不要只成为 AI 的使用者，要成为问题的主人

——大模型如何改变普通 Worker 的认知生产方式

今天，越来越多的人开始使用大语言模型：写邮件、做总结、生成文案、制作 PPT、查询资料、编写代码。表面上看，AI 带来的是效率提升；但如果我们只把它理解为一个更快的办公软件，就会严重低估这场变化。

大模型真正改变的，不只是某项工作的执行速度，而是普通人获取知识、组织信息、定义问题和生产解决方案的方式。它正在重新分配一种过去高度稀缺的资源：认知能力。

但这里存在一个容易被忽略的事实：AI 拥有巨大的潜在能力，并不意味着这些能力会自动转化为你的能力；模型能够回答无数问题，也不意味着它会主动找到那个真正困扰你的问题。AI 可以是一颗拥有丰富资源的星球，也可以只是一个悬浮在你面前、与你毫无关系的球体。决定两者差别的，不只是提示词技巧，而是一个人是否拥有足够强烈的问题意识。

一、文明压缩：AI 是人类知识的概率地图

以 GPT 一类大语言模型为例，它们在大规模语料上学习根据已有文本预测后续 token。Transformer 的注意力机制让模型能够根据上下文计算不同 token 之间的关系；扩大模型与训练数据规模，又显著增强了模型仅凭指令或少量示例完成不同语言任务的能力。¹

因此，我更愿意把大语言模型理解为：人类已经表达出来的知识、经验、语言和模式的一种概率压缩。它学习的不是一套固定答案，而是词语、概念、问题与回答之间极其复杂的统计关系。今天许多所谓的 AI 助手还会接入图像、代码、检索系统和外部工具，但这些附加能力不应与基础语言模型本身混为一谈。

模型并不直接等同于“人类共识”，更不等于真理。训练资料中的事实、偏见、错误、陈旧观点与主流叙事，都可能进入模型；模型也可能生成语气笃定却并不真实的内容。美国国家标准与技术研究院（NIST）把这种现象称为“confabulation”，并指出它与生成模型逼近训练数据统计分布的工作方式有关。²

但即使如此，大模型仍然形成了一张极其庞大的文明概率地图：当某个问题出现时，哪些知识可能相关，哪些概念经常相连，哪些方法曾被用于处理类似问题，哪些表达可能构成一个合理答案。

对普通 Worker 来说，这张地图首先抬高了认知的下限。

过去，一个人能够接触怎样的思想，很大程度上受家庭、学校、城市、职业和社会关系限制。如果身边没有工程师、律师、投资者、研究者或创业者，我们就很难持续获得这些专业领域的解释框架。更严重的是，当一个人不知道某个概念存在时，他甚至无法搜索它，因为他不知道应该搜索什么。

AI 在一定程度上改变了这种处境。普通人正在以更低门槛，让不同学科的语言同时进入一个具体问题：从工程学、经济学、心理学、历史学、系统科学和产品设计的角度，对同一个现象进行交叉审视。

它未必能让人立即成为专家，却可以帮助人迅速意识到：原来一个问题还有这么多变量；原来我过去使用的解释框架只是其中一种；原来我的认知边界并不是世界的边界。

因此，AI 的第一重意义，是让普通人接入人类已经积累并表达出来的知识结构。它既是一种认知外挂，也是一种文明基础设施。

但外接能力并不等于内在能力。AI 能抬高一个人的认知基准，却无法自动替他形成判断。共识不等于事实，流畅不等于正确，看起来完整的答案也不等于能够进入现实的方案。

二、语境复利：真正重要的不是 Prompt，而是人的长期 Context

多数人仍然按照传统搜索引擎的方式使用 AI：提出一次问题，获得一次答案，任务结束，语境清空。

这种方式当然有用，却只调用了大模型能力中比较浅的一层。

同一个问题，在不同的人生语境中，意味着完全不同的事情。例如，“我是否应该学习 Python”，对于准备转行的软件工程师、使用 Fluent 的热管理工程师、希望开发 AI Agent 的内容创作者，以及准备为企业提供 AI 培训的咨询者，根本不是同一个问题。

