•
《大西洋月刊》丨去技能化時代
The Age of De-Skilling
Will AI stretch our minds—or stunt them?
By Kwame Anthony Appiah
人工智慧會拓展我們的思維，還是阻礙其發展？
2025年10月26日，美國東部時間上午6點
相關擔憂已從竊竊私語升級為高聲喧囂，且都圍繞著同一個令人不安的主題：“ChatGPT影響下的大腦”“人工智慧正讓你變笨”“人工智慧在扼殺批判性思維”。曾經，人們害怕的是失控的智能會將人類消滅，甚至可能在這個過程中把地球變成一座回形針工廠。如今，聊天機器人正走上Google的老路——從“神奇之物”變成“理所當然的存在”，人們的焦慮也隨之轉變，從對“世界末日”的恐懼轉向對“能力衰退”的擔憂。尤其是教師們表示，他們開始看到這種“衰退”的跡象。描述這種現象的術語雖不悅耳，卻也貼切：去技能化。
這種擔憂絕非空想。如果孩子依賴Gemini總結《第十二夜》，他們可能永遠無法學會獨立品讀莎士比亞的作品。如果胸懷大志的律師借助Harvey AI（法律領域AI）進行法律分析，他們可能無法培養出前輩們視為理所當然的解讀能力。在近期一項研究中，數百名英國參與者完成了標準的批判性思維測試，同時接受了關於使用人工智慧獲取資訊或做決策的訪談。結果顯示，年輕使用者對這項技術的依賴度更高，測試得分也更低。“用進廢退”是該研究最核心的結論。另一項研究關注了醫生進行結腸鏡檢查的情況：在使用人工智慧系統輔助識別息肉三個月後，醫生在不借助該系統時識別息肉的能力明顯下降。
但真正的謎題不在於“去技能化”是否存在——它顯然是存在的——而在於它究竟屬於何種性質。所有形式的去技能化都會產生負面影響嗎？還是說，有些去技能化是我們可以接受的，甚至是值得歡迎的？“去技能化”是一個籠統的術語，涵蓋了多種截然不同的能力喪失情況：有些會帶來損失，有些無關緊要，還有些反而會催生新的可能。要弄清楚其中的關鍵，我們必須仔細觀察：當新技術出現時，技能會以何種方式逐漸減弱、消失或發生改變。
如今的聊天機器人算是新技術：它們所依賴的“Transformer”架構誕生於2017年，而ChatGPT在五年後才首次公開亮相。但“新技術可能會削弱人類思維”的擔憂卻由來已久。早在公元前4世紀的《斐德羅篇》中，蘇格拉底就講述了這樣一個神話：埃及神透特將“書寫”這一禮物獻給國王塔姆斯，稱其是“記憶與智慧的秘訣”。但塔姆斯對此不為所動。他警告說，書寫會產生相反的效果：它會滋生健忘，讓人們用紙上的符號取代記憶的努力，將“理解的表象”誤認為“理解本身”。蘇格拉底支援塔姆斯的觀點。他抱怨道，文字永遠無法回應你提出的具體問題；無論是智者還是愚者，文字對所有人的回應都是一樣的；而且當人們誤解文字時，文字也無能為力。
當然，我們之所以能知曉這一切——這段故事之所以能不斷出現在輝格黨式的科技史敘述中——正是因為柏拉圖將其寫了下來。但反對書寫的人也並非完全錯誤。在口頭文化中，吟遊詩人能將史詩記在腦海裡；非洲部落的格里奧（說書人）能隨口說出數百年的族譜。而書寫的出現讓這些非凡的能力變得不再必要。人們無需深入思考，就能理解他人的想法。對話需要回應：或是澄清疑問，或是提出反對，或是修正觀點（有時一句“蘇格拉底，您說得太對了”就能起到作用，但即便如此，對話仍在繼續）。相比之下，閱讀時你只需沉浸在他人的智慧中，點頭認同，卻無需通過自我檢驗來印證這些智慧。
