The Age of De-Skilling

Will AI stretch our minds—or stunt them?

By Kwame Anthony Appiah

人工智能会拓展我们的思维，还是阻碍其发展？

插图：马特奥朱塞佩帕尼 / 《大西洋月刊》

2025年10月26日，美国东部时间上午6点

相关担忧已从窃窃私语升级为高声喧嚣，且都围绕着同一个令人不安的主题：“ChatGPT影响下的大脑”“人工智能正让你变笨”“人工智能在扼杀批判性思维”。曾经，人们害怕的是失控的智能会将人类消灭，甚至可能在这个过程中把地球变成一座回形针工厂。如今，聊天机器人正走上谷歌的老路——从“神奇之物”变成“理所当然的存在”，人们的焦虑也随之转变，从对“世界末日”的恐惧转向对“能力衰退”的担忧。尤其是教师们表示，他们开始看到这种“衰退”的迹象。描述这种现象的术语虽不悦耳，却也贴切：去技能化。

这种担忧绝非空想。如果孩子依赖Gemini总结《第十二夜》，他们可能永远无法学会独立品读莎士比亚的作品。如果胸怀大志的律师借助Harvey AI（法律领域AI）进行法律分析，他们可能无法培养出前辈们视为理所当然的解读能力。在近期一项研究中，数百名英国参与者完成了标准的批判性思维测试，同时接受了关于使用人工智能获取信息或做决策的访谈。结果显示，年轻使用者对这项技术的依赖度更高，测试得分也更低。“用进废退”是该研究最核心的结论。另一项研究关注了医生进行结肠镜检查的情况：在使用人工智能系统辅助识别息肉三个月后，医生在不借助该系统时识别息肉的能力明显下降。

但真正的谜题不在于“去技能化”是否存在——它显然是存在的——而在于它究竟属于何种性质。所有形式的去技能化都会产生负面影响吗？还是说，有些去技能化是我们可以接受的，甚至是值得欢迎的？“去技能化”是一个笼统的术语，涵盖了多种截然不同的能力丧失情况：有些会带来损失，有些无关紧要，还有些反而会催生新的可能。要弄清楚其中的关键，我们必须仔细观察：当新技术出现时，技能会以何种方式逐渐减弱、消失或发生改变。

如今的聊天机器人算是新技术：它们所依赖的“Transformer”架构诞生于2017年，而ChatGPT在五年后才首次公开亮相。但“新技术可能会削弱人类思维”的担忧却由来已久。早在公元前4世纪的《斐德罗篇》中，苏格拉底就讲述了这样一个神话：埃及神透特将“书写”这一礼物献给国王塔姆斯，称其是“记忆与智慧的秘诀”。但塔姆斯对此不为所动。他警告说，书写会产生相反的效果：它会滋生健忘，让人们用纸上的符号取代记忆的努力，将“理解的表象”误认为“理解本身”。苏格拉底支持塔姆斯的观点。他抱怨道，文字永远无法回应你提出的具体问题；无论是智者还是愚者，文字对所有人的回应都是一样的；而且当人们误解文字时，文字也无能为力。

当然，我们之所以能知晓这一切——这段故事之所以能不断出现在辉格党式的科技史叙述中——正是因为柏拉图将其写了下来。但反对书写的人也并非完全错误。在口头文化中，吟游诗人能将史诗记在脑海里；非洲部落的格里奥（说书人）能随口说出数百年的族谱。而书写的出现让这些非凡的能力变得不再必要。人们无需深入思考，就能理解他人的想法。对话需要回应：或是澄清疑问，或是提出反对，或是修正观点（有时一句“苏格拉底，您说得太对了”就能起到作用，但即便如此，对话仍在继续）。相比之下，阅读时你只需沉浸在他人的智慧中，点头认同，却无需通过自我检验来印证这些智慧。

