随着人工智能工具的普及，人们日益担忧“去技能化”现象，即过度依赖AI可能导致人类基本认知和专业技能的退化。然而，回顾历史，技术进步在淘汰旧技能的同时，也催生了新的能力和更高效的协作模式。研究表明，尽管AI辅助可能削弱某些个人技能，但它在整体上提升了工作效率和成果质量。未来的关键在于人机协作中保持人类的判断力、想象力和理解力，确保技术进步服务于人类，而非削弱人性。我们最需要保留的，是判断哪些技能至关重要的能力。
对“去技能化”的普遍焦虑
一种普遍的担忧认为，随着我们日益依赖ChatGPT等工具，我们正在经历一场认知能力的萎缩，即 去技能化 (de-skilling)。这种恐惧并非空穴来风，教育工作者尤其感到担忧。
- 学习能力的侵蚀： 习惯于让AI总结经典著作的学生，可能永远无法学会独立深入地解读复杂文本。
- 专业技能的退化： 依赖AI进行法律分析的实习律师，可能无法锻炼出前辈们所具备的缜密解读能力。
- 实证研究的警示： 一项研究发现，频繁使用AI获取信息的年轻用户在批判性思维测试中得分较低。另一项针对医生的研究表明，在使用AI辅助系统三个月后，他们在没有辅助的情况下识别结肠息肉的能力有所下降。
关键问题不在于“去技能化”是否存在——它显然存在——而在于它到底是什么性质。所有形式的去技能化都是有害的吗？
技术进步的历史视角
对新技术可能削弱心智的恐惧古已有之。早在公元前四世纪，苏格拉底就曾警告说，书写会让人疏于记忆，将理解的表象误认为理解本身。
当然，我们之所以知道这个故事，正是因为柏拉图将它写了下来。这揭示了一个反复出现的模式：
- 旧技能的消失： 书写使口头史诗和复杂谱系的记忆变得不再必要；航海六分仪取代了依靠星辰导航的古老技艺；可靠的现代汽车让车主不再需要掌握复杂的维修技能。
- 新能力的诞生： 书写开启了评论、法学和科学等新领域。每一次旧技能的消亡，都伴随着整体能力的提升和新技能的出现。
这个“有失必有得”的模式令人安心，但某些损失的代价也更为深远，它不仅影响人们能做什么，还动摇了他们的自我认同感。
技能、工作与自我认同
当技术介入工作流程，它不仅改变了操作方式，还可能削弱工作的意义和从业者的身份认同。
“通过电脑工作感觉不一样了。就好像你骑着一匹高头大马，但缰绳却握在别人手里。”
社会学家舒珊娜·朱伯夫（Shoshana Zuboff）在研究中发现，当造纸厂从手动控制转向计算机化操作后，那些曾经依靠触觉和经验判断纸浆质量的工人，如今只能坐在控制室里盯着屏幕上的数据。他们的旧技能变得毫无价值，工作也失去了原有的意义。
同样，当面包店实现自动化后，曾经以手艺为傲的面包师变成了屏幕操作员。面包的品质依旧，但他们清楚自己已不再是传统意义上的“面包师”。技能的削弱带来了身份认同的淡化。
从个体知识到分布式智能
人类的认知能力从来都不局限于大脑内部，而是延伸到工具、符号和他人之中。随着知识总量的爆炸性增长，认知分工 (cognitive division of labor) 成为必然。
- 在一个高度专业化的世界里，没有人能掌握制造一支铅笔所需的全部技能。
- 即使在科学领域，不同方向的物理学家也可能难以完全理解对方的工作。专业化意味着“对越来越少的领域了解得越来越多”。
- 知识不再仅仅是一种个人拥有的财产，而更多地成为一种关系——一种定位、解读和整合他人知识的能力。
我们生活在一个由专家、数据库和工具构成的 分布式智能网络 中。AI的出现，只是这个网络中新增了一个能够模仿理解能力的强大参与者。
人机协作：“半人马”模式的兴起
在现代工作中，关键问题不再是人类与AI的单独比较，而是 使用AI的人类与不使用AI的人类的比较。
研究表明，人机协作往往能取得最佳效果。以结肠镜检查为例，虽然AI辅助可能让医生在无辅助情况下的息肉检出率略有下降，但整体的检出率却提高了约20%，这意味着能挽救更多生命。
在这种“半人马”模式中，人类的专长从“生产”转向了“评估”。
- 编码员 花更少时间编写初始代码，而将更多精力用于评估AI生成的代码，检查逻辑错误并处理边界情况。
- 专业人士 的角色从起草初稿转变为编辑和把关，核心技能从速度转向 判断力。
由于AI是概率性系统而非确定性系统，它提供的是可能性而非真理。因此，一个有能力的“人类监督员”至关重要，他们需要将AI的输出视为待验证的假设，而非必须服从的命令。
教育领域的挑战与机遇
最大的担忧在于，如果一个人从未掌握某项技能，也就谈不上“去技能化”。如何在AI时代培养学生的基础能力，是教育界亟待解决的难题。
- AI作为导师的潜力： 哈佛大学的一项研究发现，使用定制化的AI导师学习物理的学生，比传统课堂的学生学得更多、更快，也更有动力。AI可以像一个优秀的教练一样，提供个性化的指导和即时反馈。
- 教师角色的转变： AI可以处理常规的教学任务（如批改作业、基础知识点讲解），从而解放教师，让他们能专注于更重要的事情：阐述宏大思想、激发学生思维、关注学生心理状态。
- 人文教育的困境： 对于人文学科而言，培养论证、组织材料和形成个人风格等能力的传统方法（如学期论文）正面临严峻挑战。
需要警惕的真正风险
并非所有“去技能化”都是良性的。我们需要警惕那些可能侵蚀系统韧性和人类核心能力的风险。
最令人不安的前景是 构成性去技能化 (constitutive de-skilling)：即构成我们人性的那些能力的退化，如判断力、想象力、同理心以及对意义和分寸的感知。
如果人们习惯于按照AI的偏好提问，满足于从AI提供的选项中选择，其后果将是：
- 对话变得肤浅。
- 对模糊性的容忍度降低。
- 用流畅的套话取代对精准词语的探寻。
外包这些核心能力，就等于外包了我们自己。这不仅会改变我们的工作方式，更会改变我们之所以为人的本质。
拥抱有益的“去技能化”
从长远来看，大多数形式的“去技能化”是良性的，甚至是值得欢迎的。
- 消除苦差事： 很少有人会怀念手洗衣物或笔算长除法的时代。将起草项目申请书等模板化工作交给AI，能让科学家有更多时间专注于真正的探索。
- 促进民主化： AI可以帮助那些英语非母语的科研人员更顺畅地撰写论文，打破了语言障碍，扩大了参与机会。
- 推动“再技能化”： 当技术接管了重复性劳动，人们可以将精力投入到价值链更高端的活动中，如战略分析和抽象推理。这是一种从 行动技能 到 智力技能 的转变。
结论：最重要的技能
人类的能力一直在演变，知识从个体流向工具，再汇入系统。生成式AI只是我们漫长学习历程中的最新篇章。
最紧迫的问题是如何在这一过程中保持我们的 自主性。我们需要学会与新的认知工具协同工作，同时确保那些定义我们人性的核心能力——判断力、想象力、理解力——始终在我们身上保持活跃。
如果说有一项我们绝不能失去的技能，那就是 懂得分辨哪些技能真正重要 的能力。