EP9 教朋友们用 AI 时想到的 · Thoughts - 主题精读稿
EP9 教朋友们用 AI 时想到的 · Thoughts - 主题精读稿
前言：AI 的落差正在扩大，而大多数人浑然不觉
这期节目的核心议题是：为什么 AI 明明是一个门槛极低的东西，却正在把大多数人甩在后面？两位嘉宾从教朋友和传统企业团队使用 AI 的亲身经历出发，归纳了人们面对 AI 时最常见的心态误区——寻找 AI 无能的证据、缺乏耐心、期待"整块时间好好学"。他们提出，AI 不是软件，不是螺丝刀，而是一种释放主动性和个性的动作，学习它的方式更接近打篮球而非考 GRE——你得去拍那个球。同时，节目深入讨论了一个被严重低估的障碍：大量"玩电脑"积累下来的隐性计算机常识，正是今天高效使用 AI 的前提，而这些知识既无法被系统化教授，也无法通过购买解决方案获得。
一、AI 融入传统制造业：培训与实际应用初探 (00:00 - 01:15)
这期节目的具体语境，是一个传统制造业公司团队如何适应新技术。近期有嘉宾在做一件此前从未想过的事：帮朋友的传统制造业公司做 AI 培训和 workshop——做钢筋的、搞施工的，所有高管围坐一圈，看演示 web coding 和写提示词。他特别强调，自己并非什么加速主义者，也不认同"不进则退"的残酷竞争叙事，但 AI 是一个现实，在这个现实里，前沿的人和普通人的落差是越来越大的，而不是像"心想事成"的技术本身所许诺的那样越来越小。
另一位嘉宾分享了类似的经历：大量一对一的培训。朋友抱着模糊的问题来——"我想用 OpenCloud"——但用来干什么说不清。最终发现微信打字根本讲不明白，只有线下面对面才是最好的方式。两人一致认为，想要熟练运用 AI，所有方法——看帖子、看视频——都不如两个人坐在一起，一个人用，另一个人看着。最好让对方用你的电脑来操作，因为就算演示了一遍，他自己动手时又是另一回事。
二、学习 AI 常见误区：寻找 AI 无能的证据与缺乏耐心 (01:15 - 04:01)
在培训过程中，对 AI 不熟悉的人最常出现的现象被归纳出来。排在第一位、也最让人反感的一个：**不管你说什么，他们永远在字缝里寻找 AI 无能的证据。**你给他演示一个东西，他的第一反应就是"这个事如果真让 AI 干的话，归根结底还是干不好"。所有人都有这种倾向——想要找到那个证据来证明 AI 归根结底还是不行。
更具体的场景是：你跟朋友说哪个活可以拿 AI 去做，这活有十个步骤，他们会说有两个步骤 AI 不能做，然后因为那两个步骤，剩下八个也不让 AI 去做。这种现象极其常见。
还有一种情况更微妙：你跟同事说某个东西用 AI 效果挺不错，他说"我试了，效果不好"，然后就此打住——他证明了有一个东西叫 AI，他使用了这个东西，结果不好，所以 AI 不胜任，不用再考虑了。
就是他证明有一个东西叫 AI，然后他使用了这个东西，然后出来的效果不好，所以就是 AI 就不胜任，所以我们就可以到此为止了。
三、AI 学习心态：耐心培养与需求明确的重要性 (04:01 - 06:02)
两个关键问题被提出。第一，学新东西就像学写字，不可能第一个字没写出来就说自己不会写字。人们对学摄影有耐心，对做播客有耐心，但一旦变成 AI，要么一秒钟解决问题，要么就是永远解决不了——明明是一个今天所有人都想学的东西，却给了它最少的耐心。
进一步追问："AI 不行"这四个字到底代表什么含义？说一台相机不行，是因为拍 4K 30 帧一个小时就过热关机，这是一个有具体依据的判断。但"AI 不行"呢？你不就是跟它对了几次话吗？什么叫行什么叫不行？
第二个问题更致命：如果你深入去看那些人跟 AI 说的需求，会发现都特别模棱两可——你把那个需求说给人听，人也干不出来。你做的事情和你验证出来的结果，根本不构成"AI 不行"这个论断。
四、AI 的本质：工具而非万能神器，用途需自行探索 (06:02 - 07:33)