不過，從某個角度看是“損失”的東西，換個角度或許就是“收穫”。書寫為人類開闢了新的思維領域：評論文章、法學理論、可靠的歷史記載、科學研究。研究口頭文化與文字文化的學者沃爾特·J.翁曾精闢地指出：“書寫是一種能重構思維的技術。”這種模式並不陌生。當水手開始使用六分儀時，他們便不再需要掌握水手的“觀天技藝”——那種曾指引他們安全返航的、對星辰的細緻觀測能力。後來，衛星導航的出現又讓六分儀技能徹底消失。過去，擁有一輛福特T型車意味著你得兼職做機械師——要知道如何修補內胎、憑聽覺調整點火正時、在引擎熄火後想辦法讓它重新啟動。如今，性能高度可靠的引擎將這些“秘密”隱藏了起來。計算尺被計算器取代，計算器又被電腦取代。每一次技術更迭，個人的精湛技藝都會隨之減弱，但整體效率卻在提升。
這種“有所失，必有所得”的模式確實令人安心。但有些收穫背後，隱藏著更深層的代價。它們不僅改變了人們“能做什麼”，還改變了人們“認為自己是誰”。
20世紀80年代，社會心理學家肖莎娜·祖博夫曾在美國南部的紙漿廠進行調研，當時這些工廠正從人工操作轉向電腦控制。曾經，操作員需要通過觸摸來判斷紙漿的狀態（“它滑嗎？它粘嗎？”）；如今，他們只需坐在有空調的房間裡，看著數字在螢幕上滾動，過去的技能既無人使用，也無人重視。一位操作員告訴祖博夫：“通過電腦工作，感覺完全不一樣。就像你騎著一匹強壯的駿馬，但有人坐在你身後的馬鞍上，握著韁繩。”新系統速度更快、更清潔、更安全，但也讓工作失去了原本的意義。
社會學家理查德·森內特也記錄了波士頓一家面包店的類似變化。20世紀70年代，店裡的工人都是希臘男性，他們靠嗅覺和視覺判斷面包是否烤好，並為自己的手藝感到自豪；到了90年代，接替他們的工人只需操作帶有Windows風格控製器的觸控式螢幕。面包變成了螢幕上的圖示——它的顏色由資料推斷得出，品種則從數字菜單中選擇。技能的弱化伴隨著身份認同的弱化。面包依然美味，但廚房工人知道，自己不再是真正的面包師了。有人半開玩笑地對森內特說：“烘焙、製鞋、印刷——隨便你說什麼手藝，我都‘會’。”言外之意是，他其實根本不需要掌握任何真正的技能。
在文化領域，人類與“實物的接觸”無疑早已逐漸減少。在19世紀歐洲的中產階級家庭中，熱愛音樂通常意味著會演奏音樂。交響樂要進入客廳，靠的不是音響，而是鋼琴改編版——兩個人四隻手，在一架鋼琴上，盡最大努力演繹勃拉姆斯的《第一交響曲》。這需要技能：識譜、掌握演奏技巧、用手指勾勒出交響樂的意境。要聽到自己想聽的音樂，你必須不斷練習。
後來，留聲機流行起來，客廳裡的鋼琴開始積滿灰塵。隨之而來的好處顯而易見：你可以把整個管絃樂隊“召喚”到客廳裡，可以將聽覺體驗從沙龍裡的輕音樂拓展到德彪西、施特勞斯、西貝柳斯的作品。如今的音樂愛好者或許不再擅長演奏，但從某種意義上說，他們更懂“聆聽”。然而，廣度的拓展是以深度的喪失為代價的。練習一首曲子的過程，會讓你對曲子的結構和脈絡有深入的理解。而擁有閃亮的維克多牌留聲機的孩子，能獲得這種理解嗎？
每當強大的新工具出現時，這種“疏離感”——即與“真實事物”產生距離的感覺——就會隨之而來。從17世紀開始，計算尺減少了人們對“心算能力”的依賴；幾個世紀後，可攜式計算器又讓一些工程師感到不安，他們擔心“數感”會逐漸消失。這些擔憂並非毫無根據。按下鍵盤上的“Cos”鍵就能得到一個數值，但這個數值背後的含義可能會被人們遺忘。即便在更專業的領域，這種擔憂也依然存在。麻省理工學院的物理學家維克多·魏斯科普夫對同事們越來越依賴電腦模擬感到困擾。當同事們把列印出來的結果交給時，他對他們說：“電腦理解這個答案，但我覺得你們並不理解。”這種不安就像古埃及國王的“數字時代版本”——他們堅信，人們正把“輸出結果”誤認為“深刻見解”。