不过，从某个角度看是“损失”的东西，换个角度或许就是“收获”。书写为人类开辟了新的思维领域：评论文章、法学理论、可靠的历史记载、科学研究。研究口头文化与文字文化的学者沃尔特J.翁曾精辟地指出：“书写是一种能重构思维的技术。”这种模式并不陌生。当水手开始使用六分仪时，他们便不再需要掌握水手的“观天技艺”——那种曾指引他们安全返航的、对星辰的细致观测能力。后来，卫星导航的出现又让六分仪技能彻底消失。过去，拥有一辆福特T型车意味着你得兼职做机械师——要知道如何修补内胎、凭听觉调整点火正时、在引擎熄火后想办法让它重新启动。如今，性能高度可靠的引擎将这些“秘密”隐藏了起来。计算尺被计算器取代，计算器又被电脑取代。每一次技术更迭，个人的精湛技艺都会随之减弱，但整体效率却在提升。

这种“有所失，必有所得”的模式确实令人安心。但有些收获背后，隐藏着更深层的代价。它们不仅改变了人们“能做什么”，还改变了人们“认为自己是谁”。

20世纪80年代，社会心理学家肖莎娜祖博夫曾在美国南部的纸浆厂进行调研，当时这些工厂正从人工操作转向计算机控制。曾经，操作员需要通过触摸来判断纸浆的状态（“它滑吗？它粘吗？”）；如今，他们只需坐在有空调的房间里，看着数字在屏幕上滚动，过去的技能既无人使用，也无人重视。一位操作员告诉祖博夫：“通过电脑工作，感觉完全不一样。就像你骑着一匹强壮的骏马，但有人坐在你身后的马鞍上，握着缰绳。”新系统速度更快、更清洁、更安全，但也让工作失去了原本的意义。

社会学家理查德森内特也记录了波士顿一家面包店的类似变化。20世纪70年代，店里的工人都是希腊男性，他们靠嗅觉和视觉判断面包是否烤好，并为自己的手艺感到自豪；到了90年代，接替他们的工人只需操作带有Windows风格控制器的触摸屏。面包变成了屏幕上的图标——它的颜色由数据推断得出，品种则从数字菜单中选择。技能的弱化伴随着身份认同的弱化。面包依然美味，但厨房工人知道，自己不再是真正的面包师了。有人半开玩笑地对森内特说：“烘焙、制鞋、印刷——随便你说什么手艺，我都‘会’。”言外之意是，他其实根本不需要掌握任何真正的技能。

在文化领域，人类与“实物的接触”无疑早已逐渐减少。在19世纪欧洲的中产阶级家庭中，热爱音乐通常意味着会演奏音乐。交响乐要进入客厅，靠的不是音响，而是钢琴改编版——两个人四只手，在一架钢琴上，尽最大努力演绎勃拉姆斯的《第一交响曲》。这需要技能：识谱、掌握演奏技巧、用手指勾勒出交响乐的意境。要听到自己想听的音乐，你必须不断练习。

后来，留声机流行起来，客厅里的钢琴开始积满灰尘。随之而来的好处显而易见：你可以把整个管弦乐队“召唤”到客厅里，可以将听觉体验从沙龙里的轻音乐拓展到德彪西、施特劳斯、西贝柳斯的作品。如今的音乐爱好者或许不再擅长演奏，但从某种意义上说，他们更懂“聆听”。然而，广度的拓展是以深度的丧失为代价的。练习一首曲子的过程，会让你对曲子的结构和脉络有深入的理解。而拥有闪亮的维克多牌留声机的孩子，能获得这种理解吗？

每当强大的新工具出现时，这种“疏离感”——即与“真实事物”产生距离的感觉——就会随之而来。从17世纪开始，计算尺减少了人们对“心算能力”的依赖；几个世纪后，便携式计算器又让一些工程师感到不安，他们担心“数感”会逐渐消失。这些担忧并非毫无根据。按下键盘上的“Cos”键就能得到一个数值，但这个数值背后的含义可能会被人们遗忘。即便在更专业的领域，这种担忧也依然存在。麻省理工学院的物理学家维克多魏斯科普夫对同事们越来越依赖计算机模拟感到困扰。当同事们把打印出来的结果交给时，他对他们说：“计算机理解这个答案，但我觉得你们并不理解。”这种不安就像古埃及国王的“数字时代版本”——他们坚信，人们正把“输出结果”误认为“深刻见解”。

