身处其中

访谈与观察 · 筹备中

我想知道,该怎样面对这个多变的时代。每个人的经历,都是一种回答。

向下,走进这些处境

WENTAO / 问韬

社会正在怎样改变,
我们又该怎样适应。

我是问韬。我关注社会如何改变,以及身处其中的人怎样理解变化、调整选择并寻找自己的位置。访谈是我开始这项探索的方式。

我相信,我们正身处一场深刻的变化之中。我的表达从人的经历出发:机会怎样被重新分配,能力怎样被重新定价,我们又如何在不确定中作出选择。AI 是当前重要的观察线索,「身处其中」是我的第一个具体项目。

先读观点,点击展开具体阐述。
01

我看到的变化

从社会的机会分配,到个人的选择与适应。

物理学习、留学经历与 AI 项目实践,让我开始追问:工具变强之后,人的能力与机会会怎样改变?了解我的经历

我对 AI 能力边界的关注,来自自己的学习与实践。

在物理学习经历和高强度使用 AI 的项目经历中,我感受到 AI 能帮我完成更多事情,也开始问自己:任务完成之后,我究竟学会了什么?

AI 可以成为更个性化的老师,帮助我理解原先难以掌握的知识;基础知识则让我能判断它的解释是否站得住。我在意这两件事能否一起发生:借助 AI 扩大能力,也在离开工具后检查自己是否真正理解。

社会角度 / 机会、价值与风险

有些能力的市场价值正在缩水,也有新的能力开始被需要。

从我接触的消费环境和薪资讨论中,我注意到一些人能支配的钱变少了,也开始关注他们原先赖以获得收入的能力,是否还像过去一样被需要。同样一份知识和经验,在市场变化中可能获得不同的报酬。

比如,过去需要专门请人完成的基础文案、简单页面或重复性代码,现在有了借助 AI 完成的可能。我想了解的是:当这些工作更容易做出来,原先靠它们获得收入的人,怎样找到新的位置?年轻人又该从哪里开始积累经验?我希望从具体行业和岗位了解,工具普及、企业经营和招聘需求怎样一起改变一个人的机会。

一份美国工资单研究观察到,AI 暴露较高职业中的年轻人,就业机会出现了相对收缩,主要体现为招聘减少。丹麦的一项研究则发现,AI 的使用与转岗、工作任务重组相关,工资和总工时总体保持稳定。这些发现让我关注能力被重新定价的具体过程:入门岗位是否减少,一个岗位里的工作如何改变,年轻人又能从哪些任务中积累经验。[1][2]

AI 有泡沫,仍有值得留下的价值;普通人也会承担押错方向的成本。

我的判断是,AI 的实际价值与围绕它的泡沫会同时存在。互联网泡沫之后,互联网仍然改变了生活;同样,AI 行业的热度和价格可能回落,有用的工具与能力仍可能留下。

设想一位平时整理销售报表的行政人员,看到“AI 数据分析师高薪就业”的宣传,想转行提高收入。他花钱报课,把晚上和周末用来学习生成图表、撰写分析报告。开始投简历后,他发现心仪的岗位还要求理解业务指标、检查数据、解释销售波动。课程里的工具学会了,新的工作经验还要继续积累;学费已经付出,生活开支照常,新工作的收入却还需要等待。

这也是普通人需要关心泡沫的原因:热度会影响我们把钱和时间投向哪里。对这位准备转行的人来说,接下来值得考虑的是,怎样把原先熟悉的销售业务与新工具结合起来,先解决工作中的实际问题,再积累能带进新岗位的经验。我想从访谈中了解,人们怎样判断一项投入,怎样在收入、学习和生活之间安排这段过渡。

技术革命与股价的理论研究说明,新技术的回报越难判断、普及越快,股票价格越容易出现泡沫式起落。这帮助我把技术的用途和市场的热度分开看。生产率 J 曲线研究则指出,新技术需要流程调整、人才培养等配套投入,收益会随着这些积累逐步显现。这让我看待转行时更重视两件事:学到的工具能解决什么实际问题,从学习到获得收入又需要哪些准备。[3][4]

个人角度 / 理解任务、表达要求与判断结果

我认为,vibe coding 会成为开发的常态,程序员的重心也会改变。

我看好让 AI 按照人的描述生成代码,再通过对话不断调整的开发方式。大量重复的实现可以交给 AI,程序员的工作会更集中在理解任务、设计架构、确定大方向,以及判断最终结果是否可靠。

