最近和朋友聊天，又聊到读书相关的话题，其实过去的一两年涉及这个话题的时候相当多，但以前大多时候我对读书还是不屑一顾的，毕竟看书哪有让 AI 给我总结一下来得快呢。但我最近开始怀疑这件以前几乎不会怀疑的事：获取信息的效率越高，是否真的意味着学习得越好？
最初产生这种怀疑，是因为我发现自己渐渐地在思辨、发散的时候有些力不从心了。犹记得初中和挚友讨论社会现象或是哲学理论的时候，可以滔滔不绝讲出一条很长的逻辑链路，猛然发觉这是现在我所不具备的能力。当然肯定有疏于练习（高中以来这样的讨论就比较少了）的缘故，但 AI 的普及肯定也脱不了干系。
看书很慢。作者可能花几十页才能解释一个其实几句话就能概括的观点，中间夹杂背景、案例、旁支和重复的论述。很多时候，我甚至会觉得他写得太绕，但奇怪的是，在这种低效的阅读里，我反而很容易产生自己的想法。作者讲到一半，我会开始猜他接下来要说什么；看到一个例子，我会觉得它好像并不能完全支持前面的结论；有时一句并不重要的话会让我想到另一个领域，思绪从书里暂时跑出去，绕一圈以后又带着新的问题回来。
可当我阅读 AI 的回答时，这种情况很少发生。
AI 的答案通常更加清晰，也更加密集。定义、原因、例子和结论被整理成几个层级分明的要点，每一句话似乎都有用。我只需要顺着它继续读下去，就会觉得一切都很自然。它几乎不给我卡住的机会，也很少让我感到某两句话之间存在明显的断裂。
直到我需要真正使用这些知识。
好比在考试里，题目只会把起点交给我，不会把结论同时摆在旁边。我明明记得自己看过这个概念，也记得 AI 当时解释得非常清楚，看到标准答案以后甚至仍然会觉得：“对，就是这样。”但在答案出现以前，我却不知道第一步应该往哪里走。我想这点平时用 AI 自学的大学生们想必都会有所体悟。
我后来才意识到，自己拥有的可能不是理解，而是对一个已经完成的解释的熟悉感。
为什么 AIGC 看上去这么合理？
AI 真正替我跳过的，往往不是那些无关紧要的背景，而恰恰是我原本无法独立完成的那一步。
它把前提和结论同时放在我面前，再用“因此”“这意味着”“从而”把两者连接起来。我读的时候能够检查这条路径是否大致合理，却不需要亲自寻找这条路径。前后两句话被放在一起以后，逻辑似乎天然存在，我也就很容易误以为自己已经掌握了中间的推导。
但连接词本身不是逻辑。
“消费者无法判断产品质量，因此低质量产品会挤兑高质量产品”，听起来顺理成章。可一旦把结论遮住，中间其实还横着许多台阶：消费者为什么会因此压低愿意支付的价格，高质量生产者为什么无法承担成本，他们为什么会退出，退出以后市场的平均质量又如何进一步下降。真正能够迁移到其他问题里的，并不是最后那句结论，而是从一个条件导出另一个条件的过程。
这也是为什么看懂答案和生成答案是两种完全不同的能力。阅读一个完整解释时，我主要做的是识别：这段话是否听起来合理？而在考试、写作和现实问题中，我必须生成：目前的信息意味着什么？下一步需要寻找哪个条件？我凭什么认为这条路能够通向结论？
前一种能力很容易产生理解的快感，而后一种能力才真正决定我能否独立解决问题。AI 经常把几步推导压缩成一句自然流畅的话，就好像在认知的断裂处迅速修好了一座桥，我顺利走过去了，却没有意识到那座桥并不是我会造的。
思想被整理成了要点
AI 的默认表达方式也在放大这种错觉。
它特别喜欢列出若干原因、几个影响、三种可能性和四点建议。这种结构当然很方便阅读，但它也在悄悄改变我们理解问题的方式。
要点之间通常是横向排列的。它们告诉我“有哪些重要内容”，却不一定说明其中哪一个是前提，哪一个是后果，哪一个只是例子，哪一个必须通过另一个中间变量才能成立。因果链被拆成了几个视觉上平等的知识单元，原本应该纵向检验的论证，也变成了横向浏览的信息。
当一个公司失败时，AI 可以告诉我市场定位不清、资金管理不善、团队执行力不足、竞争压力加剧。每一点似乎都没有错，但它们并没有真正解释这家公司为什么失败。更有意义的思路应该继续向下追问：定位不清如何提高获客成本？获客成本如何恶化现金流？现金流压力又如何迫使团队收缩？团队收缩是否进一步削弱了产品竞争力？
只有当这些节点被连接起来，它们才从一组正确的词语变成一个能够解释、预测和迁移的模型。
AI 的回答却很容易让思想逐渐“要点化”。面对一个复杂问题时，我不再本能地试图建立一条因果链，而是想从几个角度列出几项内容。答案变得越来越完整，思考却可能越来越碎片化。这里不禁让我回想起高一时语文老师带我们进行的议论文的训练，才明白这种不断纵向深入的过程有多大的价值。
