过去两年，几乎每一家AI公司都在讲同一个故事：

把重复劳动交给AI，人类就能腾出时间，去做更有创造力的事。

这套说法听起来无懈可击。让AI整理资料、处理表格、写会议纪要，人去思考战略、产品和创意，像是一次完美的社会分工。

但它偷偷藏了一个前提：重复劳动和创造性工作，是可以一刀切开的两件事。

历史给出的答案，没这么干脆。

很多真正重要的创造，并不是发生在重复工作结束之后，恰恰发生在重复、失败和走神的缝隙里。你先和一个问题纠缠很久，反复计算、观察、修改，某个普通瞬间才突然把散落的东西接了起来。

如果AI替我们拿走了所有笨功夫，它释放的可能不只有时间。

它也可能拿走灵感赖以发生的现场。

苹果不是答案，只是最后一根火柴

牛顿和苹果的故事，大概是人类历史上最成功的“创新神话”。

一个苹果从树上掉下来，砸中牛顿。牛顿灵光一现，发现万有引力。

真实版本没有这么省事。

牛顿的朋友威廉·斯蒂克利在回忆录中记录，1726年，两人在苹果树下喝茶。牛顿回忆，当年自己正处于沉思状态，看见苹果落下，于是想到：苹果为什么总是垂直落向地面，而不是向上或向旁边？随后，他才“逐步”把这种力量推向地球、月亮和其他天体。[1]

图1｜苹果没有给出答案，它只是点燃了牛顿长期思考积累的材料。

苹果没有砸中牛顿，也没有直接掉出一条定律。

它更像一根火柴，落进了一个已经堆满材料的仓库。

数学家庞加莱的经历更典型。

他曾连续研究一类函数，做了大量计算，屡屡失败。后来他暂时放下工作，外出旅行。就在登上一辆公共马车的瞬间，一个关键联系突然闯进脑子：他研究的变换，与非欧几何中的变换是同一种东西。

这个念头来得很快，甚至没有经过当场推导。旅行结束后，庞加莱回到书桌前，又花时间把它完整验证。

他后来把创造过程拆成几段：先是有意识的艰苦准备，然后是看似无所事事的潜伏，接着才是突然照亮，最后还要回到严谨验证。[2]

费马大定理的证明也是如此。

安德鲁·怀尔斯秘密工作了七年，1993年宣布证明成功，几个月后却被发现存在漏洞。他又算了一年，和学生理查德·泰勒反复寻找出路，直到1994年9月才把缺口补上。[3]

人们记住的是最后那个瞬间，数学家真正经历的却是数以千计的无效计算、失败路径和重来。

灵光一现从来不是从天上掉下来的奖品。它是笨功夫积累到一定程度后，大脑给出的延迟回报。

创造力的原料，藏在那些“不高级”的工作里

我们今天很喜欢把工作分成两类：低价值的交给机器，高价值的留给人。

问题是，人脑并不按照咨询报告里的表格工作。

一个记者在整理几十份财报时，可能发现两组数字对不上；一个产品经理在逐条看差评时，可能突然意识到用户抱怨的根本不是功能；一个医生在重复看片时，才慢慢建立起对异常的直觉。

这些工作单看都不高级，甚至很枯燥。但它们在大脑里留下了大量细小的模式。

所谓直觉，很多时候只是熟练到无法逐句解释的经验。

青霉素的发现就是这样。

1928年，弗莱明度假归来，发现一个培养葡萄球菌的培养皿被霉菌污染，霉菌周围的细菌没有生长。污染是偶然，发现却不是。一个没有长期观察细菌的人，看见的只是一只应该扔掉的脏盘子。

更容易被忽略的是，弗莱明并没有因此立刻做出药物。将近十年后，弗洛里、钱恩和一支团队才重新捡起这项研究。他们用奶桶、食品罐甚至浴缸培养霉菌，又在美国寻找高产菌株，最终才把实验室里的偶然变成可以救人的工业产品。[4]

