在边际上，英语能力目前仍是一个显著的效率加成。主流大语言模型的训练语料以英语为主，模型对英语指令的理解精度在多数场景下优于其他语言。但真正重要的不是语种选择，而是语言能力本身——用任何语言都可以高效驱动AI，前提是你能够结构化地表述复杂任务，精确地捕捉问题核心，并且在AI偏离方向时能够恰当地挑战和纠正它。
AI也许是一柄重如千钧的大刀，但要能挥舞成风、阵前破敌，仍需持刀之人有足够的武力值。框架、审美和语言，决定了这个武力值的上限。
断裂的阶梯：初级职位被替代之后
上面提到的三种能力——结构化的认知框架、对品质的判断力和精确而富有逻辑的语言表达——主要不是在课堂里教出来的。大多数专业技术人员的这些素养，都是通过“干中学”学到的：毕业后进入初级专业岗位，在大量看似枯燥的基础工作中逐步积累专业直觉。以中国宏观研究为例，一个新入行的研究员会慢慢知道数据口径等质量问题如何识别、对历史事件的理解如何深化、不同研究流派的分歧与各自的优势何在，逐渐习得对数据质量的直觉和对研究设计的理解。在这个过程中，框架、审美与语言表达的能力训练水到渠成。这正是他日后成为资深专业人员的基础。
但这条阶梯正在被大语言模型抽掉中间的脚手架。斯坦福数字经济实验室利用了2.85亿条美国在线招聘广告进行分析，发现22-25岁年轻人群的就业出现了显著的收缩（总体下降约6%，软件开发等领域甚至回落达20%），但企业对能熟练运用AI的资深人才以及具备高级管理和决策能力的岗位需求反而有所增加。这种“去初级化”的现象被研究者称为招聘压缩（Hiring Compression）。其逻辑并不复杂： 一个资深专业人员加上AI，能完成过去十个初级员工的工作量。
但问题在于，那些被替代的初级专业岗位，虽然承担的是重复性和基础性工作，却恰恰也是专业素养的隐性训练场，是他们走向资深职位的脚手架。取消了这些岗位，就等于拆掉了通往资深专业能力的脚手架。笔者自己过往近二十年的研究与写作，方法虽然原始，但无论是文献阅读、数据清洗，还是写作中的不断打磨返工，都在塑造着我的判断力和审美。如果一个人一出校门就有AI代劳这些工作，这些能力的养成将困难得多——而没有这些能力，他驾驭AI的能力也就无从谈起。
这是一个尚未被充分讨论的结构性悖论：AI替代的不只是岗位，更是一条完整的专业成长路径。十年后，我们可能面对一个吊诡的局面——AI消灭了初级岗位，却没有人有资格胜任高级岗位。戈尔丁和卡茨的“技术与教育的竞赛”，在这里获得了一层新的含义：教育需要追赶的不仅是技能的更新，还有整个人才培养生态的重建。我无力预测未来专家的培养路径将如何重塑，但在当下，这确实已是一个迫在眉睫的问题。
中国的特殊困境：语言教育不训练表达能力
上述分析适用于所有语言环境，但作为一个长期从事中文研究与写作的人，笔者感到中国还面临着一个额外的结构性劣势：语言教育体系长期重记忆、轻表达；在表达层面重修饰、重文采，而轻内容、轻逻辑。这在AI时代的代价正在急剧放大。
一般来说，语言教育的总体目标可以追溯到古希腊所谓的“三艺”（Trivium），即文法（Grammar）、修辞（Rhetoric）和逻辑（Logic）。文法强调的是语言的严谨性和准确性；修辞是说服的艺术，强调依据不同的受众和目的，采取相应的策略去说服他人；而逻辑则是语言的骨架——所谓批判性思维、同行评议，都遵循相近的路径：提出主张，给出事实和证据，建立证据与主张之间的逻辑关联，同时承认存在例外，预判潜在的质疑。合格的逻辑论证天然是可证伪的、可追溯的、结构化的。
