那天晚上我和一位在互联网大厂做产品经理的朋友聊天他忽然问了我一个问题“现在AI这么火感觉每天都有新模型、新工具出来但我们这些普通人既不是搞算法的也不是做研究的到底能抓住什么机会会不会最后又变成少数人的游戏”这个问题很真实。它背后是一种普遍的焦虑——面对技术浪潮普通人如何不被抛下甚至能借力而上。正好最近看到一场港科大和北大教授的对话主题就是“AI时代普通人的机会”。两位教授没有停留在概念层面而是从教育、工作流、创业成本和思维模式四个维度拆解了普通人可以具体发力的方向。这场对话给我最大的启发是AI时代的机会不在于去追最前沿的模型而在于重新理解“人机协作”的底层逻辑并找到自己能提供独特价值的切口。如果你也在思考同样的问题下面这份从对话中提炼出的行动框架或许能给你一些参考。1. 重新理解“机会”从“追赶技术”到“重构工作流”很多人一提到AI机会第一反应是去学Python、调参、跑模型。但两位教授都认为对绝大多数非技术背景的普通人来说更实际的机会不在于成为AI开发者而在于成为AI的“策展人”和“流程设计师”。1.1 为什么“会用”比“会造”更重要港科大教授举了一个例子以前会写代码是稀缺能力但现在很多基础开发工作可以被AI辅助完成。反过来能清晰定义问题、拆解任务、判断输出质量、把AI工具嵌入现有工作流的能力变得更重要。这就像互联网早期会建网站是稀缺技能但后来真正产生巨大价值的是那些用网站做电商、做内容、做服务的人。AI时代也一样——模型本身是基础设施谁能用好基础设施解决实际问题谁就抓住了机会。1.2 你的价值不在重复劳动而在判断和迭代北大教授提到很多人的工作中有大量重复性、模式化的部分比如写周报、整理数据、收集资料、生成初稿。这些任务AI往往做得又快又好。但AI很难替代的是对问题的重新定义比如“这个报告真正要解决什么决策问题”对结果的批判性判断比如“这个分析逻辑是否合理数据是否可靠”在多轮交互中持续优化比如“如果第一次结果不理想如何调整提问方式”所以普通人的第一个机会点很明确把你工作中重复性高的部分交给AI把你的时间释放到更需要人类判断和创造力的环节。1.3 实操建议从“工作流审计”开始如果你不知道从哪里入手可以试试这个方法拿出一张纸列出你每周花时间最多的5项任务。标记出其中哪些是高度重复、有固定模式的。针对这些任务思考能否用现有的AI工具如ChatGPT、Copilot、Midjourney等试一次如果需要人工干预干预点在哪里整个流程可以怎样重新设计例如一位市场运营人员发现她每周要花半天时间写产品介绍文案。后来她用AI生成初稿自己只负责调整语气、加入产品独特卖点、检查事实准确性时间缩短到1小时以内。省下的时间她用来研究用户反馈和竞品动态反而做出了更精准的推广策略。2. 教育的机会AI不是让你失业而是让你“重新就业”两位教授都强调AI不会让所有人失业但会重新定义“有用”的技能组合。未来的教育无论是学校教育还是自我提升都需要围绕新的能力模型展开。2.1 从“记忆知识”到“提问和验证”北大教授指出传统教育很大程度上是知识传递型的——老师讲学生记。但当AI能随时提供海量信息时教育的重点必须转向如何提出好问题如何交叉验证信息的可靠性如何从信息中提炼洞察如何把知识应用到新场景这要求我们的学习方式从“被动接收”转向“主动探索”。比如以前学历史可能要背年代和事件现在则可以问AI“比较一下北宋和南宋的对外贸易政策分析其对科技发展的影响。”然后自己去判断AI给出的分析是否合理、论据是否充分。2.2 跨领域理解能力变得更重要港科大教授提到一个有趣的观点AI擅长在单一领域内做模式识别但跨领域的连接和类比仍然是人类的强项。比如一位既懂心理学又懂产品设计的人可以问AI“把认知负荷理论应用到APP界面设计中有哪些具体原则”然后基于AI给出的基础信息结合自己的跨领域知识做进一步发挥。