在祖博夫所说的“智能机器时代”，自动化主要局限于工作场所——工厂、工业面包店、驾驶舱。而到了个人电脑和互联网时代，技术“逃离”了工作场所，进入家庭，成为通用工具，融入日常生活。早在21世纪初，研究人员就开始探讨搜索引擎对人类的影响。当时的新闻标题诸如“谷歌影响下的大脑”屡见不鲜。尽管这种恐慌有些过度，但一些影响确实真实存在。一项被广泛引用的研究发现，在某些情况下，人们会记住“某个事实可以在哪里找到”，而非“事实本身”。

事实上，人类的认知能力从来都不局限于大脑内部——它还存在于工具、符号以及人与人之间的互动中（想想你认识的夫妻：有人记得生日，有人记得护照放在哪里）。从刻痕计数的骨头到泥板文书时代，数千年来，我们一直在将“思维”存储在外部世界中。许多生物都会使用工具，但它们的技能会随着个体的死亡而消失；而人类的技能会以文化的形式积累下来——形成一种“智能传递系统”。我们继承这种系统，拓展它，在此基础上不断构建，让每一代人都能站在更高的起点上：从压制剥落的石片，到骨针，再到印刷机，直至量子计算。这种“见解的积累”——外部化、保存、共享——正是智人与其他生物的区别所在。倭黑猩猩生活在“生态当下”，而人类生活在“历史之中”。

与此同时，“积累”会带来一个关键结果：它会推动“专业化”的发展。随着知识不断拓展，它不再能被每个人平等掌握。在小型部落中，任何人都能追踪猎物、采集植物、生火。但在农业革命后，社会规模不断扩大，手工业和行会逐渐增多——能锻造出锋利且耐用刀刃的工匠、懂得如何防止拱顶坍塌的石匠、掌握着严密保密的配方和技艺的玻璃吹制工。曾经存在于人体中的技能，逐渐转移到工具中，进而上升到制度层面。随着时间的推移，劳动分工不可避免地演变成“认知分工”。

哲学家希拉里普特南曾说过，他会用“榆树”这个词，但无法区分榆树和山毛榉。“指称”是具有社会性的：你能谈论榆树，是因为语言社群中的其他人——植物学家、园丁、林业工作者——能识别榆树。语言如此，知识亦是如此。人类的能力不仅存在于个体之中，还存在于个体所形成的网络之中。我们每个人都依赖他人来弥补自己能力的不足。社会规模的扩大，将“社会交换”转变为“系统性的相互依赖”。

由此产生的世界，正如一个经典例子所描述的：没有人知道如何完整地制造一支铅笔。一个人要制造铅笔，需要掌握伐木工、锯木工、矿工、化学家、涂漆工等多种技能——即便是最简单的物品，其背后也存在一个无形的“工艺网络”。马克吐温在《康州美国佬在亚瑟王朝》中，想象一位19世纪的工程师穿越到卡梅洛特（亚瑟王传说中的王国），用现代奇迹让当地人惊叹不已。读者们对此深信不疑。但如果把21世纪的工程师放到同样的场景中，他会束手无策。制造绝缘电线？调配一批炸药？从零开始制造电报机？一旦连不上无线网络，我们大多数人都会陷入困境。

如今，认知分工已发展到极高的程度：两位物理学家可能彼此都难以理解对方的研究——一位在模拟暗物质，另一位在制造量子传感器。如今的“科学精通”，意味着对“越来越窄的领域”了解“越来越多”。这种专注带来了惊人的进步，但也让我们意识到自身能力的局限性：专家们使用的概念工具，是他们能“运用”却无法“创造”的。即便是长期被视为“孤独天才领域”的数学，如今也遵循着这样的模式。当安德鲁怀尔斯证明费马大定理时，他并没有重新推导每一个引理；而是整合了他信任但并未亲自验证的成果，构建出一个完整的理论框架——即便他没有亲手“切割”每一根“横梁”，也能看清整个框架的结构。

合作范围的扩大，改变了“知晓某事”的含义。知识曾被视为一种“占有物”，如今却变成了一种“关系”——即我们能否很好地定位、解读和整合他人的知识。我们生活在一个“分布式智能网络”中，依赖专家、数据库和工具来拓展自己的认知边界。数据规模就能说明问题：当年宣布DNA双螺旋结构的《自然》论文只有两位作者；如今，一篇关于基因组学的《自然》论文可能有40位作者。而宣布希格斯玻色子发现的两篇论文呢？作者多达数千人。“大型科学研究”之所以“大型”，是有原因的。迟早，这个“网络”会迎来新的参与者——一个不仅能存储信息，还能模仿“理解”本身的参与者。

