分类目录归档:架构和远方

如何面对「AI 焦虑」

昨天看到网友 yuekun 发的一个消息,大概如下:

我决定“拉黑”Al 了。。。

AI变化太他* 快了,这两天不断被 Al新闻洗脑越看越焦虑,越焦虑越想看,我还在追求那该死的确定性

我决定拉黑 AI 内容了,因为这些都他* 是【快速贬值】的内容之所以说是快速贬值因为!

1个星期后没人记得今天发生了什么别说一个星期,3天前AI发生了什么还人记得吗?

能有 AI 焦虑的已经是比较优秀的人了,已经走在大家的前面了。

最近这几年,大家的工作,生活中已经有越来越多的 AI 在进入。

  • 工作上,同事已经开始用豆包/KIMI/灵宝/DeepSeek 写方案、改文案、写代码,效率惊人;
  • 网络上,AI 绘画、AI 剪辑、AI 写作层出不穷,创意产业正在被改写;
  • 朋友圈里,已经有人靠「AI+副业」赚到了第一桶金;

可能还会有这样的想法:「我会不会被 AI 取代?」、「我还能干什么?」、「未来还有我的位置吗?」

如果你有这样的焦虑感,放心,你不是一个人!

这一轮 AI 革命,以前所未有的速度冲击着我们的认知、工作与生活。今天这篇文章,我们不谈高深的技术原理,也不喊口号。我们只聊一个问题:

面对 AI 焦虑,我们该怎么办?

什么是「AI 焦虑」?

「AI 焦虑」是一种新型的社会心理状态。它并不是因为 AI 本身带来了什么直接伤害,而是因为:

  • 不确定感——不知道 AI 会发展到什么程度;人类天生害怕未知。AI技术发展的不可预测性让我们感到失控和无力。我们无法确切预见五年后的工作环境会是什么样子,这种不确定性是焦虑的主要来源。
  • 被替代感——担心自己所掌握的技能很快就会被机器超越;许多人将自己的价值与工作紧密联系在一起。当AI挑战我们的专业领域,也就挑战了我们的自我认同。「如果AI能做得比我好,那我的价值在哪里?」这个问题困扰着大家。
  • 无力感——感到自己跟不上技术变化的节奏;对于不熟悉 AI 技术的人来说,理解和适应这些变化尤为困难。这种知识差距加剧了焦虑感,让人觉得自己被时代抛弃。
  • 落后感——看到别人借助 AI 成长飞快,自己却无从下手。

换句话说,AI 焦虑,其实是技术飞跃带来的认知落差,也是时代变化下的身份危机

这并不是第一次。

  • 蒸汽机时代,工人们担心机器取代人力;
  • 电气化时代,马车夫开始失业;
  • 互联网时代,传统媒体人不得不转型自媒体;
  • 今天,轮到白领与知识工作者,直面 AI 的挑战。

每一次技术革命,都伴随着阵痛、焦虑与重新定位。

AI 焦虑,不是「你不够努力」,而是你活在一个剧烈变动的时代

AI 到底会不会「抢走我们饭碗」?

我们先来看一个事实:

AI 不会取代你,但会取代不会用 AI 的你。

这句话看似鸡汤,实则是现实。AI 的出现,并不是「人类 vs 机器」的对抗,它更像是一场「人类 + 机器」的协作革命。它和人类在当前还存在 「工具理性」到「价值理性」的鸿沟

AI的绝对优势领域

  1. 超大规模信息处理
    数据清洗与结构化:可实时解析百万级非结构化数据(如电商评论情感分析、医疗影像归档)
    概率推演引擎:基于历史数据预测股票波动率(误差率<1.2%)、疫情传播模型构建
    标准化流程执行:银行反洗钱系统日均扫描2000万笔交易,准确率99.97%

  2. 确定性规则下的精准输出
    代码生成:Cursor 辅助完成超6 0% 的函数级编程任务
    模板化内容生产:1 分钟生成符合 AP 格式的上市公司财报摘要
    工业级重复操作:汽车焊接机器人连续工作 2000 小时无误差

