AI 能写代码、做方案、查资料、画图。它把“会做一点”的门槛降得很低，也让一个问题变得更尖锐：既然工具已经这么强，人还有必要在一个方向上深挖吗？
我的答案是：比以前更有必要，但专家的价值已经从“亲手完成所有步骤”，转向“定义问题、判断质量、承担结果并持续改进系统”。
一、先纠正“一万小时”的误读
流行说法常把一万小时理解成机械计时：只要投入足够久，任何人都能成为世界级专家。这不是刻意练习研究真正要表达的结论。时间不是自动升级的经验值；重复熟悉动作、缺少反馈、从不修正错误，即使做很多年，也可能只是在巩固旧习惯。
更有价值的是一个循环：选择略高于当前能力的任务，尽快获得可靠反馈，定位失败原因，再修改方法。不同领域所需时间并不相同，但高质量反馈与持续纠错始终重要。
二、AI 放大的是判断力，不只是生产力
当生成成本下降后，稀缺资源从“产出一个答案”变成“从许多答案中识别正确方向”。这正是领域知识发挥作用的地方：
- AI 可以生成代码，专家知道哪些边界条件会在生产环境中出事故。
- AI 可以列出十套方案，专家知道哪一套符合真实预算、流程和责任边界。
- AI 可以总结很多资料，专家能发现来源之间的冲突、缺失证据和错误前提。
- AI 可以优化局部指标，专家负责判断局部最优是否伤害整个系统。
如果一个人没有判断标准，AI 只会让他更快地产生更多无法验收的结果。反过来，拥有深度经验的人可以把 AI 当作并行实验器：迅速探索，再把注意力集中到最关键的少数决策上。
三、从“一万小时”转向“一万个闭环”
在软件、工程和知识工作中，比工作时长更实用的计量单位是完成了多少个高质量闭环：
AI 可以加速其中每一环，但不能取消任何一环。让 AI 写初稿并不等于完成定义；让测试全部变绿也不等于用户问题被解决；让模型解释错误也不等于根因得到证明。
真正的进步发生在“预测—结果—修正”的差距里。每次都记录自己原来怎么想、实际发生了什么、下次要改哪个原则，经验才会沉淀为可迁移的判断。
四、广度可以外包，主线不能丢
现实工作往往很杂。你不可能拒绝所有临时任务，也没必要把每条支线都学成专业。更有效的做法是把工作分成两类：
主线：需要积累判断力
- 亲自理解目标和风险
- 保留关键决策与复盘
- 建立可复用的模型、工具和案例
- 长期衡量真实结果
支线：只需可靠完成
- 明确输入、输出和验收标准
- 尽量模板化、自动化、交给 AI
- 控制投入上限
- 不让临时任务侵占深度时间
主线不是一个抽象标签，而是一组会持续复利的资产：问题库、失败案例、评价标准、数据、工具链和对业务约束的理解。支线可以很多，但主线最好只有一条。
五、AI 时代的专家究竟是什么
专家不再等于记住最多知识，也不必亲自完成所有机械步骤。更可靠的定义包含四个部分：
- 能定义问题：把模糊诉求还原成真正需要改变的结果。
- 有评价标准：知道怎样才算好，怎样只是看起来合理。
- 能处理例外：普通案例交给工具，自己处理冲突、边界和失败。
- 愿意承担结果：不会用“AI 是这样说的”代替验证和责任。
这意味着专业深度与 AI 并不冲突。AI 越强，执行层越便宜，问题定义、情境判断和责任反而越贵。
六、怎样与 AI 合作而不被它带着走
- 先写自己的判断，再向 AI 提问。否则很容易把模型的第一个答案当成问题框架。
- 让 AI 给出多个可证伪方案。比较它们需要什么证据，而不是比较哪段话更顺。
- 把关键结论落到真实测试。代码要运行，流程要演练，数据要核对，用户要能完成任务。
- 保存失败证据。成功案例告诉你做成过，失败案例才告诉你能力边界在哪里。
- 把复盘写成下一次的门禁。真正的积累不是“我记住了”，而是流程以后自动避免同类错误。
七、今天就能开始的三件事
| 动作 | 今天具体做什么 | 验收方式 |
|---|---|---|
| 确定主线 | 用一句话写清你希望长期解决的哪类真实问题 | 能说出目标用户、场景和结果，不只是一项技术名称 |
| 完成一个闭环 | 选择一个小问题，先预测，再用 AI 辅助实现和测试 | 记录预测与结果的差异，以及下次会修改的原则 |
| 保护深度时间 | 给主线留出一段不可被消息和支线打断的时间 | 这段时间产生一个可验证的新认知，而不只是更多输出 |
结语
你不可能赢过 AI 的知识广度，也没必要和它比生成速度。人的优势来自长期置身于真实场景：见过代价，理解约束，能识别那些在纸面上正确、在现实中却会失败的方案。
所以，AI 都会了，你仍然需要成为专家。只是从现在开始，专家不是那个拒绝工具、凡事亲手做的人，而是那个能带着工具穿过不确定性，持续交付可靠结果的人。