一个犀利的类比被提出：你会关心筷子不能做什么吗？吃饭的时候你不假思索地使用筷子，不会考虑"筷子归根结底还是不行"。AI 就像筷子、自行车，就是你做事情使用的一个东西，它根本不涉及"对和错"的判断。
这种认知偏差的根源在于：人成长过程中接触的大部分工具都有特别明确的用途——螺丝刀拧螺丝，十字的就是十字的。但 **AI 特别像电脑，它能干的事是一团模糊的东西，需要你自己去 figure out。**很多人对 AI 的理解，是把一个像电脑的东西当成了螺丝刀——一个需求拧不进去，你就是完全不行。但 AI 不是螺丝刀，它是一堆东西。
五、使用 AI 的矛盾心态：既视其为废物又视其为神 (07:33 - 10:34)
一对特别矛盾的心态被剖析出来。第一种：如果我们能找到 AI 归根结底还是整不对的证据，就可以把它踩在脚下——我是安全的，工作不会丢，不足为患。第二种与之矛盾却能同时发生：觉得 AI 应该是全能的，写一个大而无当的提示词，等着 AI 把所有事全弄完，如果弄不完就回到第一种心态。前者是在确认自身安全，后者是推卸学习的责任。
一个精准的画面补充了这种矛盾：别人手里 AI 是神——AlphaGo 赢棋、有人用 agent 做了一个公司挣到钱了；一到自己这儿就是废物——这也干不了那也干不了。这时候第一反应不是"为什么在我手里不是"，而是"我安全了，它取代不了我"。
对，就是这个神，文庙保不保佑英语考试。
六、学习 AI：亲近、熟悉而非掌握，过程重于结果 (10:34 - 16:08)
第二个常见现象是：很多懂一点的人判断科技进步速度很快，认为现在花时间学 AI 不值得，因为技能很快就会过时。以 Stable Diffusion 1.5 为例：当初确实要背一堆像乱码一样的咒语，一年后就全作废了，作废周期比皮克斯画师被电脑取代手绘短得多。于是有人说"我现在不想碰 OpenCloud，因为太不成熟，我等它变成微信再用"。
但从竞争角度反驳：SD 1.5 时代那些文生图飞起来的人，你没看见他们接了多少订单、积累了多少对扩散模型的手感、沉淀了多少客户信任。小的、朝生暮死的领先优势，就是我们作为劳动力能获得的全部有价值的东西。一个、两个、十个这样的领先叠加起来，里外里就差远了。Cursor 去年如日中天、90 亿美元估值，今天已经很少人谈论——大模型本身的能力会淹没很多小创新，但人家在那个窗口期吃了更难下咽的东西，就获得了一点 edge，可能沉淀在客户关系上，可能沉淀在权威性上。
而反对"等成熟再学"心态最重要的理由还不是这个。**你需要亲近它，熟悉它，而不是学会它。**AI 不是关于怎样使用螺丝刀的知识——它像婴儿学会控制自己的手臂，从不会到会的那个变化过程。
七、学习 AI：手感与直觉的培养，而非纯粹的知识记忆 (16:08 - 20:19)
人们反复说"我得拿出整块时间好好学 AI"——这种心态就像要过 GRE 一样。但 AI 90% 是一种身体里、肌肉里的知识，而非纯大脑知识。AI 基本不像 GRE 但非常像打篮球：你想学好 AI 就得用 AI，学好篮球的方式不是看科比拍的视频，你得去拍那个球，拍十万次你就会了。
从另一个角度展开：有爱好的人特别幸运，因为他研究过如何从零到一学一个东西，爱好钻得越深，越理解该怎么学 AI。很多人倾向于把 AI 当成大学本科课程——一共 12 周，第一周讲总论……但今天没有人是上学学的 AI，都是自学的，甚至干这行的人也是自己从头摸索出来的。你不能期待有教材从头到尾教明白。
进一步明确：如果 AI 使用能成为一门大学学科，那是绝对不可能的。AI 使用不是一个学科，它可能是个专科技能——就像北京服装学院不可能开一门课叫"穿衣服和脱衣服"。
八、补全常识：AI 学习前被忽略的计算机基础知识 (20:19 - 25:06)
这是培训中发现的最重要的障碍之一：教人用 AI 最难的点不在于 AI 本身，而在于补全他们缺乏的计算机常识。
