当 AI 成为强力执行者，细节做得好不好、快不快，都不再重要。模型会越来越智能、越来越快。但真正决定你能用好 AI 还是被 AI 牵着走的，是你的思考能力。
专业能力的本质是质疑能力
很多人以为用好 AI 的关键是写好提示词（Prompt）。但实际上，专业能力的本质是质疑能力。
理解不够深入、没有经验判断，你就无法质疑 AI 做法的好坏。最多只能在结果层面去质疑——"这个输出不对"、"这个效果不是我要的"。但你说不出哪里不对、为什么不对、应该怎么改。
更危险的是，即便 AI 很配合你的修改，进行得看起来很顺利，也很有可能在拆东墙补西墙。你修好了 A，B 悄悄坏了，而你浑然不知。
这就引出了一个关键问题：AI 生成的代码量和你的掌控力之间存在一个临界点。
代码量小的时候，谁都能 hold 住。但随着复杂度增长，如果你的质疑能力跟不上 AI 的产出速度，你就会逐渐失去引导能力和控制能力，最终只能任由 AI 发挥——你变成了一个点"确认"按钮的人。
人在 AI 时代需要的三层思考能力
我把人与 AI 协作时需要的思考能力分为三个层次：
第一层：过程质疑 —— 专家维度
这是基于专业能力和经验的质疑。
你需要能够对 AI 的执行过程进行观测和评估：它的实现思路对不对？架构是否合理？是否有扩展性？能否承载复杂状态？
没有足够的领域专业能力，即便你能利用 AI 很快入门，做出一个看似过了门槛的 demo，但在细节差异、扩展性、复杂状态承载等方面，你是提不出质疑的。
AI 的幻觉和不确定性会随着代码量增长而累积。如果你无法从过程层面质疑，这些问题就会像滚雪球一样，直到某个时刻集中爆发。
第二层：结果把控 —— 管理维度
这需要全局视角。你不一定需要知道执行细节，但你必须清楚：
- 要达到什么结果
- 做到什么程度算完成
- 最关注什么、底线在哪
这里有一个反直觉的点：不是要关注更多，而是要关注更少。
AI 产生代码的速度和量远远超过了人脑的处理能力。什么都抓，等于什么都抓不住。你应该只关注最核心的目的，然后守住底线（比如安全就是底线）。
同时你必须保持持续的自我追问：现在走到哪一步了？是否符合预期？下一步应该往什么方向？
你的管理能力很大程度取决于你对最终结果的预期是否明朗。如果你自己都说不清楚要什么，AI 更不可能帮你说清楚。
第三层：问题定义 —— 最核心的能力
前两层都是在"已定义的问题空间"里工作。而第三层是：定义问题本身。
- 存在什么问题？
- 问题有什么影响？
- 这个问题值不值得解决？
- 怎么定义"解决了"？
这是人最核心的能力，也是 AI 最难替代的能力。
AI 非常擅长通过模型训练找到既定框架下的好坏对错。给它一个明确的问题，它能给你一个高质量的答案。但问题从哪来？标准谁来定？
人对世界的认知、人的感受在不停地变化，标准在不停地被重新定义。即便 AI 想跟随这些变化，也需要时间去收集数据、训练模型。
人的独特性和不可替代性，就存在于我们对问题的定义、对问题的思考之中。 这里没有绝对的好坏对错，只有基于你的经历、处境、理解所做出的判断。
三层能力的关系
这三层不是孤立的，而是自下而上支撑的：
第三层：问题定义（为什么做）
↓ 定义问题空间
第二层：结果把控（做成什么样）
↓ 设定目标和边界
第一层：过程质疑（怎么做才对）
↓ 引导执行过程
AI 执行层（具体做）
越往上，越不可替代。 模型进步可以逐步压缩第一层的价值——更强的 AI 需要更少的过程纠偏。第二层的价值也会被压缩——AI 会越来越擅长自我评估结果质量。
但第三层——问题的定义权——始终在人手里。因为问题的定义不是对客观世界的"发现"，而是人基于自身理解的"创造"。
一个危险的趋势
当越来越多的人把第三层能力也交给 AI——"帮我想想做什么"、"你觉得我应该做什么"——人和 AI 的关系就从协作变成了依赖。
你用 AI 的边界，就是你能质疑 AI 的边界。超出这个边界的部分，你要么先补上认知再做，要么就接受结果不可控的风险。
这不是 AI 的问题，是人的问题。
写在最后
AI 时代真正拉开差距的，不是谁的提示词写得好，不是谁用的模型新，而是：
- 你能不能基于专业能力质疑 AI 的过程（第一层）
- 你能不能克制地只关注核心目标和底线（第二层）
- 你能不能定义出有价值的问题（第三层）
工具会越来越强，但思考能力是你唯一带不走、也替代不了的东西。
本文基于与 AI 的深度对话整理而成。是的，这篇关于"如何思考 AI"的文章，本身就是人与 AI 协作的产物——我定义了问题，AI 帮我组织了表达。
