當我們把所有“笨功夫”交給AI，創造力還剩下多少？

**AI 正在偷走你的靈光一現？**

過去兩年，幾乎每一家 AI 公司都在講同一個故事：把重複勞動交給 AI，人類就能騰出時間，去做更有創造力的事。這套說法看似無懈可擊——讓 AI 整理資料、處理表格、寫會議紀要，人去思考戰略、產品和創意，像是一次完美的社會分工。但它偷偷藏了一個前提：重複勞動和創造性工作，是可以一刀切開的兩件事。歷史給出的答案，沒這麼乾脆。 很多真正重要的創造，並不是發生在重複工作結束之後，恰恰發生在重複、失敗和走神的縫隙裡。你先和一個問題糾纏很久，反覆計算、觀察、修改，某個普通瞬間才突然把散落的東西接了起來。如果 AI 替我們拿走了所有笨功夫，它釋放的可能不只有時間，也可能拿走靈感賴以發生的現場。 **蘋果不是答案，只是最後一根火柴**

牛頓與蘋果的故事，大概是人類歷史上最成功的「創新神話」：一個蘋果從樹上掉下來，砸中牛頓，他靈光一現，發現萬有引力。真實版本沒有這麼省事。牛頓的朋友威廉·斯蒂克利在回憶錄中記錄，1726 年兩人在蘋果樹下喝茶，牛頓回憶自己正處於沉思狀態，看見蘋果落下，於是想到蘋果為什麼總是垂直落向地面，而不是向上或向旁邊，隨後才「逐步」把這種力量推向地球、月亮和其他天體。蘋果沒有給出答案，它只是點燃了牛頓長期思考積累的材料。 數學家龐加萊的經歷更典型。他曾連續研究一類函數，做了大量計算，屢屢失敗。後來他暫時放下工作，外出旅行，就在登上一輛公共馬車的瞬間，一個關鍵聯繫突然闖進腦子：他研究的變換，與非歐幾何中的變換是同一種東西。這個念頭來得很快，甚至沒有經過當場推導。旅行結束後，龐加萊回到書桌前，又花時間把它完整驗證。他後來把創造過程拆成幾段：先是有意識的艱苦準備，然後是看似無所事事的潛伏，接著才是突然照亮，最後還要回到嚴謹驗證。 費馬大定理的證明也是如此。安德魯·懷爾斯秘密工作了七年，1993 年宣佈證明成功，幾個月後卻被發現存在漏洞。他又算了一年，和學生理查德·泰勒反覆尋找出路，直到 1994 年 9 月才把缺口補上。人們記住的是最後那個瞬間，數學家真正經歷的卻是數以千計的無效計算、失敗路徑和重來。靈光一現從來不是從天上掉下來的獎品，它是笨功夫積累到一定程度後，大腦給出的延遲迴報。 **創造力的原料，藏在那些「不高級」的工作裡**