如果模型不知道提问者是谁，它只能给出一种普遍正确却缺乏针对性的答案：学习基础语法，完成几个项目，持续练习。

只有当模型逐渐理解一个人的长期目标、现实约束、已有能力、失败经历、判断原则、工作环境和正在推进的项目时，它才可能进一步回答：你为什么要学，哪些内容不值得学，应当从什么项目切入，怎样与既有能力组合，以及如何把学习结果转化为作品、收入和未来选择权。

因此，AI 时代真正重要的可能不只是 Prompt Engineering，而是 Personal Context Engineering——个人语境工程。

一个人的 Context 不只是某个文件或某次任务的背景，它包括其长期目标、职业位置、知识结构、关系网络、价值排序、决策记录、过往失败以及对未来的想象。它回答的是一个更根本的问题：这个答案究竟要进入谁的人生？

当这样的语境持续积累，AI 才可能从一个临时问答工具，逐渐转变为长期研究助理、编辑、教练与决策支持系统。每一次对话不再孤立存在，而是进入一个持续生长的认知系统。

但“长期 Context”不等于把所有人生资料塞进一个越来越长的对话框。研究发现，即使模型允许很长的输入，当关键信息处在长文本中间位置时，模型的利用效果也可能明显下降。³ 真正有价值的个人语境工程，因此还包括筛选、压缩、更新和在恰当时刻调取信息，而不是无限囤积。

长期 Context 也可能产生另一种风险：如果模型总是根据过去的你来预测未来，它也可能不断强化旧有偏好，把已经过期的自我定义固化下来。因此，一个成熟的个人语境系统不只记录“我是谁”，还应持续追问：哪些目标已经失效？哪些偏好只是过去环境的产物？什么证据能够推翻我原来的判断？

AI 不应只是记住你，还应该帮助你更新你自己。

三、坐标变换：AI 最强的能力，是重新定义问题

许多人把 AI 的优势理解为“知道得多”。但它更重要的能力，可能是把一个问题从原来的坐标系中取出，再放入另一个更容易求解的坐标系。

一个 Worker 下班后无法坚持学习，最常见的解释是“不够自律”。一旦问题被定义为意志力不足，解决方案自然就是制定计划、逼迫自己、延迟满足。

但如果把它放入不同学科的坐标系，问题会发生变化：

• 从行为科学看，它可能是启动成本过高、反馈周期过长；
• 从生理学看，可能是睡眠不足与认知疲劳；
• 从经济学看，可能是即时奖励和长期收益之间的时间折现；
• 从系统设计看，可能是任务粒度太大、环境阻力太强；
• 从项目管理看，可能是学习没有进入真实交付场景；
• 从投资学看，则可能是一个人把高质量时间配置在了低回报活动上。

问题一旦被重新定义，答案就不再是“更加努力”，而可能变成：缩小任务单位，改变时间安排，建立真实项目，缩短反馈周期，公开输出，或者让 AI 承担资料检索与初步结构化工作，从而降低行动门槛。

这就是我所理解的“高维优势”。模型中的大量参数不能被简单解释为“一项参数对应一种可能性”，但这些参数共同决定了一个高维表示与生成系统，使模型能够在概念、语言和任务之间建立复杂联系。

AI 的价值不是从高处给低维的人一个标准答案，而是帮助人扩展问题边界、切换分析坐标、生成多条可检验路径。很多困难并不是没有答案，而是人最初把问题放在了一个错误的坐标系中。

四、资源星球：为什么问题意识比答案更重要

我们可以把大模型想象成一颗新出现的星球。

这颗星球上有花草、河流、树木，也有煤炭、石油、铁矿、黄金、锂和各种尚未被命名的资源。它们静态地存在于那里，彼此之间也存在无数关系，但这些关系并不会自动为某个具体的人创造价值。

地球上的铁矿不会主动变成铁路，石油不会主动变成发动机，硅不会主动变成芯片，电磁现象也不会自动发展成互联网。资源转化为价值，需要有人提出问题：怎样更快地运输货物？怎样把热能转化为机械运动？怎样存储和处理信息？怎样让远距离的人即时通信？