中国的语文教育以及更广泛的文理教育，从小学到高中，训练的不是思辩思维，而更多的是标准答案与记忆。作文写作追求的是比喻、排比、华丽的词藻和感人的升华，而非逻辑的严密、论据的充分和表达的精确。直到今天，中国的中小学和大学中，普通学生几乎不接受系统的逻辑训练。一篇高考满分作文，往往辞藻华丽、情感充沛，却内容乏味。事实上，唐宋古文运动的历史表明，平易朴实、流畅但结构紧凑、逻辑严谨的文章，在生活和工作中往往更具表达力和生命力。至于作为外语的英语教育，问题更为突出——重心放在语法规则的记忆和标准化考试的应对上，“听说读写”四项能力中，可能只有阅读稍好一些，听、说、写方面的欠缺则相当明显。
就我个人经验，大多数人步入职场后，都要经历一次蜕变——摆脱学生时期养成的那种高中生读后感式的、动辄莫名其妙地拔高的华而不实的文风，转向有理有据地把事情说明白、讲清楚的写法。走好这一步，才算是在职场上站稳了脚跟。但很多人因为工作性质等种种因素，这种转变的历练并不充分，语言能力的成长由此受限。此时，学校阶段语言教育的欠缺就会成为使用AI的一道难以逾越的障碍。
戈尔丁的方案之外，我们还能做什么？
回到戈尔丁的框架。她的研究告诉我们，技术与教育的竞赛中，教育总会追上来——但追上来的速度，决定了一代人是受益者还是被碾过去的人。当然，我们也完全不否认，在技术猛烈进步的时代，有人能快速地适应新技术，甚至借助新技术实现了在旧技术条件下无法实现的弯道超车。二十世纪初，美国高中教育的大规模普及用了大约三十年才跟上工业化的步伐。这一轮AI变革的节奏显然更快，留给调整的窗口也更窄。
除了教育，作为个体还能做什么？从前文的讨论来看，答案也许并不新鲜：AI时代，传统的专家品质依然是稀缺要素——结构化的认知能力、复杂场景下的语言表达和思辩能力，以及优秀的判断力。但历史也告诉我们，每一次重大技术变革都会重新定义“有用的能力”。印刷术让记忆力的价值下降，让写作和编辑能力的价值上升。计算器让笔算心算能力贬值，让数学建模能力升值。AI正在做同样的事：它让信息检索和常规文本生产的能力贬值，让思维的结构化能力、语言的精确表达能力和专业的判断能力升值。谁先看清这个趋势并据此调整自己的能力投资组合，谁就能在这一轮变革中占据先机。工具人人都能用，差距从来都在工具之外。
最后，分享一段个人近期的经历。三四个月前，我对大模型的态度还颇为消极：模型迭代如此之快，今天一个版本、明天又一个版本，学会了也很快就被迭代掉，何不等到未来有了稳定的生产力工具再说？然而，在朋友的推动下，我开始深入使用了几个模型，才意识到自己确实过于轻慢了。在我与模型的互动后得到的输出中，有些内容的水准已经达到了我所比较尊敬的行业顶尖专家的水平——尽管部分结论我仍然倾向于去找真正的学者做对照，但身边能有一个这种水平的“专家”随时与自己讨论问题，即便还有不少缺陷，其价值也已不容低估。
反观我此前的判断，漏洞不少。比如，AI的迭代究竟要经过多长时间才能趋于稳定——是一两年，还是五到十年都会持续剧烈变化？这直接决定了个人是否跟得上。更何况，AI终究只是一个工具，是工具就有能力的边界，而对这个边界的把握本身也需要认知能力——比如如何识别幻觉、了解资料的覆盖盲区、权衡不同模型的性价比。善用AI本身就是一项需要培养的能力。这种能力不完全等同于框架或审美，而更接近一种“工具直觉”——知道什么任务可以放手让AI做，什么任务必须人工兜底。退一步说，愿不愿意现在就紧跟技术进步的步伐，本身就是一种筛选机制，是适应能力的外在体现。“不着急学”这四个字，可能已经在不声不响地拉开差距了。
（本文仅代表作者本人观点，责编：闫曼 man.yan@ftchinese.com)