这意味着普通人可以有意培养自己的“T型能力”——一两个领域的深度知识加上多个领域的广度了解。这种组合在AI辅助下会释放更大价值。2.3 实操建议设计你的“AI助学计划”如果你正在学习某个领域可以尝试把AI变成你的“学习伙伴”概念解释器遇到复杂概念时让AI用比喻、例子或图表代码帮你理解。提问教练针对一个主题让AI生成一系列由浅入深的问题你自己尝试回答。辩论对手让AI扮演反对者对你的观点提出质疑迫使你完善论证。项目助手在学习项目中用AI辅助调研、生成草案、检查逻辑。关键是要清楚AI是工具不是老师。最终的理解、判断和整合必须由你自己完成。3. 低成本创业的机会AI大幅降低了验证想法的门槛两位教授都认为AI最令人兴奋的一点是让个人和小团队也能快速验证商业想法而不需要大量资金或技术团队。3.1 从“建设能力”到“整合价值”港科大教授说以前的创业往往需要先搭技术团队、开发产品原型周期长、成本高。现在很多基础能力可以通过API调用创业者的核心任务变成了发现真实需求设计解决方案整合AI工具链快速验证市场比如有人发现小企业需要个性化营销文案但请不起专业写手就基于GPT API做了一个简单工具先手动接单、用AI生成初稿、自己稍作调整验证需求后再逐步自动化。这种“从小做起、快速迭代”的模式在AI时代变得格外可行。3.2 关注“AI原生”需求北大教授提醒不要只想着用AI优化现有流程还要思考AI催生的新需求。比如AI生成内容的质量评估服务针对特定行业的Prompt工程指南AI工具的使用培训和答疑不同AI输出的整合和优化这些需求本身是AI发展带来的而且会随着AI普及持续增长。3.3 实操建议用“最小可行产品”思维测试机会如果你有创业想法可以按这个路径测试手动模拟不写代码完全手动操作AI工具为客户提供一次服务。收集反馈重点问客户“如果没有我的人工干预纯AI输出你能接受吗愿意付多少钱”判断自动化空间根据反馈判断哪些环节可以自动化哪些必须保留人工判断。逐步工具化从最简单的脚本开始逐步完善而不是一上来就要做完美产品。这个过程的核心是先验证价值再建设能力。AI让你能够更早、更便宜地完成验证。4. 思维模式的机会从“执行者”到“架构师”两位教授最后提到AI时代最大的机会可能属于那些能重新设计人机协作方式的人。这需要一种新的思维模式——我称之为“架构师思维”。4.1 设计而不仅仅是使用大多数人使用AI的方式是单次问答问一个问题得到一个答案。但架构师思维会考虑如何把复杂任务拆解成AI能处理的子任务如何设计多轮对话的流程如何设置检查点和反馈机制如何把AI输出整合到更大的工作流中比如同样是用AI写报告普通人可能直接问“写一份关于XX的市场分析报告”而架构师会先设计框架让AI生成报告大纲针对每个部分收集资料对资料进行交叉验证生成初稿检查逻辑一致性调整语气和细节这种思维模式的价值会随着任务复杂度的增加而指数级增长。4.2 培养“人机协作”的直觉北大教授说好的架构师对工具的特性有直觉理解——知道什么任务适合交给AI什么任务必须自己完成以及如何让两者无缝衔接。这种直觉需要刻意培养。比如尝试用AI解决同一个问题的不同版本观察其边界。记录AI在哪些情况下表现出色哪些情况下容易出错。分析优秀Prompt和普通Prompt的差异总结规律。随着时间的推移你会发展出一种“感觉”知道面对新任务时如何设计最高效的人机分工方案。4.3 实操建议建立你的“AI工作流库”就像程序员会积累代码库一样你可以开始积累经过验证的AI工作流记录成功案例当你用AI高效完成一个任务时详细记录Prompt序列、检查点和调整过程。抽象可复用模式从具体案例中提炼通用模式比如“多步骤分析工作流”、“创意生成-筛选-优化工作流”等。持续优化每次使用后思考“这个流程还能更高效吗有没有更简单的设计”久而久之你会拥有一套个性化的“人机协作手册”这是任何人都无法复制的能力资产。