在祖博夫所說的“智慧型手機器時代”，自動化主要侷限於工作場所——工廠、工業面包店、駕駛艙。而到了個人電腦和網際網路時代，技術“逃離”了工作場所，進入家庭，成為通用工具，融入日常生活。早在21世紀初，研究人員就開始探討搜尋引擎對人類的影響。當時的新聞標題諸如“Google影響下的大腦”屢見不鮮。儘管這種恐慌有些過度，但一些影響確實真實存在。一項被廣泛引用的研究發現，在某些情況下，人們會記住“某個事實可以在那裡找到”，而非“事實本身”。
事實上，人類的認知能力從來都不侷限於大腦內部——它還存在於工具、符號以及人與人之間的互動中（想想你認識的夫妻：有人記得生日，有人記得護照放在那裡）。從刻痕計數的骨頭到泥板文書時代，數千年來，我們一直在將“思維”儲存在外部世界中。許多生物都會使用工具，但它們的技能會隨著個體的死亡而消失；而人類的技能會以文化的形式積累下來——形成一種“智能傳遞系統”。我們繼承這種系統，拓展它，在此基礎上不斷建構，讓每一代人都能站在更高的起點上：從壓制剝落的石片，到骨針，再到印刷機，直至量子計算。這種“見解的積累”——外部化、保存、共享——正是智人與其他生物的區別所在。倭黑猩猩生活在“生態當下”，而人類生活在“歷史之中”。
與此同時，“積累”會帶來一個關鍵結果：它會推動“專業化”的發展。隨著知識不斷拓展，它不再能被每個人平等掌握。在小型部落中，任何人都能追蹤獵物、採集植物、生火。但在農業革命後，社會規模不斷擴大，手工業和行會逐漸增多——能鍛造出鋒利且耐用刀刃的工匠、懂得如何防止拱頂坍塌的石匠、掌握著嚴密保密的配方和技藝的玻璃吹制工。曾經存在於人體中的技能，逐漸轉移到工具中，進而上升到制度層面。隨著時間的推移，勞動分工不可避免地演變成“認知分工”。
哲學家希拉里·普特南曾說過，他會用“榆樹”這個詞，但無法區分榆樹和山毛櫸。“指稱”是具有社會性的：你能談論榆樹，是因為語言社群中的其他人——植物學家、園丁、林業工作者——能識別榆樹。語言如此，知識亦是如此。人類的能力不僅存在於個體之中，還存在於個體所形成的網路之中。我們每個人都依賴他人來彌補自己能力的不足。社會規模的擴大，將“社會交換”轉變為“系統性的相互依賴”。
由此產生的世界，正如一個經典例子所描述的：沒有人知道如何完整地製造一支鉛筆。一個人要製造鉛筆，需要掌握伐木工、鋸木工、礦工、化學家、塗漆工等多種技能——即便是最簡單的物品，其背後也存在一個無形的“工藝網路”。馬克·吐溫在《康州美國佬在亞瑟王朝》中，想像一位19世紀的工程師穿越到卡梅洛特（亞瑟王傳說中的王國），用現代奇蹟讓當地人驚嘆不已。讀者們對此深信不疑。但如果把21世紀的工程師放到同樣的場景中，他會束手無策。製造絕緣電線？調配一批炸藥？從零開始製造電報機？一旦連不上無線網路，我們大多數人都會陷入困境。
如今，認知分工已發展到極高的程度：兩位物理學家可能彼此都難以理解對方的研究——一位在模擬暗物質，另一位在製造量子感測器。如今的“科學精通”，意味著對“越來越窄的領域”瞭解“越來越多”。這種專注帶來了驚人的進步，但也讓我們意識到自身能力的侷限性：專家們使用的概念工具，是他們能“運用”卻無法“創造”的。即便是長期被視為“孤獨天才領域”的數學，如今也遵循著這樣的模式。當安德魯·懷爾斯證明費馬大定理時，他並沒有重新推導每一個引理；而是整合了他信任但並未親自驗證的成果，建構出一個完整的理論框架——即便他沒有親手“切割”每一根“橫樑”，也能看清整個框架的結構。
合作範圍的擴大，改變了“知曉某事”的含義。知識曾被視為一種“佔有物”，如今卻變成了一種“關係”——即我們能否很好地定位、解讀和整合他人的知識。我們生活在一個“分佈式智能網路”中，依賴專家、資料庫和工具來拓展自己的認知邊界。資料規模就能說明問題：當年宣佈DNA雙螺旋結構的《自然》論文只有兩位作者；如今，一篇關於基因組學的《自然》論文可能有40位作者。而宣佈希格斯玻色子發現的兩篇論文呢？作者多達數千人。“大型科學研究”之所以“大型”，是有原因的。遲早，這個“網路”會迎來新的參與者——一個不僅能儲存資訊，還能模仿“理解”本身的參與者。