资源只是可能性，问题才开始组织资源。

AI 也是如此。模型内部存在大量语言结构、知识模式、方法路径和跨学科关系，但在没有具体问题时，这些东西只是潜在能力。模型不知道你真正想改变什么，不知道哪些代价是你不能承受的，也不知道什么结果对你的人生最重要。

因此，真正决定 AI 对个人价值的，不只是模型参数量，也不是一次提示词是否写得漂亮，而是使用者是否能够带着问题进入其中。

所谓问题意识，并不是习惯在句子末尾加一个问号，而是对现实与可能之间差距的敏感。一个真正的问题至少包含三个要素：现在是什么，本来可能是什么，以及两者之间为何存在距离。

“怎样用 AI 写文章”更像一个任务；“为什么我已经写了很多内容，却没有形成一个可被搜索、引用和长期积累的知识体系”，才是一个问题。

“怎样学习 Python”只是宽泛请求；“我已经能够使用 Fluent 完成仿真，却不能理解控制方程，也无法自动化工程流程，怎样设计一条项目驱动的学习路径”，才开始具备真实结构。

问题越接近现实约束，AI 越容易组织有效资源；问题越能够暴露矛盾，模型越可能帮助人发现原本看不见的关系。

五、挖掘意识：第一轮回答只是矿石，不是成品

如果说问题意识决定去哪里挖掘，那么挖掘意识决定能够挖多深。

LLM 不是一本已经写好答案的百科全书，更像一座由语言、概念和关系构成的矿山。矿山中存在矿藏，但矿藏不会自己来到你面前。你必须知道为什么挖、从哪里挖、用什么方式挖、哪些东西值得保留，以及怎样把矿石进一步提炼为可使用的材料。

这意味着人与 AI 的协作不应只是“提问—回答”，而应该是一个持续循环：

发现问题 → 提出假设 → 补充语境 → 调用知识 → 寻找关系 → 质疑答案 → 发现遗漏 → 寻找反例 → 重新定义问题 → 进入现实验证

真正高质量的 AI 使用，并不是模型第一次就给出完美答案，而是使用者能够察觉：这个答案虽然流畅，但还遗漏了什么；虽然理论上正确，但为什么无法执行；虽然符合常识，但是否存在反例；虽然给出了方法，但是否触及了真正的问题。

因此，“质问 AI”并不是与机器争论，而是在主动控制认知过程。你需要持续追问：

• 你忽略了哪些变量？
• 你的结论依赖哪些假设？
• 哪些证据能够推翻它？
• 从其他学科看，这个问题会被怎样重新解释？
• 如果把建议放进现实，最小验证实验是什么？失败标准又是什么？

当一个人能够这样使用模型，他就不再是在向 AI 索取答案，而是在主持一次认知勘探。

六、Problem Agency：问题的主权必须属于人

今天的 AI Agent 已经可以在语言模型之外连接搜索、数据库、代码执行器和其他工具，并在“推理—行动—观察结果”的循环中继续任务。ReAct 等研究展示了这种把推理轨迹与外部行动交错组织的方法。⁴

从表面上看，AI 正在获得越来越强的 agency。但这种 agency 通常仍然运行在一个已经设定的目标与权限边界之中。AI 可以越来越自主地决定“怎样完成”，却未必知道“为什么要完成”；它可以优化一条路径，却不一定知道这条路径是否值得占用一个人的生命；它可以实现目标，却无法替你决定实现目标之后是否会失去更重要的东西。

因此，比 AI Agency 更重要的是人的 Problem Agency——问题主体性。

问题主体性意味着，一个人不只是接受组织、平台或他人分配的任务，而是能够主动感知问题、定义问题、选择问题，并为最终方向承担责任。

传统组织中的普通 Worker，长期被训练为任务接受者：修改一张图，填写一张表，跟进一个订单，完成一份报告，处理一个异常。在这种体系里，问题通常已经由上级定义，Worker 的价值主要体现为按时、准确地交付。

目标、输入和输出越容易被清楚描述，一项任务通常越容易进入 AI 辅助或自动化流程。关于大语言模型劳动市场影响的早期研究也采用了“任务暴露度”而非“岗位消失率”来评估这种变化，并明确提醒：暴露不等于机器会完整替代一个职业，也不等于某种采用时间表必然发生。⁵