5. 普通人最容易忽略的陷阱把AI当答案机而不是思考伙伴在对话的最后两位教授都提醒了一个常见误区过度依赖AI的输出放弃自己的独立思考。5.1 AI不会替你承担决策责任港科大教授说无论AI多么强大最终对结果负责的是人。如果你完全接受AI的建议而不再质疑就相当于把决策权交给了一个你不完全理解的黑箱。特别是在专业领域AI可能给出看似合理实则错误的答案。普通人容易因为AI的“自信语气”而放松警惕。5.2 保持“批判性使用”的习惯北大教授建议每次使用AI输出时都问自己几个问题这个结果的假设是什么有没有相反的证据或观点如果我是对的AI错在哪里如果AI是对的我之前的理解哪里需要修正这种习惯不仅能避免错误还能加深你对领域的理解。5.3 实操建议建立你的“AI验证清单”针对重要任务可以创建一个简单的验证清单[ ] 交叉验证用不同提问方式或不同AI工具验证同一问题[ ] 事实核查对AI给出的数据、案例、引用进行快速搜索确认[ ] 逻辑检查审视AI的论证过程是否合理[ ] 极端测试问“如果XX条件变化结论还成立吗”[ ] 人工直觉最终结果是否符合你的经验和直觉这个清单只需要几分钟但能显著提高AI使用的可靠性。写在最后你的独特价值在哪里回顾这场对话我最深的感受是AI时代的机会本质上不是技术机会而是重新定义价值的机会。技术会不断迭代今天的热门工具可能明天就被淘汰。但那些能够清晰定义问题、设计解决方案、整合资源、做出判断的能力永远不会过时。普通人不需要成为AI专家但需要成为“AI策展人”——知道在什么场景下使用什么工具如何设计流程如何保证质量如何创造独特价值。所以如果你还在焦虑“AI时代我能做什么”不妨换个问题“有哪些事情是AI和人类各自做最擅长的部分我如何设计一种协作方式让整体效果大于部分之和”这个问题的答案就是你的机会所在。
那天晚上我和一位在互联网大厂做产品经理的朋友聊天他忽然问了我一个问题“现在AI这么火感觉每天都有新模型、新工具出来但我们这些普通人既不是搞算法的也不是做研究的到底能抓住什么机会会不会最后又变成少数人的游戏”这个问题很真实。它背后是一种普遍的焦虑——面对技术浪潮普通人如何不被抛下甚至能借力而上。正好最近看到一场港科大和北大教授的对话主题就是“AI时代普通人的机会”。两位教授没有停留在概念层面而是从教育、工作流、创业成本和思维模式四个维度拆解了普通人可以具体发力的方向。这场对话给我最大的启发是AI时代的机会不在于去追最前沿的模型而在于重新理解“人机协作”的底层逻辑并找到自己能提供独特价值的切口。如果你也在思考同样的问题下面这份从对话中提炼出的行动框架或许能给你一些参考。1. 重新理解“机会”从“追赶技术”到“重构工作流”很多人一提到AI机会第一反应是去学Python、调参、跑模型。但两位教授都认为对绝大多数非技术背景的普通人来说更实际的机会不在于成为AI开发者而在于成为AI的“策展人”和“流程设计师”。1.1 为什么“会用”比“会造”更重要港科大教授举了一个例子以前会写代码是稀缺能力但现在很多基础开发工作可以被AI辅助完成。反过来能清晰定义问题、拆解任务、判断输出质量、把AI工具嵌入现有工作流的能力变得更重要。这就像互联网早期会建网站是稀缺技能但后来真正产生巨大价值的是那些用网站做电商、做内容、做服务的人。AI时代也一样——模型本身是基础设施谁能用好基础设施解决实际问题谁就抓住了机会。1.2 你的价值不在重复劳动而在判断和迭代北大教授提到很多人的工作中有大量重复性、模式化的部分比如写周报、整理数据、收集资料、生成初稿。这些任务AI往往做得又快又好。