那天晚上，我和一位在互联网大厂做产品经理的朋友聊天，他忽然问了我一个问题：“现在AI这么火，感觉每天都有新模型、新工具出来，但我们这些普通人，既不是搞算法的，也不是做研究的，到底能抓住什么机会？会不会最后又变成少数人的游戏？”

这个问题很真实。它背后是一种普遍的焦虑——面对技术浪潮，普通人如何不被抛下，甚至能借力而上。

正好，最近看到一场港科大和北大教授的对话，主题就是“AI时代普通人的机会”。两位教授没有停留在概念层面，而是从教育、工作流、创业成本和思维模式四个维度，拆解了普通人可以具体发力的方向。这场对话给我最大的启发是：AI时代的机会，不在于去追最前沿的模型，而在于重新理解“人机协作”的底层逻辑，并找到自己能提供独特价值的切口。

如果你也在思考同样的问题，下面这份从对话中提炼出的行动框架，或许能给你一些参考。

1. 重新理解“机会”：从“追赶技术”到“重构工作流”

很多人一提到AI机会，第一反应是去学Python、调参、跑模型。但两位教授都认为，对绝大多数非技术背景的普通人来说，更实际的机会不在于成为AI开发者，而在于成为AI的“策展人”和“流程设计师”。

1.1 为什么“会用”比“会造”更重要

港科大教授举了一个例子：以前会写代码是稀缺能力，但现在很多基础开发工作可以被AI辅助完成。反过来，能清晰定义问题、拆解任务、判断输出质量、把AI工具嵌入现有工作流的能力，变得更重要。

这就像互联网早期，会建网站是稀缺技能；但后来，真正产生巨大价值的是那些用网站做电商、做内容、做服务的人。AI时代也一样——模型本身是基础设施，谁能用好基础设施解决实际问题，谁就抓住了机会。

1.2 你的价值不在重复劳动，而在判断和迭代

北大教授提到，很多人的工作中有大量重复性、模式化的部分，比如写周报、整理数据、收集资料、生成初稿。这些任务AI往往做得又快又好。但AI很难替代的是：

• 对问题的重新定义（比如“这个报告真正要解决什么决策问题？”）
• 对结果的批判性判断（比如“这个分析逻辑是否合理？数据是否可靠？”）
• 在多轮交互中持续优化（比如“如果第一次结果不理想，如何调整提问方式？”）

所以，普通人的第一个机会点很明确：把你工作中重复性高的部分交给AI，把你的时间释放到更需要人类判断和创造力的环节。

1.3 实操建议：从“工作流审计”开始

如果你不知道从哪里入手，可以试试这个方法：

1. 拿出一张纸，列出你每周花时间最多的5项任务。
2. 标记出其中哪些是高度重复、有固定模式的。
3. 针对这些任务，思考：
   • 能否用现有的AI工具（如ChatGPT、Copilot、Midjourney等）试一次？
   • 如果需要人工干预，干预点在哪里？
   • 整个流程可以怎样重新设计？

例如，一位市场运营人员发现，她每周要花半天时间写产品介绍文案。后来她用AI生成初稿，自己只负责调整语气、加入产品独特卖点、检查事实准确性，时间缩短到1小时以内。省下的时间，她用来研究用户反馈和竞品动态，反而做出了更精准的推广策略。

2. 教育的机会：AI不是让你失业，而是让你“重新就业”

两位教授都强调，AI不会让所有人失业，但会重新定义“有用”的技能组合。未来的教育，无论是学校教育还是自我提升，都需要围绕新的能力模型展开。

2.1 从“记忆知识”到“提问和验证”

