第十一章：不会贬值的资产

前面讨论了想象力公式（0→1起始方向）和专注力（全程聚焦）。还有一个问题值得思考：在快速变化的时代，什么能力值得长期投资？

一场注定失败的追逐

2022年底ChatGPT发布，科技圈炸锅。不到半年GPT-4出来，之前学的技巧得更新。又过几个月，Claude、Gemini、Llama涌现，每个模型脾性不同，追逐者分身乏术。2024年，垂直工具爆发——Cursor写代码、Midjourney出图、Descript剪视频——每周都有新产品。2025年情况更复杂，模型继续迭代，新范式不断出现。

任何特定工具的有效期可能只有几个月到一两年。今天精心学习的，明天就被更好的替代。

若你的策略是追逐每一个新工具，这场追逐注定失败。这里说的主要是AI大模型类工具——DeepSeek、豆包、Kimi、Claude、ChatGPT——用户能力决定价值的那一类。AI+产品（嵌入型、增强型、交互型）学习负担小得多，用法变化不大，不存在追逐问题。

追逐消耗大量时间精力，却未必带来真正价值。工具终究是工具，价值取决于你用它解决什么问题。若你不知道要解决什么，学会再多工具也白搭。

这引出本章的核心问题：在快速变化的AI时代，什么是不会过时的？

一、追逐工具的徒劳

有些人的策略是保持在AI工具最前沿。

每出新工具，第一时间注册试用。每有新技巧，认真学习实践。关注所有AI领域KOL，加入各种学习社群，花大量时间了解最新进展。

这种策略短期可能有价值——他们确实比别人更早知道新工具、新技巧。但长期来看，我持怀疑态度。

第一，追逐消耗大量时间。若你每周花10小时学习新AI工具，一年就是500小时。这500小时可以深耕某个领域、完成实际项目、建立真正能力。花在很快过时的工具技巧上，是否值得？

第二，追逐导致广而不深。你知道很多工具的基本用法，但任何一个都不够深入。更糟的是，在任何实际领域可能都不够深入。你成了AI工具通，但不是任何领域的专家。

第三，追逐让你忽视更本质的东西。你忙于学习怎么用，没时间思考用来做什么。掌握了很多技巧，却不知道能解决什么真正的问题。

正确的策略

若追逐工具不对，正确的做法是把注意力放在不会过时的东西上。

工具会变，但问题不会变。解决问题需要的底层能力不会变。

你不需要精通每个AI工具，但需要：

理解AI的基本原理和能力边界
能快速学习和适应新工具
知道用AI解决什么问题
能判断AI输出的质量

这些是通用能力——使用任何工具都需要的基础能力。投资通用能力，比投资特定工具的技巧更有长期价值。

二、什么是不会过时的

第五章讨论了定义能力的四个层次：定义问题、定义方案、定义标准、定义方向。那是从创造价值的角度看人的能力。这一章从另一个角度来看：什么样的思维方式持久有价值。

思维方式与定义能力相辅相成。定义能力是做什么，思维方式是怎么想。好的思维方式支撑好的定义能力，反过来，在定义的过程中思维方式也在被锤炼。

问题定义能力

第五章详细讨论了定义能力的四个层次，这里只说思维方式的角度。问题定义的核心思维习惯是”不接受表面问题”——总是追问：这是真正的问题吗？表象背后的根本矛盾是什么？这种穿透表面的习惯，AI无法替代，因为AI只回答问题，不质疑问题本身。

质量判断能力

质量判断的思维方式是”有标准，且知道标准是相对的”。好代码、好设计、好文章，在不同语境下定义不同。AI能检查客观指标——语法对不对、逻辑通不通——但依赖语境的”品味”判断，来自长期积累的审美直觉。见得多、比较得多、反思得多，判断力才会生长。

价值选择能力

价值选择的思维方式是”敢于放弃”。AI让做事越来越容易，但时间和精力仍然有限。选择做什么，本质上是选择不做什么。这背后是价值观——你在乎什么、愿意为什么负责。价值观是人生经历锤炼出来的，不是AI能给的。

