最近，我越来越强烈地感受到一种变化。
以前，遇到一个问题，我会打开搜索引擎，查资料，翻文档，找案例，然后自己整理信息、分析问题，最后想办法解决。
现在，很多事情有了另一种做法。
我可以把一个模糊的想法告诉 AI，让它帮我梳理思路；可以让它分析一份复杂的材料，整理出关键问题；可以让它协助我写代码、设计方案，甚至把一个初步的产品想法变成能够运行的原型。
有时候，我只需要描述自己想做什么，就能得到一个过去需要花费不少时间才能完成的初步结果。
这种变化让我兴奋，也让我有些不安。
我开始想：如果 AI 能力继续提升，那么不会使用 AI 的人，会不会逐渐失去竞争力？
甚至，会不会像过去不识字的人难以适应现代社会一样，不会使用 AI 的人，也会成为新时代的“文盲”？
这个说法听起来有些夸张。
毕竟，不会使用 AI，不意味着一个人没有知识、没有经验，也不意味着他无法工作和生活。
但我觉得，这个问题值得认真思考。
因为我担心的，并不是自己少掌握了一个工具，而是当整个社会获取信息、完成工作和创造价值的方式发生变化时，我是否还在使用一套已经不再高效的工作方式。
真正值得警惕的，也许不是不会使用 AI，而是当新的能力已经出现时，我们却没有意识到自己的工作方式正在发生变化。
一、每一次工具革命，都会重新定义一部分人的基本能力
回头看，人类的能力边界一直在随着工具变化。
文字出现之前，人们主要依靠口述、记忆和直接经验传递信息。文字普及之后，人类获得了记录复杂知识、跨越时间传播经验的能力。
印刷术降低了知识复制和传播的成本。
计算机和互联网进一步改变了信息处理、交流与协作的方式。
在这些变化中，人类并没有因为工具的出现就失去原有能力，但社会对基本能力的要求确实发生了变化。
今天，一个人即使拥有丰富的生活经验，如果完全无法阅读文字，也很难独立处理大量现代社会中的事务。
不会使用计算机的人，也可能在某些工作和生活场景中受到限制。
当然，文盲、数字能力不足和不会使用 AI，并不是完全相同的概念。它们的社会影响、普及程度和解决方式都有区别，不能简单画上等号。
但它们之间存在一个值得关注的共同点：
当某种工具逐渐成为社会协作和价值创造的重要基础时，理解并使用这种工具的能力，就可能从额外优势变成基本门槛。
AI 正在朝这个方向发展。
它不再只是研究人员或者技术专家使用的工具，而是逐渐进入写作、编程、办公、教育、设计、数据分析和日常信息处理等场景。
一个人是否使用 AI，可能会影响他获取信息的速度、处理复杂任务的成本，以及把想法转化为结果的效率。
过去，两个人完成同一项工作，能力差异可能主要体现在知识储备和熟练程度上。
现在，在其他条件相近的情况下，善于借助 AI 的人，可能能够更快地探索方案、处理资料、验证想法。
这种差异不一定立刻决定一个人的命运。
但如果它长期存在，并且不断累积，就可能逐渐拉开差距。
这才是我开始认真对待 AI 的原因。
二、真正的差距，可能不是会不会使用 AI，而是能不能借助它完成事情
刚接触 AI 时，我也容易把注意力放在工具本身。
哪个模型更强，哪个产品功能更多，哪个提示词更有效，哪个工作流更先进。
这些信息确实有用。
但研究得越多，我越觉得，工具本身并不是最重要的问题。
因为即使两个人使用同一个 AI 工具，最终获得的结果也可能完全不同。
一个人让 AI 帮自己写一份报告，拿到结果之后直接复制粘贴。
另一个人先解释报告的用途、读者、背景和限制条件，再让 AI 提供初稿，接着检查关键数据、调整论证逻辑，最后结合自己的实际情况完成交付。
他们都可以说自己会使用 AI。
但两个人真正获得的能力，并不一样。
前者主要是在调用一个生成工具。