一个典型例子：朋友在 ChatGPT 的 Instant 功能里做网页（左边对话、右边实时渲染），做了两三个小时后来求助——他让 AI 读取桌面上的文件，但 AI 根本读不到。他不明白网页里的 vibe coding 产物读不到本地桌面文件。这就像那个经典笑话：在家按 Ctrl+C，到单位按 Ctrl+V。
一针见血的判断是：今天所有聊 AI 的，本质上还都是计算机从业者，他们有过多的、根本连说都不用说的 common knowledge 在这个事里面。这些常识百分之百来自于"玩电脑"——不是来自计算机科学课程，而是在华军软件园 200 个下载链接里辨认出只有"江苏电信"那个才是真的，其他写着"立即下载"的全是流氓软件。没有几万个小时的试错，这些东西无从积累。
教人用 AI 最难的点全在于：让他知道你说的那个词是什么意思——而你不知道他不知道那个词是什么意思。
九、隐性知识的重要性：网页结构与提示词迷思 (25:06 - 28:58)
人们特别喜欢把提示词想象成一种秘籍——神秘的、没被分享的黑魔法。但真正的问题远比提示词更基础。
一个实例：朋友用 AI 改网页，标题里"产品"两个字在"产"和"品"之间换行了，他觉得很丑，就反复跟 AI 说"不要在这换行"。AI 怎么改也改不过来。问题在于：这个朋友不知道"文本框"是一个容器，字换行不是因为 HTML 里有换行符，而是因为文本框宽度固定，文字自然折行。他不知道网页是由一个一个方块嵌套构成的——虽然不需要会写 CSS，但知道按 Command+I 打开检查器就能看到那些方块，这就够了。
第二个隐性知识：AI 的 IDE 只能读 HTML 代码，大语言模型处理的是语言。除非你自己截图发给对话界面，否则 AI 是"瞎子"，它只在读一行一行的代码，不知道页面实际呈现了什么。缺乏这两个隐性知识，可能熬夜到三四点在改一个根本不存在的问题。
总结来看：你在普及的不是 CS 101 教的计算机通识，因为这些知识太碎了，完全没有理由你该学、但人生前十年玩电脑的时候莫名其妙就知道了。你打汉化补丁打不上、想做个小网站、做个小游戏的时候学到的这些知识在脑中沉睡了 20 年，突然在 AI 时代发现能用上了。
十、结构化思维：从粗到细解决问题 (28:58 - 31:21)
关于本地文件和文件夹的概念同样重要。一直用智能手机的人可能没有明确的文件夹概念——到今天苹果的文件夹系统做得也不好。而当你说到文件夹时，自然会想到任何你做的东西——网页、APP——在文件夹里都有层级结构，这是你操作它的关键。
一个让人"内心抓狂"的例子：朋友做了一个 100 屏的网页，所有样式是复用的——每一屏的标题字号、颜色、阴影、宽度都套用同一个 CSS class。但他不知道，于是对着 100 屏一页一页改字号，从天黑干到天亮。直到被告知只需要改那一个 class，100 页就一起刷新了。
**做任何事都应该从粗到细：先理解它的结构，先把粗颗粒的东西弄完了，再去抠单独的、一事一议的问题。**这听起来不是任何具体的建议，但它是一个特别基本的原则。
十一、版本管理与 AI 的记忆窗口 (31:21 - 34:12)
以写文章的经验为例：做版本管理——第一版第二版第三版分开保存，各个版本的资料放在不同文件夹。这让跟 AI 合作特别容易，因为你知道让 AI 看什么东西。但 99% 的人无法提供文章的不同版本，因为他们从始至终就一个版本，一直在上面覆盖修改。
这在使用 AI 时造成了具体困扰：你意识不到 AI 每次改完一个东西就是一个新版本了。用 Codex 时记忆窗口满了要新开 thread，很多人一直聊下去，然后抱怨"AI 怎么开始胡乱输出了"。
十二、AI 的本质：文本输入与输出 (34:12 - 37:29)
一个极具代表性的例子：朋友让 AI 改网页改乱了，想让它"改回去"。AI 既没改回去也没改对，给了一个全新的错误版本。朋友炸毛了——"我跟你说改回去，这还有什么不懂的吗？"
