本文参加年度征文活动 #TeamSilicon25
我的本科专业是土木工程。
说出来可能有点八竿子打不着——土木，那个和钢筋混凝土打交道的专业，和AI产品经理这个词放在一起，感觉像两个平行宇宙的东西。但我就是那种会在宿舍里把所有新出的AI产品挨个试一遍的人，痴迷程度到最后干脆转了行，跑来做AI产品经理了。
研究生阶段，我的课题是纯数值模拟方向，没有物理试验，所有数据全靠电脑跑。这对我来说简直是天赐良机——没有实验室、没有仪器，一台电脑打天下，正好把我对AI产品的那股劲儿全砸进去。从开题开始，我就用 Claude Code 配合各种大模型，处理数据、生成代码、分析结果、调参数，越用越顺手，真正做到了那种"vibe科研"的状态——感觉对了就往前冲，AI帮我扫平一切技术路障。
前几天，我坐在电脑前，盯着硬盘里接近上百GB的项目文件，课题眼看就要收尾了。
然后我愣了一下。
我没有亲手写过一行代码。我也没有打开过Origin，画过一张图。
这个课题，到底算不算是我做的？
这个问题没有标准答案，但它把我最近一直在脑子里转的一件事给逼出来了：AI产品到底应该"替我做主"，还是"给我建议"？ 这个问题表面上是在聊产品设计，但往深了想，问的其实是——我们想要什么样的自己。
在我展开那个不安感之前，得先做一件事：老老实实承认另一面。
因为"AI替我做主"这件事，有一种非常真实的爽感，而且这种爽感是有充分理由撑着的。
就说我自己的科研。课题里有大量数值模拟迭代，参数调整、模型收敛、结果后处理，每个环节如果手动来做，都是大量重复性操作。用AI之后，我可以把精力真正放在"这个结果说明了什么"上，而不是"怎么把这个结果画出来"上。从这个角度看，AI帮我做掉了那些低价值的执行工作，让我能聚焦在真正需要动脑子的部分。
这不是偷懒。这是认知资源的合理分配。
再说 Manus。给它一个目标，它自动拆解任务、调用工具、搜资料、出结果，全程不来问你"这个数据要不要"、"这个来源可信吗"。它直接给你结论。以前用搜索引擎，你是在"找信息"；现在用 Agent，你是在"收结论"。这不是同一种体验，是两种完全不同的认知状态。
甚至不用举这么新的例子。你每天上班用高德导航，从来不知道它为什么选这条路不选那条，但你就跟着走了，而且大概率比你自己选的更快。这是已经跑了十年的"替你做主"，你早就接受了，甚至压根没意识到它存在。
在效率这个维度上，替我做主不只是合理的，它是不可逆的趋势。 抗拒它，就像抗拒用计算器——不是道德问题，是认知问题。
所以如果这篇文章到这里就结束，结论会很简单：放手吧，让AI替你做主，你会活得更轻松。
但我没办法就这么收尾，因为裂缝出现了。
效率视角没问题，但它藏着一个前提，一个我们很少去戳破的前提："更优的结果"是可以被客观定义的。
我开始怀疑这个前提，是从一件很小的事开始的。
有一段时间我特别依赖网易云的每日推荐。它极其精准地知道我喜欢什么风格，每天给我推一批我几乎全都会喜欢的歌。大概两个月之后，我突然意识到一件事：我已经很久没有主动去"发现"一首歌了。
以前我会在朋友的歌单里翻到一首完全不在我舒适区的歌，然后被它莫名击中。那种感觉之所以珍贵，是因为"意外"——它不在我的预期里，所以它打开了一扇我没想到的门。但算法不会给你意外。算法给你的是你已经喜欢的东西的加强版。它越精准，你的世界就越窄。你以为在享受音乐，其实是在对着一面越来越光滑的镜子——里面只有你自己的回声。
这不是算法出了bug，这是算法完美运行的结果。当AI把"你喜欢的"等同于"对你好的"，它就已经越界了。
然后我把这个逻辑放回到我的科研上，开始觉得哪里不太对劲。
我的课题方向是我自己定的，研究问题是我提出的，结论是我来判断的。但中间那条路——从问题到结论之间的所有技术实现——全部是AI走的。我相当于站在起点和终点，中间那段路程，我没走过。
