EP391-当AI完成所有工作，一个人应当如何证明自己的价值？

概览

本期围绕“AI 时代人的价值”展开。主播与嘉宾从旅行理赔、博物馆导览、行前学习和家庭行程制作等亲身经历切入，展示 AI 如何进入日常生活，并替代填表、整理资料、生成内容等耗时工作。

嘉宾认为，模型单纯追求“更聪明”的边际收益正在下降，发展重点逐渐转向 Agent 能力、执行效率与使用成本。面对这种变化，人的优势不再只是熟练操作某个工具，而是主动定义问题、寻找可靠信息、判断结果并组织 AI 完成任务。

节目进一步将技能分为容易被 AI 接管的“日抛性技能”和需要长期积累的“固定技能”，重点讨论信息获取与挖掘、写作表达、审美、数据分析、沟通和自学能力。核心结论是：AI 可以显著放大人的能力，但工作的目标、质量标准和最终判断仍需要人来提供。

分段落总结

[03:03] 从高强度使用 AI 的经历谈起

[事实] 嘉宾表示，自己已经把 AI 深度嵌入工作和生活，并提到一周使用了约 153 亿 Token。

[事实] 嘉宾同时订阅两项每月 200 美元的服务，并估算如果按照 API 价格计算，同等用量一周可能需要两三千美元。

[事实] 本期希望结合嘉宾的 AI 创业和高频使用经历，讨论近期 AI 的变化以及人的价值。

[05:41] AI 如何处理旅行中的繁琐事务

[事实] 嘉宾把航班衔接失败期间的消费票据交给 AI，由其整理并起草索赔邮件。

[事实] 主播曾先用聊天功能了解信用卡延误险规则，再让 AI 整理文件夹中的材料、生成结构化数据并填写网页，自己只负责最终检查和提交。

[事实] 讨论认为，规则查询、资料整理和重复填表等枯燥工作很适合交给 AI。

[07:54] AI 导览与个性化旅行学习

[事实] 主播在博物馆中拍摄展区或展品，让 AI 提供背景讲解，并通过语音播放充当随身导览助手。

[事实] 嘉宾介绍了另一种方式：在对话模式中打开摄像头，让 AI 持续“看到”现场内容并进行实时语音讲解。

[事实] 拍照方式便于保存展品、解释和游览路线，实时视频方式则减少拍照步骤、让对话更加连贯。

[事实] 为准备埃及旅行，主播让 AI 制作类似多邻国的 H5，每天用几分钟复习古埃及神祇和王朝知识。

[11:59] 为家庭旅行定制内容工具

[事实] 嘉宾为带父母旅行制作了工具，输入行程后每天生成图文并茂的 PDF，介绍当天安排及其背景故事。

[事实] 这些案例显示，不同人的 AI 用法会体现各自的性格、需求和原有认知。

[事实] 节目由此引出核心问题：AI 时代还有哪些属于人的重要能力和知识。

[14:12] 模型发展从智力竞赛转向 Agent 与效率

[事实] 嘉宾认为，模型跑分仍在提高，但普通用户在日常聊天和常规任务中感受到的能力差距已经缩小。

[事实] 模型优化重点之一是 Agent 能力，即让系统接受复杂任务、与模型协作并持续完成较长流程。

[事实] 另一重点是时间和成本效率，包括通过提高缓存命中率来降低重复上下文的使用成本。

[事实] 应用形态也由单一聊天框转向办公和编程 Agent，并逐步形成可以调用不同模型的开放生态。

[19:32] 顶尖专家与高主动性的跨领域通才

[事实] 节目转述了一种观点：未来更有优势的两类人，一类是垂直领域的顶尖专家，另一类是高主动性的跨领域通才。

[事实] 前者能够用 AI 处理基础工作，把精力投入高难度核心问题；后者善于整合资源、设计工作流并驾驭 AI 完成跨领域任务。

[事实] 两类人的共同特征被概括为主动性，即主动思考问题、识别 AI 的卡点，并让工具服务于自己的创造目标。

[推测] 节目的重点并不是要求每个人成为传统意义上的顶尖学者，而是鼓励人们在足够细分的领域建立独特经验，再借 AI 将其放大。

[24:24] 细分专长与个性化内容生产

[事实] 嘉宾认为，“专家”不必局限于宏大的学术或专业领域，在高度细分的兴趣领域中做出别人无法复制的成果，也可以形成独特价值。

[事实] 节目以同人创作和 AI 漫剧为例，说明普通人可以利用 AI 制作符合个人兴趣、甚至只服务于自己的内容。

[事实] 主播会先提出情节、情绪点和历史背景，再让 AI 细化故事，同时校验史实。

[事实] 讨论认为，AI 可以降低内容生产门槛，但作品的选题、爽点和个性仍主要来自使用者。

[28:51] “日抛性技能”与“固定技能”