  3. 多模态感知增强
    跨媒介转化:将设计师手稿自动转为Blender三维模型
    环境适应性处理:会议录音实时降噪并生成带章节标记的文本纪要

AI的认知天花板

  1. 情感价值创造
    • 无法真正理解《红楼梦》中林黛玉「冷月葬花魂」的悲剧美学意象
    • 心理咨询时仅能套用 DSM-5 标准,无法捕捉来访者微表情中的绝望

  2. 非确定性系统整合
    • 制定企业转型战略时,无法平衡股东诉求、员工情绪与政策风险
    • 设计城市更新方案时,难以协调文物保护与商业开发的文化冲突

  3. 元认知突破创新
    • 可生成 100 种咖啡包装设计,但无法像原研哉通过「无印良品」重新定义消费哲学
    • 能复现爱因斯坦相对论公式,但无法诞生「时空弯曲」的颠覆性假设

  4. 伦理情境判断
    • 面对自动驾驶「电车难题」时,算法无法承载不同文明对生命价值的权重差异
    • 处理医疗资源分配时,缺乏对弱势群体生存权的道德勇气

换句话说:

「AI是卓越的『执行者』,人类是不可替代的『决策者』」

  • 执行维度:海量数据清洗、模式化输出、物理规则明确的任务
  • 决策维度:情感共鸣、复杂系统博弈、伦理价值抉择、范式革命创新

因此,AI 会替代一部分工作,但也会催生大量新的岗位,比如:

  • Prompt 工程师(AI 提示词设计师);
  • AI 教练(帮助企业训练专属 AI);
  • AI 辅助创作者(人机协作);
  • AI 伦理与治理专家;
  • 数据标注、清洗、优化人员……

过去 3 年,AI 技术已经催生出许多新的职业岗位,这一趋势还在加速中。

为什么你会特别焦虑?

有这样一个现象:

越是知识密集型、创意型的行业,从业者越容易感到 AI 焦虑。

为什么?

因为大家原本以为,AI 最难的是「脑力劳动」,结果没想到 AI 写得比人快、画得比人好、剪得比人准。

一夜之间,原本「吃香」的技能变成了「谁都可以」的工具。

套在开发逻辑上,有人称之为「技术平权」

于是,很多人开始怀疑:

  • “我的核心竞争力还存在吗?”
  • “我学的东西还有价值吗?”
  • “再学也赶不上 AI 的更新速度啊……”

这里有一个心理机制很关键:

AI 打破了我们对「专业性」的想象。

过去,一个人要成为专业人士,可能需要 10 年学习与积累。但今天,AI 几秒钟就能模仿出一个专业人士的成果。这种落差感,带来的不只是焦虑,更是身份的崩塌感

但我们必须意识到:

AI 是工具,不是目的。你不是在输给 AI,而是输给了不会使用 AI 的自己。

如何正面应对 AI 焦虑?

说了这么多,我们终于要聊关键部分:应对之道

1. 从抗拒到接纳:停止「逃避感」

很多人焦虑的根源在于:

  • “我不想碰 AI,它太复杂”;
  • “我再怎么学,也学不过 AI”;
  • “我现在还没空,等将来再说”。

但事实是:你越晚接触 AI,门槛就越高。

AI 的学习曲线并不陡峭,但它在快速演进。你今天花 5 小时学习 ChatGPT,可能比你明年花 50 小时还更有效。

第一步,是接纳它的存在,就像你曾经接纳智能手机、接纳微信、接纳短视频一样。

2. 从被动到主动:开始「有手感」

我们不需要成为 AI 专家,但我们必须成为 AI 用户。

从今天起:

  • 用 豆包/KIMI/元宝/DeepSeek 帮你写一封邮件;
  • 用 Midjourney 或 DALL·E 画一张图;
  • 用 Notion AI/腾讯会议 整理一份会议纪要;
  • 用 AI 工具帮你润色文章、翻译文档……

这样,就会发现:AI 不是来代替你,而是来放大你。

它让我们的时间更值钱,让我们的创意更高效,让我们从「执行者」变成「指挥者」。

3. 从焦虑到学习:构建「成长感」

AI 不会终结人类的价值,但它一定会倒逼人类进化认知结构

我们要学的,不是「如何跟 AI 竞争」,而是:

  • 如何提问更好
  • 如何判断 AI 的输出质量和正确性
  • 如何将 AI 的结果转化为自己的成果
  • 如何创造 AI 做不到的价值

这需要我们具备:

