正文约 3000 字按汉字计另含英文与数字 · 阅读约 10 分钟估算 · 适合正在学 AI、带团队或带孩子的人这篇能带走一个看懂“讲解贬值、实践升值”的剪刀差框架和三个今晚就能开始的动作。2026 年 10 月有两件事放在一起看很有意思。10 月 7 日OpenAI 发布 GPT-6 和 Intelligent UIChatGPT 可以把回答组织成文字、图形和能操作的界面让你通过改条件、点图示来理解问题。几天前10 月 2 日Anthropic 宣布投入 1 亿美元计划到 2027 年底培养 1 万名能把 AI 落进企业的工程师。它选的培养方式是跟着实践者做模拟部署、回自己组织带真实项目、再接受实操考核。一边在让“讲明白”更容易获得一边在为“做成事”投入真金白银。这就是我想说的那句话AI 正在全方位碾压言传的成本同时也在无限放大身教的门槛。对正在学 AI 的人、带团队的人、靠经验赢得信任的创作者问题已经很具体当别人随时都能得到一份像样的解释你还能给他什么讲解这门手艺正在快速贬值过去几百年“会讲”是一门值钱的手艺。能不能找到贴切的例子能不能看出对方哪里没懂一种说法不管用能不能换个角度过去评价一个人的表达能力看的就是这些。想学会计拜师傅边做边讲想学写文案进公司从前辈打下手开始。你付的学费里一大半是在为“有人愿意给我讲”买单。因为过去知识传递太贵。一本好书要著书立说一门课要老师站着讲几十遍懂行的人的时间永远是稀缺资源。AI 把这一层直接打穿了。现在的 AI 可以给任何人做一对一讲解不嫌你问题蠢不收课时费同一个概念换十种讲法直到你点头。 GPT-6 这次展示的交互式回答把“讲明白”又往前推了一步解释配上能操作的图示你自己改条件看结果。当然这是逐步推出的能力官方案例也不等于每个人的实际体验这点公告自己写得很清楚。一个人能把道理讲清楚仍然值得感谢。但这件事能证明的个人优势正在变少。对读者是好消息理解一个问题不必再等哪位懂行的人抽出时间。对靠讲解立足的人是坏消息你还能讲的AI 都能讲你能听懂的所有人都能听懂。而且这里有个更根本的天花板凡是能被语言完整写下来的知识AI 迟早都能学会。真正的问题在语言的边界外面。身教贵因为最值钱的知识说不出来那是不是学好 AI 就没用了恰恰相反。先回答一个问题为什么师傅带徒弟这件事AI 到今天还替代不了答案藏在一个很老的概念里隐性知识。哲学家波兰尼有句话后来被反复引用我们知道的多于我们能说出来的。你会骑自行车但没法把“平衡”写成说明书让人读完就会骑老会计一眼看出账不对你问他怎么看的他说“感觉”。那个感觉是十几年几千本账喂出来的说不清只能在场。布鲁金斯学会有篇讨论 AI 替代边界的文章讲得更直接隐性知识目前只能由专家在实地传递。这不是 AI 不够聪明是这类知识从来没被语言完整记录过。能写进文档的部分AI 早就学会了剩下讲不出来的那部分才是师傅真正在传的东西。500 年前王阳明把这层意思说得更狠“知而不行只是未知。”《传习录》你以为你知道了其实只是听说过。没在自己手上过一遍的知识不算你的。最懂 AI 的公司显然也想通了这一点。Anthropic 那个 1 亿美元的计划值得看的不是金额是它检验能力的方式先做模拟部署考核再回到自己组织里带 12 周真实 Claude 项目结束时再考一次。公告把它类比成医学教育——跟实践者、处理案例、在病人身上长本事。首批最终资质要到 2027 年初才有效果还无法证明但这个设计本身已经表明了选择把 AI 用进企业必须在具体事情里检验光会讲不算数。一个真实的小例子假设场景不是实测小团队让 AI 整理客户资料总结文字可能几分钟就搞定。但要变成大家每天真用的方法得确认哪些资料能碰、遗漏谁来发现、结果谁来检查、同事愿不愿意继续用。只展示最后那份漂亮总结的人别人学到的是结果的样子。愿意展示自己怎么发现遗漏、为什么调整顺序、根据反馈改了什么的人别人才能看见经验是从哪里长出来的。现在把两边拼起来剪刀差就清晰了言传的部分说得清、写得下的知识AI 无限供给价格归零。身教的部分说不清、只能做中看的判断力AI 给不了供给反而更紧张。愿意手把手带你、让你在真实事上磨炼的人本来就少现在更少了。数据也在说同一件事用过不等于学会这把剪刀不只是我的观察10 月的几份研究也在指向同一处。10 月 8 日《Frontiers in Education》发表了一项覆盖 166 个国家、14653 名计算机科学学习者的调查。它发现的差距很直接日常用 AI和把 AI 用在学习上是两回事。在已经联网的学生里工具普及并不等于转化为学习用途。这个数字我熟。