语言表达能力强的人，AI 用得更好吗？
Do articulate people use AI better?最近突然想到一个问题。
现在我们和 AI 最主要的交互方式还是语言。那么，本来就更会表达的人，是不是也会更会用 AI？
第一反应好像是肯定的。你越能把自己的目标、背景、限制和期待说清楚，AI 就越容易理解你真正想做什么。可再往下想，又觉得这件事没那么简单。
能说，跟说到点子上，还是两件事。
语言可能只是我们和 AI 之间的接口。真正决定这个接口里能传递多少东西的，还是后面的思考。
会表达，当然有优势
同样是让 AI 帮忙看一个产品方案，有人会说：
“帮我看看这个方案还有什么问题。”
另一个人可能会说：
“我现在不是想继续补功能，而是想判断它是否已经足够进入真实用户测试。请重点看核心流程有没有断点，哪些问题会妨碍用户完成任务，哪些只是可以以后再修的体验问题。”
后者通常会得到更有用的回答。但不完全是因为他比较会写 Prompt，而是因为在开口之前，他已经想清楚了一部分：现在到底要判断什么，什么问题重要，什么问题暂时可以放过去。
所以我越来越觉得，所谓“表达能力”，在这里不是英语好、文笔好，也不一定是说话漂亮。
一个很会写东西的人，完全可能把一个错误的问题描述得特别动人；一个程序员可能不善言辞，却能准确告诉 AI 现在是什么状态、哪里失败了、什么不能动、什么结果才算通过。
后者一样很会用 AI。
表达更像是思考的出口，而不是最底层的能力。
更难的是，把“感觉不对”变成一个真正的问题
现实里的问题很少一开始就长得很清楚。
更多时候，我们脑子里只有一个模模糊糊的感觉：“这个产品好像还不够好”“这篇文章读起来有点怪”“这个方案我总觉得哪里不对”。
接下来真正困难的，是继续往下追。
- 到底哪里不对？
- 是信息不够，还是结构有问题？
- 是产品真的还不能用，还是只是没有达到自己的理想状态？
- 现在缺的是继续研究，还是已经应该拿出去看看真实用户怎么反应？
这就是所谓的 problem framing：把模糊的问题慢慢定义清楚。
以前我会觉得“会提问”可能是一种 Prompt 技巧，现在越来越不这么看。它其实是一种很传统的思考能力：在一团混乱里，找到那个真正值得解决的问题。
AI 只是让这件事变得更明显了。
因为 AI 有一个很特别的地方：你给它一个错误的问题，它也可以非常勤奋地把这个错误的问题一路做下去，而且做得相当完整。
「生成」越来越便宜以后，「判断」反而更重要了
这可能是我现在最在意的一层。
AI 已经很会生成了。一篇文章、一份方案、一段代码、一份分析，都可以很快得到一个看起来相当完整的版本。
困难反而发生在答案出来以后。
- 它真的回答了原来的问题吗？
- 哪些地方只是听起来很专业？
- 哪些结论其实没有足够证据？
- 哪些东西虽然正确，却根本不重要？
- 又有哪些地方明明还能继续优化，但其实已经足够用了？
我越来越警惕一种东西：AI 制造出来的“完成感”。
一份东西结构完整、语言流畅、该有的部分都有，很容易让人觉得事情已经做完了。但“做完了”和“做对了”不是同一件事。
所以当生成能力越来越廉价，judgment 反而可能变得更值钱。
你得知道什么值得做，什么是真的好，什么只是长得很像一个好答案。
这也是为什么我不太相信“有了 AI，专业知识就没那么重要了”这种说法。一个不了解金融、医疗、工程或产品的人，可以很快让 AI 生成一份像模像样的东西，但他未必知道哪里违反了真实世界的约束，也不知道哪些 trade-off 才是真正需要付出的代价。
AI 降低了生成答案的门槛，却没有自动降低判断答案的门槛。
还有一个麻烦：AI 很容易顺着我们
和 AI 相处久了，我觉得还有一种能力越来越重要，就是偶尔回头看看自己的思考过程。
- 我为什么相信这个答案？
- 这是事实，还是一个未经验证的假设？
- AI 真的是独立得出了这个结论，还是因为我的问题本身已经暗示了方向？
- 如果出现什么新的证据，我会愿意改变现在的判断？
因为 AI 很容易沿着一个人的 framing 继续往下走。
如果最开始的问题里已经藏着一个偏见，它有时候不仅不会打断我们，反而可以替这个偏见补充越来越完整的论证。最后得到的东西逻辑很顺，甚至看起来很有深度。
但逻辑顺，不代表它是真的。
所以除了问 AI“你确定吗”，有时候还得问自己：
我为什么这么确定？
会分析，也不一定总是优势
如果文章停在这里，很容易得到一个漂亮的结论：越会定义问题、越有判断力、越会反思自己的人，就越会使用 AI。
后来我觉得，事情还有另外一面。
会 problem framing 的人，也可能不断重新 framing；习惯 critical thinking 的人，会发现每个答案都还可以继续 challenge；一个特别喜欢观察自己思考过程的人，甚至可能开始研究——我为什么一直在分析自己为什么一直在分析。
这件事我自己挺有体感。
AI 给了我们一个过去很少拥有的对象：它几乎不会累，也不会因为“这个话题我们已经聊两个小时了”而想回家。只要你愿意，一个问题可以一直往下挖。
过去很多思考会因为时间、精力，或者找不到人继续讨论而自然结束。现在这个天然的停止点消失了。
于是出现一个很有意思的变化：
思考的成本越来越低，停止思考反而变成了一种能力。
我最近很喜欢用一个很简单的问题来判断要不要继续：
这个我还不知道的东西，会改变我的下一步行动吗？
如果会，那值得继续研究。
如果不会，可以先记下来，然后往前走。
现实里的好决策，本来也不是等到所有 uncertainty 都消失之后才做出来的。更多时候只是，我们已经知道得足够多，可以承担剩下的不确定性，先走下一步。
所以，会用 AI 到底考验什么？
如果现在重新回答最开始的问题，我还是会说：语言表达能力确实有帮助，但它可能没有我们第一眼想象得那么核心。
更底层的是：
- 你能不能把模糊的问题逐渐定义清楚，
- 能不能判断 AI 给出的东西究竟好不好，
- 有没有足够的经验理解真实世界的约束，
- 能不能意识到自己和 AI 都有可能错，
- 以及，什么时候应该停止继续分析。
这些其实都不是 AI 时代突然发明出来的能力。
Problem framing、judgment、domain knowledge、critical thinking、metacognition——以前就已经存在。
AI 做的，更像是把它们的差异放大了。
它放大的可能不只是一个人的生产力，也包括一个人原本的思考方式。
问题定义得清楚，AI 可以帮我们走得更远；问题从一开始就错了，它也可能帮我们更快地跑偏。
所以我越来越不觉得“会写 Prompt”会是一种长期稀缺的能力。模型会越来越能理解我们的口语、截图、文件、代码，甚至那些自己还没说完整的意图。
真正难被自动补齐的，可能还是几个很人的问题：
我到底想解决什么？
我怎么知道这个答案是好的？
我有什么可能想错了？
以及——已经想到这里，是不是该去做了？