在大型語言模型時代，“資訊”與“技能”、“知道是什麼”與“知道怎麼做”之間的傳統界限變得模糊。從某種角度看，這些模型是“靜態”的：它們是一組可下載到筆記型電腦中的固定權重矩陣。但從另一個角度看，它們又是“動態”的：一旦運行，就能即時生成回應。它們能做到蘇格拉底所抱怨的“書寫無法做到的事”：回答問題、適應對話者、進行對話（有時甚至能與自己對話；當人工智慧將自身輸出作為輸入時，人工智慧研究人員稱之為“推理”）。將Google視為“記憶的延伸”並不難；但對許多人來說，大型語言模型更像是“思維本身的替代品”。在利用新型人工智慧時，我們自身的智能是在被“拓展”，還是說，這種“人工”智能正悄然崛起，逐漸佔據主導地位？
我們無法將“精靈”放回“瓶子”裡，但我們可以決定讓它施展那些“魔法”。當人們談論“去技能化”時，通常會想到一個人失去了某種技能——比如飛行員的手動駕駛能力變得生疏，醫生在沒有人工智慧輔助時會漏診腫瘤。但如今，大多數工作都需要協作，人工智慧的出現並沒有改變這一點。問題不在於“人類與機器人相比表現如何”，而在於“使用機器人的人類與不使用機器人的人類相比表現如何”。
有些人擔心，對人工智慧的依賴會讓人類在某些方面變得更糟，這種負面影響會蓋過其承諾的好處。Anthropic公司首席執行官達里奧·阿莫代伊樂觀地設想會出現一個“天才之國”，但這些擔憂者則預見會出現一個“傻瓜之國”。這與過去關於“風險補償”的爭論如出一轍：幾十年前，一些社會科學家認為，增加安全帶或防抱死剎車後，人們會駕駛得更加魯莽——科技帶來的安全感會讓他們“消耗掉”安全余量。但後來的研究得出了更令人鼓舞的結果：人們確實會做出調整，但這種調整是有限的，因此技術仍能帶來顯著的好處。
在人工智慧的臨床應用中，類似的規律似乎也成立——人工智慧在醫院中的應用已超過十年。回想一下之前提到的結腸鏡檢查研究：在進行人工智慧輔助檢查後，胃腸病醫生在無輔助情況下的息肉識別率下降了6個百分點。但另一項研究彙總了24000名患者的資料，呈現出更全面的情況：人工智慧輔助使整體識別率提高了約20%（此處的人工智慧是一種“專家系統”——即一種狹義、可靠的機器學習形式，而非驅動聊天機器人的生成式人工智慧）。由於識別率的提高意味著漏診癌症的減少，無論個別醫生的能力是否略有下降，這種“半人半機”的協作模式顯然是有益的。如果這種協作能拯救生命，那麼胃腸病醫生若出於“自尊心”而堅持獨自操作，就是不負責任的。
在其他領域，近期的一些研究表明：一個人的技能越高，與人工智慧的協作效果就越好。其中一項研究發現，在對兩種鷦鷯和兩種啄木鳥的圖像進行分類時，人類的表現優於機器人。但在識別虛假酒店評論時，機器人則更勝一籌（大概是“同類識別同類”吧）。隨後，研究人員讓人類與機器人配對，讓人類在參考機器人建議的基礎上做出判斷。結果因任務而異：在人類直覺較弱的領域（如識別虛假酒店評論），人們會過多地質疑機器人，從而拉低整體結果；而在人類直覺較強的領域，人們似乎能與機器人協同工作——在確定自己判斷正確時相信自己，在意識到機器人發現了自己遺漏的資訊時也會認可機器人。在識別鳥類圖像的任務中，“人類+機器人”的組合表現優於兩者單獨工作的效果。
同樣的邏輯也適用於其他領域：一旦機器進入工作流程，“精通”的定義可能會從“產出”轉向“評估”。2024年一項關於程式設計師使用GitHub Copilot（程式碼生成工具）的研究發現，人工智慧的使用似乎會“重新引導”人類的技能，而非“取代”它。程式設計師花在“生成程式碼”上的時間減少了，花在“評估程式碼”上的時間增多了——檢查邏輯錯誤、排查邊界情況、清理程式碼指令碼。技能從“創作”轉移到了“監督”。