后者则是在利用 AI 完成一项任务。
差异在哪里？
我认为，至少有三个层面。
第一个层面，是能否把问题说清楚。
很多时候，我们自己都没有完全想明白要解决什么问题，自然也很难指望 AI 直接给出理想答案。
第二个层面，是能否判断结果是否可用。
AI 给出的内容可能很流畅，也可能结构完整，但其中仍然可能存在事实错误、逻辑漏洞或者不符合实际约束的地方。
第三个层面，是能否把结果放回真实环境中使用。
一份报告是否真的帮助了决策？一段代码是否满足业务要求？一个方案是否能够在现有系统中落地？这些都不能只靠生成结果来判断。
所以，我开始重新理解“会用 AI”这件事。
它不只是知道在哪里输入问题，也不只是掌握一些提示词技巧。
它更像是一种新的工作能力：借助 AI 降低某些任务的执行成本，同时仍然能够对目标、过程和结果负责。
如果只是知道 AI 很厉害，却从未让它帮助自己解决一个真实问题，那么这种了解很难形成实际竞争力。
反过来，即使一个人不熟悉复杂的技术术语，只要他能够找到合适的使用场景，清楚地表达需求，认真检查结果，并持续改进自己的做法，也可能从 AI 中获得很大帮助。
这让我意识到：
AI 素养的核心，不是会多少技巧，而是能不能把工具转化为解决问题的能力。
三、我最担心的，是自己在不知不觉中被分成了两个版本
作为一个程序员，我对技术变化并不陌生。
我经历过不同技术栈的更新，也见过很多曾经热门的工具逐渐退出主流。
所以，面对 AI，我并不认为自己必须掌握每一个新工具。
真正让我警惕的是，自己可能在同一份工作里，逐渐形成两个完全不同的版本。
一个版本，仍然按照过去熟悉的方式工作。
遇到问题，先自己查资料；需要写材料，从空白文档开始；需要分析方案，先花大量时间收集信息；想尝试一个新项目，先考虑自己有没有足够的时间和技术能力。
这种工作方式并没有错。
很多问题依然需要独立思考，很多复杂任务也不能依靠 AI 一步完成。
但另一个版本，会在适当的时候重新审视任务。
哪些工作需要我亲自判断？
哪些工作可以交给 AI 辅助完成？
哪些问题可以先通过 AI 快速探索，再决定是否投入更多时间？
哪些重复劳动可以沉淀为自动化流程？
哪些过去因为成本太高而没有尝试的想法，现在值得重新验证？
这两个版本最大的差别，不是一个人更努力，另一个人更懒惰。
而是他们对自己的能力边界，有着不同的理解。
第一个版本，仍然把很多过去需要自己完成的工作，视为必须亲自承担的任务。
第二个版本，则开始把自己的精力更多地放在问题定义、关键判断、结果验证和真正需要人负责的部分。
如果两个人长期保持这样的差异，他们积累的经验可能也会走向不同的方向。
一个人积累了越来越多的手工操作经验。
另一个人除了积累专业经验，还逐渐形成了使用 AI、设计流程和组织工作的方法。
这并不意味着后者在所有场景下都更优秀。
但在适合 AI 介入的任务中，后者可能拥有更大的产出空间。
我不想因为担心落后，就否定过去的工作方式。
我更希望自己能够分清：哪些经验依然重要，哪些习惯只是过去工具条件下形成的限制。
过去有效的方法，可以继续保留。
已经发生变化的任务，则值得重新设计。
这才是我理解的适应变化。
四、不会使用 AI 的人，真的会被淘汰吗？
我觉得，不能这么简单地回答。
因为一个人的价值，从来不只由工具使用能力决定。
一个经验丰富的医生，不会因为不擅长使用某个 AI 产品，就立刻失去专业价值。
一个熟悉真实业务、善于沟通协调的人，也不会因为不懂提示词，就必然无法胜任自己的工作。
很多工作依赖长期积累的经验、人与人之间的信任、复杂的现场判断，以及对结果承担责任的能力。
AI 可以辅助这些工作，但并不能自动替代其中的所有部分。