北大教授指出，传统教育很大程度上是知识传递型的——老师讲，学生记。但当AI能随时提供海量信息时，教育的重点必须转向：

• 如何提出好问题
• 如何交叉验证信息的可靠性
• 如何从信息中提炼洞察
• 如何把知识应用到新场景

这要求我们的学习方式从“被动接收”转向“主动探索”。比如，以前学历史可能要背年代和事件，现在则可以问AI：“比较一下北宋和南宋的对外贸易政策，分析其对科技发展的影响。”然后自己去判断AI给出的分析是否合理、论据是否充分。

2.2 跨领域理解能力变得更重要

港科大教授提到一个有趣的观点：AI擅长在单一领域内做模式识别，但跨领域的连接和类比，仍然是人类的强项。

比如，一位既懂心理学又懂产品设计的人，可以问AI：“把认知负荷理论应用到APP界面设计中，有哪些具体原则？”然后基于AI给出的基础信息，结合自己的跨领域知识做进一步发挥。

这意味着，普通人可以有意培养自己的“T型能力”——一两个领域的深度知识，加上多个领域的广度了解。这种组合在AI辅助下会释放更大价值。

2.3 实操建议：设计你的“AI助学计划”

如果你正在学习某个领域，可以尝试把AI变成你的“学习伙伴”：

1. 概念解释器：遇到复杂概念时，让AI用比喻、例子或图表代码帮你理解。
2. 提问教练：针对一个主题，让AI生成一系列由浅入深的问题，你自己尝试回答。
3. 辩论对手：让AI扮演反对者，对你的观点提出质疑，迫使你完善论证。
4. 项目助手：在学习项目中，用AI辅助调研、生成草案、检查逻辑。

关键是要清楚：AI是工具，不是老师。最终的理解、判断和整合，必须由你自己完成。

3. 低成本创业的机会：AI大幅降低了验证想法的门槛

两位教授都认为，AI最令人兴奋的一点，是让个人和小团队也能快速验证商业想法，而不需要大量资金或技术团队。

3.1 从“建设能力”到“整合价值”

港科大教授说，以前的创业往往需要先搭技术团队、开发产品原型，周期长、成本高。现在，很多基础能力可以通过API调用，创业者的核心任务变成了：

• 发现真实需求
• 设计解决方案
• 整合AI工具链
• 快速验证市场

比如，有人发现小企业需要个性化营销文案但请不起专业写手，就基于GPT API做了一个简单工具，先手动接单、用AI生成初稿、自己稍作调整，验证需求后再逐步自动化。这种“从小做起、快速迭代”的模式，在AI时代变得格外可行。

3.2 关注“AI原生”需求

北大教授提醒，不要只想着用AI优化现有流程，还要思考AI催生的新需求。比如：

• AI生成内容的质量评估服务
• 针对特定行业的Prompt工程指南
• AI工具的使用培训和答疑
• 不同AI输出的整合和优化

这些需求本身是AI发展带来的，而且会随着AI普及持续增长。

3.3 实操建议：用“最小可行产品”思维测试机会

如果你有创业想法，可以按这个路径测试：

1. 手动模拟：不写代码，完全手动操作AI工具，为客户提供一次服务。
2. 收集反馈：重点问客户：“如果没有我的人工干预，纯AI输出你能接受吗？愿意付多少钱？”
3. 判断自动化空间：根据反馈判断哪些环节可以自动化，哪些必须保留人工判断。
4. 逐步工具化：从最简单的脚本开始，逐步完善，而不是一上来就要做完美产品。

这个过程的核心是：先验证价值，再建设能力。AI让你能够更早、更便宜地完成验证。

4. 思维模式的机会：从“执行者”到“架构师”

