# 未来的 AI 人才应该学会哪些技能？

这个问题最早来自几年前我和小学老师的一次交流。他们问我：孩子们到底需要学会什么，才能适应未来？

我的回答这几年几乎没有变过：学打字，学编程。

这里的打字不是随便会敲几个字，而是要能盲打，最好有一个趁手的机械键盘，孩子拿起它就像侠客握住自己用惯的剑。这里说的编程也不是参加一个名字很酷的 AI 培训班，或者在机器人课上拼出一个能拍照打卡的小车，而是能理解基本算法，能写一点日常脚本，知道程序为什么会这样运行。

这听起来非常简化，甚至有点老派。孩子们当然可以学很多东西，也不一定都要成为互联网公司的程序员。但我仍然认为，打字和编程是最容易被低估的两件事。它们不是某个行业的职业技能，而是未来人在数字世界里行动的基本能力。

AI 的发展反而加强了我的这个判断。

流畅的键盘输入，可能是现在最方便的“脑机接口”。它便宜，稳定，随时可用，而且能让一个人把脑子里的想法快速变成数字世界里的文本。以后语音输入当然会变得更好，但语音天然受到时序限制。你必须一句一句说出来，很难像写字一样随时插入、移动、重组和回看。键盘输入不只是速度问题，它更像一种结构化表达能力。

一个人如果连自己的想法都很难流畅输入给 AI，就很难深入使用 AI。他可能会问几个问题，也可能会得到一些答案，但每次交流都卡在从思维到文本的转换上。等到问题稍微复杂一点，他就会退回到最省力的方式：问一句，等一句，看起来用了 AI，实际上只是把 AI 当成搜索框。

编程的意义也不只是写代码。AI 一直在让写代码这件事变得更容易，也会让很多原来需要手工处理的编码细节变得不重要。但越是这样，编程背后的能力越重要。编程训练人的，是把模糊问题变成可执行过程的能力：先定义输入和输出，再处理状态、条件、重复和验证。

这些东西不是 prompt 技巧能替代的。Prompt 是表层交互，编程经验会让人理解系统如何工作。一个会写脚本的人，哪怕不写复杂工程，也更容易判断一段工作流为什么断了，哪里可以自动化，哪里必须保留人工判断。前几篇里我一直在讲“工程化创作者”，这个素质很大一部分就来自这里。

所以我对很多所谓 AI 或机器人培训都持抵触态度。不是说所有课程都没有价值，而是如果它绕开了键盘、代码、问题拆解和结果验证，只剩下一个可以展示的成果，那它和前面说的“产出物幻觉”没有区别。孩子很开心，家长也觉得买到了未来，所有人的 attention 都被那个看得见的“成果”占据了，真正留下来的业务建模能力可能极少。

对成人来说，答案也没有本质区别。

很多人一谈 AI 时代的学习，就会立刻去找“最好的教程”。但 AI 本身也是一个基础技能，它不一定存在一个固定的培训套路。AI 能力越强，越会放大使用者原本的基本素养。除了打字和编程，学生时代那些看起来朴素的训练，反而更值得重新理解。

语言类课程让人更会组织文字，也就是更会组织思考。我们每个人都曾经花了很多年训练这件事，打字只是把这种能力接到数字世界里。数学和科学课程训练人看变量、证据和验证方式，编程则把这种训练变成数字世界里的可执行过程。艺术类课程看起来离 AI 更远，但它决定一个人能不能分辨：一个产品、流程或表达只是完成了，还是足够优雅和美好。

这些听起来都不像“AI 技能”，但它们才是 AI 技能的底层。AI 不会让一个没有判断力的人突然变得有判断力，它只是让这个人更快地产生东西。没有表达和结构化能力，AI 只是帮人更快生成文本；没有计算思维和审美判断，产出物会越来越多，价值未必跟着增长。

那除了这些，还有没有别的技能？

其实真的就没有了！

如果一定要再补一条，那就是大量使用的经验非常重要。这里的“大量使用”不是每天收藏二十个提示词，也不是追着每个新产品注册账号。大量使用 AI 的意思，是把 AI 放进自己的日常问题里；用一次，看结果，再改流程。次数多了，你才会对它的能力边界有手感。

你要用 AI 解决自己真的关心的小事。整理材料，改脚本，分析账单，规划一次旅行，或者把一次会议复盘成固定流程。开始的时候不需要宏大，甚至越小越好。小问题有一个好处：结果很快能看见，错了也能承受。你会慢慢形成一种手感：AI 在哪里可靠，在哪里会胡说；什么时候补上下文就够，什么时候必须单独设计验证。等到产出物多到不再让你兴奋，你也就不容易继续沉迷于“产出物幻觉”。

看再多教程，听再多汇报，也替代不了你在一个具体问题里被 AI 帮到、被 AI 误导、再把流程改好的过程。AI 焦虑最好的解法不是继续看别人怎么用 AI，而是赶紧把自己的一个问题拿出来处理。

再往后，一个人会逐渐从“会用 AI”走向“拥有自己的 AI workflow”。

这也是我认为未来 AI 人才更准确的方向。他不只是更会问 AI，而是能逐步成为一个 AI Workflow Owner。这个角色不一定是正式岗位，也不一定只属于程序员。它是从反复解决具体问题里长出来的：你开始不只关心这一次回答漂不漂亮，而是关心这段流程下次还能不能继续用，别人接手会在哪里出错，出了错以后能不能追溯。

到这一步，业务问题、流程断点、AI 介入位置和验证方式就不再是几条建议，而会被你放进同一段工作流里。AI 只进入能够减少摩擦的环节，结果必须经过验证，最后沉淀成别人也能复用的做法。

这和前面说的“工程化创作者”是一体两面。工程化创作者是一种角色素养，AI Workflow Owner 更像一个工作角色。前者强调一个人有能力把想法、业务和系统连接起来，后者强调他要对一段持续运行的流程负责。

所以，未来 AI 人才并不是懂最多工具的人，也不是最会写 prompt 的人。他首先得把问题说清楚，也能把问题拆解清楚；编程训练让他看得懂流程、状态、条件和验证，领域判断让他知道结果对业务和人有没有用。

最后还是回到最简单的建议：先动手。

先从自己的小问题开始，把 AI 用进来，再把一次成功变成一个可以重复的工作流。如果这套工作流只服务自己，它已经能缓解 AI 焦虑；如果它还能被团队吸收，减少重复劳动和误判，它就进入了组织提效的范围。