如今，“人機協作”越來越多地意味著這一點：專業能力不再體現於“寫出初稿”，而體現於“編輯初稿”；不再體現於“速度”，而體現於“判斷力”。生成式人工智慧是一個“機率系統”，而非“確定性系統”；它給出的是“可能性”，而非“真相”。當風險切實存在時，具備專業能力的人類必須對最終決策負責——要能發現模型何時偏離現實，要將模型的輸出視為“待驗證的假設”，而非“必須遵守的答案”。這是一種新興的技能，也是至關重要的技能。未來的專業能力，不僅取決於工具的優劣，更取決於我們能否與工具“協同思考”。
但協作的前提是“自身具備能力”。如果人類一方毫無頭緒，“人機協作”就會陷入混亂。這正是人們對“教育”感到恐慌的原因：如果一個人從未掌握過某種技能，就談不上“失去”這種技能。在這個“世界上最強大的作業工具”能輕鬆裝進每個學生口袋的時代，我們該如何培養學生的基本能力？
我們這些教育工作者還有很多“作業”要做。過去的教學方法需要革新；在過去幾年裡，太多大學生陷入了一種令人不安的狀態——用一句話形容就是“主修ChatGPT”。但現在就斷言人工智慧對教育的整體影響，還為時過早。誠然，人工智慧可能會讓某些能力變得生疏，但如果使用得當，它也能強化另一些能力。
以哈佛大學一門大型物理課程的近期隨機試驗為例。一半學生以傳統的“最佳方式”學習兩節課：由資深教師帶領的互動式實踐課堂。另一半學生則使用定製的人工智慧導師。之後兩組學生交換學習方式。結果顯示，在兩輪試驗中，使用人工智慧導師的學生表現都要好得多——優勢非常明顯。他們不僅學到了更多知識，學習速度也更快，而且反饋說自己更有動力、更投入。該人工智慧系統的設計初衷是“像優秀教練一樣工作”：教學生如何將複雜問題拆解成小問題，提供提示而非直接給出答案，根據每個學生的進度調整反饋的強度和內容。
這種“針對性關注”正是老式輔導體系的強大之處。我還記得在劍橋大學的最初幾周，我與生物化學導師進行一對一交流的場景。當我說“我大概懂了”時，他會不斷追問，直到我們都確信我真的懂了。這種有針對性的關注，是劍橋大學“輔導制度”的核心。如果設計得當，大型語言模型有望將這種“關注”大規模推廣——不是複製輔導老師的羊毛開衫、鋥亮的煙斗或若有所思的表情，而是複製那種“持續、靈活的引導”，幫助學生從困惑走向理解。
機器不會取代導師。它們有望承擔輔導中“常規性”的部分——檢查代數運算、反覆練習引理、提醒學生注意單位書寫、確保學生理解膜通道的工作原理。理論上，這能讓教師騰出時間，專注於其他重要工作：講解核心概念、追求更簡潔優雅的表達、與學生探討職業規劃、關注學生是否面臨過度壓力。
當然，這只是一種樂觀的設想。我們不應僅憑一項研究就得出普遍結論（有一項針對土耳其高中生的研究發現，使用輔導機器人並未帶來明顯進步）。同時我們也要注意，那些物理專業的學生之所以能很好地利用輔導機器人，是因為他們要面對“課堂考試”——有監考老師、有時間限制、有嚴格的評分標準。
我們還需注意，在STEM（科學、技術、工程、數學）學科中有效的方法，在人文學科中可能並不適用。儘管學期論文枯燥乏味，但它能培養一種“對話難以複製”的能力：逐步建構論證、權衡證據、組織材料、錘煉表達風格。我們這些教授本科生的教師中，已有不少人開始對有上進心的學生說：如果他們寫一篇論文，我們會閱讀並與他們討論，但這篇論文不會計入最終成績。這只是一種權宜之計，而非根本解決方案。說來也奇怪，在文化層面，我們似乎正在“回歸口頭表達”——口頭交流可能需要承擔更多教學任務。如此看來，對話的堅定捍衛者蘇格拉底，最終會笑到最後嗎？