两位教授最后提到，AI时代最大的机会，可能属于那些能重新设计人机协作方式的人。这需要一种新的思维模式——我称之为“架构师思维”。

4.1 设计而不仅仅是使用

大多数人使用AI的方式是单次问答：问一个问题，得到一个答案。但架构师思维会考虑：

• 如何把复杂任务拆解成AI能处理的子任务？
• 如何设计多轮对话的流程？
• 如何设置检查点和反馈机制？
• 如何把AI输出整合到更大的工作流中？

比如，同样是用AI写报告，普通人可能直接问“写一份关于XX的市场分析报告”；而架构师会先设计框架：

1. 让AI生成报告大纲
2. 针对每个部分收集资料
3. 对资料进行交叉验证
4. 生成初稿
5. 检查逻辑一致性
6. 调整语气和细节

这种思维模式的价值，会随着任务复杂度的增加而指数级增长。

4.2 培养“人机协作”的直觉

北大教授说，好的架构师对工具的特性有直觉理解——知道什么任务适合交给AI，什么任务必须自己完成，以及如何让两者无缝衔接。

这种直觉需要刻意培养。比如：

• 尝试用AI解决同一个问题的不同版本，观察其边界。
• 记录AI在哪些情况下表现出色，哪些情况下容易出错。
• 分析优秀Prompt和普通Prompt的差异，总结规律。

随着时间的推移，你会发展出一种“感觉”，知道面对新任务时如何设计最高效的人机分工方案。

4.3 实操建议：建立你的“AI工作流库”

就像程序员会积累代码库一样，你可以开始积累经过验证的AI工作流：

1. 记录成功案例：当你用AI高效完成一个任务时，详细记录Prompt序列、检查点和调整过程。
2. 抽象可复用模式：从具体案例中提炼通用模式，比如“多步骤分析工作流”、“创意生成-筛选-优化工作流”等。
3. 持续优化：每次使用后思考：“这个流程还能更高效吗？有没有更简单的设计？”

久而久之，你会拥有一套个性化的“人机协作手册”，这是任何人都无法复制的能力资产。

5. 普通人最容易忽略的陷阱：把AI当答案机，而不是思考伙伴

在对话的最后，两位教授都提醒了一个常见误区：过度依赖AI的输出，放弃自己的独立思考。

5.1 AI不会替你承担决策责任

港科大教授说，无论AI多么强大，最终对结果负责的是人。如果你完全接受AI的建议而不再质疑，就相当于把决策权交给了一个你不完全理解的黑箱。

特别是在专业领域，AI可能给出看似合理实则错误的答案。普通人容易因为AI的“自信语气”而放松警惕。

5.2 保持“批判性使用”的习惯

北大教授建议，每次使用AI输出时，都问自己几个问题：

• 这个结果的假设是什么？
• 有没有相反的证据或观点？
• 如果我是对的，AI错在哪里？
• 如果AI是对的，我之前的理解哪里需要修正？

这种习惯不仅能避免错误，还能加深你对领域的理解。

5.3 实操建议：建立你的“AI验证清单”

针对重要任务，可以创建一个简单的验证清单：

• [ ] 交叉验证：用不同提问方式或不同AI工具验证同一问题
• [ ] 事实核查：对AI给出的数据、案例、引用进行快速搜索确认
• [ ] 逻辑检查：审视AI的论证过程是否合理
• [ ] 极端测试：问“如果XX条件变化，结论还成立吗？”
• [ ] 人工直觉：最终结果是否符合你的经验和直觉

这个清单只需要几分钟，但能显著提高AI使用的可靠性。

写在最后：你的独特价值在哪里？

回顾这场对话，我最深的感受是：AI时代的机会，本质上不是技术机会，而是重新定义价值的机会。

技术会不断迭代，今天的热门工具可能明天就被淘汰。但那些能够清晰定义问题、设计解决方案、整合资源、做出判断的能力，永远不会过时。

普通人不需要成为AI专家，但需要成为“AI策展人”——知道在什么场景下使用什么工具，如何设计流程，如何保证质量，如何创造独特价值。

所以，如果你还在焦虑“AI时代我能做什么”，不妨换个问题：“有哪些事情，是AI和人类各自做最擅长的部分？我如何设计一种协作方式，让整体效果大于部分之和？”

这个问题的答案，就是你的机会所在。