在大型语言模型时代，“信息”与“技能”、“知道是什么”与“知道怎么做”之间的传统界限变得模糊。从某种角度看，这些模型是“静态”的：它们是一组可下载到笔记本电脑中的固定权重矩阵。但从另一个角度看，它们又是“动态”的：一旦运行，就能实时生成回应。它们能做到苏格拉底所抱怨的“书写无法做到的事”：回答问题、适应对话者、进行对话（有时甚至能与自己对话；当人工智能将自身输出作为输入时，人工智能研究人员称之为“推理”）。将谷歌视为“记忆的延伸”并不难；但对许多人来说，大型语言模型更像是“思维本身的替代品”。在利用新型人工智能时，我们自身的智能是在被“拓展”，还是说，这种“人工”智能正悄然崛起，逐渐占据主导地位？

我们无法将“精灵”放回“瓶子”里，但我们可以决定让它施展哪些“魔法”。当人们谈论“去技能化”时，通常会想到一个人失去了某种技能——比如飞行员的手动驾驶能力变得生疏，医生在没有人工智能辅助时会漏诊肿瘤。但如今，大多数工作都需要协作，人工智能的出现并没有改变这一点。问题不在于“人类与机器人相比表现如何”，而在于“使用机器人的人类与不使用机器人的人类相比表现如何”。

有些人担心，对人工智能的依赖会让人类在某些方面变得更糟，这种负面影响会盖过其承诺的好处。Anthropic公司首席执行官达里奥阿莫代伊乐观地设想会出现一个“天才之国”，但这些担忧者则预见会出现一个“傻瓜之国”。这与过去关于“风险补偿”的争论如出一辙：几十年前，一些社会科学家认为，增加安全带或防抱死刹车后，人们会驾驶得更加鲁莽——科技带来的安全感会让他们“消耗掉”安全余量。但后来的研究得出了更令人鼓舞的结果：人们确实会做出调整，但这种调整是有限的，因此技术仍能带来显著的好处。

在人工智能的临床应用中，类似的规律似乎也成立——人工智能在医院中的应用已超过十年。回想一下之前提到的结肠镜检查研究：在进行人工智能辅助检查后，胃肠病医生在无辅助情况下的息肉识别率下降了6个百分点。但另一项研究汇总了24000名患者的数据，呈现出更全面的情况：人工智能辅助使整体识别率提高了约20%（此处的人工智能是一种“专家系统”——即一种狭义、可靠的机器学习形式，而非驱动聊天机器人的生成式人工智能）。由于识别率的提高意味着漏诊癌症的减少，无论个别医生的能力是否略有下降，这种“半人半机”的协作模式显然是有益的。如果这种协作能拯救生命，那么胃肠病医生若出于“自尊心”而坚持独自操作，就是不负责任的。

在其他领域，近期的一些研究表明：一个人的技能越高，与人工智能的协作效果就越好。其中一项研究发现，在对两种鹪鹩和两种啄木鸟的图像进行分类时，人类的表现优于机器人。但在识别虚假酒店评论时，机器人则更胜一筹（大概是“同类识别同类”吧）。随后，研究人员让人类与机器人配对，让人类在参考机器人建议的基础上做出判断。结果因任务而异：在人类直觉较弱的领域（如识别虚假酒店评论），人们会过多地质疑机器人，从而拉低整体结果；而在人类直觉较强的领域，人们似乎能与机器人协同工作——在确定自己判断正确时相信自己，在意识到机器人发现了自己遗漏的信息时也会认可机器人。在识别鸟类图像的任务中，“人类+机器人”的组合表现优于两者单独工作的效果。

同样的逻辑也适用于其他领域：一旦机器进入工作流程，“精通”的定义可能会从“产出”转向“评估”。2024年一项关于程序员使用GitHub Copilot（代码生成工具）的研究发现，人工智能的使用似乎会“重新引导”人类的技能，而非“取代”它。程序员花在“生成代码”上的时间减少了，花在“评估代码”上的时间增多了——检查逻辑错误、排查边界情况、清理代码脚本。技能从“创作”转移到了“监督”。