但AI很难替代的是对问题的重新定义比如“这个报告真正要解决什么决策问题”对结果的批判性判断比如“这个分析逻辑是否合理数据是否可靠”在多轮交互中持续优化比如“如果第一次结果不理想如何调整提问方式”所以普通人的第一个机会点很明确把你工作中重复性高的部分交给AI把你的时间释放到更需要人类判断和创造力的环节。1.3 实操建议从“工作流审计”开始如果你不知道从哪里入手可以试试这个方法拿出一张纸列出你每周花时间最多的5项任务。标记出其中哪些是高度重复、有固定模式的。针对这些任务思考能否用现有的AI工具如ChatGPT、Copilot、Midjourney等试一次如果需要人工干预干预点在哪里整个流程可以怎样重新设计例如一位市场运营人员发现她每周要花半天时间写产品介绍文案。后来她用AI生成初稿自己只负责调整语气、加入产品独特卖点、检查事实准确性时间缩短到1小时以内。省下的时间她用来研究用户反馈和竞品动态反而做出了更精准的推广策略。2. 教育的机会AI不是让你失业而是让你“重新就业”两位教授都强调AI不会让所有人失业但会重新定义“有用”的技能组合。未来的教育无论是学校教育还是自我提升都需要围绕新的能力模型展开。2.1 从“记忆知识”到“提问和验证”北大教授指出传统教育很大程度上是知识传递型的——老师讲学生记。但当AI能随时提供海量信息时教育的重点必须转向如何提出好问题如何交叉验证信息的可靠性如何从信息中提炼洞察如何把知识应用到新场景这要求我们的学习方式从“被动接收”转向“主动探索”。比如以前学历史可能要背年代和事件现在则可以问AI“比较一下北宋和南宋的对外贸易政策分析其对科技发展的影响。”然后自己去判断AI给出的分析是否合理、论据是否充分。2.2 跨领域理解能力变得更重要港科大教授提到一个有趣的观点AI擅长在单一领域内做模式识别但跨领域的连接和类比仍然是人类的强项。比如一位既懂心理学又懂产品设计的人可以问AI“把认知负荷理论应用到APP界面设计中有哪些具体原则”然后基于AI给出的基础信息结合自己的跨领域知识做进一步发挥。这意味着普通人可以有意培养自己的“T型能力”——一两个领域的深度知识加上多个领域的广度了解。这种组合在AI辅助下会释放更大价值。2.3 实操建议设计你的“AI助学计划”如果你正在学习某个领域可以尝试把AI变成你的“学习伙伴”概念解释器遇到复杂概念时让AI用比喻、例子或图表代码帮你理解。提问教练针对一个主题让AI生成一系列由浅入深的问题你自己尝试回答。辩论对手让AI扮演反对者对你的观点提出质疑迫使你完善论证。项目助手在学习项目中用AI辅助调研、生成草案、检查逻辑。关键是要清楚AI是工具不是老师。最终的理解、判断和整合必须由你自己完成。3. 低成本创业的机会AI大幅降低了验证想法的门槛两位教授都认为AI最令人兴奋的一点是让个人和小团队也能快速验证商业想法而不需要大量资金或技术团队。3.1 从“建设能力”到“整合价值”港科大教授说以前的创业往往需要先搭技术团队、开发产品原型周期长、成本高。现在很多基础能力可以通过API调用创业者的核心任务变成了发现真实需求设计解决方案整合AI工具链快速验证市场比如有人发现小企业需要个性化营销文案但请不起专业写手就基于GPT API做了一个简单工具先手动接单、用AI生成初稿、自己稍作调整验证需求后再逐步自动化。这种“从小做起、快速迭代”的模式在AI时代变得格外可行。3.2 关注“AI原生”需求北大教授提醒不要只想着用AI优化现有流程还要思考AI催生的新需求。比如AI生成内容的质量评估服务针对特定行业的Prompt工程指南AI工具的使用培训和答疑不同AI输出的整合和优化这些需求本身是AI发展带来的而且会随着AI普及持续增长。3.3 实操建议用“最小可行产品”思维测试机会如果你有创业想法可以按这个路径测试手动模拟不写代码完全手动操作AI工具为客户提供一次服务。