在我看来，未来更稀缺的价值会继续向任务的上游迁移：谁发现了异常，谁意识到流程存在系统性问题，谁能看见不同资源之间尚未建立的关系，谁能够判断哪个问题值得投入，以及谁愿意为结果负责。

因此，Worker 需要完成一次身份迁移：

任务接受者 → 问题发现者 → 问题定义者 → 问题解决者 → 问题资产的拥有者

最后一步尤其关键。发现并解决一个问题，只会给人留下经验；只有当解决方案被进一步沉淀为操作规范、自动化工具、数据模型、方法论、文章、课程、开源项目或产品时，问题解决能力才真正转化为个人资产。

不要只替组织解决问题，还要理解自己在解决什么问题，并在合乎合同、知识产权与职业伦理边界的前提下，尽可能获得解决方案的长期所有权。

七、借来的智能，不等于自己的人力资本

AI 还会制造一种危险的错觉：因为答案可以迅速生成，人便误以为知识已经属于自己。

用 AI 生成一段代码，不等于掌握编程；让 AI 分析一家公司，不等于具备投资判断；用 AI 写出一篇文章，也不意味着形成了稳定的思想能力。

AI 提供的是一种外部认知资本。真正属于个人的人力资本，必须经过练习、反馈、判断和内化。

这个转化过程可以被概括为：

借用智能 → 进入真实任务 → 接受现实反馈 → 内化为能力 → 沉淀为资产

如果缺少真实任务，人会停留在“看懂了”的幻觉中；如果缺少反馈，错误的理解会被持续强化；如果缺少资产化，能力又会被一次次消耗在短期劳动里。

因此，在 Human Capital ETF 中，AI 不应该被视为一个独立仓位，而应该成为贯穿 Core、Growth、Distribution 和 Meta 的认知基础设施：它帮助 Worker 提升职业能力，加速学习和项目训练，放大内容分发，并持续复盘和优化个人系统。

但 AI 能否真正进入 Human Capital，取决于一个人是否保留了四种权利：目标定义权、最终判断权、现实行动权和成果所有权。

八、AI 时代，Worker 真正的认知生产函数

把这些关系整合起来，AI 对 Worker 的价值可以被理解为一条完整链条：

问题意识 → 问题定义 → 长期 Context → AI 高维搜索 → 关系挖掘 → 批判纠偏 → 现实验证 → 能力内化 → 成果资产化

AI 可以极大强化链条的中间部分：检索、组织、比较、推演、表达、生成和自动执行。但链条的起点和终点仍然属于人。

起点是：什么问题值得解决？

终点是：解决问题之后，留下了什么？

如果没有问题意识，再强的模型也只是一个等待调用的资源库；如果没有现实验证，再完整的回答也只是语言；如果没有成果所有权，再高效的劳动也可能只是帮助他人积累资产。

AI 时代真正的分化，可能不会简单发生在“使用 AI”和“不使用 AI”的人之间，而会发生在两类使用者之间。

第一类人消费 AI 的输出。他们用 AI 写邮件、做总结、生成 PPT、完成临时任务，获得即时效率。

第二类人用 AI 建立复利系统。他们持续整理自己的语境，发现真实问题，进入陌生领域，把工作经验抽象成方法，把方法转化为内容、代码、流程和产品，并在现实反馈中不断修正。

前者获得的是更快的劳动，后者获得的是更大的未来选择权。

结语：成为问题的主人

AI 不是一个自动向人输送价值的世界，而是一颗等待被问题激活的资源星球。

模型拥有知识关系的潜能，人拥有方向；模型可以展开可能性，人必须决定什么值得追求；模型可以提出路径，人必须进入现实、承担后果，并把结果转化为属于自己的能力和资产。

因此，AI 的能力上限由模型决定，AI 对一个人的价值上限，则由这个人能够发现和定义什么问题决定。

未来真正稀缺的，不只是能够回答问题的人，而是能够看见问题、重新定义问题、持续挖掘问题，并最终拥有解决方案的人。

不要只用 AI 替你劳动，要用 AI 帮你把劳动变成资产。

不要只成为 AI 的使用者，要成为问题的主人。

参考资料