如果腾讯也来做呢？”这句话听起来很有道理。只要把市场想成一个固定盘子，腾讯多拿一点，其他人就少一点；巨头一旦进入，小团队几乎没有胜算。

后来发生的事并没有这么整齐。腾讯继续增长，2010 年成立的美团也长成了很大的公司，更多新服务在移动互联网里出现。这个事实不能证明巨头没有挤压过任何创业者，也不能把每次创业都解释成会成功。它只说明固定盘子的前提错了：技术变化会降低原来无法承受的成本，也会让过去不存在的需求变得可以被服务。

这和前面的 3% 模型其实是同一类错误。谈能力时，人们把今天很小的能力总量当成固定分母，于是几个月的领先显得不可追赶；谈机会时，人们又把今天的市场当成固定分母，于是一家大公司的增长就像吃掉了其他人的未来。

可分母一直在变。人的能力范围会随着三年练习变大，技术能服务的需求范围也会随着成本下降变大。我们在静止的截图里计算输赢，现实却已经换了一张更大的纸。

AI 也在扩大这样的空间。大公司更适合做通用模型和平台，却很难理解每个行业里细小、具体、需要长期现场经验的问题。有些需求对大公司太小，对一个熟悉它的人却足够重要。那个人不必在底层模型上赢过大厂，只要借用通用能力，把自己的问题解决得比别人更贴近现场。

先行者也不会因为先做出几个产品，就消费掉所有人的领域知识。一个工程师可以展示某种能力已经可行，却不知道一家小公司、一个专业岗位或一种生活场景究竟该怎样使用它。越多人开始尝试，常常不是把机会用完，而是让更多原来不值得解决的问题第一次有了经济可行性。

当然，先做仍有先做的好处。先行者更早接触用户，更早犯错，也可能建立品牌和分发渠道。盘子扩大没有取消竞争，只是让竞争不必只发生在同一个点上。后来者可以带着不同的领域知识，进入先行者不理解、也不愿意长期服务的角落。对一个大平台太小的市场，对一个人或一个小团队可能已经足够。

有人已经出发，不等于你的路被他走掉了。盘子变大时，领先者和后来者可能在不同的位置同时得到机会。

当然，机会不是平均发放的。大公司拥有算力、资本、数据和渠道，个人拥有的时间也不一样。AI 降低了一部分入门成本，没有取消商业、组织和资源上的差异。“人人平等”如果被说成“人人都会得到一样的回报”，就失去了意义。

更准确地说，平等发生在一个狭窄但重要的位置：一批过去只有少数技术人员能够调用的能力，开始通过自然语言向更多人开放。至于谁能稳定使用、谁有时间练习、谁能把结果变成产品和收入，后面仍有很长的因果链。入口变宽了，路上的条件没有因此完全相同。

这句话的边界

我愿意把观点说得锋利，也愿意把边界讲清楚。

3%/97% 模型有一个很强的假设：两个人之后投入了接近的有效时间，学习速度也大致相当。现实中当然不是这样。有人每天有完整时间探索，有人只能在工作和家庭之间挤出一点空隙；有人能接触付费工具、公司数据和同事反馈，有人没有这些条件。信心会影响投入，却不是投入的全部来源。

我仍然强调信心，是因为它属于个人能够影响的那部分变量。资源差距需要被承认，组织也应该提供工具、训练和尝试空间；但即使条件相同，两个人也可能因为对自己的判断不同，走出完全不同的使用频率。承认结构限制，不等于把手里还能决定的时间一并交出去。

专业判断也不会因为界面变成自然语言就消失。AI 在某些任务上能让新人快速接近熟手，在另一些任务上却会给出流畅、完整、方向错误的答案。越缺少领域知识，越可能不知道自己该在什么地方停下来核验。

哈佛商学院团队与 BCG 顾问进行的一项实验呈现了这种不对称：在模型擅长的任务上，使用 AI 的顾问完成得更快，质量也更高；到了模型能力之外的一项任务，使用 AI 的人答对的概率反而比不用的人低约 19 个百分点。

