如果AI已经无法阻挡，我们还能做些什么?

如果AI确实已无法阻挡，那么继续争论“要不要”已经意义不大。真正关键的是：在技术加速的既定事实下，人类还能守住什么、改变什么、拒绝什么。

可以从三个层面来看：作为个体、作为社会成员、作为人类整体。

作为个体：从“会用AI”转向“知道用AI做什么”

很多人以为学会写提示词、熟练使用工具就够了，但这只是底线。首都师范大学黄竞欧在讲座中讲过一个细节：她问酒店保洁阿姨有没有AI焦虑，阿姨说“我没有，因为我会用AI呀”。她由此意识到，真正难的从来不是“怎么用”，而是“我想用AI做什么”。

这意味着个体的着力点应该放在 AI 无法替你完成的事情上：

守住深度思考的习惯。 微软研究院与卡内基梅隆大学 2025 年的一项调查显示，对 AI 信任度越高的人，投入的批判性思维反而越少；在信息综合和判断环节，自陈“所费心力明显减少”的比例达七成以上。过度依赖的代价是认知能力的缓慢退化，而这种退化在停用工具后仍难以恢复。有意识地保留“自己先想一遍”的环节，不是反技术，是自我保护。

积累 AI 没有的东西：身体经验与历史。 AI 能把战场描述得绘声绘色，但真正从战场归来的人可能说不出话。本雅明所说的“灵韵”——来自陪伴、历史和不可复制的在场感——恰恰是复制品模拟不了的。你的具体经历、你犯过的错、你与某个人之间不可替代的时间，这些是你在 AI 时代的真正底牌。

把 AI 当执行者，而不是决策者。 一个可操作的区分是：让 AI 帮你完成“怎么做”，但“做什么”和“为什么做”留给自己。提示词的本质是一份需求说明书，你越清楚自己要什么，AI 越有用；但如果你连自己要什么都不清楚，AI 只会高效地帮你跑偏。

作为社会成员：把“就业冲击”当作公共议题，而不只是个人焦虑

个体的努力无法对冲结构性的冲击。国际货币基金组织的研究指出，随着入门级岗位被 AI 率先替代，年轻求职者的职业入口正在收窄。基础文案、基础客服、基础编程这些过去青年积累经验的起点，恰恰是最容易被大模型取代的环节。入口一旦收窄，职业阶梯就可能从底部断裂。

这不是靠“多学几个工具”能解决的。需要的是制度层面的回应：技能培训体系是否跟得上岗位替代的速度，转岗支持是否覆盖到中年劳动者，社会保障是否适配人机协同的新工作形态。2026 年 10 月，国务院办公厅已印发相关意见，部署了包括“建立人工智能应用就业风险评估机制”“实施人工智能专项培训计划”“完善灵活就业和新就业形态劳动者社会保障”在内的 18 项任务。这些政策能否落地、落地后效果如何，值得持续关注和推动。

同时，一个容易被忽视的维度是：AI 的红利正在向算力和数据的所有者集中。劳动者既不拥有模型，也不掌握算力，在平台规则面前的议价空间反而可能缩小。如果技术红利的分配问题不被摆上台面，生产率上升的果实未必会流向多数人。

作为人类整体：在“无法阻挡”中保留“可以说不”的底线

“无法阻挡”描述的是技术发展的惯性，但不等于所有应用方向都应当被无条件接受。AI 安全领域的讨论正在从“远期威胁”转向“当下治理”。AI Safety Connect 联合创始人米埃勒指出，人类对 AI 风险的容忍度高得反常：航空、制药等行业可接受的风险比例低至 1% 以下，而面对 AI，人们似乎在逐渐容忍原本不可接受的风险水平。

可以做的事情包括：要求可解释性和可追责性。 当算法参与决策，出了问题谁负责？算法黑箱消解了传统的责任链条，一旦造成损害，因果追溯和过错认定都极为困难。推动“机器犯错有人担责”的制度建设，是普通公民也可以通过舆论和消费选择施加压力的方向。

拒绝“效率至上”的单一叙事。 AI 可以提升效率，但效率不是唯一的价值。哪些领域应当保留人的判断——比如司法裁量、医疗诊断的最终决定、教育中对一个具体孩子的理解——这些边界需要被公开讨论和划定，而不是交给“技术趋势”自动决定。

米埃勒在专访中说了一句话，可以作为这个问题的收束：“人类正获得近乎‘神一般’的力量，却没有同步获得与之相匹配的智慧。” 如果 AI 已无法阻挡，我们能做的，就是让“匹配智慧”这件事不被落下。它不会自动发生，需要有人在个体层面保持清醒，在社会层面推动制度，在文明层面守住底线。