这时,理解代码是否仍然重要?我的答案是重要。即使不再亲手写下每一行,也要能看懂关键逻辑,发现错误,判断修改会影响哪里。同时,任务理解和需求表达会变得更重要:要做什么、有哪些限制、什么算完成,都需要说清楚。用过 AI 的人常会遇到这样的情况:要求越含糊,它越容易做出一个看似完整、却偏离原意的结果。

一项 Claude Code 使用观察发现,人更多负责规划任务,AI 更多承担具体执行;展现出较强任务领域知识的会话,也更容易达成目标。这让我更重视理解任务、明确要求和核查结果:程序员的专业判断,会体现在怎样确定方向、拆解问题和验收成果上。[9]

一项学习陌生编程工具的实验发现,AI 辅助组在随后知识测试中的平均成绩较低,差距尤其体现在发现和分析错误上;在生成代码的同时追问概念、阅读解释的参与者,表现出更强的理解。这让我重视使用 AI 时的学习方式,把关键步骤想清楚,让每次交付也成为积累判断力的机会。[7]

METR 的后续研究还观察到,开发者会随着 AI 的使用调整任务选择、并行工作的方式和交付内容。这提醒我,开发效率要放到完整工作过程里看:从理解需求,到生成代码、检查结果和最终交付,人的工作也在重新安排。[8]

我认为,未来最基本的工作单位会是“一个人+AI”。

我的判断是,未来几年,一个人的工作能力会越来越包含他调用 AI 的能力。许多任务会由“人+AI”一起完成:人理解情境、确定目标、核查结果并承担责任,AI 扩展思考与执行的范围。

在这个意义上,AI 会成为个人能力的一部分。现实中的经验、判断与行动,和虚拟空间里借助 AI 展开的思考与执行,将共同构成一个人的能力。学习使用 AI,也是在学习怎样把自己的完整能力发挥出来。

这也让我更关心基础:当工具成为自己的延伸,人需要理解到什么程度,才能知道它正在往哪里走、在什么地方需要把它拉回来?

02

我的观察位置

从自己的经历出发,在不同位置的经验中理解变化。

不同环境之间的比较,是我的一个观察起点。

我的学习与留学经历为我提供了比较的出发点:不同环境如何评价能力,人们怎样理解机会、风险与生活选择。我希望将这些经历转化为问题,在对话中了解不同位置的人怎样理解同一场变化。

经历塑造了我的视角,对话带来新的认识。

成长经历、教育和社交环境,影响着我注意到哪些问题。对话让这些问题遇见别人的生活:我说明自己为什么这样问,也听见对方为什么这样理解。新的经历会让我重新看待原先的判断,也发现值得继续追问的地方。

03

为什么是访谈

把持续的好奇,变成一项具体的表达实践。

自媒体对我来说,是持续理解他人、形成判断的实践。

我希望通过一次次对话,接触不同的生活,也练习怎样提问、怎样听见一个判断背后的经历。持续更新的频道能让这些探索彼此联系,使我的认识在新的经历面前继续生长。我希望把好奇变成内容,也把内容变成理解现实的能力。

「身处其中」从变化落到一个人的生活时开始。

一个工具发布之后,一位老师会怎样安排下一堂课?一名学生怎样准备第一份工作?一个已经工作多年的人,会继续积累原先的专业,还是重新学习?我希望从这些日常选择进入 AI 带来的变化。

访谈让讲述者有时间说清楚:当时发生了什么,自己为何这样理解,又在什么条件下作出选择。同一场变化,落在不同人的生活里,会有不同的重量。这些差异会成为频道的内容。

从访谈开始,也尝试短视频与快访谈等表达。

访谈是第一个项目的主要形式。未来我也希望尝试短视频、快访谈和结合生活场景的记录,让一个具体问题可以有更短的入口,让一段复杂经历也有充分展开的空间。形式的选择,会围绕人物、问题与内容本身来安排。

04

身处其中

首个项目 · 筹备中

从能力的培养、学习与使用,理解教育与社会需求之间的联系。

第一个项目从学习走向工作的过程切入。课堂里培养什么,个人在实践中学会什么,岗位又需要什么:当工具和工作方式不断变化,这些要求会在哪些地方相遇,又在哪里出现距离?我希望将不同位置的经历放在一起,理解能力如何被培养、被使用,又如何被市场认可。