两种学习：单环与双环

组织行为学家阿吉里斯区分了两种学习方式，这个区分对理解什么不会过时很有帮助。

单环学习是在既定框架内改进做事方法。

比如，你的邮件回复太慢，学了一些技巧——用模板、设快捷键、批量处理——提高了效率。这是单环学习。你在如何更快回邮件上做得更好了，但没质疑我应该花这么多时间在邮件上吗这个更根本的问题。

再比如，你用AI写报告，发现输出不够好，学了更好的提示词技巧，输出改善了。这也是单环学习。你在如何让AI写出更好的报告上进步了，但没质疑这份报告本身有没有必要或者有没有更好的方式传递这些信息。

双环学习是质疑和改变底层框架本身。

还是邮件的例子。双环学习会问：为何我要花这么多时间在邮件上？这些邮件是必要的吗？有没有更好的沟通方式？我应该改变工作方式还是改变团队沟通规范？

报告的例子同理。双环学习会问：这份报告的目的是什么？有没有更好的方式达到这目的？读者真正需要什么？我们是否在做一直这么做的事而没质疑其必要性？

两种学习的区别在于：单环学习让你在现有框架内做得更好，双环学习让你能改变框架本身。

这个区分之所以重要，是因为AI特别擅长帮助单环学习。你想提高某技能，AI可以给你技巧、反馈、练习。你想在某任务上做得更好，AI可以辅助执行、优化、迭代。

但AI很难帮你进行双环学习。质疑框架、挑战假设、重新定义问题——这些需要更深层思考，需要跳出当前情境去审视它。这是人的工作。

在AI时代，单环学习的价值在下降——AI可以帮你更快地在既定框架内优化。双环学习的价值在上升——它是AI不能替代的，而且决定了你是否在做正确的事。

实际应用：当你学习新工具或技巧时，同时问自己——这个工具解决的问题本身值得解决吗？有没有更好的方式来定义这个问题？我是否在优化一个不该存在的流程？

【实操】触发双环学习的五个问题

单环学习是自然倾向——遇到问题就想办法解决，很少停下来质疑问题本身。要从单环切换到双环，需要刻意练习。以下五个问题可以帮你触发双环思考：

问题一：我为什么要做这件事？

这是最基础的质疑。很多事情一直在做，但从没问过为什么。

例子：每周写周报。为什么？领导要看。领导真的看吗？看了之后用来做什么？如果答案是其实没人仔细看，也许该质疑周报本身的必要性，而非优化周报的写法。

问题二：这个目标本身对吗？

我们常常埋头追求一个目标，却没问过这个目标是否值得追求。

例子：你想提高邮件处理效率。但目标对吗？也许真正该追求的是减少不必要的邮件，或者用更高效的沟通方式替代邮件。

问题三：如果从零开始，我还会这样做吗？

这个问题帮你摆脱路径依赖。很多做法是历史遗留，当时有道理，现在未必。

例子：你们公司的审批流程是十年前设计的。如果今天从零开始设计，还会这样设计吗？可能不会——那就该改了。

问题四：有没有完全不同的解决方式？

单环学习在既有路径上优化，双环学习探索全新路径。

例子：你想提高客服响应速度。单环思考是加人、加班、优化流程。双环思考是能不能让客户自助解决？能不能在问题发生前预防？能不能用AI处理大部分咨询？——这些是完全不同的路径。

问题五：我在优化的这个流程，应该存在吗？

最根本的质疑：这件事本身该不该做？

例子：你在优化会议纪要整理流程。但这个流程应该存在吗？会议纪要的目的是什么？有没有更好的方式达到同样目的？也许答案是会议本身就不该开那么多。

使用建议：

不需要每件事都问这五个问题——那样太累，也不现实。建议的做法是：

每周选一件一直在做但从没质疑过的事，用这五个问题审视一下
当你发现自己在一件事上投入大量时间却效果不佳时，停下来问这五个问题
把这五个问题贴在显眼的地方，时不时看一眼，培养质疑的习惯