如今，“人机协作”越来越多地意味着这一点：专业能力不再体现于“写出初稿”，而体现于“编辑初稿”；不再体现于“速度”，而体现于“判断力”。生成式人工智能是一个“概率系统”，而非“确定性系统”；它给出的是“可能性”，而非“真相”。当风险切实存在时，具备专业能力的人类必须对最终决策负责——要能发现模型何时偏离现实，要将模型的输出视为“待验证的假设”，而非“必须遵守的答案”。这是一种新兴的技能，也是至关重要的技能。未来的专业能力，不仅取决于工具的优劣，更取决于我们能否与工具“协同思考”。

但协作的前提是“自身具备能力”。如果人类一方毫无头绪，“人机协作”就会陷入混乱。这正是人们对“教育”感到恐慌的原因：如果一个人从未掌握过某种技能，就谈不上“失去”这种技能。在这个“世界上最强大的作业工具”能轻松装进每个学生口袋的时代，我们该如何培养学生的基本能力？

我们这些教育工作者还有很多“作业”要做。过去的教学方法需要革新；在过去几年里，太多大学生陷入了一种令人不安的状态——用一句话形容就是“主修ChatGPT”。但现在就断言人工智能对教育的整体影响，还为时过早。诚然，人工智能可能会让某些能力变得生疏，但如果使用得当，它也能强化另一些能力。

以哈佛大学一门大型物理课程的近期随机试验为例。一半学生以传统的“最佳方式”学习两节课：由资深教师带领的互动式实践课堂。另一半学生则使用定制的人工智能导师。之后两组学生交换学习方式。结果显示，在两轮试验中，使用人工智能导师的学生表现都要好得多——优势非常明显。他们不仅学到了更多知识，学习速度也更快，而且反馈说自己更有动力、更投入。该人工智能系统的设计初衷是“像优秀教练一样工作”：教学生如何将复杂问题拆解成小问题，提供提示而非直接给出答案，根据每个学生的进度调整反馈的强度和内容。

这种“针对性关注”正是老式辅导体系的强大之处。我还记得在剑桥大学的最初几周，我与生物化学导师进行一对一交流的场景。当我说“我大概懂了”时，他会不断追问，直到我们都确信我真的懂了。这种有针对性的关注，是剑桥大学“辅导制度”的核心。如果设计得当，大型语言模型有望将这种“关注”大规模推广——不是复制辅导老师的羊毛开衫、锃亮的烟斗或若有所思的表情，而是复制那种“持续、灵活的引导”，帮助学生从困惑走向理解。

机器不会取代导师。它们有望承担辅导中“常规性”的部分——检查代数运算、反复练习引理、提醒学生注意单位书写、确保学生理解膜通道的工作原理。理论上，这能让教师腾出时间，专注于其他重要工作：讲解核心概念、追求更简洁优雅的表达、与学生探讨职业规划、关注学生是否面临过度压力。

当然，这只是一种乐观的设想。我们不应仅凭一项研究就得出普遍结论（有一项针对土耳其高中生的研究发现，使用辅导机器人并未带来明显进步）。同时我们也要注意，那些物理专业的学生之所以能很好地利用辅导机器人，是因为他们要面对“课堂考试”——有监考老师、有时间限制、有严格的评分标准。

我们还需注意，在STEM（科学、技术、工程、数学）学科中有效的方法，在人文学科中可能并不适用。尽管学期论文枯燥乏味，但它能培养一种“对话难以复制”的能力：逐步构建论证、权衡证据、组织材料、锤炼表达风格。我们这些教授本科生的教师中，已有不少人开始对有上进心的学生说：如果他们写一篇论文，我们会阅读并与他们讨论，但这篇论文不会计入最终成绩。这只是一种权宜之计，而非根本解决方案。说来也奇怪，在文化层面，我们似乎正在“回归口头表达”——口头交流可能需要承担更多教学任务。如此看来，对话的坚定捍卫者苏格拉底，最终会笑到最后吗？