书的低效，留下了思考的空隙
我过去一直把书的低效率视为一种缺陷。现在我开始觉得，其中有一部分低效可能并不是一种浪费。
一本书的信息密度通常没有 AI 回答那么高。作者还在讲故事、展开例子或者重复解释时，我的大脑并不需要持续接收新的结论，于是会出现一些空闲的认知带宽。在这些空隙里，我会怀疑、预测、联想和反驳。
作者还没有抵达结论，我就有机会先形成一个自己的答案。即使最后是错的，这个错误也让我明确看见自己和作者的分歧究竟在哪里。一本书是固定的，它不会因为我产生异议，就立刻修改措辞来迎合我。我需要把它当成一个相对稳定的思想对象，持续判断到底是作者的论证有问题，还是我的反驳不成立。
AI 则倾向于立刻闭合问题。
我刚刚产生一点困惑，它便迅速提供定义、原因、案例、反方观点和总结。在我的问题还没有来得及形成张力以前，一个语言上完整的答案已经把它包裹起来。我的思想还没有真正启动，问题却似乎已经结束了。
它甚至会主动处理潜在的反驳，用“你说得对”之类的措辞，把观点修整得平衡而圆滑。这些话不一定错误，却像墙头草一样很难被完全认同或是反驳。论证的不充分被语言的连贯性遮住，具体的裂缝被高度抽象的表达抹平。他的回答可能在所有立场的人看来都是天衣无缝，但这不正相当于没有立场吗？思维的多样性，本身就构建在不同的立场和角度之上。
所以，AI 不只是压缩了获得答案所需的时间。它也压缩了知识之间那些原本可能生长出怀疑、联想和个人判断的空隙。
一本书的低效，让我的思想有机会在作者抵达结论以前追上他，甚至暂时超过他。AI 的高效，却常常让我只能跟在一个已经完成的答案后面。
Vibe Coding：从意图直接坠入产物
这种感觉并不只存在于阅读里。
Vibe coding 可能是同一种认知现象最强烈的版本。
它太沉浸了。一个想法刚刚出现，我就可以要求 AI 把它实现出来。加一个登录页面，接入数据库，做一个动画，生成 dashboard，再添加语音、多模态或者 agent。过去需要查文档、搭结构、排查错误，几天以后才能看见的结果，现在可能只需要几轮对话。
人突然获得了近乎无限的实现带宽。
这种体验非常容易上瘾，因为每一个念头都能迅速变成一个可以点击、可以展示、甚至真的可以使用的东西。想法、描述、生成、运行和修改组成了一个极快的正反馈循环。屏幕上的产物不断增长，我也会自然地感到自己的能力正在迅速扩张。
原来这些东西我都会做了。
但这里同样发生了一次偷换。我得到的或许并不是这些能力本身，而是一条随时可以调用这些能力的通道。我确实能够做出过去做不出的东西，但不代表我已经能够理解、重建和控制其中的全部过程。
Vibe coding 像一场梦，并不是因为梦里的产物是假的。代码可能真的可以运行，页面也真的可以使用。它之所以像梦，是因为我在梦里拥有的行动能力，并不一定会在醒来以后变成身体的一部分。
更大的问题在于，功能能够运行，从来不等于这个功能具有价值。
传统开发的高成本虽然令人烦躁，却也会迫使人不断筛选想法。一个功能需要几天时间实现时，我会反复问自己：它真的有必要吗？它解决了什么问题？有没有更简单的方式？我是否愿意为它付出这些成本？
实现的阻力，曾经承担了一部分过滤坏想法的作用。
当实现成本迅速下降，这层过滤也消失了。一个未经验证的想法，同样可以轻易获得精美的页面、完整的功能和流畅的演示。产品看起来越来越像一个产品，任务列表不断被勾掉，代码库持续增长，每一天都有大量可见的进展。
但这些都只能证明，我越来越成功地实现了自己已经决定实现的东西。
它们不能证明，我决定实现的东西本身是对的。
于是 Vibe coding 最危险的地方，可能不是让人做不出东西，恰恰是让人能够源源不断地做出东西。局部任务一次又一次成功，整体任务似乎也在不断接近成功。直到最后，一个项目功能齐全、运行稳定、界面漂亮，却没有人真正需要它。
AI 可以非常高效地把一个未经检验的想法，包装成一个看起来已经得到验证的产品。
封闭的问题与开放的问题
我倾向于把任务分成两类。
一类任务的目标和完成标准相对明确。修复一个报错，让接口返回正确的数据，按照规格生成页面，让测试通过。我们大致知道什么算完成，也能迅速判断结果是对还是错。
AI 在这类任务上非常强。目标一旦被清楚地定义，它可以比大多数人更快地寻找路径、执行步骤和修改错误。