我們今天很喜歡把工作分成兩類：低價值的交給機器，高價值的留給人。問題是，人腦並不按照諮詢報告裡的表格工作。一個記者在整理幾十份財報時，可能發現兩組數字對不上；一個產品經理在逐條看差評時，可能突然意識到用戶抱怨的根本不是功能；一個醫生在重複看片時，才慢慢建立起對異常的直覺。這些工作單看都不高級，甚至很枯燥，但它們在大腦裡留下了大量細小的模式。所謂直覺，很多時候只是熟練到無法逐句解釋的經驗。 青黴素的發現就是這樣。1928 年，弗萊明度假歸來，發現一個培養葡萄球菌的培養皿被黴菌汙染，黴菌周圍的細菌沒有生長。汙染是偶然，發現卻不是：一個沒有長期觀察細菌的人，看見的只是一隻應該扔掉的髒盤子。更容易被忽略的是，弗萊明並沒有因此立刻做出藥物。將近十年後，弗洛裡、錢恩和一支團隊才重新撿起這項研究，他們用奶桶、食品罐甚至浴缸培養黴菌，又在美國尋找高產菌株，最終才把實驗室裡的偶然變成可以救人的工業產品。歷史喜歡講「尤里卡」（Eureka，我找到了），產業真正依靠的卻是尤里卡之後漫長、重複、並不漂亮的工程。 愛因斯坦後來向數學家阿達馬描述自己的思考方式時也說，最先出現的往往不是完整語言，而是圖像、符號和帶有動作感的元素，他會讓這些東西反覆組合，語言反而是後面的事。創造不是憑空生成，更像重組。你見過什麼，做過什麼，在哪些地方失敗過，決定了腦子裡究竟有什麼東西可以重新連接。如果資料永遠由 AI 摘要，第一稿永遠由 AI 生成，數據永遠由 AI 清洗，人的確會輕鬆很多，但久而久之，我們接觸到的只剩機器處理後的成品，不再是粗糙、矛盾、帶噪聲的原材料。效率提高了，感覺卻可能變鈍。 **《創新者》寫的恰好不是天才**

沃爾特·艾薩克森在《創新者》裡追問過一個問題：計算機和互聯網究竟是誰發明的？最後他發現，這個問題很難用一個人的名字回答。數字革命不是某位天才在車庫裡突然想出來的。早期計算機、晶體管、芯片、軟件和互聯網，都來自一代人接一代人的改進：有人提出概念，有人焊接電路，有人寫程序，有人把昂貴的原型做成普通人能用的產品。書裡提到哈佛 Mark I 計算機時，格蕾絲·霍珀的敘述更強調霍華德·艾肯，IBM 的版本則強調那些沒有被記住名字的工程師——計數器、讀卡器等大量增量改進，共同組成了最後那臺機器。這不是在否認天才，而是在還原創新的真實結構。 一個開拓性事件，通常同時需要少數人的異想天開和多數人的笨功夫。前者負責改變方向，後者負責讓新方向變成現實。兩者之間不是替代關係。AI 最誘人的地方，是它似乎可以同時扮演這兩種人：既給點子，又做執行。但這裡也出現了新的問題。2024 年，《科學進展》發表了一項生成式 AI 與寫作的實驗。獲得 AI 點子幫助的人，寫出的故事平均更有創意、完成度更高，對原本創造力較弱的人幫助尤其明顯；可把所有作品放在一起看，AI 輔助的故事彼此更相似。AI 抬高了個人的下限，也壓縮了群體的差異。這很像今天的內容平臺：每個人都寫得比以前順了，標題、結構、金句一個不少；讀完十篇，卻像只讀了一篇。當所有人都向同一個模型索要「第一個想法」，我們省掉了空白頁，也可能一起走向那個最容易被預測的答案。 **最危險的不是不會寫，而是不會想**

