# 未来的 AI 人才，应该学会什么？

这个问题最早来自一次和学校老师的交流。老师问我，孩子们到底要学什么，才不至于被 AI 时代甩下。

我的答案听起来很土：学打字，最好有一把自己愿意长期使用的机械键盘；学一点编程，至少能写基本脚本，知道变量、循环、条件判断这些东西。

这个答案不够新潮，也不像趋势报告。没有 prompt 神技，没有模型清单，没有“未来十大能力”。但我过去几年越来越相信，AI 越强，这两个基础能力越重要。

原因很简单。AI 把很多复杂能力接到了普通人面前，但人仍然要把问题送进去，也要把结果带回来。输入太慢、表达太乱、没有基本的程序思维，人很容易停留在“问一句，等一句”的浅层使用里。

## 打字是最朴素的输入带宽

很多人觉得打字太基础，不值得专门讲。

在手机上慢慢戳也能发消息，语音输入也越来越好，为什么还要练键盘？这个疑问很合理。

但和 AI 长时间协作时，键盘仍然是最稳定的工具。你要修改一段话，补一个限制条件，追问一个边界情况，把模型刚才的回答拆开重组。语音适合发起，键盘适合打磨。触屏适合轻操作，键盘适合连续思考。

真正影响人的，不只是每分钟多打几个字，而是思路会不会被输入动作打断。

一个孩子如果能自然地把脑子里的想法打出来，能快速删改，能在长时间输入里保持节奏，他和数字世界之间的摩擦就会小很多。未来他和 AI 的关系，不会只停留在“问答”，而更像一段持续的共同写作、共同拆解和共同试错。

机械键盘本身没有那么神秘。它只是一个提醒：输入是一种身体能力。就像有人会仔细选一支笔，调整书桌高度，给自己留一个适合写东西的环境。打字也值得花点力气。

这件事越基础，越容易被忽略。

## 编程是理解机器的入口

我说孩子应该学编程，并不是建议每个人都去当程序员。

更实际的目标是：他要知道机器如何执行一件事。什么是变量，什么是循环，条件分支怎么让流程走向不同路径。遇到重复任务时，他应该自然想到可以写脚本；结果不对时，他知道从输入、过程和输出去查。

这套经验会改变一个人使用 AI 的方式。

没有编程经验的人，容易把 AI 生成的东西当作答案。有一点编程经验的人，会更自然地把它当作一个待检查的部件。他会问：输入是什么，输出是什么，错了怎么发现，明天还能不能跑，换一份数据会不会出问题。

这就是工程意识的入口。

AI 降低了写代码的门槛，但没有取消工程问题。脚本要跑在什么环境里，权限该给到哪里，日志保不保留，失败后怎么恢复，这些问题仍然在。只要一个东西要反复使用，它就从“生成物”变成了“系统的一部分”。

孩子不需要一开始就写大型项目。会用代码处理一个文件夹里的照片，批量改名，抓一份公开数据，或者让一个小程序每天定时提醒自己，已经足够让他理解机器世界的基本脾气。

## AI 让旧技能重新变硬

过去建议孩子学打字和编程，是因为数字化已经成了基本环境。AI 出现以后，这个判断更稳了。

打字能力决定一个人能不能和 AI 进行长时间高密度交流。你能不能把模糊想法慢慢说清楚，能不能在对话中不断修正目标，能不能把模型给出的材料改成自己的东西，都和表达带宽有关。

编程经验决定一个人能不能管理更复杂的 AI 工作流。哪怕未来很多工具都声称不需要写代码，背后仍然有触发条件、状态保存、权限控制、异常处理和结果验收。理解这些东西的人，更容易知道 AI 应该在哪里工作，在哪里停下来等人确认。

所以打字和编程并没有过时。它们更像 AI 时代的两条基本管道：一条连接人的表达，一条连接机器的执行。

只会点应用的人也能受益。但能表达、能拆解、能检查的人，会有更大的主动性。

## 未来更需要 Workflow Owner

如果一定要给未来的人才起一个名字，我会用 AI Workflow Owner。

这个词有点像岗位名，但我更愿意把它理解成一种责任。这个人不只是打开 AI 工具生成材料。他能把一个具体问题接到一条可运行的工作流里，并对结果负责。

他要会表达。说不清问题，AI 只会帮他更快地生产模糊材料。

他要会结构化。目标、限制、输入、输出、边界条件，都要能摆出来。模型可以补内容，不能替人承担目标混乱的后果。

他要有计算思维。流程怎么走，状态怎么变，哪里会分叉，哪里需要停止，哪里要测试。没有这种经验，workflow 看起来会很顺，跑起来经不起变化。

他还要懂领域。一个不懂业务的人，很难判断哪个环节值得自动化。一个不懂用户的人，很容易做出一个看起来聪明、没人愿意长期用的流程。

再往下，才是 AI 工程能力。模型怎么选，工具怎么接，权限怎么放，日志怎么留，结果怎么审计。这些活很琐碎，却决定 AI 能不能离开一次对话，进入长期运行。

Prompt 很重要，但它只是表层交互。未来更稀缺的能力，是设计边界：AI 做哪一段，人在哪一段介入，出了错谁能发现，经验怎么留下来给下一次用。

## 成人也该回到基本功

这个建议不只适合孩子。

成年人面对 AI 焦虑时，很容易去追最新模型、最新工具、最新插件。追一段时间以后会发现，工具名换得很快，底层能力要求变化没那么快。

文字能力仍然重要。一个人能不能把事情讲清楚，能不能区分事实、判断和证据，会直接影响他使用 AI 的质量。AI 可以润色，也可以扩写，但它很难替你决定真正的问题。

数学和科学训练仍然重要。它们让人知道变量之间有关系，结论有条件，系统会因为边界变化而改变表现。模型给出的答案越完整，人越需要检查它的假设。

艺术和审美也重要。未来可生成的东西会越来越多，稀缺的会是判断什么值得留下。没有品味的人会生成更多平庸材料，有品味的人会更早删掉它们。

这些能力都不新。AI 没有把它们淘汰，只是把它们放大了。

## 焦虑只能靠使用慢慢降下来

如果继续问还要学什么，我的答案会收得更紧：先把这些基本功补上，然后大量使用 AI。

不要只看别人展示了什么。展示场景通常太顺，实际工作里会遇到脏数据、坏权限、模糊目标、奇怪用户和无法解释的错误。只有把 AI 放进自己的学习、工作和创造里，人才会慢慢获得手感。

练习可以从很小的地方开始：

1. 每天用键盘写一段清楚的问题描述，再让 AI 帮你挑漏洞。
2. 用脚本处理一个重复任务，哪怕只是批量整理文件。
3. 对 AI 给出的结论追问输入、假设和验证方式。
4. 把一次成功经验写成下次可以复用的步骤。
5. 定期删掉那些看起来漂亮但没有用的产物。

AI 焦虑很难靠阅读趋势文章解决。能缓解焦虑的，是在具体问题里反复使用它，看到它有用，也看到它犯错。

未来未必属于最早尝鲜的人。更可能属于那些基本功扎实，又愿意长期把 AI 放进具体问题里的人。他们能把想法稳定输入数字世界，也能把数字系统带回现实工作。这样的人，才会在 AI 时代持续变强。