  • 批判性思维;
  • 多元化视角;
  • 系统化学习能力;
  • 情绪管理与人际沟通能力。

这些,正是人类在 AI 时代最宝贵的「护城河」。

开启人机协作时代

除了态度上的转变,我们还需要在实践中探索「人+AI」的协作方式。以下三点,或许可以提供一些启发:

1. 能力分层:让 AI 做擅长的,人类做关键的

在很多工作场景中,可以将整个业务流程划分为:

  • 数据处理层:交给 AI,例如自动分类、信息提取、报告生成;
  • 价值判断层:由人类主导,比如战略决策、情感共鸣、道德评估。

举个例子:在财务行业,AI 可以自动生成报表、识别异常交易,但最终的审计判断,仍需要有经验的会计师来把关。

2. 思维互补:用 AI 拓宽选择空间,人类负责价值筛选

AI 的计算能力远超人类,它可以在几秒钟内生成上百个方案。例如:

  • 市场营销人员可以用 AI 生成 100 个广告标题;
  • 视频创作者可以请 AI 写出 50 个脚本大纲;
  • 产品经理可以让 AI 提出多个功能迭代建议。

但最终,哪些方案最符合用户心理?哪些创意最具文化共鸣?这仍然需要人类的大脑与直觉来判断。这种模式,本质上是:

AI 提供「宽度」,人类决定「深度」。

3. 伦理防火墙:在关键场景中,设置人类「最后一环」

AI 的效率令人惊叹,但它不具备真正的道德意识。在一些涉及人类生命、法律、公正的场景中,必须设置「人类兜底机制」。

比如:

  • 在医疗诊断中,AI 可以辅助分析影像、预测病灶,但最终诊断结果应由医生确认;
  • 在司法量刑中,AI 可辅助评估风险与量刑建议,但量刑决定必须由法官裁定;
  • 在金融风控中,AI 可快速筛查欺诈行为,但冻结账户需人工复核。

这种「人类最终确认环节」,就是我们在 AI 时代构筑的伦理防火墙

通过这些实践启示我们可以看到,真正的 AI 时代,并不是「人退 AI 进」,而是人类与 AI 分工协作、优势互补、共同进化

你不需要变成一台机器,但你需要学会如何驾驭一台机器

未来的你,会感谢现在行动的自己

我们生活在一个剧变的时代。AI 是洪流,既可能将我们卷走,也可以成为我们前进的船桨。

我们可能无法阻止技术的浪潮,但我们可以选择:

  • 成为浪潮的受害者,还是浪潮的驾驭者?
  • 被动等待行业淘汰,还是主动创造新机会?
  • 沉浸在焦虑中,还是走出第一步?

未来的世界,不是「AI 取代人类」,而是 人与 AI 共舞

要做的,不是跟 AI 比赛,而是学会与 AI 搭档

当我们真正掌握 AI,当我们将它变成自己能力的延伸,就会发现:

焦虑,是成长前夜的灯光。

最后,送君一段话:

「真正的焦虑,不是来自技术,而是来自我们与变化之间的距离。
AI 不是终点,它是新的起点。
与其害怕未来,不如成为未来的一部分。」

以上。

MCP 只是在中国大火了

MCP(Model Context Protocol,模型上下文协议) 是 Anthropic 在 2024 年 11 月推出的开放协议,旨在提供一种标准化方式,让 LLM 访问外部 API 和数据源。相较于 Function Calling,MCP 具备 更强的上下文管理能力,使 AI 能够在多个 API 之间进行协作,从而完成更复杂的任务。

1. 从 google 全球搜索趋势来看

1.jpg

2.jpg

  • 中国是搜索主力,领先全球
  • 主要搜索集中在华语地区
  • 搜索热度在过去一个月持续上升

2. 从 google 中国搜索趋势来看:

3.jpg

4.jpg

  • 浙江省搜索热度最高,明显领先(深圳落后了)
  • 北京、上海等一线城市和科技中心关注度较高
  • 自 2月21日 以来,搜索量持续增长,尤其是 3月9日至3月17日 期间明显加速(可能因为 manus 在 3.6 号发布了),达到了接近峰值的状态。