图2｜污染是偶然，发现取决于长期观察；药物更来自后续十年的工程化。

历史喜欢讲“尤里卡”（Eureka，希腊语感叹词，意为“我找到了”或“我发现了”），产业真正依靠的却是尤里卡之后漫长、重复、并不漂亮的工程。

爱因斯坦后来向数学家阿达马描述自己的思考方式时也说，最先出现的往往不是完整语言，而是图像、符号和带有动作感的元素。他会让这些东西反复组合，语言反而是后面的事。[5]

创造不是凭空生成，更像重组。

你见过什么，做过什么，在哪些地方失败过，决定了脑子里究竟有什么东西可以重新连接。

如果资料永远由AI摘要，第一稿永远由AI生成，数据永远由AI清洗，人的确会轻松很多。但久而久之，我们接触到的只剩机器处理后的成品，不再是粗糙、矛盾、带噪声的原材料。

效率提高了，感觉却可能变钝。

《创新者》写的恰好不是天才

沃尔特·艾萨克森在《创新者》里追问过一个问题：计算机和互联网究竟是谁发明的？

最后他发现，这个问题很难用一个人的名字回答。

数字革命不是某位天才在车库里突然想出来的。早期计算机、晶体管、芯片、软件和互联网，都来自一代人接一代人的改进。有人提出概念，有人焊接电路，有人写程序，有人把昂贵的原型做成普通人能用的产品。

书里提到哈佛Mark I计算机时，格蕾丝·霍珀的叙述更强调霍华德·艾肯，IBM的版本则强调那些没有被记住名字的工程师：计数器、读卡器等大量增量改进，共同组成了最后那台机器。[6]

图3｜《创新者》反复提醒：数字革命来自多人、多轮、增量协作。

这不是在否认天才，而是在还原创新的真实结构。

一个开拓性事件，通常同时需要少数人的异想天开和多数人的笨功夫。前者负责改变方向，后者负责让新方向变成现实。两者之间不是替代关系。

AI最诱人的地方，是它似乎可以同时扮演这两种人：既给点子，又做执行。

但这里也出现了新的问题。

2024年，《科学进展》发表了一项生成式AI与写作的实验。获得AI点子帮助的人，写出的故事平均更有创意、完成度更高，对原本创造力较弱的人帮助尤其明显；可把所有作品放在一起看，AI辅助的故事彼此更相似。[7]

AI抬高了个人的下限，也压缩了群体的差异。

这很像今天的内容平台：每个人都写得比以前顺了，标题、结构、金句一个不少；读完十篇，却像只读了一篇。

当所有人都向同一个模型索要“第一个想法”，我们省掉了空白页，也可能一起走向那个最容易被预测的答案。

最危险的不是不会写，而是不会想

这并不意味着人应该拒绝AI，重新把时间浪费在复制粘贴和机械排版上。

计算器没有毁掉数学，搜索引擎也没有毁掉知识。工具真正改变的，是人必须保留哪一层能力。

AI可以替我们搬砖，但人不能因此忘记墙为什么要建在这里。

这种担心已经不只是哲学讨论。2025年，微软研究院等机构调查了319名知识工作者，收集了936个真实的AI使用案例。结果显示：人越相信AI，在任务中投入的批判性思考（Critical thinking，一种合理且反思性的思考方式）；越相信自己的专业判断，批判性思考反而越多。AI没有让思考消失，却把思考从“亲手生成”推向了“核验、整合和看管”。问题是，如果人只看见一份流畅的成品，核验很容易退化成点头。[8]

更直接的信号来自写作和编程。麻省理工学院媒体实验室一项54人脑电写作实验发现，连续使用大模型写作的参与者，脑网络连接最弱，对文章内容的回忆和“这是我的作品”的感受也更低；不过这项研究仍是小样本预印本，不能据此断言AI会让人永久变笨。[9] METR对16名资深开源开发者、246项真实任务做随机试验时还发现，使用2025年初的AI工具后，开发者完成任务反而慢了19%。更有意思的是，他们事前预计AI会让自己更快。[10] METR在2026年的追踪中判断，新一代工具很可能已经带来加速，但由于参与者和任务存在明显的选择偏差，仍无法可靠估计幅度。[11] AI最先削弱的，可能不是能力本身，而是人对自己是否还在思考的判断。