回答直击本质：什么叫"改回去"？你保存版本了吗？大模型就只是你传进去一些话，然后它吐出来一些话——没有一个东西叫"回去"。你用的不是 Word 可以 Command+Z 撤销。你一会儿在应该把它当 AI 的时候把它当软件，一会儿在应该当软件的时候又把它当 AI。AI 是没有"改回去"这一说的，它只会按照自己的理解糊里糊涂地改一个似是而非的版本。
这背后是对 AI 性质的根本不理解：AI 管那东西叫 token，进一些 token、出一些 token，不管能实现多巧夺天工的能力，归根结底它只是在唠嗑，只是输入文本和输出文本。
基于同样的道理，上下文管理变得至关重要。反复告诉学员：多跟 AI 说一些不是直接做事情的话——先让它看一个东西、总结一下、讨论一下。这是为了让距离当前时间点较近的 context 里都是比较相关的内容，AI 才容易给出更好的答案。要允许 AI 反驳你——如果你的要求不合理，问它"这合不合理"，它可能会告诉你。
十三、智能手机的封装：对计算机理解的阻碍 (37:37 - 39:43)
同样因为 context window 有限，数据要保持干净。从天亮劝到天黑，跟每一个人说十遍：尽量存成 MD 或 TXT 纯文本。Context window 只有 200 多 K，还有一百多 K 要留给 AI 自己，传 200K 按汉字算是十万字，很多了——但居然还不够用，说明数据本身就不够"讲卫生"。
由此想到一个早年的预言：iPhone 刚火的时候，就有互联网先驱警告说智能手机的过度封装会妨害人们对计算机的理解。当时的反驳是"以后都是智能手机了，不需要学这些过时的东西"。结果绕了一个大圈，今天用 AI 用得好的人，你很难想象他是用手机在用——大部分人还是拿电脑在用。如果从小到大只和 iPhone 打交道，理解 AI 会有非常大的挑战。
感慨的是：你长大后才发现，你选择的特定的使用科技的方式让你付出了代价——那个代价本来完全不可见，直到 AI 来了以后，你突然发现你从来没有拍过那个篮球。
十四、现代笔记软件的重要性：结构化信息与开放格式 (39:43 - 44:44)
劝传统行业的朋友用现代笔记软件这件事已经持续了十年——2016 年就在劝人停止使用 Word 和 PPT。但理由完全变了：过去是因为多人协作文档，现在多人协作已经变得特别 trivial。真正重要的是，现代笔记软件让沉淀下来的文档结构特别清晰——结构本身保存了更多信息；笔记软件里全是文本，不像 .pptx 或 .docx 里打包了一堆格式和样式。
开放软件的视角也被补充：当年互联网先驱说应该用开放软件是完全合理的——不用开放软件，数据就拿不着。Telegram 能调用的东西就是比微信多，笔记软件这事更明显：如果所有东西都存在 Word 里，想批量访问的难度远远高于开放格式。
过去的 Word、Excel 都是"面向打印机"的——面向 A4 纸上的样子，面向给领导签字。一个生动的例子：你想用 Word 做出一个像微信公众号一样不分页的长文阅读体验，简直是灾难。今天写作要分页完全没有任何一丁点理由，但用 Word 加张图还要考虑图把文字挤到下一页——这就很扯淡。
十五、数据格式与知识沉淀：面向 AI 的可操作性 (44:44 - 48:45)
一个极具代表性的案例。朋友的公司有几百个 SKU，每个产品对应十几二十类资质检验报告，客户随时可能索要。但他们没有数据库——有的是一张极其复杂的 Excel sheet 和钉钉里层级特别深的文件夹。那张 Excel 表的编制完全是 arbitrary 的：防震检测按 SKU 一行一行写，透光度检测按批次写——"第一批 35 个产品通过了"就做一行，用的还不是 SKU 全称而是"极米级以下的 A"这种只有负责人和领导心里才懂的简写。第三个检验报告又是全新的维度。
这个表格给负责人向领导汇报时特别好用，但给 AI 去分析就是一场灾难。AI 不了解"极米级以下的 A"包含哪些产品——这些默认知识没有包含在数据里面。当朋友想让 AI 做一个现代的、可以按维度调取资质报告的界面时，卡点完全不在于 AI 不会写数据库或前端——那些一秒钟就做好了——而在于 AI 看不懂他那份表格。