3. 从 google 的搜索关键词来看

5.jpg

6.jpg

  • 相对于 openai、cursor 等,mcp 是一个新兴概念,热度差比较多
  • AGI 和 AI Agent 作为未来趋势,尽管搜索量较低,但仍然保持稳定,说明它们是长期关注的概念。
  • OpenAI 和 Cursor 仍然是 AI 领域最受关注的关键词,尤其是 Cursor 在开发者社区中的影响力不断扩大,值得进一步关注其发展。

4. 看一下 MCP 的生态,有一些特点

clients.png

server.png

  • 正处于开源驱动的创新爆发期
  • 从交互工具到自主代理的演进
  • 无缝集成是规模化采用的关键

AI 编程后,软件的本质复杂度会有变化吗?

最近一直在深度使用 AI 编程,从完全无代码的开发哥网站,到 AI 生成后台代码;从 Cursor 到 Trae AI,能明显感受到 AI 可以帮我写大量代码。最多的时候,5 个小时写了超过 2000 行可以运行的代码。但一个奇怪的感受是,尽管 AI 让代码生产更快了,软件开发的复杂度却没有降低,项目的构建需要的心力依然和以前一样。

这让我不禁思考:AI 真的在降低软件开发的复杂度吗?还是说,复杂度只是被转移了?


1. AI 编程 ≠ 复杂度消失,而是复杂度转移

在《人月神话》中,布鲁克斯提出了软件开发的四大本质复杂度:复杂度、一致性、可变性、不可见性。即使 AI 能够自动生成代码,这些复杂性依旧存在。

  • 业务复杂性:AI 可以帮我们写代码,但它无法自动理解业务规则的变化。例如,一个 AI 生成的电商促销规则,可能在逻辑漏洞下导致「满 100 减 200」这样的错误,造成严重损失。
  • 技术复杂性:AI 可以优化 SQL 查询、生成索引,但 AI 生成的代码仍然可能隐藏性能瓶颈,甚至带来更高的架构耦合度。
  • 治理复杂性:AI 代码的可维护性、可解释性,仍然是一个巨大的挑战。AI 生成的代码往往不是“最优解”,而是“看起来能跑”的解。

AI 并没有消除软件开发的复杂度,而是将其转移到了其它的层面:

传统复杂度 AI 时代的复杂度转移
人工编写 CRUD 代码 提示工程(Prompt Engineering)
手动优化数据库索引 AI 生成索引,但需要人类调优
代码逻辑的可读性 AI 生成的代码可能变成「黑盒」
需求沟通的精确表达 需要用更严谨的自然语言指导 AI

2. AI 让开发更快,但项目建设更复杂

布鲁克斯认为,软件开发的困难分为根本困难(Essential Complexity)和次要困难(Accidental Complexity):

  • 根本困难:软件本身的固有复杂性,不会因技术进步而消失。
  • 次要困难:开发过程中人为引入的复杂性,如编程语言、工具、调试方式等,可以通过技术优化。

AI 编程 主要解决的是「次要困难」,但无法消除「根本困难」。让我们来看看布鲁克斯提出的软件开发四大根本困难,以及 AI 编程是否真的能克服它们。

2.1 复杂度(Complexity)

布鲁克斯认为,软件的复杂度源自以下几个因素:

  • 组件交互的指数级增长(比如微服务架构)。
  • 代码状态的激增(如并发编程)。
  • 业务逻辑的无限变化(如金融风控规则)。
  • 缺乏对整个系统的全局掌控能力。

AI 确实能快速生成代码,但它无法减少软件的业务复杂性。 例如:

  • AI 可以帮你写一个支付系统的 API,但它无法理解跨境支付的法律法规,仍然需要人类去设计合规架构。
  • AI 生成的代码可能没有考虑到以前没有见过异常情况,导致后期维护困难。

结论:AI 不会减少软件的复杂度,只是让代码生产更快,但架构和业务逻辑的复杂性依然存在。

2.2 一致性(Consistency)

软件必须兼容历史系统、旧数据、第三方 API 和用户习惯,这导致:

