
# AI时代最大的风险，不是AI太强，而是我们忘了怎么种树

> 人必须记住，人类知识的森林为什么这样长。

最近越来越明显地感觉到一个问题。

AI确实越来越强。

写代码、查资料、做方案、整理文档、分析数据、搭架构、写Agent……很多过去需要一个人坐在那里折腾半天的事情，现在几句话就能开工，大半天就能出个能点的DMEO。

于是不少老板开始产生一种非常自然的想法：

> AI有听话又能干啊，那为什么还要养那么多人？

这个问题本身没有错。

真正值得警惕的是：**如果没人再想着种树，几年以后我们看到的那片“森林”，里面有多少真正的树呢？**

远看郁郁葱葱，走近一看，全是长一样的“树”。

---

# 一、再讲一个树和森林的故事

假设有一片森林。

里面有：

- 小树苗
- 十几年树龄的树
- 几十年的大树
- 上百年的老树

有的树长得直，有的歪歪扭扭。

有的树材质一般，有的木质极好。

有的树甚至长得很奇怪，旁边的林业专家都说不上来为什么。

但是，这就是森林。

因为森林真正值钱的地方，不只是“树多”。

而是：

> **树种多、年龄层完整、不断生长，还有一些你现在根本不知道有什么用的东西。**

某一天，森林管理员突然发现：

> “AI长出来的树，木质也不错啊？”

于是引进了一台AI种树机器，这台机器一天种出以前至少5-10年才能自然长成的树，木质非常好。

外部做房屋，家具，建材的老板一看：

> “这树能用啊，而且成才率只有原来十分之一么。 我以后就要这种树了”
> “原有的树种还要考虑维护，砍了还要补种，太麻烦了”

第二年：

> “AI树很好，扩大规模，老树种留那什么多干什么？砍了！资源都拿去提高AI树的种植面积和种植效率。”
> “种什么老树种，全部种AI树，我不想等，我想快速变现”
> **“All in AI 树！” **

第三年：

> “这些老种的小树为什么还要留着？木材又不能用，要维护还占我种AI树的资源，砍了！
> ** “我都说了 ALL IN AI树！” **

于是连小树也开始砍。

五年以后，森林里只剩下一些老树，价值太高，不太好砍。

但是，老板很高兴：

> “我们现在效率最高。”

又过了五年。

最后一批老树倒下了。

这时候老板突然发现：市场上AI新树因为某些原因卖不出价了。需要不同类型的树了
老板回到森林，想和从前一样，从森林里找出以前会自然冒出来的新的高价值品种树
> “等等，新品种树到哪里去了？”

没人回答。

因为已经很久没人种新树了。

---

# 二、AI时代的问题是不是有即视感？

人类社会过去培养一个专家，其实非常慢。

一个刚毕业的人进入行业：

```
小白
 ↓
重复工作
 ↓
熟悉流程
 ↓
遇到异常
 ↓
犯错
 ↓
被老员工骂
 ↓
自己解决问题
 ↓
开始理解规则为什么这样制定
 ↓
接触跨部门问题
 ↓
开始形成自己的判断
 ↓
成为专家
 ↓
发现旧规则有问题
 ↓
提出新方法
```
这个过程非常笨。
甚至有点浪费时间。
但问题是：
>**创新往往就是从这些“浪费时间”里面长出来的。**

一个人做了十年同样的事情，突然有一天发现：
>“为什么我们一直这么干？”

然后他说：
>“能不能换一种方式？”

这句话可能就是创新的起点。


----
# 三、AI恰好可能就砍掉了这个生长期

AI特别擅长什么？
重复。
标准化。
归纳。
模仿。
优化。
把过去的经验快速复用。
这非常有价值。
问题在于：
>**一个人成为专家之前，恰恰需要大量接触这些东西。**

过去一个新人可能需要五年才能知道：
>“这类问题通常怎么处理。”

现在AI告诉他：
>“我已经给你答案了。”

很好。
效率提高了。
但还有一个没人问的问题：
>**这个新人什么时候学会自己发现答案？**

如果一个人从第一天开始：
```
遇到问题
 ↓
问AI
 ↓
复制
 ↓
提交
```
那么五年以后，他可能拥有五年的**“AI使用经验”**。
但不一定拥有五年的行业经验。
这两个东西不是一回事。


----
# 四、麻烦：AI生成的“树”看起来像自然真树

这是整个问题最讽刺的地方。
假树最大的优点，就是：
>**远看特别像自然生长的真树。**

AI生成的代码也是如此。
以前资深工程师Review代码：
```
新人写代码
 ↓
Senior Engineer Review
 ↓
发现问题
 ↓
修改
```
现在越来越容易变成：
```
AI写代码
 ↓
Senior Engineer看代码
 ↓
“嗯……”
 ↓
“看起来没什么问题。”
 ↓
Merge
```
问题来了。
如果AI写出来的东西已经复杂到：
>**资深工程师自己都没有足够时间和知识彻底理解。**

