# 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。他们问我，孩子们到底需要学会什么，才能适应未来？

我的回答在过去几年几乎没有变过。孩子们应该学打字，最好有一把真正愿意长期使用的机械键盘；也应该学编程，至少能解决基本算法和日常脚本问题。

这个回答听起来过于简单。孩子当然可以学很多东西，也没有必要都变成互联网公司的程序员。可我一直认为，打字和编程这两件事很容易被低估，也很容易被扭曲。它们超出了某个职业技能的范围，会变成未来很基础的通用素质。AI 发展得越快，我对这件事反而越确信。

## 打字是目前最方便的脑机接口

很多人低估打字，是因为它看起来太基础。会不会打字，好像只是输入快一点或慢一点的差别。但在数字世界里，输入速度和输入手感会直接影响一个人能不能持续表达想法。

今天我们和 AI 交流，最主要的方式仍然是文字。语音输入会越来越好，图像和视频也会成为重要入口。可一旦进入反复推理，修改，追问和组织复杂任务的状态，键盘仍然是最稳定的工具。它不像语音那样依赖环境，也不像触屏那样容易打断思路。一个人能不能顺畅打字，决定了他能不能把脑子里的东西低摩擦地放进数字系统。

这就是我说打字是脑机接口的原因。它无法直接读取大脑，却是今天最现实，最便宜，也最普遍的脑机接口。一个孩子如果能非常自然地把想法写出来，能快速修改，也能在长时间输入中保持节奏，他和数字世界之间的距离就会明显缩短。

机械键盘本身只是一个提醒：输入从来不只是敲几个字，它是一种长期使用的身体能力。就像一个人愿意选一支顺手的笔，愿意调整自己的桌面和坐姿，愿意把写作环境变得舒服，打字也值得被认真对待。未来一个人与 AI 的协作，很大程度上会发生在这种连续输入和连续反馈之间。

## 编程是工程化素养的入口

另一个容易被误解的建议是学编程。很多人一听到编程，就会想到要不要去做程序员，要不要刷题，要不要进入互联网公司。这些都不是我真正想说的。

我说的编程，是让孩子掌握基本算法和日常脚本能力。一个孩子不一定要写大型系统，但他应该知道变量是什么，循环是什么，条件判断是什么。遇到重复任务时，他应该知道可以让机器替自己做。面对一个模糊问题时，他应该能把它拆成步骤，说明输入和输出，再一点点排查失败原因。

这些能力表面上属于编程，底层其实是工程化素养。工程化素养关心的是系统怎样运行，怎样维护，怎样复用，怎样在出错以后恢复。一个人有过基本编程经验，就更容易理解为什么数据要有结构，为什么权限要有边界，为什么日志和测试很重要，为什么一个看起来能跑的东西还不能直接进入长期使用。

AI 让编码门槛下降以后，这种素养会更重要。过去很多人被语法和工具挡在门外，现在 AI 可以帮他们跨过去。跨过编码门槛之后，真正的问题马上出现：这个脚本能不能明天继续跑，数据换了以后会不会错，结果错了谁能发现，工作流应该在哪里停下来让人确认。没有工程化意识的人，会很容易把 AI 生成的东西当成最终答案。有工程化意识的人，会把它当成一个需要被验证和维护的系统部件。

## AI 让这两个技能更重要了

过去我建议孩子学打字和编程，主要是因为数字化已经成为基本环境。AI 出现以后，这个判断反而被加强了。

流畅的键盘输入，让人更容易和 AI 长时间交流。你可以不断追问，可以把模糊想法一点点说清楚，可以在一段对话里逐步形成结构。输入能力越弱，人越容易停留在简单提问和简单回答里。输入能力越强，人越可能把 AI 当成一个可以持续协作的系统。

基本的编程经验，则让人更容易管理复杂 AI 工作流。一个人如果理解脚本，接口，状态和错误处理，他就更容易设计 AI 能做什么，不能做什么，也更容易判断它什么时候应该停下来。未来很多 AI 系统表面上看起来不需要写代码，但背后仍然是工程问题。流程如何触发，数据如何传递，权限如何收住，结果如何验收，这些都不是提示词能单独解决的。

所以我并不认为打字和编程是旧时代技能。相反，它们会成为 AI 时代更基础的能力。一个孩子长大以后，如果能流畅地与 AI 交流，也能轻松设计和管理复杂的 AI 系统，他会比只会使用某个应用的人拥有更大的主动性。

## 未来的人要成为 AI Workflow Owner

把打字和编程放在一起看，会出现一个更准确的角色：AI Workflow Owner。这个词听起来像一个岗位，其实我更愿意把它看成一种能力结构。未来真正有主动性的人，不能只是打开一个 AI 工具，然后让它生成一份材料。他要能把一个真实问题接到一条可运行的工作流里，并且对这条工作流的结果负责。

工具熟练度当然重要，但只停在工具层，价值很快就会耗尽。AI Workflow Owner 的核心能力是闭环设计。他首先要说清楚业务问题到底是什么，再找到当前流程的断点。然后才轮到 AI：它应该关闭哪个回路，结果怎样证明为真，最后这条流程怎样交给别人复用，不能只让自己爽一次。

如果拆开看，这个角色大概有五层能力。第一层是表达带宽。从打字到写作，从记录到提问，再到复盘，都是表达带宽的一部分。它决定了一个人能不能把脑子里的问题稳定送进系统，也决定了他能不能把系统的结果带回人能理解的语言里。没有表达带宽，AI 很快就会退化成一个问答玩具。