对个人来说，至少有三件事不该轻易外包。

第一，问题从哪里来。

不要一上来就问AI“我该写什么”“我该研究什么”。先去客户现场，先读原始材料，先自己感到哪里不对劲。一个好问题，往往来自别人嫌麻烦而略过的细节。

第二，第一轮判断从哪里来。

可以让AI扩写、反驳和补资料，但最好先留下一个未经模型加工的粗糙版本。哪怕只有几句话，也要知道自己原本怎么看。否则人与AI的合作，很容易变成人替AI润色。

第三，结果由谁负责。

自己做过底层工作，才知道AI错在哪里。一个从未写过代码的人，很难判断代码只是能运行，还是经得起上线；一个从未啃过财报的人，也很难识别一份漂亮分析里藏着的口径错误。

那么，什么可以交给AI？

判断标准不是“有没有创造性”，也不是“重复不重复”，而是三件事：验收标准是否清楚，过程是否可以追溯，出错以后是否能够回滚。资料转写、格式整理、已知规则下的数据清洗、代码样板和测试用例、同一主题的多版文案与设计草图，都适合交给AI。战略取舍、事实口径、品牌审美、系统架构和最终签字，则不能只因为AI做得快就一起打包出去。

交出去以后，人还要和AI“左右互搏”。动手前，先写下自己的判断和验收标准；生成时，让AI同时给出反对意见、失败条件和证据出处；生成后，人回到原始材料，抽查事实，复算关键数字，跑一遍关键测试；隔一段时间，再安排一次不使用AI的“徒手训练”。写作者要保留独立采访和首稿，程序员要保留代码审查和故障排查，设计师要保留概念选择与最终视觉判断。只有还会验、敢推翻、能接管的人，才真正有资格把工作交给AI。

对公司来说，真正该警惕的也不是员工用了多少AI，而是组织是否还在生产一手经验。

如果年轻人不再做基础分析，不再跟客户磨需求，不再经历失败的第一稿，公司短期会得到一批更快的交付，长期却可能失去培养判断力的路径。

以前，一个新人通过三年笨功夫，慢慢变成一个有直觉的老手。现在，AI可以让新人第一天就交出七十分的答案。

但从七十分走到九十分，需要的仍然是他亲自见过问题，犯过错误，也为结果付过代价。

别让AI拿走创造力的前置劳动

AI到底是在提升创造力，还是在降低创造力？

答案取决于我们把它放在什么位置。

让AI处理已经想清楚的重复执行，它是杠杆；让AI代替我们接触现实、形成问题和做出第一轮判断，它就会逐渐变成拐杖。

真正的创造力从来不只是“想出一个点子”。

它包括对材料的熟悉，对异常的敏感，忍受长时间没有答案，以及在灵光出现后，把它一遍遍做实。

这些部分很慢，也不体面，甚至很难写进绩效表。可历史上的重大定理、科学发现和产业创新，几乎都从这里长出来。

AI当然可以帮我们摘苹果。

但树下那个人能不能想到万有引力，仍然取决于在苹果掉下来之前，他究竟想了多久。

参考资料

[1]William Stukeley, Memoirs of Sir Isaac Newton's Life，牛顿项目（牛津大学）。 

[2]Henri Poincaré, “L'invention mathématique”，1908年。 

[3]牛津大学数学研究所、布里斯托大学关于安德鲁·怀尔斯与费马大定理的资料。

[4]Science Museum Group, “How was penicillin developed?”

[5]Jacques Hadamard, The Mathematician's Mind: The Psychology of Invention in the Mathematical Field。

[6]Walter Isaacson, The Innovators: How a Group of Hackers, Geniuses, and Geeks Created the Digital Revolution。 

[7]Anil R. Doshi and Oliver P. Hauser, “Generative AI enhances individual creativity but reduces the collective diversity of novel content,” Science Advances, 2024.

[8]Hao-Ping Lee等，“The Impact of Generative AI on Critical Thinking”，CHI 2025。

[9]Nataliya Kosmyna等，“Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task”，2025年预印本。 

[10]Joel Becker等，“Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”，METR，2025。 

[11]Joel Becker等，“We are Changing our Developer Productivity Experiment Design”，METR，2026。