AI 特别像人。这人要是看你这东西没有上下文看不懂，那 AI 一定也看不懂。
由此总结：全面、全量地保存和沉淀知识，以结构化和开放的方式去做——这跟 AI 没关系，就是一种基本的"卫生"和 best practice。过去在"打印给领导签字"的世界里，这种伦理和美学没有收益；但在 AI 时代，它的价值特别大——你就应该花两个小时把表格改造成纯粹标准的、一个 SKU 一行的格式。
十六、AI 广告的误导：许愿机器与现实的脱节 (48:46 - 51:13)
特别讽刺的是：一方面微信群和公众号里 AI 进展一日千里呼啸而过，另一方面这些东西跟绝大多数老百姓没有任何关系——茫茫大社会，好像什么都没发生过。大家还在用过去的方法做事，心里却有一种焦虑。
昨天看电影，前面七八个 AI 广告——元宝两遍、豆包两遍、千问两遍。一针见血的判断是：**这些 AI 公司口中的 AI 并不是我们现在用的那种 AI，他们口中的 AI 全都是许愿机器——你说一个事，它给你一个答案。**中国的 AI 公司试图把 AI 变成哄小孩的东西。
这些广告的许诺和暗示，以及它对用户的要求，没有包含今天讨论的任何东西——关于你作为一个成年人平视 AI、使用它所需要的隐性前提和熟悉度，都是没人管的。他们只想让你买一个引擎、一个 API 服务。
十七、AI 的本质：释放主动性与个性，而非软件 (51:13 - 59:04)
一个深层矛盾被点出：元宝的广告是自拍 P 图——AI 干得很好的一件事。但这和我们已经能看到的 AI 对就业的经济冲击，怎么合到一起？如果 AI 就只是帮你 P 到朋友照片里，那经济冲击应该不存在。但它是同时存在的。
本期最核心的论断被提出：**AI 不是软件。**软件是钢筋水泥般的东西——SaaS 取公因式、做定制开发、平摊昂贵的开发成本，那几百万行 Java 代码背后是工程的冷酷。但 AI 是一个完全前所未有的释放你自己的主动性和个性的东西——软件可能是集装箱、库房、衣柜，但 AI 只是穿脱衣服的动作。所以它不应该把大多数人甩在后面，这是一个非常诡异的情况。
科技新闻里谈论的所有东西——提示词工程、RAG、Agentic Search、强化学习循环——每一个概念都和今天的普通人有关：做合同管理的、做工程管理的、写文字的。但所有这些全部被关在工程师文化和工程师的心理检讨里面。他们驾驶着自己认为唯一重要的高铁往前冲，99.9% 的人在高铁墩子底下站着，浑然不觉。
自嘲的是：此刻在给别人讲的，实质上就是 1.0 版本的上下文工程和提示词工程的思想——甚至不是工程，只是一个思想，没有任何门槛，多说几遍他们完全就 get 了。然后回头看那些企业身边围绕的供应商：做一个 AI workshop 十万、做一个 AI 应用二十万、给一个业务模块做个 AI 助理一百万。AI 不是衣柜不是衣服架子，它是穿衣服的动作——你必须自己把手弄脏去摸这个东西。一个公司花 200 万购买了这样的服务，过了半年还得再花 200 万。
你花钱买了一个别人教你穿衣服的姿势吗？你疯了吗？
十八、学习 AI：知识付费与实践的重要性 (59:04 - 1:00:54)
你要付费也应该是知识付费——学一下这东西，而不是买那个结果。结果不值钱，知识比结果值钱多了。而且最关键的认识是：**这次这个事真的是很容易学明白的。搞明白 AI 的成本远低于搞明白计算机、编程、移动互联网。**虽然它给人带来的变化最大，但学习门槛反而最低——你却选择花钱买一个东西。
一个精彩的总结：如果 Web 1.0、2.0、3.0 的关系像英语四级、专八、GRE，那 AI 不是 GRE 之后的下一级——AI 就是篮球。学篮球唯一的方式就是你得拍它，而不是买一个关于篮球的解决方案。
具体怎么开始？先把翻墙解决，把订阅买上，先用起来。就算不解决这些，用 Kimi、用 Minimax 也挺好，让每个人自己跑一遍——国内什么都有，Kimi Code 之类的。关键是：你得拍那个球，不要再给那个球买任何的解决方案了。不要再买球鞋了。