以前的科研训练里有一个隐含的价值，是不怎么被人提起的：你在走那条路的过程中，会遇到意想不到的东西。 一个参数调错了，结果反而更有意思；一个模型跑崩了，排查的过程里发现了一个更深的问题。这些"意外"，才是科研真正的养分。但我的AI帮我把路走得太顺了，顺到我没有机会遇到那些意外。
我得到了一个接近完成的课题，但我不确定我是否真正经历了这段科研。
第一道裂缝让我开始怀疑"最优结果"的定义。第二道裂缝更深，也更让我坐不住。
我们说"AI替我做主效率更高"，这句话默认了一件事：人类的偏好是稳定的输入，AI是处理这个输入的工具。但现实是——人类的偏好本身，正在被AI的输出悄悄重塑。
还是说抖音，但我不想再扯"信息茧房"那套，这个词已经被说烂了。我想说一个更底层的问题：当你连续三个月刷到的都是某种风格的内容，你的审美标准、你对"好内容"的判断，已经被悄悄改写了。不是说你被洗脑了，而是你的评价体系本身发生了漂移。你现在觉得"好"的东西，和三个月前你觉得"好"的东西，已经不是同一个标准了。
然后算法继续根据你"现在"的偏好来推送，你的偏好继续被推送塑造，推送继续根据被塑造后的偏好来推送……
你以为你在用算法，算法在用你的反馈训练自己，而你的反馈本身，已经是被算法训练过的反馈。这是一个闭环，出口在哪里？
放回到我自己身上，这个感觉更具体。
我用 Claude Code 做科研的这一年多，有一个能力从来没有被真正锻炼过：独立调试一个跑不通的数值模型的能力。
不是因为我没遇到跑不通的情况，而是每次遇到，我的第一反应不是自己去排查，而是把报错信息扔给Claude Code，让它告诉我哪里错了。它说，我改，改完继续跑。这个闭环极其高效，但有一个代价：我从来没有真正建立起"遇到这类问题，我应该怎么思考"的内部框架。
那个框架，本来应该是在一次次排查中磨出来的。但我把那个过程全外包了。
如果有一天，在某个需要我独立解决这类问题的场景里，没有AI可以用，我会怎样？我不确定。这个不确定本身，就是一个值得认真对待的信号。
说到这里，我意识到自己之前的思考一直在讨论一个错误的问题。
"AI能不能替我做主"这个问题，本身就是个陷阱。它把问题框在AI的能力维度，但真正重要的问题是另一个：我有没有清醒地知道，我在哪里授权它做主，在哪里保留了自己？
这是一个产品经理视角的根本性重构，也是我这篇文章真正想说的事。
苹果推出 Apple Intelligence 的时候，有一个贯穿所有功能的设计原则：AI做的所有事情，用户必须能感知、能撤销、能关闭。这不是技术上的保守，也不是在讨好监管，这是对"授权边界"的产品化表达。背后的意思是：AI可以帮你做，但你得知道它做了什么，而且你随时可以说不。
有感知的授权和无意识的滑入，是两件完全不同的事。
再看 Claude Code 的设计。它有"全自动执行"模式，也有"每步确认"模式。真正成熟的用法，不是选全自动然后去泡咖啡，而是清楚地知道：在哪些模块上可以放手，在哪些核心逻辑上必须自己盯着。这个判断本身，就是一种只有人能做的事。
我自己摸索下来，有了一套粗糙但还算管用的框架，叫**"决策颗粒度"**：
可逆且情感权重低，比如生成代码初稿、整理数据格式、排版文档——完全可以让AI做主，人不需要在场，省下来的精力去做更值钱的事。
可逆但情感权重高，比如科研方向的微调、回复一封重要邮件——AI可以给建议，但最后那一步得你自己走，因为"是你判断的"这件事本身有意义。
不可逆且情感权重低，比如关键参数的设定、技术路线的选型——AI给分析，人拍板，但你得真正看懂AI给你的方案，不能闭眼接受。
不可逆且情感权重高，比如课题的核心研究问题、职业方向——AI最多当参谋，做主的必须是你，因为你要用之后很长的时间去消化这个决定，那个消化的过程需要你完全在场。