之所以先从学生和老师开始,有三个原因。这场变化最先在学习和研究中被感受到:大学三年里,AI 从简单的辅助变成了研究的主要工具,许多研究生和博士的课题,都在学习如何使用 AI。学校也是能力最初被培养的地方,一种能力如果正在被重新定价,最早会在课堂和求职之间显现。学生和老师所处的环境,又正是我刚刚走过的环境,问题可以问得具体,准备也可以做得扎实。之后,访谈会走向更多行业的人。

项目议题 / 学习与社会变化如何相遇

工具走进课堂后,哪些学习更值得亲身经历?

当 AI 能解释知识、协助完成作业和生成代码,学习过程也获得了新的可能。哪些环节因此更容易理解,哪些环节仍值得亲自走一遍?一堂课、一份作业或一次项目实践,都可能让我们重新认识能力是怎样形成的。

两项教学实验呈现了不同的使用效果:在高中数学实验中,普通 AI 辅助提高了练习表现,但离开工具后的考试表现可能更弱;加入教师设计的引导后,这种影响明显缓解。大学物理实验中,经过教学设计的 AI 辅导则帮助了特定内容的学习。这让我更关心:怎样安排使用 AI 的过程,才能让帮助完成任务也成为帮助理解的机会?[5][6]

面对不断变化的工作,教育中哪些东西更值得保留?

社会和工作方式变化得更快,课堂里的知识与工作中的要求,可能以不同的速度更新。这种距离会怎样影响学习与工作?哪些基础值得长期积累,哪些能力需要新的培养方式?我也希望了解,培养能力与判断一个人能否胜任工作时,各自需要兼顾哪些目标与现实条件。

理解一个概念、提出一个好问题、检查一个结果,这些能力会如何参与未来的工作?对于专业能力被市场重新定价的变化,教育又可以为学生提供怎样的准备?不同学科和不同教学经历,可能给出不同答案。

这项 AI 编程学习实验同时考察任务完成和知识掌握,呈现了不同使用方式下的学习差异。这让我更在意课程与练习怎样安排:在哪一步让学习者解释原理、检查错误、自己作出判断,让使用工具的过程也能留下可独立运用的能力。[7]

采访路径 / 从具体经历开始

把能力培养、学习实践与市场需求放在一起看。

一门课的安排、一份作业或项目、一次求职或招聘判断,可以呈现同一种能力在不同环节中怎样被理解。将这些经历相互参照,能让我们看见:学过的东西如何进入实际工作,岗位的要求又怎样影响学习与培养。

我尤其关心,一个专业中长期积累的能力,今天如何被使用、被认可,又是否正在被市场重新定价。这些联系和差异,会成为访谈中继续追问的线索。

沿着“经历—变化—选择”,看见判断是怎样形成的。

先听对方讲一段亲身经历,再了解这件事怎样影响了他的看法,最后谈他作出了什么选择,以及选择背后的考虑。一次课程调整、一段项目实践或一场招聘中的交流,都可以成为起点。

  • 经历:能否讲一次让你印象很深的学习、培养或工作经历?当时遇到了什么问题?
  • 变化:这件事让你对某种能力有了怎样的新认识?哪些判断一直没有变?
  • 选择:后来你作出了什么调整,或者决定保留什么?这些选择背后有哪些考虑?

这条路线让观点有来处,让观众理解一个选择面对的条件,也让受访者有空间讲清楚容易被一句话略过的背景。变化既可以带来调整,也可以使人更清楚地决定保留什么;接下来的问题会顺着对方的回答展开。

这也借鉴了口述史采访中重视准备、倾听与开放追问的做法:以真实事件为入口,让讲述者补充他认为重要的细节。[11][12]

采访前,先理解对方的经历,也补上对话需要的知识。

每次采访前,我会先读对方的公开作品与表达,了解他的学习背景、专业实践和所处环境,并学习对话涉及的知识。这样,问题能落在具体情境里,追问也能接住回答中的细节。

我们会提前交流想谈的话题,正式对话从一段真实经历开始。对我来说,充分准备是尊重对方时间的方式,也是让一次交流能够深入的起点。

05

对话的价值

让讲述者充分表达,也让观众找到理解自己处境的参照。

让受访者有空间讲清楚经历与判断。

一个人的观点常常来自长期经历,也受到具体条件的影响。我会通过前期阅读、背景了解和有针对性的追问,让这些背景进入对话,让专业判断、生活经验与其中的取舍能够被听见。

让观众在不同经历中找到自己的参照。

同一个变化,会落在不同人的生活里。观众可以从他人的选择中理解自己正在面对的问题,也可以看见此前忽略的处境与可能。频道会持续记录这些经历,让对社会变化的理解具体到人。