那么所谓的Code Review，到底还是不是Code Review？
很可能只是：
>**“看起来挺合理，批准。”**

这就像我看一台发动机。
发动机盖一打开。
里面几百根管子、线缆、传感器。
看了三分钟。
然后说：
>“嗯，应该发动没问题。”

**这是维修，还是许愿？**

----
# 五、用workbuddy开始遇到的问题

这件事情其实比想象中更贴近每一个人。
AI给出一个方案。
以前我可能会：
```
自己想
 ↓
查资料
 ↓
提出假设
 ↓
验证
 ↓
再看AI
```
现在很容易变成：
```
AI给方案
 ↓
扫一眼
 ↓
“好像合理”
 ↓
采用
```
为什么？
因为AI说得太像那么回事了。
  结构完整。
  逻辑清晰。
  代码漂亮。
  解释也很顺。
于是人类的大脑开始偷偷偷懒：
>“既然AI都解释清楚了，那就不用再想一遍了吧。 ”
>“我扫一眼，应该是对的，反正不对AI还能修。 ”

从结果看，这和以前考试作弊抄答案或者做作业抄答案非常接近了。
更危险的地方在于，答案大多数情况是对的，字体端正，格式正确，结构清晰。
这会让你越来越习惯：
>**不用自己建立假设。**


----
# 六、人类逐渐失去发现AI犯错的能力

AI犯错其实不新鲜，AI胡说八道也不是一天两天了。
真正的问题是：
>**如果AI越来越强，人会不会越来越不会检查？**

这就出现一个很奇怪的循环：
```
AI能力提高
 ↓
人亲自解决问题减少
 ↓
人思考问题减少
 ↓
人验证能力下降
 ↓
更加依赖AI
 ↓
AI能力进一步提高
 ↓
人继续减少亲自解决问题
```
最后可能出现一个很荒唐的场景：
>AI已经不会的问题，人类也不会了。

然后两边一起看着屏幕。
AI说：
>“建议进一步分析。”

人说：
>“好的，你分析。”

AI：
>“建议继续深入调查。”

人：
>“好的。”

这就进入大眼瞪小眼的哲学领域了。


----
# 七、更麻烦的：AI自己修AI

假设一个AI系统出了问题。
我们让AI自己修。
```
系统出问题
 ↓
AI分析
 ↓
AI修改
 ↓
测试
 ↓
通过
```
很好。
过了一段时间，又出问题。
```
问题
 ↓
AI修
 ↓
测试
 ↓
通过
```
继续。
最后变成：
```
问题
 ↓
AI修
 ↓
新问题
 ↓
AI再修
 ↓
新问题
 ↓
AI继续修
```
表面看，这是持续迭代。值得吹嘘
但这里有一个非常关键的问题：
>**谁在判断系统是不是走向了错误的方向？**

如果只是：
>“哪里坏了修哪里。”

那么AI可能越来越擅长打补丁。
但系统的底层假设可能已经错了。


----
# 八、产品就变成了补丁屎山

软件工程师应该很熟悉这种感觉。
刚开始：
```
if A:
    do B
```
后来：
```
if A:
    do B
elif C:
    do D
```
再后来：
```
if A and not C:
    do B
elif C and D:
    do E
elif C and not D and F:
    do G
```
再后来：
```
# DO NOT TOUCH  别碰这段代码！！！
# IMPORTANT LEGACY LOGIC。 这里是产品底层逻辑！！！
# FIXED AFTER PRODUCTION INCIDENT。不出大问题不许碰！！！出了大问题更不能碰！！！
```
再过两年：
>“谁敢删这个？”

没人知道。
因为当年写代码的人已经离职了。
这就是所谓的**知识债务**。
AI时代可能把这个速度进一步放大。
因为AI可以一天写完过去一个星期的代码。
那么它也可能一天制造过去一个月的复杂度。


----
# 九、重大修改，人必须Follow

不是说：
>AI不能自动做事。

恰恰相反。
小事情应该让AI自己干。
例如：
```
改文字
整理文件
格式转换
简单Bug
局部重构
自动测试
```
这些都可以自动化。
但是到了：
```
核心架构
数据库模型
Agent拓扑
权限模型
核心业务规则
数据流
关键算法
系统边界
```
就不应该只剩一个按钮：
>“Approve”