双环学习不是要你质疑一切——那会让你无法行动。它是在关键节点提醒你：除了做得更好，还有做对的事这个选项。这种质疑框架的习惯，AI替代不了。

三、“功夫在诗外”

陆游在《示子遹》中说：“汝果欲学诗，功夫在诗外。”

意思是：要写好诗，光学写诗技巧不够。你需要丰富的人生阅历、广博的知识见闻、深刻的情感体验。这些诗外的东西，才是好诗的真正来源。

这个道理在AI时代有了新含义。

真正用好AI的人

观察那些真正把AI用得好的人，有一个有趣发现：他们往往不是AI专家。

他们不是对AI技术最了解的人，不是对各种模型参数最熟悉的人，不是对提示词技巧研究最深的人。

他们是某个领域的专家，同时对AI有足够理解。

举几个例子。

一位资深财务分析师，用AI辅助工作。他不是AI专家，但对财务分析有二十年经验。他知道什么问题重要，什么数据关键，什么分析有价值。AI对他是强大助手，帮他更快处理数据、生成报告、检验假设。他的价值不在于会用AI，而在于知道让AI做什么。

医学专家用AI加速研究，记者用AI提高写作效率——他们的共同点是，AI帮他们做文献、数据、素材等基础工作，但研究方向、新闻判断这些核心决策，依然是人来定。

反过来看那些AI用得不好的人，问题往往不在工具。一位刚入行的分析师，即使学会最先进的AI工具，也做不出资深分析师的判断——他不知道哪些问题值得分析，不知道数据背后的业务逻辑，不知道什么结论靠谱。工具再好，缺了领域积累也没用。

这些人有一个共同点：核心竞争力不在AI本身，而在AI之外的东西。

什么决定你的AI能力

仔细看这些案例，规律并不复杂：领域知识、问题定义、判断力、工具熟练度——这四项的组合决定一个人能否把AI用好。本质上就是想象力公式和定义能力在实践中的体现。

四者之中，前三项比最后一项重要得多。有深厚领域知识、敏锐的问题定义、准确的判断力，工具用得笨一点没关系——用笨办法让AI做对的事，结果还是好的。反过来，只会用工具而缺乏前三项，可能把AI玩得很花哨，产出却没有价值。

领域知识与”功夫在诗外”

第五章已详细讨论领域知识在AI时代的价值——不会被替代，反而会被放大。这里从功夫在诗外的角度再补充一点。

AI是通用工具，但在具体领域的应用效果，取决于使用者的领域理解。

同样让AI处理法律问题，懂法律的人和不懂的人，结果完全不同。懂的人知道怎么精确描述情况、从哪些角度分析、如何验证AI的回答；不懂的人可能连问题都问不对。

这正是功夫在诗外在AI时代的体现：决定你AI使用效果的，往往不是AI技巧本身，而是你在AI之外的积累——领域知识、问题定义能力、判断力。真正用得好的人，往往是那些能在抽象思考和具象实践之间自如切换的人：在具象的领域实践中积累判断力，又能跳出来用抽象框架指导AI。卡在哪一端都不行——学院派容易困在抽象里空转，实干派容易陷在具象中迷失。

有个比喻可以说明这一点：报税时你会选数学天才还是税务专家？答案是后者——不是因为税务专家算数更快，而是他知道该算什么、怎么算才合规、哪些地方可以优化。AI就像那个数学天才：计算能力惊人，但不知道该算什么。人的价值在于成为那个”知道该怎么用”的专家。