而且，不同职业、不同组织、不同工作场景，对 AI 的依赖程度也不一样。
因此，把不会使用 AI 的人称为“新文盲”，很容易制造不必要的恐惧，也容易忽略真实的差异。
但我认为，另一种风险确实存在。
如果一个人的工作中，有大量任务已经能够通过 AI 更低成本地完成，而他既不了解这些变化，也没有尝试调整工作方式，那么他的工作效率和市场竞争力可能会受到影响。
这里的关键不是他有没有使用 AI，而是他是否仍然停留在一种已经逐渐失去优势的工作模式中。
同样，一个人即使每天都在使用 AI，也不代表他一定拥有竞争力。
如果他只是不断生成内容，却无法判断内容的价值；不断开发工具，却没有解决真实需求；不断追逐新产品，却没有积累可以迁移的能力，那么他也可能陷入另一种低效。
一种人拒绝新工具，另一种人迷失在新工具里。
表面上，他们的选择完全相反。
但从长期成长来看，他们可能犯了同一个错误：
把工具本身当成目标，而不是把工具当成实现目标的手段。
所以，我更愿意把问题换一种问法：
不是不会使用 AI 的人，会不会成为新文盲。
而是当 AI 正在改变工作方式时，一个人是否还拥有主动理解变化、学习新能力和重新设计工作的意愿。
这比会不会使用某个产品，更值得关注。
五、对于一个四十岁的程序员，我应该怎样补上这一课？
写到这里，我开始把这个问题拉回自己身上。
我已经工作十几年，有一定的技术积累，也有自己的工作方式。
我不可能把过去所有经验推倒重来，更不应该因为 AI 出现，就把自己变成一个每天追逐新工具的人。
我的时间有限，家庭和工作也有现实约束。
如果我把所有精力都投入学习 AI 产品，却没有让它真正改善自己的工作和生活，那么这种学习本身就可能变成新的负担。
所以，我希望自己从真实的问题出发，而不是从工具列表出发。
先找到一个反复出现的真实问题
我可以从日常工作中选择一项经常重复、耗费时间、结果又相对容易检查的任务。
例如整理技术评审意见、汇总问题清单、分析会议材料，或者把零散的工作记录整理成阶段性总结。
先不追求复杂的自动化，也不必一开始就建立完整的 AI 工作流。
只要找到一个具体任务，尝试让 AI 帮助自己完成其中一部分。
记录使用前后的真实差异
我不只关心 AI 能不能生成结果，还要观察它究竟带来了什么变化。
是否减少了重复劳动？
是否提高了初稿质量？
是否让我更快发现遗漏？
我是否花了更多时间检查和修正结果？
如果总耗时并没有下降，或者错误风险反而增加，那么我就需要调整用法，甚至判断这个场景是否适合 AI。
不能因为工具很先进，就假设它一定有价值。
把有效的方法沉淀下来
如果某种使用方式确实有效，我就可以记录它适用于什么任务，需要提供哪些背景，哪些地方必须人工检查，以及什么情况下不应该使用。
经过几轮真实验证后，它才可能从一次偶然成功，变成能够重复使用的方法。
这也是我过去做技术工作时熟悉的思路：先验证，再固化；先解决一个具体问题，再考虑是否值得推广。
逐渐把注意力转向更高价值的工作
当一部分重复劳动得到改善后，我不希望只是把节省下来的时间继续塞满更多任务。
我更想把时间投入到那些过去一直没有足够精力处理的事情上。
例如，深入理解业务问题，改进系统设计，探索新的产品方向，或者持续积累自己的内容与方法。
AI 帮助我节省时间，最终应该服务于更重要的目标。
否则，我可能只是用更先进的工具，让自己以更快的速度变得更加忙碌。
六、比学会使用 AI 更重要的，是保留自己的判断力
我还发现一个值得警惕的现象。
当 AI 能够快速给出答案时，人很容易减少独立思考的时间。
遇到问题，先问 AI。
得到方案，直接采用。