收集反馈重点问客户“如果没有我的人工干预纯AI输出你能接受吗愿意付多少钱”判断自动化空间根据反馈判断哪些环节可以自动化哪些必须保留人工判断。逐步工具化从最简单的脚本开始逐步完善而不是一上来就要做完美产品。这个过程的核心是先验证价值再建设能力。AI让你能够更早、更便宜地完成验证。4. 思维模式的机会从“执行者”到“架构师”两位教授最后提到AI时代最大的机会可能属于那些能重新设计人机协作方式的人。这需要一种新的思维模式——我称之为“架构师思维”。4.1 设计而不仅仅是使用大多数人使用AI的方式是单次问答问一个问题得到一个答案。但架构师思维会考虑如何把复杂任务拆解成AI能处理的子任务如何设计多轮对话的流程如何设置检查点和反馈机制如何把AI输出整合到更大的工作流中比如同样是用AI写报告普通人可能直接问“写一份关于XX的市场分析报告”而架构师会先设计框架让AI生成报告大纲针对每个部分收集资料对资料进行交叉验证生成初稿检查逻辑一致性调整语气和细节这种思维模式的价值会随着任务复杂度的增加而指数级增长。4.2 培养“人机协作”的直觉北大教授说好的架构师对工具的特性有直觉理解——知道什么任务适合交给AI什么任务必须自己完成以及如何让两者无缝衔接。这种直觉需要刻意培养。比如尝试用AI解决同一个问题的不同版本观察其边界。记录AI在哪些情况下表现出色哪些情况下容易出错。分析优秀Prompt和普通Prompt的差异总结规律。随着时间的推移你会发展出一种“感觉”知道面对新任务时如何设计最高效的人机分工方案。4.3 实操建议建立你的“AI工作流库”就像程序员会积累代码库一样你可以开始积累经过验证的AI工作流记录成功案例当你用AI高效完成一个任务时详细记录Prompt序列、检查点和调整过程。抽象可复用模式从具体案例中提炼通用模式比如“多步骤分析工作流”、“创意生成-筛选-优化工作流”等。持续优化每次使用后思考“这个流程还能更高效吗有没有更简单的设计”久而久之你会拥有一套个性化的“人机协作手册”这是任何人都无法复制的能力资产。5. 普通人最容易忽略的陷阱把AI当答案机而不是思考伙伴在对话的最后两位教授都提醒了一个常见误区过度依赖AI的输出放弃自己的独立思考。5.1 AI不会替你承担决策责任港科大教授说无论AI多么强大最终对结果负责的是人。如果你完全接受AI的建议而不再质疑就相当于把决策权交给了一个你不完全理解的黑箱。特别是在专业领域AI可能给出看似合理实则错误的答案。普通人容易因为AI的“自信语气”而放松警惕。5.2 保持“批判性使用”的习惯北大教授建议每次使用AI输出时都问自己几个问题这个结果的假设是什么有没有相反的证据或观点如果我是对的AI错在哪里如果AI是对的我之前的理解哪里需要修正这种习惯不仅能避免错误还能加深你对领域的理解。5.3 实操建议建立你的“AI验证清单”针对重要任务可以创建一个简单的验证清单[ ] 交叉验证用不同提问方式或不同AI工具验证同一问题[ ] 事实核查对AI给出的数据、案例、引用进行快速搜索确认[ ] 逻辑检查审视AI的论证过程是否合理[ ] 极端测试问“如果XX条件变化结论还成立吗”[ ] 人工直觉最终结果是否符合你的经验和直觉这个清单只需要几分钟但能显著提高AI使用的可靠性。写在最后你的独特价值在哪里回顾这场对话我最深的感受是AI时代的机会本质上不是技术机会而是重新定义价值的机会。技术会不断迭代今天的热门工具可能明天就被淘汰。但那些能够清晰定义问题、设计解决方案、整合资源、做出判断的能力永远不会过时。普通人不需要成为AI专家但需要成为“AI策展人”——知道在什么场景下使用什么工具如何设计流程如何保证质量如何创造独特价值。所以如果你还在焦虑“AI时代我能做什么”不妨换个问题“有哪些事情是AI和人类各自做最擅长的部分我如何设计一种协作方式让整体效果大于部分之和”这个问题的答案就是你的机会所在。