“破坏性去技能化”仍是一种无法忽视的可能性：由于过度依赖工具，人类基本的认知或感知能力会逐渐衰退，且没有相应的能力提升作为补偿。这种能力缺失会耗尽一个系统的“储备能力”——即那些平时很少用到，但在出现问题时必须具备的能力。没有这些储备能力，系统的“韧性”会下降，“脆弱性”会上升。想想那些航空公司的飞行员：他们花数千小时监控自动驾驶仪，却在系统故障时不知所措。一些自动化理论学者将“人机协作”分为两类：“主动参与的人机协作”和“被动签字的人机协作”。后者如果管理不当，就会导致工业心理学家莉萨妮贝恩布里奇早就警告过的问题：角色混乱、意识减弱、准备不足。就像救生员在大多数日子里，只是看着游泳技术娴熟的人在平静的水中游泳——这类人类监督者很少需要采取行动，但一旦需要，就必须迅速、熟练地行动。

同样的问题也困扰着各类办公室工作。当律师、项目经理和分析师花数月时间“批准”系统已起草或推断出的内容时，他们就变成了“被动签字者”，逐渐生疏了核心技能。这就是“部分自动化”的悖论：系统性能越好，人们就越不需要保持专业敏锐度，在系统偶尔失灵时，就越缺乏应对准备。解决这个问题的方法可能在于“制度设计”。例如，工作场所可以定期开展“演练”——类似飞行员定期进行的飞行模拟器训练——让员工必须挑战机器，确保在“平稳运行”的漫长过程中，他们真正的判断能力没有衰退。

在很多情况下，“储备技能”不需要人人具备，只需在系统的某个环节存在即可——就像那些能识别榆树的专家一样。正因如此，美国海军学院担心GPS（全球定位系统）可能被干扰，在多年忽视后，重新恢复了基础的“天体导航”训练。大多数水手在远洋航行中可能永远不会用到六分仪，但只要有少数人掌握这项技能，在卫星失灵时，就足以稳住整个舰队。这样做的目的，是确保至少有一部分“实际能力”得以保留，以便在系统出现故障时，人类仍能站稳脚跟——至少不至于陷入困境。

最令人担忧的可能性，或许可以被称为“根本性去技能化”：即那些“构成人类本质”的能力逐渐衰退。判断力、想象力、同理心、对意义和分寸的感知——这些能力不是“备用选项”，而是我们日常都需要运用的能力。如果按照让-保罗萨特担忧的说法，我们变成了“机器的机器”，那么这种损失会体现在日常生活的方方面面。可能会消失的，是支撑我们日常判断的“隐性、内化的知识”。如果人们开始按照系统偏好的方式提出问题，从系统提供的“看似合理的答案”中选择，那么这种损害不会表现为“严重的判断失误”，而会表现为“人格的逐渐弱化”：对话变得肤浅、对模糊性的容忍度降低、在需要寻找恰当措辞的地方习惯性使用套话、用“流畅”替代“理解”。如果将这些能力“外包”出去，实际上就是将“我们自己”外包出去。失去这些能力，不仅会改变我们的工作方式，还会改变我们“是谁”。

从长远来看，大多数形式的去技能化都是“良性”的。有些技能之所以过时，是因为支撑它们的“基础设施”也已消失。电报技术需要熟练掌握“点和划”（莫尔斯电码）；莱诺铸排机需要熟练操作“熔铁键盘”；平板胶片剪辑需要使用修版铅笔和拼接胶带，还要在脑海中记住不同场景在胶片和音轨中的位置。当电报线路、热金属印刷机和赛璐珞胶片消失时，它们所支撑的技艺也随之消失。

另一种去技能化，代表着“枯燥工作”的消除。很少有人会为“不再用手搓衣服”或“不再在纸上演算长除法”而惋惜。我认识一位神经科学家，他坚信大型语言模型能加快“撰写资助申请”这一枯燥且模板化的工作。他仍然对内容负责，但即便自己的“资助申请撰写能力”下降，他也毫不在意。在他看来，这不属于“科学研究”，而是“研究体系要求的表演”。将这部分工作外包出去，能让他腾出时间用于“发现”。