06

我想走向哪里

把观察、判断与项目实践连起来,持续塑造自己,也寻找同路的人。

成为一个更能理解人,也更能付诸行动的人。

我把自己的追求描述为持续的自我塑造:让思考更准确,让理解人的能力更深,也让理解能够作用于现实。物理学习、AI 项目实践与不同环境中的观察,是我的起点;访谈将继续锻炼我的提问、倾听、表达和沟通能力。

和同路的人一起,把各自的经历与判断连起来。

我能带入这项实践的,是问题拆解、资料梳理、不同视角的比较,以及把思考组织成项目的能力。在推进频道和访谈的过程中,我会继续积累与人沟通、理解具体需要、组织协作和推动事情完成的经验。

这些积累,首先会和同样在寻找方向的人一起使用:各自带着经历和判断,彼此对照、补充,连成一张更完整的图。如果这些对话和记录也能帮助别人理解自己的处境,作出更适合自己的选择,那就更好。

07

资料与延伸阅读

让正文中的问题有据可查,也为进一步理解就业、学习与 AI 实践提供入口。

01 · 就业机会的分化

Stanford Digital Economy Lab,2026 年 8 月修订 · 描述性工作论文

通过美国工资单数据,研究职业的 AI 暴露程度与年轻人的招聘、就业变化。

阅读研究原文

02 · 任务变化何时体现为工资变化

Humlum 与 Vestergaard,2025 · 丹麦行政记录研究

通过丹麦的调查与行政记录,研究大语言模型的使用与工资、工时及工作任务变化。

阅读研究原文

03 · 技术革命为何伴随泡沫式价格

Pástor 与 Veronesi · 技术革命与股票价格的理论研究

用理论模型研究技术革命中的不确定性如何影响股票价格。

阅读研究原文

04 · 技术价值如何逐步兑现

Brynjolfsson、Rock 与 Syverson · 生产率 J 曲线,2018/2020

研究新技术的生产率收益如何随着组织调整、人才培养等配套投入逐步显现。

阅读研究原文

05 · 完成作业与真正学会的区别

Bastani 等,PNAS,2025 · 高中数学随机实验

比较高中数学学习中不同 AI 辅导方式对练习表现与独立考试表现的影响。

阅读研究原文

06 · 怎样的 AI 辅导能够帮助学习

Scientific Reports,2025 · 大学物理随机实验

研究经过教学设计的 AI 辅导在大学物理学习中的效果。

阅读研究原文

07 · AI 编程与新技能形成

Shen 与 Tamkin,2026 · Anthropic 研究/预印本

研究借助 AI 学习陌生编程库时,不同使用方式与知识理解、技能形成的关系。

阅读研究原文

08 · AI 编程到底是否提效

METR,2026 年 2 月 · 后续实验方法更新

比较开发者使用 AI 完成真实任务的效率,并讨论后续实验的设计与任务选择。

阅读研究原文

09 · 领域知识在人机协作中的位置

Anthropic,2026 · 产品会话观察研究

观察 Claude Code 使用中,领域知识、需求表达和结果验证与任务完成情况的关系。

阅读研究原文

10 · Vibe coding 的实践与定义

2025 · 经验研究预印本

讨论通过自然语言与 AI 对话、生成原型并持续迭代的开发实践。

阅读研究原文

11 · 倾听与开放追问

Oral History Association · 口述史最佳实践

介绍口述史采访中的前期准备、开放式提问与倾听方法。

阅读方法说明

12 · 怎样为一次深入对话做准备

Indiana University · 口述史采访准备指南

介绍如何了解受访者背景,并将采访主题转化为具体问题。

阅读方法说明

带着自己的判断开始,
也为不同的经历留下位置。

另一条项目线从人与 AI 的长期协作进入,记录理念怎样成为设计,并准备接受实际使用的检验。继续阅读「连点成线」。