背景与目标

背景:

首先开始思考在AI时代, 是否需要深入技术. 例如之前经常想要学习的Swift, Rust等技术

在Ai时代如何保持技术竞争力, 保持自己在工作中完成需求解决问题的能力. 饼提高个人综合能力.

然后遇到了准备TDC, TDC失败的节点. 也是复盘TDC失败的一个过程.

目标:

维持并提高解决问题的能力, 包括但不限于工作能力, 学习技术, 答辩面试, 项目推进等.

类比:

1. 阅读类比: AI提供《长征》这本书的某些问题的答案, 比如介绍***, 周总理等 直接看结果会以为自己掌握了这本书. 但并不知道“朱德”这个人物. 如果是自己去“提问-提取-分析-判断-修正-再提问”. 一定会知道“朱德”是谁.
2. 生活类比: AI帮忙做菜, 直接提供各种各种调味料和事件火候说明, 按照说明做好了. 可以食用. 但并不能知道, 盐和味精的区别.
3. PPT数据类比: AI根据数据, 帮忙做了PPT, 使用了“中位数”. 人工了解中位数是什么, 好处和坏处. PPT很完美. 但并不知道中位数具体如何计算, 以及为什么没有判断过选中位数的理由. 只是听从了AI使用中位数的建议. 最终, 一定无法回答临时问题“为什么不用P90”?
4. TDC经验: 未使用AI, 个人认知80分, PPT才能做到60分, QA可完全体现个人80分水平. 使用AI后, PPT做到85分. 误以为个人能力也在80分. QA暴漏出来此问题, 其实个人只有30分. 错吧AI能力当作自己的能力

思考:

1. 核心: 使用AI工具该如何提升个人能力
2. 提升个人能力的关键: 首要判断当前个人能力的标准. 例如: 对《长征》了解多少, 对TDC的项目掌控多少, 对Rust使用到什么程度. 有判断标准, 才能思考提升.
3. 旧能力判断的标准: 对一本书, 一种技术, 一个项目在心中思考问题列表, 然后对照问题列表, 检查自己能回答多少. 后通过“提取⇒分析⇒判断⇒修正”的方式, 再发现新的问题, 继续使用此方法推进学习. 能回答问题的多少, 就是自己对自己能力判断的标准. 一直走到无问题不可回答. 即判断自己全部掌握.
4. AI模式下: 旧判断标准实效, 新判断标准尚未建立

AI给的建议与推翻

建议:

1. 任务给AI前思考5分钟
2. 任务的原始材料是人工审查并提供的
3. AI在进行任务的时候, 人工在关键节点判断, 把握关键问题
4. 列举更多相似问题, 来进行新的判断标准
5. 保持水平: 每周人工进行修复部分问题与部分需求
6. 不写代码, 整体把控项目

推翻:

1. 个人能力的提升的关键是: 认知升级 ⇒ 认证升级的关键是: 模型更新的流程 ⇒ “旧模型, 提取, 分析, 判断, 修正, 新模型”
2. 无论是给AI任务前先思考, 还是提供原始材料, 都无法完整流程的完成 旧模型 认知升级 的过程.
3. 列举更多问题也是无意义的原因: 问题罗列的本质, 是判断自己认知的程度. 在AI帮助人来思考结果, 那人还是午饭完成, 完整的认证升级流程.
4. 人工在关键节点判断无意义的原因:
   1. “关键节点”无法定义: 即使是AI给出的关键节点, 那关键节点判断也是来自对原始材料的分析判断, 这些分析判断都是AI做的, 人没有做. 是否为关键节点本身是伪命题. 关键问题的推翻同理
   2. “点击下一步”, “确认, 否认”, 只是人对AI产生结果的判断. 判断标准依据自己的旧认知. 不能算是参与思考过程, 固无法认知升级, 提升个人能力
5. 无论是人工解决问题或者完成部分需求, 都是尝试练习写字. 维持技术熟练度, 只能是由之前的1/10, 提升到2/20. 不能解决10/10的能力保持, 与更多的技术提升
6. 整体把控项目听起来非常靠谱, 但如果是依靠AI进行各种技术判断, 那么在认知过程中, 依旧是AI在进行“分析判断修正”这个过程, 人的能力最终根据“感觉”, “旧模型”判断这个结果是否正确. 或者得到的只有对“结果”逻辑的判断能力.

阶段性结论

1. 认知升级的本质: 旧模型经过, “分析, 判断, 修正” 到新模型的过程.
2. 只要过程中有AI参与, 那人的认知必然不能完整升级.
3. 当前AI的本质并非智能: 只是不断根据提示词, 生成一段文本, 最终当前文本“看起来”正确.
4. 任务要区分: 结果可判断任务与认知提升任务.
   1. 结果可判断任务, 不在意过程, 比如重复工作可交付给AI操作.
   2. 认知提升任务: 认知提升的过程, 必须全程人工进行. 将AI协作的程度降到最低.
5. 人无法一遍享受AI的便利性与效率提升, 又得到AI在操作过程中认知提升. 例如: 人不能一边让机器搬砖, 又获得搬砖过程中的力量提升.
6. “未找到新的能力判断标准“: 只能在不断实践中调查总结.

下一步:

当前计划: 关于认知提升任务, 依旧使用AI参与协作, 但把参与度降到最低. 人工可独立判断结果. AI承担结果的交叉验证.

1. 保持工作能力:
   1. 任何遇到的问题, 要建立的标准, 要决定的方案. 一定要人为的思考, 查阅资料. 落成文档. 然后再结合AI这个工具, 判断资料查的够不够全面, 思考够不够全面. 有没有遗漏没考虑的点. 进行交叉验证.
   2. 完成需求的过程中, 留出一些人工操作的部分. 亲力亲为的写一部分代码, 包括简单的代码, 改个颜色, 写个判断. 也包括一些复杂代码, 比如重构, 文件的位置, 当前代码的运行逻辑等, 都要非常熟悉.
2. 学习编程技术:
   1. 任何学习都先列出学习的目标, 以及没有AI情况下的判断标准.. 比如我要学习SwiftUI, 那我的目标就是写一个能一个组件, 然后能一个页面. 知道Swift的语言特性啥的. 然后针对这个目标, 后面判断自己能不能写组件, 写页面, 然后能不能说出Swift的特性和具体运行. 最后的判断也一定是拖脱离AI进行的.
   2. AI只能协助提供一些社区地址, 学习方法, 学习材料, 或者部分的解疑答惑.
3. 准备TDC答辩:
   1. 回到之前的准备过程. 人工的准备主题,方案, 逻辑. 任何准备数据, 思考数据的意义, 如何展示数据, 以及如何计算等. 查阅资料, 查阅代码等
   2. AI扮演没有思路时的提醒, 部分问题的答疑解惑(首先自己要去找问题的答案, AI进行交叉验证).
4. 项目推进:
   1. 个人项目推进过程中, 还是大量使用AI, 因为目标不是个人能力升级, 目标就是推进项目, 使用一切手段, 包括AI这个工具, 进行项目推进.
   2. 根据项目结果, 判断自己AI工具的使用是否有问题

思考过程:

AI时代的技术能力、项目掌控与认知主权：TDC之后的完整思考记录

认知成本无法免费外包：从“我能回答多少问题”到“核验即求解”的完整讨论记录