[事实] 嘉宾把技能分为两类：容易被 AI 调用和替代的“日抛性技能”，以及能够借 AI 放大个人价值的“固定技能”。

[事实] 剪辑、图像处理、软件操作乃至部分编程能力，被归入不必人人长期储存在脑中的工具型技能。

[事实] 嘉宾总结的固定技能包括信息获取、信息挖掘与处理、写作、审美、数据分析、沟通表达和自学。

[推测] 这种分类并不意味着工具知识毫无价值，而是强调应根据自身目标重新评估学习投入与回报。

[30:36] 主动寻找源头信息

[事实] 嘉宾认为，信息流推荐更多是平台和算法对用户的被动投喂，容易形成信息茧房。

[事实] 主动获取信息应尽量追溯原始数据和一手解释，例如学术论文、官方白皮书、公司财报、GitHub 项目及当事人的公开表达。

[事实] 媒体报道、自媒体加工和碎片消息与源头之间的距离更远，需要更谨慎地核实。

[事实] AI 降低了搜索和处理源头材料的成本，但用户仍需判断什么是可靠信源。

[36:43] 带着目的挖掘信息

[事实] 获取材料只是第一步，信息挖掘还需要分析材料的产生背景、作者立场和潜在避讳。

[事实] 嘉宾强调，应先明确使用信息的目的，例如产品定价、功能更新、需求发现或投资决策，再决定收集和分析哪些内容。

[事实] AI 可以帮助筛选、总结、验证和证伪，但人必须先提出目标和问题。

[事实] 讨论将“知道要做什么”视为人的核心价值之一；如果目标不明确，AI 的执行能力也无法保证有效结果。

[41:11] 写作是定义需求与输出标准

[事实] 节目将写作首先理解为清晰、有逻辑地说明事情，而不只是追求文字优美。

[事实] AI 需要人的输入，因此用户必须准确描述需求、目标、结构和期望的输出形式。

[事实] 嘉宾指出，Prompt 不是“许愿池”，“做得更好看”或“让领导通过”都不是足够明确的要求，需要给出可执行的标准。

[事实] 写作能力由此形成闭环：明确自己要做什么、清楚地表达出来，并能判断理想结果应该是什么样。

[46:04] 审美、“AI 味”与人的独特经验

[事实] 节目认为，持续阅读、看电影和接触优质内容，有助于维持个人审美和精神世界。

[事实] 讨论提到，AI 生成的文字、图片和视频常带有可辨识的“AI 味”，不同模型在措辞、断句和结构上还可能呈现不同特点。

[事实] 幽默、自嘲、刻薄以及复杂情感难以被简单拆成几条规则，AI 即使完成了大部分内容，也可能缺少真正打动人的细微部分。

[事实] 使用者的审美和性格会进入 Prompt、选题和修改过程，因此 AI 作品往往难以超越创作者自身的认知与性格底色。

[54:00] 数据分析的关键仍是提问

[事实] AI 能帮助数据分析师清洗数据、编写公式、阅读材料和加速执行。

[事实] 如果使用者只要求“分析一下”，AI 可以生成很多结论，但使用者未必知道哪些结论真正有价值。

[事实] 嘉宾认为，数据分析的本质是在数据中寻找规律，而第一步是围绕 Who、When、Where、What、Why 和 How 提出问题。

[事实] 数据处理可以自动化，但为何分析、结果用于什么决策，以及是否需要继续抽象，仍依赖人的经验。

[57:47] 沟通能力与 AI 使用后的技能钝化

[事实] 清晰表达既关系到人与人的协作，也决定人与 AI 的协作质量。

[事实] 主播提出，长期把熟悉的工作交给 AI，可能使人原有的能力变钝，并在工具不可用时感到难以工作。

[事实] 嘉宾建议把有限精力放在 AI 短期难以替代的固定技能上，而不是继续大量投入已经可以低成本自动化的操作技能。

[事实] 节目以五笔输入、Office 和图像软件为例，说明某些曾经重要的工具技能会随着技术变化而贬值。

[60:26] 判断什么值得学，以及如何借 AI 入门

[事实] 对自己不擅长且学习投入回报较低的领域，可以借助 AI 完成，但仍要知道任务需要什么能力、应调用何种工具以及如何验收结果。