出现分歧，再让 AI 解释。
久而久之，我们可能越来越熟练地获取答案，却越来越少检查自己是否真正理解了问题。
这并不是 AI 独有的问题。搜索引擎、导航软件以及其他辅助工具，也可能让人减少某些主动判断。
但 AI 的特殊之处在于，它不只是提供信息，还能生成看起来完整、连贯、具有说服力的解释。
当答案足够流畅时，人更容易产生一种错觉：既然它说得这么清楚，应该就是对的。
对我这样的程序员来说，这尤其值得注意。
如果我把 AI 生成的代码直接交付，却没有理解关键逻辑，那么当系统出现问题时，我可能无法有效定位故障。
如果我把 AI 整理的分析直接当成结论，却没有核实关键事实，那么报告写得再漂亮，也可能误导决策。
如果我让 AI 帮自己规划人生，却不去思考自己真正想要什么，那么我可能得到一份结构完整、看起来非常合理，却并不适合自己的计划。
因此，我希望自己建立一种习惯：
让 AI 帮我扩展思考，而不是替我放弃思考。
我可以先独立判断，再让 AI 提供不同观点。
也可以先让 AI 给出方案，再要求它列出假设、风险和反例。
对于关键结论，我要寻找证据，而不是只看表达是否有说服力。
对于涉及真实后果的决定，我仍然需要结合自己的处境，承担选择的责任。
使用 AI 的目的，不是让自己越来越依赖一个外部答案系统。
而是借助它，让自己能够更全面地思考、更快地验证，并在重要问题上做出更好的判断。
七、真正需要担心的，也许是自己逐渐失去学习新事物的能力
如果把视角再拉长一点，我觉得 AI 带来的挑战，不只是某项具体技能会不会过时。
而是我们是否愿意持续更新自己的能力结构。
对于一个已经有多年工作经验的人来说，过去的成功很容易变成一种惯性。
我熟悉当前的工作方式，知道怎样把任务完成，也积累了一套相对稳定的判断标准。
这些经验帮助我建立了职业能力，也让我获得了一定的安全感。
但与此同时，它们也可能让我不愿意重新学习。
因为学习新东西需要投入时间，需要承认自己暂时不熟悉，也意味着过去积累的一部分经验可能需要调整。
尤其当工作和家庭都需要精力时，我很容易告诉自己：等忙完这一阵，再研究 AI；等手头的事情少一些，再尝试新的方法。
问题是，生活很少会自动空出一段完美的学习时间。
如果我总是等待条件成熟，最后可能什么都没有改变。
所以，我不希望自己把 AI 学习变成一个庞大的长期项目。
我更愿意把它融入现有工作和生活中。
每天遇到一个问题时，多问一句：这里有没有适合 AI 介入的部分？
完成一项任务后，回头看看：哪些步骤其实可以简化？
尝试一个新工具时，不急着把它加入自己的工具箱，而是先观察它是否真的解决了问题。
这种学习不一定轰轰烈烈，却更接近我希望建立的长期习惯。
我不需要成为最早掌握所有新技术的人。
但我希望自己不要因为习惯了旧的方法，就拒绝理解新的可能性。
八、AI 时代，我不想成为一个只会使用工具的人
现在回头看，“不会使用 AI 的人，会不会成为新的文盲”这个问题，我觉得还有另一层含义。
它其实在提醒我：当获取知识和完成任务的方式发生变化时，我是否有能力重新理解自己的位置？
如果我只关注自己会不会使用某个工具，那么我的学习很容易停留在表面。
今天学会一个产品，明天又出现一个新产品；今天掌握一套提示词，过段时间交互方式又发生变化。
工具可以不断更新，但我的时间和精力是有限的。
因此，我希望建立的不是对某个工具的依赖，而是一套更稳定的能力。
我能够发现问题，知道自己需要什么。
我能够与 AI 有效协作，把模糊的想法逐渐转化为清晰的任务。
我能够验证结果，识别风险，并对最终交付负责。
我能够把有效的方法沉淀下来，让一次工作经验成为下一次工作的基础。