人必须Follow。
至少要知道：
```
改了什么？
为什么改？
不改会怎样？
改完以后影响谁？
有没有副作用？
如果失败怎么回滚？
这个修改改变了什么原来的假设？
```
确保 “人在玩这个游戏”。
否则，人只是在副驾驶位置上看AI开车。


----
# 十、人类AI相处关系设想

以前：
>人写代码，机器执行。

未来：
>AI写代码，人决定AI写的东西能不能进入现实。

所以人类角色正在发生变化。
以前最重要的是：
>**Execution**

以后越来越重要的是：
>**Judgement**

而Judgement又不能凭空产生。
它需要知识。
需要经验。
需要失败。
需要犯错。
需要真正理解系统。
所以问题又绕回来了：
>如果我们为了提高效率，把所有训练过程都砍掉，未来谁来做Judgement？


----
# 十一、老板为什么喜欢AI？非常合理

站在老板角度，AI简直是一个梦幻员工。
它：
- 不请假
- 不迟到
- 不要求涨薪
- 不需要社保
- 不需要办公室
- 不需要加班费
- 可以24小时运行
- 可以复制
- 可以换模型
- 坏了可以重启
- 不好用可以换供应商

最重要的是：
>**AI不会在周五下午五点半说：“这个事情我下周再弄。”** 只会说“收到，已开始执行”
>**AI不会在周一晚上十点说：“这个事情我明天弄。”** 只会说“好的，老板。好了就通知您。”


老板当然喜欢。
这完全符合老板追求效率和成本控制的逻辑。


----
# 十二、但一段时间后，老板又会发现

进入复杂业务以后，AI出现一堆问题。
老板PUA人类员工的那套对AI不管用了
没电了。
没Token了。
API挂了。
订阅过期了。
模型升级了。
输出质量变了。
上下文丢了。
工具权限没了。
RAG出了问题。
Agent循环起来了。

然后老板按照传统问：
>“谁负责？”

会议室突然安静。
因为传统管理体系是建立在人身上的。
```
员工
 ↓
主管
 ↓
部门
 ↓
公司
```
人犯错，可以：
- 批评
- 培训
- 降绩效
- 扣奖金
- 调岗
- 开除

AI犯错怎么办？
>“把它重启一下？”

这显然不能解决老板面临的问题。


----
# 十三、老板的既要又要
老板希望AI像机器：
>24小时工作、低成本、稳定、可复制。

但又希望AI像员工：
>理解业务、自主判断、处理异常、主动解决问题。

问题是：
>**AI越像员工，责任问题越严重；越像机器，自主价值越低。**

于是最后就尴尬了：
>一个非常聪明、非常能干、但是法律意义和组织意义上都不太像“员工”的东西。


----
# 十四、AI时代应该保护“成长路径”


没必要强迫人去做AI明显可以做得更好的事情。
让AI干重复劳动，没有问题。
让AI处理大量文档，没有问题。
让AI写大量基础代码，没有问题。
真正应该保护的是：
```
新人
 ↓
真实任务
 ↓
异常
 ↓
失败
 ↓
复盘
 ↓
复杂任务
 ↓
专家
 ↓
创新
 ↓
下一代专家
```
也就是说：
>**可以让AI砍掉低价值工作，但不能砍掉人成为专家的路径。**

这两件事情不是一回事。


----
# 十五、森林真正重要的是整个年龄结构

一个健康森林里面：
```
幼苗
小树
中树
大树
老树
```
全部存在。
健康有活力的企业应该也是类似：
```
Junior
Mid-level
Senior
Expert
Master
```
如果企业只剩：
```
少量专家 + AI
```
短期可能非常漂亮。
但专家也会退休。
专家也会离职。
专家也会生病。
专家也会犯错。
最麻烦的是：

**>专家不是打印机或电脑。**
**>坏了不能重启。**

离职后不能输入 `docker restart expert:v2`。

**一个专家真正值钱的东西，很多时候根本没有写在企业数据库里。**


----
# 十六、知识多样性消失

100个人面对一个问题。
可能产生100种答案。
其中90种很普通。
9种有点意思。
1种可能改变整个行业。
如果所有人都问同一个AI：
```
问题
 ↓
Model
 ↓
标准答案
```
那么大多数人可能越来越接近同一个答案。
效率提高了。
多样性却可能下降。
这就是“假树”的真正含义。
不是说AI一定给错答案。
而是：

>**大家都越来越正确地用同一套方法做同一件事情。**

但是，创新往往恰恰来自：
>“为什么一定要这么做？”

----
# 十七、最值钱的是“真实世界反馈”