“破壞性去技能化”仍是一種無法忽視的可能性：由於過度依賴工具，人類基本的認知或感知能力會逐漸衰退，且沒有相應的能力提升作為補償。這種能力缺失會耗盡一個系統的“儲備能力”——即那些平時很少用到，但在出現問題時必須具備的能力。沒有這些儲備能力，系統的“韌性”會下降，“脆弱性”會上升。想想那些航空公司的飛行員：他們花數千小時監控自動駕駛儀，卻在系統故障時不知所措。一些自動化理論學者將“人機協作”分為兩類：“主動參與的人機協作”和“被動簽字的人機協作”。後者如果管理不當，就會導致工業心理學家莉薩妮·貝恩布裡奇早就警告過的問題：角色混亂、意識減弱、準備不足。就像救生員在大多數日子裡，只是看著游泳技術嫻熟的人在平靜的水中游泳——這類人類監督者很少需要採取行動，但一旦需要，就必須迅速、熟練地行動。
同樣的問題也困擾著各類辦公室工作。當律師、項目經理和分析師花數月時間“批准”系統已起草或推斷出的內容時，他們就變成了“被動簽字者”，逐漸生疏了核心技能。這就是“部分自動化”的悖論：系統性能越好，人們就越不需要保持專業敏銳度，在系統偶爾失靈時，就越缺乏應對準備。解決這個問題的方法可能在於“制度設計”。例如，工作場所可以定期開展“演練”——類似飛行員定期進行的飛行模擬器訓練——讓員工必須挑戰機器，確保在“平穩運行”的漫長過程中，他們真正的判斷能力沒有衰退。
在很多情況下，“儲備技能”不需要人人具備，只需在系統的某個環節存在即可——就像那些能識別榆樹的專家一樣。正因如此，美國海軍學院擔心GPS（全球定位系統）可能被干擾，在多年忽視後，重新恢復了基礎的“天體導航”訓練。大多數水手在遠洋航行中可能永遠不會用到六分儀，但只要有少數人掌握這項技能，在衛星失靈時，就足以穩住整個艦隊。這樣做的目的，是確保至少有一部分“實際能力”得以保留，以便在系統出現故障時，人類仍能站穩腳跟——至少不至於陷入困境。
最令人擔憂的可能性，或許可以被稱為“根本性去技能化”：即那些“構成人類本質”的能力逐漸衰退。判斷力、想像力、同理心、對意義和分寸的感知——這些能力不是“備用選項”，而是我們日常都需要運用的能力。如果按照讓-保羅·薩特擔憂的說法，我們變成了“機器的機器”，那麼這種損失會體現在日常生活的方方面面。可能會消失的，是支撐我們日常判斷的“隱性、內化的知識”。如果人們開始按照系統偏好的方式提出問題，從系統提供的“看似合理的答案”中選擇，那麼這種損害不會表現為“嚴重的判斷失誤”，而會表現為“人格的逐漸弱化”：對話變得膚淺、對模糊性的容忍度降低、在需要尋找恰當措辭的地方習慣性使用套話、用“流暢”替代“理解”。如果將這些能力“外包”出去，實際上就是將“我們自己”外包出去。失去這些能力，不僅會改變我們的工作方式，還會改變我們“是誰”。
從長遠來看，大多數形式的去技能化都是“良性”的。有些技能之所以過時，是因為支撐它們的“基礎設施”也已消失。電報技術需要熟練掌握“點和劃”（莫爾斯電碼）；萊諾鑄排機需要熟練操作“熔鐵鍵盤”；平板膠片剪輯需要使用修版鉛筆和拼接膠帶，還要在腦海中記住不同場景在膠片和音軌中的位置。當電報線路、熱金屬印刷機和賽璐珞膠片消失時，它們所支撐的技藝也隨之消失。
另一種去技能化，代表著“枯燥工作”的消除。很少有人會為“不再用手搓衣服”或“不再在紙上演算長除法”而惋惜。我認識一位神經科學家，他堅信大型語言模型能加快“撰寫資助申請”這一枯燥且範本化的工作。他仍然對內容負責，但即便自己的“資助申請撰寫能力”下降，他也毫不在意。在他看來，這不屬於“科學研究”，而是“研究體系要求的表演”。將這部分工作外包出去，能讓他騰出時間用於“發現”。