  • 新系统必须适配旧架构。
  • 代码风格和 API 设计必须保持一致。
  • 数据格式、协议、接口规范不能随意更改。

AI 可能会破坏一致性,而不是增强一致性。

  • AI 生成的代码风格可能不统一,团队成员需要额外时间进行重构。
  • AI 可能会引入隐性的兼容性问题,导致老系统无法正常运行。

结论:AI 不能自动保证代码和系统的一致性,反而可能引入新的不兼容问题。

2.3 可变性(Changeability)

软件必须不断适应需求变化:

  • 政策法规变化(如 GDPR 隐私保护要求)。
  • 新业务功能增加(比如直播带货)。
  • 技术栈升级或迁移(比如从 MySQL 迁移到 PostgreSQL 等)。

AI 确实可以加速代码变更,但它无法理解业务变更的深层逻辑

  • AI 可能会机械地替换代码,但不会思考整体架构是否需要调整
  • AI 可能会优化单个函数,但不会考虑整个系统的长期演进

结论:AI 可以加速代码变更,但无法主动适应业务变化,反而可能增加技术债务

2.4 不可见性(Invisibility)

软件不像建筑或者机械产品那样,可以从物理空间上直观理解。软件的结构是逻辑性的,导致:

  • 沟通困难:不同开发者对系统的理解可能不同。
  • 调试困难:AI 生成的代码可能变成「黑盒」,难以分析问题。
  • 架构复杂化:AI 生成代码可能会引入隐形的设计缺陷。

结论:AI 代码的「黑盒性」可能让软件的可见性更差,导致调试和维护的挑战更大。

3. AI 编程的真正价值:降低「次要困难」

虽然 AI 无法消除软件的根本复杂度,但它确实在减少次要复杂度(Accidental Complexity),包括: ✔ 代码生成:AI 可以帮你写 CRUD、API、测试代码,提高开发效率。
调试辅助:AI 可以自动分析日志、找出潜在 Bug。
文档生成:AI 可以自动补充代码注释,提升可读性。
代码优化:AI 可以推荐更优的算法或 SQL 查询,提高性能。

但与此同时,AI 也引入了新的复杂度: ❌ Prompt 设计复杂度:如何写出好的 Prompt,才能让 AI 生成高质量代码?AI 代码质量很大程度上依赖于输入的提示(Prompt),这意味着开发者需要掌握新的技能,比如如何编写高质量的 Prompt。 ❌ AI 代码治理:如何审查 AI 生成的代码,防止安全漏洞?
技术债务:AI 可能会生成「能跑但难维护」的代码,如何管理长远的架构演进? AI 可以帮助我们快速生成大量代码,但如何组织这些代码、保证架构的可维护性,仍然是开发者的责任。

4. 未来开发者的核心竞争力:驾驭 AI,而不是被 AI 取代

AI 编程时代,开发者的角色正在改变:

  • 过去,开发者的价值在于写代码
  • 未来,开发者的价值在于驾驭代码复杂度,利用 AI 高效开发

开发者的三大新技能

语义工程:如何用精准的 Prompt 让 AI 生成高质量代码?

  • AI 代码质量的高低,取决于开发者如何设计 Prompt。
  • 但 AI 无法判断哪种方案最适合当前业务场景,这仍然需要开发者的经验与判断。

AI 代码治理:如何审核 AI 代码,防止技术债务?

  • AI 代码可能会引入新的技术债务,比如:

    • 代码结构混乱,缺乏一致性
    • 逻辑错误难以发现
    • AI 生成的代码难以调试
  • 未来,AI 代码审查(AI Code Review)可能会成为开发流程的新标准。

架构思维:如何让 AI 代码符合长期可维护的架构设计?

  • 未来的开发者,需要具备更强的系统思维

    • 如何拆解业务需求?
    • 如何设计可扩展的架构?
    • 如何管理 AI 代码的质量?
  • 开发者需要从「被动写代码」转变为「主动设计系统」

5. 结尾

AI 让代码生成变得简单,但软件架构仍然需要人类设计。

未来,AI 编程会让开发变得更加高效,但开发者的核心竞争力将不再是写代码,而是驾驭复杂度

未来,AI 可能会替代低端的代码搬运工,但无法替代深刻理解复杂度的架构师

「AI 不会取代开发者,但懂得驾驭 AI 的开发者,将取代那些不懂 AI 的人。」

以上。