AI可以生成大量内容。
但真正稀缺的东西可能是：
```
真实客户
真实项目
真实异常
真实失败
真实约束
真实冲突
真实事故
真实运行结果
```
因为这些东西告诉AI：
>“你刚才说得很好，但现实世界不这么干。”

这句话非常值钱。
论文可以错。
模型可以错。
专家可以错。
AI可以错。
但是飞机晚点了就是晚点了。
机场系统崩了就是崩了。
客户不买单就是不买单。
生产线停了就是停了。
**现实世界是最终裁判。**


----
# 十八、企业的AI最多≠最强

而是：
>**最能让AI接触真实世界，同时又保留人类专家成长能力的企业。**

它可以形成这样一个循环：
```
真实世界
 ↓
客户 / 运行
 ↓
异常
 ↓
人类专家
 ↓
AI分析
 ↓
Agent执行
 ↓
真实验证
 ↓
失败 / 成功
 ↓
新知识
 ↓
专家成长
 ↓
AI能力升级
 ↓
再次进入真实世界
```
这是一个真正的知识生产机器的逻辑。
而不是：
```
AI
 ↓
AI生成
 ↓
AI学习
 ↓
AI再生成
 ↓
AI再学习
```
后者可以越来越聪明。
但是不是越来越聪明地重复自己呢？


----
# 十九、最后再回到那片森林

有一天，老板站在森林边。
他说：
>“奇怪，为什么感觉森林越来越不对劲？”

林业专家回答：
你的KPI可不是
>“今年种了多少。”

而是
>“多少树活下来了。”
>“多少树长成了大树。”
>“多少新树种出现了。”
>“多少老树给小树提供了养分。”

>“以及……”
>“你有没有注意到，森林里已经没有人知道下一种树会是什么样了。”

老板沉默了，他也意识到了
>**自己一直把森林当成木材仓库。**


----
# 二十、AI时代需要预防的


>**我们把所有能产生新知识的过程，都当成了可以优化掉的成本。**

新人学习是成本。
专家培养是成本。
试错是成本。
讨论是成本。
争论是成本。
部门博弈是成本。
失败项目是成本。
研究一个暂时看不到收益的问题，也是成本。
从季度财报来看，这些东西确实很讨厌。
但从一个社会、一个行业、一个企业几十年的生命周期来看：
>**这些成本可能就是森林本身。**

AI可以让我们砍一点人力。
可以让我们少做重复劳动。
可以让一个人拥有过去十个人的生产力。
这些都是好事。
但是千万不要因此就得出一个结论：
>“以后不用种树了。”

因为真正的森林的开始，很可能是几十年前开始至今，每天有人种下了一棵当时看起来毫无用处的小树。


----
# 结语：AI不能决定什么树值得种

未来可能出现两种企业。
第一种：
```
AI越来越多
人越来越少
新人越来越少
专家越来越少
系统越来越复杂
```
第二种：
```
AI越来越多
重复工作越来越少
新人学习速度越来越快
专家拥有更多时间研究复杂问题
AI承担执行
人类承担判断
现实世界不断提供反馈
新知识不断产生
```
两家公司都可能说：
>“我们全面拥抱AI。”

但十年以后，它们可能完全不是同一种组织。
一家拥有一片真正的森林。
另一家拥有一片看起来非常漂亮的塑料树林。
站在远处看，区别不大。
直到有一天：
刮风了。
下雨了。
发生了以前从来没有发生过的问题。
这时候才知道：
>**什么是真树，什么是假树。**

而重新种树，已经来不及了。


----
>**AI时代最重要的问题，也许不是“AI能替代多少人”。**
**而是：当AI替代了今天的工作以后，我们有没有给明天的专家留下成长的土壤。**
**因为树可以砍得很快。**
**森林，长得很慢。**

```

```

写代码、查资料、做方案、整理文档、分析数据、搭架构、写Agent……很多过去需要一个人坐在那里折腾半天的事情，现在几句话就能开工，大半天就能出个能点的DMEO。

AI会让人类专家消失么？

AI时代，是不是还要保留人类专家培养机制？ AI和人类专家如何相处

人工智能

职业发展

新闻资讯

AI时代真正的风险并非AI过于强大，而是人类在依赖高效工具时，可能失去培养新专家所需的真实成长路径与试错过程。文章以“森林”为喻，警示若只追求快速复用AI生成的标准答案，将导致知识多样性消失、判断力退化。企业应保留新人经历真实任务、失败与复盘的完整链路，让AI承担执行，人类主导判断，确保未来仍有人能种下创新的新树。

软件工程

代码解释

数据库

数据流

Agent

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

AI会让人类专家消失么？-腾讯云开发者社区-腾讯云

AI会让人类专家消失么？

AI会让人类专家消失么？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