这个结果对我很有提醒。AI 使用时间多，不自动等于学习有效。让模型反复生成，再不加判断地接受，只会把错误做得更快。真正能积累的能力包括提问，也包括识别任务边界、核查输出、发现它什么时候只是在顺着你说。

而且，边界会移动。同一个任务，今天的模型做不好，下一代模型可能突然做得不错；同一个模型，换到另一种场景又可能失灵。固定背下一套“最佳实践”不够，使用者需要保留观察和怀疑：这次为什么有效？换一个输入还成立吗？我拿什么证据确认它没有编造？

这种判断只能在具体问题里长出来。看再多别人整理的技巧，也很难替代你亲自遇到一次错误、找到错误、修正错误的过程。专业知识在这里没有被 AI 绕开，它成为核验的尺子。没有尺子时，就要知道去哪里借一把，而不是把模型的流畅当成正确。

因此，“AI 面前人人平等”只适合用来反驳一种恐惧：我今天没开始，所以已经永远出局。它不能拿来否认专业训练，不能替一个产品的安全和质量背书，也不能解释所有人的职业结果。

那 3% 也可能很重要。在安全、架构、复杂工程和长期维护里，一点经验差距会放大成很大的结果差异。我的判断从来不是“学什么都无所谓”，而是“别因为还没学会，就拒绝开始”。

这条边界反而让行动变得简单。你不需要证明自己三年后一定能追上谁。你只需要让今天的时间不被一个未经验证的自我判断拿走。

先解决一个属于你的问题

很多人问应该怎样学 AI，潜台词是：有没有一套学完以后，就能确认自己没有落后的课程？

我认为很难有。工具还在变化，脱离问题去背一套操作，很快又会换名字。更可靠的起点，是从自己的工作和生活里找一个真实问题。它不必宏大，最好是你本来就知道怎样判断好坏、也愿意反复改进的事情。

我会用四个问题约束这种练习：

• 这个问题在现实里真的发生，还是我只想试一个新功能？
• 模型这次替我完成了哪一段，我自己补上了哪一段？
• 结果靠什么核验，出了错由谁承担？
• 下一次再做，我会把哪一步说得更清楚？

这几个问题没有追逐任何具体产品，也不会让人一夜之间变成专家。它们只是把注意力从“别人已经会什么”拉回到“我刚才学会了什么”。当练习围绕自己的问题展开，领域知识会不断提供反馈，AI 的用法也会从零散技巧慢慢长成稳定判断。

让 AI 先做一版。看它哪里理解错了，补充上下文，再做一版。涉及你不懂的专业结论，就去查证或请懂的人判断。把一次有反馈的使用变成下一次使用，而不是把一次失败变成身份结论。

这个过程看起来慢，却在累积真正的东西：你会逐渐知道怎样描述问题，什么信息必须提前给，哪些任务可以交出去，哪些结果一定要自己看。三年后的 97%，就是由这些不起眼的小时组成的。

不必规定每天一定使用多久。三年模型关心的也不是一次冲动式的通宵，而是工具有没有持续出现在真实任务里。只在焦虑时收藏教程，很难形成经验；隔一段时间就解决一个自己的问题，反而会让使用理由越来越具体。到那时，继续投入不再主要依靠意志力，因为你已经知道它能在哪些地方帮到自己。

我在大一看到 .sort() 时，并没有因此学会所有算法，也没有立刻赶上写代码最快的同学。那个瞬间的价值，是它让我接受了一种新的工作方式：先调用已有能力解决问题，再在真正需要的时候往下学。

今天的 AI 把这层可调用能力推得更远，也把同一个选择放到更多人面前。工程师可以用它跨出工程，做业务的人可以用它跨过一部分实现门槛；每个人仍要带上自己的经验，承担自己的判断。

大学时我需要克服的，是看见竞赛生之后产生的那句“我可能永远学不会”。今天很多人的对象换成了高频使用 AI 的工程师、创业者和内容创作者，心里的句子没有变。可那些看起来完整的作品，背后同样是一次次调用、修改、失败和重来。你看见的是别人积累后的截面，不能拿它判定自己的完整时间线。

先发者的 3% 是真的。后面的 97% 也是真的。

你不需要假装差距不存在。只要别因为看见了那点差距，就替三年后的自己提前宣布比赛结束。