我也能够判断什么时候应该使用 AI，什么时候应该亲自思考，什么时候应该向真实的人请教，什么时候则应该承认目前还没有足够的信息。
这些能力不会因为某一个 AI 产品升级就完全失效。
它们反而能够帮助我适应不同的工具和工作环境。
对于一个四十岁的程序员来说，我希望 AI 不只是让我在当前岗位上提高效率。
我也希望它能够降低我尝试新方向的成本。
过去，一个人想做一个产品，可能需要投入大量时间学习开发、搭建环境、编写代码和处理各种技术细节。
现在，AI 可以帮助我更快地完成原型，让我把更多精力放在问题是否真实、方案是否可行，以及有没有人需要这个产品上。
过去，我想把自己的经验写成文章、整理成方法或者分享给更多人，可能会被资料整理、结构组织和表达成本拖慢。
现在，AI 可以成为辅助，让我更容易把已经积累的认识转化为可以传播的内容。
但它不能替我决定什么值得表达，也不能自动替我建立真实的经验和长期的信任。
这些事情，仍然需要我自己投入。
我开始意识到，AI 真正吸引我的地方，不只是它能帮我完成多少工作。
而是它可能让我用更低的成本，尝试过去因为资源不足而没有机会尝试的事情。
这意味着，我不必只围绕当前岗位重新安排自己的未来。
我可以继续做好本职工作，同时逐步探索新的能力、新的产品和新的价值来源。
这并不是说每个人都应该创业，也不是说每个人都必须成为内容创作者。
而是当工具降低了尝试的成本时，我们可以重新审视自己的选择空间。
也许这才是我真正想从 AI 时代获得的东西。
九、我不想用“文盲”吓唬自己，而是想让自己保持更新
写到最后，我对这个问题有了一个更明确的理解。
不会使用 AI 的人，不一定就是新时代的“文盲”。
一个人是否拥有价值，不应该被某个工具的使用熟练度简单定义。
但如果 AI 已经能够显著改变自己所处领域的工作方式，而自己长期拒绝理解它，那么确实可能逐渐失去一部分原有的优势。
同样，如果一个人掌握了很多 AI 工具，却缺乏独立判断、问题理解和实际交付的能力，也不能因此获得真正稳定的竞争力。
所以，我不想把自己的目标设定为“必须学会所有 AI 工具”。
这个目标太大，也没有必要。
我更希望自己能够持续回答三个问题。
第一，我现在做的事情，有没有可以借助 AI 改进的地方？
不为了使用 AI 而使用，而是从真实问题出发，寻找值得改善的环节。
第二，我有没有把 AI 带来的效率，转化成真正有价值的结果？
节省了多少时间并不是唯一标准。更重要的是，我是否因此解决了过去难以解决的问题，创造了新的成果，或者为自己留下了更多自主安排的空间。
第三，我是否依然在积累属于自己的能力和资产？
我希望自己不仅能够调用 AI，还能够理解问题、判断结果、形成方法，并把这些能力沉淀成长期价值。
对我来说，这三个问题，比每天追踪多少新模型、学习多少提示词，更值得持续关注。
我已经四十岁了。
我没有必要因为新的技术浪潮，就把过去积累的一切都看成负担。
但我也不能因为过去已经积累了很多，就假设未来一定会按照熟悉的方式发展。
我需要做的，是让过去的经验与新的工具结合起来，让自己在变化中不断调整，而不是一味守着旧方法，也不是盲目追逐新工具。
AI 时代，我不想成为一个被工具淘汰的人。
但我同样不想成为一个每天忙着研究工具，却忘记自己究竟想做什么的人。
我希望自己能够借助 AI，更好地理解问题，创造有价值的东西，并逐渐拥有更多选择。
因为对我来说，学习 AI 的最终目的，不是证明自己跟得上时代。
而是让自己在时代变化的时候，依然有能力安排自己的生活。
我是语霖。
执笔为语，心落成霖。
希望用文字和声音，记录一个40岁程序员重新设计人生系统的过程。
我们下期接着聊。