事实上，“职业去技能化”可能具有“民主化”意义，能让更多人有机会从事某项工作。对于英语能力有限的科学家来说，聊天机器人可以帮助他们顺利撰写“机构审查委员会陈述”，扫除“语言障碍”——而这种障碍与他们的研究质量毫无关系。在这种情况下，去技能化拓宽了“准入门槛”。再想想森内特提到的那家面包店，以及过去在厨房工作的希腊男性。过去的烤炉会烫伤他们的手臂，老式揉面机可能拉伤他们的肌肉，搬运沉重的面包托盘会让他们的背部承受压力。到了20世纪90年代，当系统改为由Windows控制器操作时，劳动力构成发生了变化：不同种族的男性和女性站在屏幕前，点击图标即可工作。“手艺”的要求降低了，但“符合条件的劳动者”范围扩大了（当然，他们的工资也降低了：门槛越低，工资越低）。

通常情况下，技术让我们能将时间用在更有价值的事情上，培养“更高价值链条”上的技能，因此我们会主动放弃一些技能。在祖博夫调研的其中一家纸浆厂，操作员不再需要进行体力劳动，得以将更多时间用于“预测和预防问题”。有人说：“坐在这个房间里思考，也成了我工作的一部分。”祖博夫将这种变化称为“再技能化”：“行动技能”让位于“抽象思维和流程推理能力”——也就是她所说的“智力技能”。类似的情况也发生在“电子表格软件（如VisiCalc）出现后的会计师”身上：他们不再需要手工计算一列列数字，得以将更多时间用于“税务策略”和“风险分析”。

更重要的是，新技术能催生出“全新的技能”。在显微镜发明之前，有“博物学家”，但没有“显微镜学家”：罗伯特胡克和安东尼范列文虎克必须发明“观察和解读微观世界”的方法。电影制作不仅借鉴了戏剧，还催生了“摄影师”和“剪辑师”——这些职业没有真正的历史先例。每一次技术飞跃，都拓宽了“可能性的边界”。如今的人工智能技术可能也是如此。我的年轻同事们坚称，与大型语言模型合作，已经在培养一种新的“技艺”——设计提示词、追问验证、发现偏见和幻觉，当然，还有“学会与机器协同思考”。这些都是“新兴技能”，源于与“不会消失的数字架构”的互动。重要的技术，本质上都会催生我们目前还无法命名的“技艺和职业”。

困难之处在于，要抛开“怀旧情绪”和“惯性思维”，判断哪些技能值得保留，哪些可以舍弃。没有人愿意看到自己辛苦掌握的技能被视为“过时”而遭抛弃，因此我们必须抵制“情感的诱惑”。每一次进步都需要付出代价：文字读写能力削弱了“记忆壮举”，但创造了新的“分析能力”；计算器影响了“心算能力”，但让更多人能够“运用数学”；录音技术降低了“日常音乐演奏能力”，但改变了我们“聆听音乐”的方式。那么如今呢？我们显然有权决定，大型语言模型究竟会“拓展”还是“缩小”我们的思维。

纵观人类历史，我们的能力从未“停滞不前”。技能总是不断“向外流动”——从双手到工具，再到系统。个体的才智已融入“集体协同智能”，而推动这一过程的，是人类长久以来的“思维外化”习惯：将记忆存储在符号中、将逻辑嵌入机器中、将判断融入制度中，近来又将“预测”托付给算法。过去催生行会的“专业化”，如今催生了“研究联盟”；过去在师徒间传递的知识，如今通过“网络和数字矩阵”传播。生成式人工智能——人类知识的“统计浓缩”——只是我们“向自身发明学习”这一漫长过程中的最新篇章。

因此，最紧迫的问题是：如何保持我们的“主体性”——如何在“即将承担我们大量思考工作的系统”中，依然保持“主导者”的身份。每一代人都必须学会如何与“新获得的认知工具”共处，无论是铁笔、卷轴，还是智能手机。如今的新变化，在于“互动的速度和亲密程度”：工具在向我们学习的同时，我们也在向工具学习。如今的“管理”，意味着要确保“构成人类本质的能力”——判断力、想象力、理解力——在我们身上得以保留。如果说有哪项技能我们绝对不能失去，那就是“判断哪些能力真正重要”的技能。

本文作者夸梅安东尼阿皮亚（Kwame Anthony Appiah）是纽约大学哲学和法学教授，著有《被俘的神：宗教与社会科学的兴起》。