回看我的科研经历，问题出在哪里其实已经很清楚了：我在第一个象限用得很好，但不知不觉把第三个象限的很多东西也滑进了"全自动"模式。那些本应由我亲自走过的技术路径，我让AI替我走了。我没有意识到那些路径对我来说是"不可逆"的——不是结果不可逆，而是那段经历不可逆。走过和没走过，是两种不同的人。
前面四层思考，都还在聊"怎么更好地用AI"。但我最后想说的，是一个更根本的东西。
有一种情况，比"AI替我做主"更危险，那就是：在完全没意识到的情况下，把做主权一点点拱手相让。
两者的区别，是主动授权和被动滑入。
主动授权是：我清楚地知道这件事我不需要亲自做，我选择让AI来处理，我知道它做了什么，我随时可以改变这个安排。
被动滑入是：我不知道从什么时候开始，我已经不再自己做这类决定了。不是因为我选择了这样，而是因为每次让AI来做都更方便，于是就一直这么下去了，直到某天我发现——我好像已经不太会自己做了。
我的科研经历，就是一个非常标准的被动滑入案例。
我从来没有在某一天做过决定说"从今天起，我要让AI替我写所有代码"。是一点点滑进去的：第一次让它帮我写一个数据处理脚本，因为那部分真的很繁琐；第二次让它帮我解一个报错，因为我看不懂；第三次让它帮我生成一整个模块，因为上次它做得挺好……每一次都有充分的理由，每一次都是当下最理性的选择，但这一系列理性选择叠加起来的结果，是一个我没有主动选择的状态。
等我坐在那上百GB的项目文件前发呆，才意识到：我不是选择了这种科研方式，我是滑进来的。
这不只是我一个人的问题。长期把代码实现完全交给 Claude Code 的工程师，会发现自己在脱离它的情况下，越来越难独立推进复杂逻辑——不是能力消失了，而是大脑对这部分的调用频率持续降低，就像一块长期不用的肌肉，它还在，但它变弱了，你也越来越不愿意单独靠它。
这不是 Claude Code 的错。这是"认知外包"的必然结果。当一个工具足够好，你的大脑会理性地选择减少对这个能力的投入——这是进化逻辑，完全合理，但代价是你在某个维度上，正在变得更依赖，更脆弱。
我们享受着AI替我们做主的效率红利，但我们有没有认真想过，我们在用什么换来的？
我现在的做法变了。
不是不用 Claude Code，而是开始有意识地在某些环节强迫自己不用它。比如当我需要真正理解一个模型的核心逻辑时，我会先自己读文档，自己推导，哪怕慢很多，哪怕最后还是要去问它。不是为了证明我比AI强，而是为了确认一件事：这个理解过程是我走过的，不是它替我走的。
我的课题还是会完成，那上百GB的文件还是我的成果。但我同时也在做另一件事：重新走一遍我没走过的那些路。不是因为结果需要，而是因为我需要。
如果你是做AI产品的，我想留一个问题。
我们设计AI产品，通常把"减少用户操作步骤"、"提高任务完成率"、"降低决策摩擦"当核心指标。这些没错，但它们衡量的都是同一件事：AI帮用户做了多少。
有没有一个指标，是在衡量另一件事：用户在用了你的产品之后，有没有变得更有能力？
不是更依赖，是更有能力。不是更省事，是在省事的同时，没有悄悄失去什么重要的东西。
设计一个让人越来越依赖的产品，其实挺容易的，因为依赖带来留存，留存带来数据，数据带来估值，逻辑很顺。设计一个让人越来越强的产品，很难，因为"让用户变强"这件事，有时候意味着产品要主动制造摩擦，要在某些地方故意不帮你，要让你自己走那一步。
但我觉得，这才是AI产品真正该去的方向。
不是替你活，而是帮你活得更像你自己。
最后一个问题，留给你：
你上一次在没有AI的情况下，独立完成一件真正有难度的事，是什么时候？
AI创作过程披露
工具：tabbit，Claude sonnet 4.6；
原始素材：现场辩论录音稿
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。