将人类与 AI 的技能看作一个可量化的连续指标，而非简单的是非题。AI 的能力水平（设为 X）为人类技能设定了一个新的基准。在驾驶、科研和写作等领域，如果人类的能力无法达到或超过 X，就应该通过更严格的培训和考核来提升，或者直接让 AI 接管该任务。这个标准挑战人类必须变得比 AI 更出色，否则就应在特定任务上让位。
AI 揭示的教育漏洞
很多人担心学生会利用 AI 来“作弊”，从而避免学习某项技能。但这实际上暴露了一个更深层的问题：在 AI 出现之前，教育体系或许就已经允许学生在没有真正掌握技能的情况下通过考核。
如果你仍然需要这项技能，评判你工作的系统总有办法促使你真正去掌握它。如果你不再需要它，那么失去它也毫无损失。
因此，AI “作弊”现象 真正揭示的是高等教育中长期存在的、关于技能培养的深层缺陷。
将技能视为一个可量化的指标
我们应该换一种方式思考“技能”。不要把它看作一个二元对立的概念——即“有”或“没有”——而应将其视为一个可以量化的连续变量，一个从 0 到 100 的指数。
无论是衡量人类还是 AI，我们都使用同一个标准。我们可以将 AI 在某项任务上的技能得分称为 X。随着时间推移，AI 的能力会提升，所以这个 X 值也会不断变化。
基于这个分数 X，我们可以重新定义很多事情的标准：
驾驶技能： 假设 X 是 AI 的驾驶技能指数。如果有些人的驾驶水平远低于 X，那么我们就应该提高他们更新驾照的难度。驾驶培训的目标应该是让学员的技能 至少达到 X 水平。随着 AI 驾驶能力的提升，驾照考试和培训的要求也应越来越高。
科研能力： 在培养研究人员时，目标应该是让他们的技能水平 高于 X。他们可以尽情使用 AI 作为辅助工具，但最终成果必须比 AI 单独完成的要好。
写作能力： 培训学生写作的目标应该是让他们 超越 X。同样，他们可以使用 AI 辅助，但最终的评判标准必须高于 AI 的水平。对于那些毕业后无法达到 X 水平的人来说，或许应该让 AI 为他们代笔，或者他们根本不应该从事写作工作。只有那些能超越 X 的人，才适合以写作为职业。
总体原则是，AI 不会取代所有从事某项任务的人。但它挑战人类，要求我们至少要和 AI 在这项任务上做得一样好。那些能够接受挑战的人可以继续从事这项工作。其余的人则可以在这项任务上让位给 AI，转而去做其他事情。