事實上，“職業去技能化”可能具有“民主化”意義，能讓更多人有機會從事某項工作。對於英語能力有限的科學家來說，聊天機器人可以幫助他們順利撰寫“機構審查委員會陳述”，掃除“語言障礙”——而這種障礙與他們的研究質量毫無關係。在這種情況下，去技能化拓寬了“准入門檻”。再想想森內特提到的那家面包店，以及過去在廚房工作的希臘男性。過去的烤爐會燙傷他們的手臂，老式揉麵機可能拉傷他們的肌肉，搬運沉重的面包托盤會讓他們的背部承受壓力。到了20世紀90年代，當系統改為由Windows控製器操作時，勞動力構成發生了變化：不同種族的男性和女性站在螢幕前，點選圖示即可工作。“手藝”的要求降低了，但“符合條件的勞動者”範圍擴大了（當然，他們的工資也降低了：門檻越低，工資越低）。
通常情況下，技術讓我們能將時間用在更有價值的事情上，培養“更高價值鏈條”上的技能，因此我們會主動放棄一些技能。在祖博夫調研的其中一家紙漿廠，操作員不再需要進行體力勞動，得以將更多時間用於“預測和預防問題”。有人說：“坐在這個房間裡思考，也成了我工作的一部分。”祖博夫將這種變化稱為“再技能化”：“行動技能”讓位於“抽象思維和流程推理能力”——也就是她所說的“智力技能”。類似的情況也發生在“電子表格軟體（如VisiCalc）出現後的會計師”身上：他們不再需要手工計算一列列數字，得以將更多時間用於“稅務策略”和“風險分析”。
更重要的是，新技術能催生出“全新的技能”。在顯微鏡發明之前，有“博物學家”，但沒有“顯微鏡學家”：羅伯特·胡克和安東尼·范·列文虎克必鬚髮明“觀察和解讀微觀世界”的方法。電影製作不僅借鑑了戲劇，還催生了“攝影師”和“剪輯師”——這些職業沒有真正的歷史先例。每一次技術飛躍，都拓寬了“可能性的邊界”。如今的人工智慧技術可能也是如此。我的年輕同事們堅稱，與大型語言模型合作，已經在培養一種新的“技藝”——設計提示詞、追問驗證、發現偏見和幻覺，當然，還有“學會與機器協同思考”。這些都是“新興技能”，源於與“不會消失的數字架構”的互動。重要的技術，本質上都會催生我們目前還無法命名的“技藝和職業”。
困難之處在於，要拋開“懷舊情緒”和“慣性思維”，判斷那些技能值得保留，那些可以捨棄。沒有人願意看到自己辛苦掌握的技能被視為“過時”而遭拋棄，因此我們必須抵制“情感的誘惑”。每一次進步都需要付出代價：文字讀寫能力削弱了“記憶壯舉”，但創造了新的“分析能力”；計算器影響了“心算能力”，但讓更多人能夠“運用數學”；錄音技術降低了“日常音樂演奏能力”，但改變了我們“聆聽音樂”的方式。那麼如今呢？我們顯然有權決定，大型語言模型究竟會“拓展”還是“縮小”我們的思維。
縱觀人類歷史，我們的能力從未“停滯不前”。技能總是不斷“向外流動”——從雙手到工具，再到系統。個體的才智已融入“集體協同智能”，而推動這一過程的，是人類長久以來的“思維外化”習慣：將記憶儲存在符號中、將邏輯嵌入機器中、將判斷融入制度中，近來又將“預測”託付給演算法。過去催生行會的“專業化”，如今催生了“研究聯盟”；過去在師徒間傳遞的知識，如今通過“網路和數字矩陣”傳播。生成式人工智慧——人類知識的“統計濃縮”——只是我們“向自身發明學習”這一漫長過程中的最新篇章。
因此，最緊迫的問題是：如何保持我們的“主體性”——如何在“即將承擔我們大量思考工作的系統”中，依然保持“主導者”的身份。每一代人都必須學會如何與“新獲得的認知工具”共處，無論是鐵筆、捲軸，還是智慧型手機。如今的新變化，在於“互動的速度和親密程度”：工具在向我們學習的同時，我們也在向工具學習。如今的“管理”，意味著要確保“構成人類本質的能力”——判斷力、想像力、理解力——在我們身上得以保留。如果說有那項技能我們絕對不能失去，那就是“判斷那些能力真正重要”的技能。 (邸報)