第二层是结构化能力。一个人要能把目标和约束讲清楚，把输入和输出摆出来，也要能说明边界条件。很多 AI 使用失败，常见原因是边界没有被定义清楚。模型可以回答，却不知道应该回答什么，什么情况下应该停下来，什么结果才算可以接受。

第三层是计算思维。这里不需要把每个人都训练成职业程序员。真正要训练的是一种理解：流程怎样走，状态怎样变；条件如何分叉，循环又在什么地方停止。更重要的是，一个人要知道抽象和测试为什么重要。没有这种经验，AI 生成的 workflow 会看起来很顺，真正跑起来却经不起变化。

第四层是领域判断。Workflow 最后一定会落到具体业务里，落到数据和人的使用行为里。一个不懂业务的人，很难知道哪个回路值得关闭。一个不懂数据的人，很难知道结果是否可靠。一个不懂人如何使用结果的人，很容易设计出看起来先进，但没人愿意长期使用的流程。

第五层才是 AI 工程化能力。一个人要先设计 workflow，再选择模型和连接工具。后面还有权限，验证和日志，这些听起来琐碎，却决定了它能不能进入长期运行。到了这一层，AI 才离开一次对话里的聪明回答，进入系统，变成可以被管理，可以被复用，也可以被审计的能力。

这也解释了为什么把未来能力压缩成“人人学 prompt”会走偏。Prompt 是表层交互，当然有用，但它只能解决一次对话的效率。AI Workflow Owner 要掌握的是从问题到系统的整条链路。相比更会问 AI，他更重要的能力是设计边界：AI 在哪里工作，什么时候自动推进，什么时候把控制权交还给人。

## 成人也应该回到这些基本能力

从这个角度看，对于成人来说，答案其实也差不多。我们不需要把未来能力想得过于神秘。很多时候，基础教育里一直在培养的能力，正是我们在 AI 时代最需要重新重视的东西。

语言类课程训练的是文字组织能力，也就是结构化思考的能力。一个人能不能把事情讲清楚，能不能定义问题，能不能把判断和证据放在合适的位置，会直接影响他使用 AI 的效果。AI 可以帮你润色，也可以帮你扩写，但它很难替你决定真正的问题是什么。

数学和科学课程训练的是理解系统和结构的能力。它们让人知道变量之间有关系，也知道一个结论需要条件。系统会因为边界变化而改变表现，这种意识在 AI 时代尤其重要。模型给出的答案看起来很完整，但一个人必须判断它的假设是什么，推理在哪里断了，结果能不能迁移到真实场景。

艺术类课程训练的是品味。品味听起来不如工程能力硬，但它会影响一个人能不能设计出优美的产品和流程。未来很多东西都可以被 AI 快速生成，真正稀缺的反而是判断什么是好，什么是多余，什么让人愿意长期使用。没有品味的人会生成更多东西，有品味的人会知道哪些东西应该被留下。

这些基础能力并不新。AI 没有让它们过时，只是让它们更容易被放大。一个文字能力强的人，会更好地使用 AI 组织复杂材料。一个系统理解能力强的人，会更好地设计 AI 工作流。一个有品味的人，会更好地判断 AI 产物是否值得进入真实产品。

## 真的还有别的技能吗？

如果继续问，还有没有别的技能？我的回答反而会收得更紧：基本上没有了。

这不代表其他技能不重要。真实世界里的能力当然很多。从行业知识到沟通和管理，从审美经验到专业判断，每一种都可能有价值。我的意思是，不必把 AI 时代包装成一套全新的能力清单。AI Workflow Owner 也不神秘，它就是这些基本能力在真实问题里的组合。AI 是一个强大而充满想象力的工具，它的能力最终会体现驾驭者的基本素养。

如果一个人表达混乱，AI 会放大他的混乱。如果一个人目标模糊，AI 会帮他更快地产生看似完整但没有方向的材料。如果一个人没有系统意识，AI 会让他搭出更多难以维护的流程。如果一个人缺少品味，AI 会让他更容易生成大量平庸的东西。

反过来，一个人如果问题意识清楚，文字表达稳定，理解系统结构，也愿意不断尝试和复盘，AI 会让他的能力明显放大。他不一定掌握最新工具，也不一定追逐每一个新模型，但他会知道怎样把 AI 放进自己的学习，工作和创造里。

## 对抗 AI 焦虑的唯一办法

所以，对于未来的 AI 人才，我最终的建议非常朴素。

孩子应该认真学打字，也应该认真学一点编程。成人应该重新重视文字，数学，科学和艺术这些基础能力。所有人都应该找到更多机会，大量使用 AI，在真实问题里积累经验。不要只看别人展示了什么，也不要只追逐新的工具名词。更重要的是，把 AI 放到自己和团队最关键的问题里，看它到底能不能改变结果。

AI 焦虑很难靠阅读更多趋势文章来解决。有效的办法，是理性而务实地使用它。你要不断尝试，也要不断追问：这个问题重要吗？这个结果可靠吗？这个流程能重复吗？这个经验能不能沉淀下来？这些问题如果能被持续回答，一个人就会慢慢从 AI 使用者变成 AI Workflow Owner。

未来并不一定属于最会喊口号的人，也不一定属于最早尝鲜的人。更可能属于那些基本功足够扎实，又愿意长期使用 AI 去解决真实问题的人。他们能把想法输入数字世界，也能把数字系统带回现实世界。这样的人，才是真正有可能在 AI 时代持续变强的人。