另一类任务却没有现成的完成标准。一个产品到底应该解决什么问题，一篇文章真正想表达什么，一个设计应该优先满足谁，一个用户说自己想要的东西是否真的是他需要的。这里最困难的部分，不是找到答案，而是决定究竟应该回答什么问题。
这类任务无法被简单求解，因为“什么算正确”本身就是任务的一部分。
当然，开放性和封闭性并不是截然分开的。任何开放问题都可以被逐渐拆成一些相对封闭的子问题，而 AI 也可以参与发散、类比和讨论。真正关键的是：谁在决定该如何拆分？谁在选择哪些变量值得被保留？谁在定义评价标准？谁在承担错误判断进入现实以后造成的后果？
AI 最强的地方，是解决已经被成功封闭的问题。它最具有迷惑性的地方，则是让人误以为一个尚未被定义清楚的问题也已经被封闭了。
在 Vibe coding 中，“实现功能”只是产品链条的一部分。理解用户、判断需求、提出假设、进入现实、接受反馈、修改方向，这些过程更加开放，也更加难以量化。但因为 AI 在实现环节表现得过于优秀，最可见的部分增长得太快，其他部分的停滞便很容易被忽略。
我可以一天增加十个功能，却可能一个月都没有更接近“为什么有人需要它”的答案。
当执行不再稀缺，执行本身就不能再作为方向正确的证据。
顺着这个思路继续走，很容易产生一个更加极端的问题：既然 AI 在大量封闭性任务上注定比人更快，那么这些东西是否还有学习的价值？
我确实不再认为，人需要像过去一样，把大量时间花在记忆每个 API、手写所有样板代码或者重复执行规则明确的操作上。作为纯粹的最终执行能力，这些技能的价值会不断下降。
但这不代表它们已经完全没有必要。
人学习一项具体技能，未必只是为了以后亲手完成每一步。很多时候，我们是在具体操作中建立一个领域的内部模型。只有理解过系统如何运作，见过常见的失败方式，知道不同选择会带来什么后果，我们才可能判断 AI 的结果是否可信，也才能把一个开放而混乱的问题逐渐拆成适合 AI 处理的任务。
更重要的是，所谓封闭性任务内部，也仍然存在开放性的部分。
写出一段代码可能是封闭的，但决定系统边界如何划分、什么抽象值得保留、哪个技术债可以接受，仍然需要判断。得出一道题的答案可能是封闭的，但发现不同题目背后共享的结构，把一次推导化用到另一个陌生情境中，仍然需要抽象和迁移。
LLM 当然能够总结规律、生成类比，甚至提出非常精彩的跨领域联系。真正的差异并不是它完全做不到这些，而是它无法替人保证：这个规律是否抓住了现实中真正重要的东西，这个类比在当前环境中是否成立，哪些被忽略的细节会在落地以后变成致命问题。
它可以提出模式，人仍然必须决定是否信任这个模式。
人的价值也许不再主要体现在比 AI 更快地完成一个已经定义好的任务，而在于面对一个没有明确答案的现实，找到真正重要的变量，建立暂时可用的模型，再把它逐步转化为可以执行和检验的问题。
未来更有价值的能力，可能不是解决封闭问题，而是正确地封闭一个问题。
不同场景的相似性
读 AI 回答时，它替我从前提抵达结论。Vibe coding 时，它替我从意图抵达产物。在学习中，它用流畅的解释遮住了我无法独立生成答案的事实。在编程中，它用可运行的功能遮住了我没有真正掌握系统的事实。在创业和创造中，它又可能用产品的完成度遮住价值判断仍然缺席的事实。
这些看似不同的体验，最后都指向了同一种变化：
AI 正在极大地压缩从意图到结果之间的距离。
这段距离里当然有大量低价值的重复劳动。查找语法、整理格式、生成样板代码、机械地搬运信息，这些部分越便宜越好。但同一段距离里，也存在学习、推导、怀疑、选择、建模和形成判断的过程。
我们很容易把它们一起压缩掉。
结果变得越来越便宜，于是结果形成以前的认知过程也越来越容易被忽略。我们得到答案，却没有学会如何抵达答案；拥有产物，却没有建立判断产物价值的能力；能够调用越来越多外部能力，却把这种可调用性误认为了自身的掌握。
我并不认为解决方式是拒绝 AI，也不想重新浪漫化一切低效率。AI 所提供的带宽是真实的，它能让我触及过去难以完成的任务，也能把人的能力边界推到更远的地方。
但这就好比外骨骼的价值，应该是让我搬起过去搬不动的东西，而不是让我从此连最轻的东西也不再亲手触碰。
也许我真正需要保留的，不是所有旧式的困难，而是那些能够让我看见自身断点的困难。不是为了证明自己可以脱离 AI，而是为了知道什么时候我正在借助它思考，什么时候它已经替我完成了思考。
当答案和实现都变得唾手可得，真正稀缺的便不再是能够做出什么，而是为什么要做、应该选择什么，以及如何知道自己的选择值得。
流畅不是理解；能用，也不是价值。
那就先从看书开始吧。