a16z 10 月 5 日的第七版消费级 AI 应用报告里也有一组近一半美国人用过 AI只有 25% 天天用付费订阅的只有 4.5%。一半人摸过工具两成半常用不到半成愿意为它掏钱——绝大多数人停在“用过”这一层站在剪刀差便宜的那一边。需要说明Frontiers 那项是横断面调查熟练度包含自我评价不能证明因果a16z 是美国市场的消费数据。它们不能精确测量中国更不能测量你个人。但方向是一致的工具普及和“变成你的能力”之间隔着一道大多数还没跨过去的沟。同样在 10 月明尼苏达大学发布了一份 30 位学习科学专家的共识报告结论谨慎AI 有望帮助练习和巩固但用它替代自己的思考可能损伤能力形成必需的过程。拿一个工具和把它变成自己能用、能检查、能迁移的能力中间隔着的就是“事上磨炼”。这一段AI 给不了只能有人带或者自己拿真实任务一遍遍磨。身教也在通胀真货得往更难伪装的地方走还有一个很多人没注意的变化连“身教”本身也在被 AI 通货膨胀。录屏演示、过程复盘、失败案例分享这些传统的“做给你看”现在 AI 都能批量生成做得流畅漂亮。展示越来越便宜跟“讲解越来越便宜”是同一个逻辑。那身教的真货怎么辨认往更难伪装的地方走结果不符合预期之后你怎么查使用条件变了你先改哪里方法交给别人他卡住的地方和你设想的一样吗这些问题的答案装不出来。10 月 5 日《奥地利经济学评论》那篇论文给了一个理论支撑处理信息和作出判断是不同的活动。AI 能检索、组合、生成但选什么问题值得追究、由谁对结论负责仍然要人承担。这是一篇理论分析不是实验定律但视角很准道理最有分量的时候往往是照着做会付出代价的时候。 对创作者身教可以很小一条适合传播的信息核对后不准舍得删以前写的内容出了错补更正。对管理者把 AI 使用过程摊开给团队看哪些采纳了建议、哪些保留了人工判断、出了偏差自己担。对小团队选合作对象要求对方拿出与承诺相称的依据不需要隐私但需要真实的验证过程。普通人怎么站到便宜的那一边看懂剪刀差之后动作就三步今晚都能开始。第一把“学会”的标准从听懂改成做完。检查你最近学的东西有没有一个完整做完、可以拿出手的东西跑通的流程、发出去的文章、交付的活。没有的话按王阳明的标准那些“知道”都还是未知。每学一个东西配一个真实任务哪怕很小。用一个工具和把它变成能力之间隔着的沟只能靠做完一件事来跨。第二找一个能看你做事的人。AI 能回答你所有问题但它没法看着你干活在你自己都没意识到的地方喊停。这正是 Anthropic 花一亿美元也要保留“跟着实践者做”的原因。找一位在真实做这件事的人付费咨询、共学小组、行业前辈都行让 TA 看你完整做一遍指出你自己看不见的问题。这类资源贵恰恰说明它值。第三把你做出来的东西复盘成文字。身教贵是因为隐性知识没有语言记录。把做过的事写下来本身就是在把隐性往显性压写不出来的地方就是你没想明白的地方。我做 AI 共学这几年有个越来越深的感受真正学会一样东西是从能把它讲清楚开始的。写不出来回去重做写得出来才真正是自己的。顺便在演示也能 AI 生成的年代真实的过程记录本身就是最难的伪造品。这三个动作有个共同点都不需要更多“讲解”都需要“事上磨炼”。知识在通胀实践在升值。把时间从前者搬到后者就是普通人在这把剪刀下能做的最优解。下回再看到“三天带你学会”的课程先问一句它卖的是正在白菜价的言传还是稀缺的身教答案不难分辨能录成视频批量卖的都是前者。而真正贵的那些东西在场、反馈、陪你把事做成还有做错了当着你的面修从来没法录进视频里。既然看到这里了如果觉得不错随手点个赞、在看、转发三连吧如果可以给我个星标⭐将不胜感激谢谢你看我的文章我们下次再见。#AI学习 #AI工具 #认知升级 #AI共学 #普通人AI作者大象-推动 AI 共学让普通人轻松上手AI参考阅读OpenAIGPT-6 与 Intelligent UI 发布公告2026-10-07逐步推出能力AnthropicClaude Frontier Academy2026-10-021 亿美元 / 1 万名工程师 / 12 周实践计划Frontiers in Education166 国 14653 名学习者的 access–conversion gap 研究2026-10-08横断面调查明尼苏达大学 CEHDAI 与学习专家共识报告2026 年 10 月30 位专家《奥地利经济学评论》AI、知识问题与学术判断2026-10-05理论论文BrookingsWhy gen AI cant fully replace us (for now)隐性知识只能由专家实地传递