需求驱动，而非工具驱动

还有一个相关原则值得强调：从需求出发，而非从工具出发。

战略咨询领域有个核心理念叫业务驱动：不是有什么技术就用什么技术，而是业务需要什么能力就选什么工具。这个理念同样适用于个人使用AI。

工具驱动的思维：这个AI工具好厉害，能做X、Y、Z，我来想想怎么用它。于是你花大量时间探索工具的可能性，最后可能做了一些很酷但没什么用的事。

需求驱动的思维反过来：我有一个问题需要解决，有一个需求需要满足。然后问：什么工具能帮我？AI能帮上忙吗？怎么帮？

看起来只是顺序不同，结果差异很大。

需求驱动的人，学习有针对性。学的东西都是为了解决实际问题，学完就能用，用了就有反馈。时间投在真正有价值的地方。

工具驱动的人，学习容易变成为学而学。可能掌握了很多工具技巧，但不知道用来做什么。或者做出来的东西，解决的是一个并不存在的问题。

一个简单检验方法：在学习任何新AI工具之前，先写下我希望用它解决的具体问题。若写不出来，大概率这个工具不值得你现在学。

这就是功夫在诗外的当代含义。

四、“文艺复兴式工程师”

亚马逊云服务的CTO Werner Vogels有个概念叫”文艺复兴式工程师”。这个概念最初针对软件工程师，但它的精神适用于AI时代的所有人。

Werner描述的这类工程师有六个特质：主动探索未知，通过实验理解系统，通过交流修正认知，从整体层面理解系统，把沟通视为工作核心，对系统结果承担责任。

这些特质在AI时代尤为重要。AI工具快速演变，固守已知是危险的，探索意味着持续学习。光看文章不够，必须动手试，在实践中理解AI的能力和限制。AI时代充满不确定性，愿意交流、听取不同意见的人更可能找到好方案。

AI可以帮你做细节工作，但你需要保持对整体的把握——知道细节服务于什么目标。清晰表达变得更关键：你要能准确告诉AI想要什么，也要能向他人解释你的判断。而结果的责任始终在你，不能说”是AI做的，不关我的事”。

Werner的框架虽针对工程师，但这些特质——好奇心、实验精神、开放心态、系统思维、沟通能力、责任感——在任何领域都有价值。它们是通用的思维特质，在任何时代都重要。AI时代让它们更加关键，但根基不是AI，而是人的基本素质。

五、避免两种极端

讨论完什么是持久有价值的，我想警告两种极端。

极端一：忽视AI

第一种极端是完全忽视AI，假装它不存在或与己无关。“我是做XX的，AI跟我没关系""做了这么多年，不学AI也照样行”——这种态度很危险。AI不是可以忽视的小变化，它正在渗透越来越多领域。你可能暂时感觉不到影响，但影响正在发生，只是还没传导到你这里。某一天竞争对手用AI做到了你做不到的事，到时候再追就晚了。

极端二：只追AI

第二种极端是完全投入AI，忽视其他一切。“现在最重要的是学AI，其他都可以放一放”——这种态度也有问题。AI工具本身快速变化，追逐工具是追不完的。更重要的是，AI的价值最终要落地到具体领域。没有领域知识、没有问题定义能力、没有判断力，光有AI技能是不够的。只追AI而忽视其他，可能让你成为会很多技巧但不知道用来做什么的人。

平衡的态度

健康的态度是：学习使用AI，继续深耕领域，判断标准是它能解决我的问题而非别人都在用。

这个平衡背后有更深的道理。控制论有一个认识：任何系统都面临稳定性和适应性的张力。太稳定则无法应对环境变化——恒温器只能维持固定温度，环境变了它就失效。太敏感则容易失控——对每个微小波动都剧烈反应，最后在震荡中崩溃。

好的系统在两者之间找到平衡：有足够的稳定性来维持正常运转，也有足够的适应性来应对变化。

人也一样。完全固守旧技能、拒绝变化的人会逐渐被淘汰——这是过于稳定。什么热门追什么、没有自己根基的人会迷失方向——这是过于敏感。

平衡点在于：有稳定的内核（判断力、领域知识、核心能力），同时保持适应的弹性（持续更新认知、愿意尝试新方法）。内核让你不被潮流裹挟，弹性让你不被时代抛弃。

六、心智模型：看不见的操作系统

有些人能快速适应变化，有些人很难。面对同样的AI工具，有些人用得好，有些人用不好。

一个重要原因是心智模型不同。

管理学家彼得·圣吉在《第五项修炼》中详细讨论了这个概念。心智模型是我们头脑中关于世界如何运作的假设、图式、信念。它们像一副隐形眼镜，决定了我们怎么看待信息、理解问题、做出决策。