[事实] 节目鼓励使用者坦诚告诉 AI“我不懂”，让它解释入门路径，从而降低接触代码、建模或 3D 打印等陌生领域的门槛。

[事实] 对自己熟悉的核心领域，则不宜完全委托给 AI，应保留共创、检查和判断质量的能力。

[事实] 学习固定技能时，需要建立提问、搭建框架、补充关键概念、执行实践和根据错误迭代的闭环。

[65:28] 用系统 Prompt 建立稳定协作方式

[事实] 嘉宾解释，用户在对话框中输入的是 user prompt，而系统还可能在每次请求中附加更高层级的 system prompt。

[事实] 用户可以在 system prompt 中定义自己的角色、偏好的研究深度、输出长度、沟通语气和回复方式。

[事实] 预先设定这些全局要求，可以减少重复输入，并让 AI 的回复更稳定地符合个人需求。

[事实] system prompt 的质量仍取决于用户是否了解自己的工作方式和判断标准。

[67:13] 教育应培养“学习如何学习”

[事实] 节目提出，儿童尚未形成稳定的性格、能力结构和思维路径，过早让 AI 代写作业与作文可能带来新的教育难题。

[事实] 嘉宾认为，教育的价值不只在于记住某一学科的知识，更在于通过学习具体知识，掌握学习新知识的方法。

[事实] AI 时代需要判断哪些知识值得学习，并利用新的工具设计学习路径、理解概念和持续更新自己。

[事实] 这种能力被视为终身学习的基础，可以迁移到未来不断出现的新技术和新概念中。

[70:03] 从使用单个模型到管理 AI 团队

[事实] 嘉宾构建了名为 Leader 的工作方式：只与顶级模型沟通，由它负责理解和拆解任务，再创建子 Agent 执行，并最终验收交付。

[事实] 复杂推理、结构化工作和简单执行任务会被分配给不同等级的模型，以平衡质量、额度和资源消耗。

[事实] 嘉宾把自己比作 CEO，把顶级模型视作总经理或产品负责人，其他模型分别对应团队负责人、员工和实习生。

[事实] 这种分层方式要求使用者理解子 Agent、模型差异和推理强度，才能合理搭建工作流。

[事实] 节目认为，随着 AI 更深入地嵌入工作，同时调度和管理多个 AI 的能力可能变得越来越重要。

[76:03] 从 AI 焦虑转向具体行动

[事实] 主播总结，本期内容可以转化为一份自查清单，用来评估信息、表达、审美、分析、学习和 AI 管理等能力。

[事实] 节目认为，仅仅焦虑 AI 的发展并不能改善处境，更有价值的是结合自身情况提升具体能力。

[事实] AI 的价值并不限于年轻人或专业从业者；主播还提到，家中长辈已开始用 AI 主动获取知识、解决问题。

[推测] 节目的最终态度是，把 AI 看作扩大个人行动空间的工具，而不是只把它理解为替代人的威胁。

播客点评/总结

本期的突出价值在于，它没有停留在“AI 会不会取代人”的抽象争论，而是把问题转化成一份可操作的能力清单：寻找源头信息、定义目标、清晰表达、保持审美、提出分析问题、持续学习，以及设计和管理 AI 工作流。

节目中的旅行理赔、博物馆导览、同人创作、3D 打印和多 Agent 协作案例，让讨论保持了较强的生活感与实践性。尤其值得注意的是，节目反复强调 AI 能够执行任务，但不能替使用者自动确定“为什么做、做到什么程度才算好”。

[推测] 节目的局限是部分判断主要来自个人经验，例如模型能力是否“见顶”、哪些技能属于“日抛性技能”，仍可能因行业、岗位和技术演进而变化。此外，一些模型和产品名称在转录中可能存在识别误差，不宜将其视为精确的产品指南。

[推测] 本期适合已经开始使用 AI、但仍停留在简单问答阶段的人，也适合关注职业转型、教育和个人学习方法的听众。它最有启发性的结论是：人与 AI 的差距，可能越来越取决于人能否提出好问题、建立可靠标准，并对最终结果负责。