這並不意味著人應該拒絕 AI，重新把時間浪費在複製粘貼和機械排版上。計算器沒有毀掉數學，搜索引擎也沒有毀掉知識。工具真正改變的，是人必須保留哪一層能力。AI 可以替我們搬磚，但人不能因此忘記牆為什麼要建在這裡。這種擔心已經不只是哲學討論。2025 年，微軟研究院等機構調查了 319 名知識工作者，收集了 936 個真實的 AI 使用案例。結果顯示：人越相信 AI，在任務中投入的批判性思考（Critical thinking，合理且反思性的思考方式）越少；越相信自己的專業判斷，批判性思考反而越多。AI 沒有讓思考消失，卻把思考從「親手生成」推向了「核驗、整合和看管」。問題是，如果人只看見一份流暢的成品，核驗很容易退化成點頭。 更直接的信號來自寫作和編程。麻省理工學院媒體實驗室一項 54 人腦電寫作實驗發現，連續使用大模型寫作的參與者，腦網絡連接最弱，對文章內容的回憶和「這是我的作品」的感受也更低。不過這項研究仍是小樣本預印本，不能據此斷言 AI 會讓人永久變笨。METR 對 16 名資深開源開發者、246 項真實任務做隨機試驗時還發現，使用 2025 年初的 AI 工具後，開發者完成任務反而慢了 19%。更有意思的是，他們事前預計 AI 會讓自己更快。METR 在 2026 年的追蹤中判斷，新一代工具很可能已經帶來加速，但由於參與者和任務存在明顯的選擇偏差，仍無法可靠估計幅度。AI 最先削弱的，可能不是能力本身，而是人對自己是否還在思考的判斷。 對個人來說，至少有三件事不該輕易外包。第一，問題從哪裡來。不要一上來就問 AI「我該寫什麼」「我該研究什麼」，先去客戶現場，先讀原始材料，先自己感到哪裡不對勁。一個好問題，往往來自別人嫌麻煩而略過的細節。第二，第一輪判斷從哪裡來。可以讓 AI 擴寫、反駁和補資料，但最好先留下一個未經模型加工的粗糙版本，哪怕只有幾句話，也要知道自己原本怎麼看，否則人與 AI 的合作很容易變成人替 AI 潤色。第三，結果由誰負責。自己做過底層工作，才知道 AI 錯在哪裡。一個從未寫過代碼的人，很難判斷代碼只是能運行，還是經得起上線；一個從未啃過財報的人，也很難識別一份漂亮分析裡藏著的口徑錯誤。 那麼，什麼可以交給 AI？判斷標準不是「有沒有創造性」，也不是「重複不重複」，而是三件事：驗收標準是否清楚，過程是否可以追溯，出錯以後是否能夠回滾。資料轉寫、格式整理、已知規則下的數據清洗、代碼樣板和測試用例、同一主題的多版文案與設計草圖，都適合交給 AI。戰略取捨、事實口徑、品牌審美、系統架構和最終簽字，則不能只因為 AI 做得快就一起打包出去。交出去以後，人還要和 AI「左右互搏」：動手前先寫下自己的判斷和驗收標準；生成時讓 AI 同時給出反對意見、失敗條件和證據出處；生成後人回到原始材料，抽查事實，復算關鍵數字，跑一遍關鍵測試；隔一段時間再安排一次不使用 AI 的「徒手訓練」。寫作者要保留獨立採訪和首稿，程序員要保留代碼審查和故障排查，設計師要保留概念選擇與最終視覺判斷。只有還會驗、敢推翻、能接管的人，才真正有資格把工作交給 AI。 對公司來說，真正該警惕的也不是員工用了多少 AI，而是組織是否還在生產一手經驗。如果年輕人不再做基礎分析，不再跟客戶磨需求，不再經歷失敗的第一稿，公司短期會得到一批更快的交付，長期卻可能失去培養判斷力的路徑。以前，一個新人通過三年笨功夫，慢慢變成一個有直覺的老手。現在，AI 可以讓新人第一天就交出七十分的答案。但從七十分走到九十分，需要的仍然是他親自見過問題，犯過錯誤，也為結果付過代價。 **別讓 AI 拿走創造力的前置勞動**

AI 到底是在提升創造力，還是在降低創造力？答案取決於我們把它放在什麼位置。讓 AI 處理已經想清楚的重複執行，它是槓桿；讓 AI 代替我們接觸現實、形成問題和做出第一輪判斷，它就會逐漸變成柺杖。真正的創造力從來不只是「想出一個點子」，它包括對材料的熟悉，對異常的敏感，忍受長時間沒有答案，以及在靈光出現後，把它一遍遍做實。這些部分很慢，也不體面，甚至很難寫進績效表。可歷史上的重大定理、科學發現和產業創新，幾乎都從這裡長出來。AI 當然可以幫我們摘蘋果，但樹下那個人能不能想到萬有引力，仍然取決於在蘋果掉下來之前，他究竟想了多久。