问题是：心智模型往往是隐性的。我们意识不到它们的存在，却被它们深刻影响着。

举个例子。

一个人的心智模型是技术进步是威胁。当他听到AI的消息，会选择性地注意那些AI带来问题的新闻，忽视那些AI创造机会的案例。他的行为会是防守性的——抗拒、回避、焦虑。

另一个人的心智模型是技术进步是工具。当他听到同样的消息，会想：这个工具能帮我做什么？我怎么学会使用它？他的行为会是主动的——探索、尝试、学习。

两个人面对同样的AI，但因为心智模型不同，他们看到的现实不同，做出的反应也完全不同。

再举一个更具体的例子。

有些人的心智模型是我的价值在于我能做什么。当AI开始能做他们能做的事，会感到价值受威胁。

有些人的心智模型是我的价值在于我能定义什么。当AI开始能做执行性工作，会觉得这解放了自己，可以专注于更重要的定义工作。

同样是AI进步，一个感到威胁，一个感到机会。区别在于心智模型。

如何更新心智模型？

第一，要意识到它的存在。我们常把自己的心智模型当作事实，而非一种看法。第一步是认识到：我对世界的理解只是一种模型，不是世界本身。别人可能有不同的模型，那个模型可能更有用。具体练习：每周写下一个你深信不疑的观点，然后尝试找出三条反对证据。这个练习会帮你意识到这只是我的看法，不是唯一的事实。

第二，主动寻找不同视角。读不同类型的书，和不同背景的人交流，尝试用不同方式理解同一件事。每一种新视角都可能挑战和丰富你的心智模型。具体做法：每月和一个与你背景、职业、观点不同的人深度交流一次。问他们怎么看AI对工作的影响——你可能会听到完全不同的理解。

第三，在实践中测试和修正。心智模型的好坏不是抽象的对错，而是实践的有效性。若你的模型让你做出错误的预测、错误的决策，那就需要修正。愿意在证据面前更新自己的模型，是一种重要能力。具体做法：每次做预测时写下来（比如”我觉得AI做不了这件事”），三个月后回顾，看看自己预测的准确率。错误预测多的地方，就是心智模型需要更新的地方。

在AI时代，更新心智模型的能力尤其重要。因为AI带来的变化是根本性的，很多旧心智模型——关于工作、技能、价值——可能需要重新审视。

那些能意识到自己心智模型的局限、愿意探索新的理解方式、能根据证据更新认知的人，会比死守旧模型的人更好地适应AI时代。

这也是一种不会过时的能力：不是知道某个确定的答案，而是能持续更新你对世界的理解。

思维方式的持久性

回到本章主题：在快速变化的AI时代，什么不会过时？

思维方式不会过时。

工具会变，技巧会变，但思维方式是持久的。始终从问题出发而非从工具出发。看整体、看关系、看趋势，不被细节淹没。不轻信，包括不轻信AI的输出，追问证据和其他可能。相信能力可以发展，愿意学习，不害怕犯错。通过尝试来学习，愿意在不确定中行动。对自己的选择和行动负责，不推卸。

这些思维方式不是AI时代才需要的，在任何时代都有价值，但AI时代让它们更加重要。

一个具备这些思维方式的人，无论AI工具怎么变化，都能适应和利用。因为他的能力不是建立在特定工具上，而是建立在更根本的东西上。

这是一种基础能力——使用任何工具、适应任何环境都需要的能力。投资这种基础能力，是AI时代最明智的投资。

下一章开始，我们进入全书最后部分——如何把认知转化为行动。

用好AI的功夫在诗外。决定效果的不是AI技巧本身，而是领域知识、问题定义能力、判断力——前三项比工具熟练度重要得多。这与想象力公式一脉相承。而那些更根本的思维特质——主动探索、实验精神、系统思维、开放心态——在任何时代都有价值，在AI时代尤其重要。工具会变，思维方式不会过时。