前几天，那个年轻人又给我发消息了。
月初我在 从用好 AI 到管理 AI 里记录过他的困惑：每天都在用 AI，prompt 也调得不错，但总觉得还是在「自己干活」。我当时的回答是，他卡在「用好 AI」这一级，要往「带 AI」「管理 AI」走。
他回去照做了。这次他告诉我：又订了三个工具，整理了 30 条常用 prompt，还刷完了两门 AI 课程。然后他问了一个新问题：
「我的工具更多了，效率也确实高了。但为什么反而更焦虑了？如果明天出一个更好的工具，把这些全做了，我还剩下什么？」
我当时没有马上回答。不是问题难，而是他问的已经不是「怎么用好 AI」，而是一个更根本的问题：AI 时代，衡量一个人成长的单位，到底是什么？
几天后，吴恩达在 The Batch 上发了他的新来信，标题是「AI 奖励能构建新技能的通才」。这封信把这个问题往前推了一步——但我觉得，还可以再推一步。
一、吴恩达看到了什么
先说吴恩达的信里最有价值的部分。
他的核心观察：AI 自动化了编码之后，开发者被解放出来，去做那些传统上属于高级工程师的工作——决定技术架构、参与界定产品需求。这类工作的需求在增长，因为它们是「变得便宜的东西」的 经济互补项。同样的模式正在其他领域出现：
- 营销领域，不再细分为社媒运营、文案编辑，而是出现端到端统筹整个营销战役的「full-stack marketer」；
- 招聘领域，sourcer、coordinator、recruiter 的分工正在合并，AI-native 的招聘者自己跑完整个招聘周期；
- 工程领域，前端、后端、移动端专家正在变成全栈工程师。
他总结出一条规律：AI 接管工作中可验证的部分，人就往上走，去做管理整合复杂度的部分。
这个观察很硬。但注意他的用词——「构建新技能」「broad AI engineering skills」。整封信仍然是用「技能」来描述这场变化的。而我想说的是：技能这个词本身，已经不够用了。
二、技能正在变成可租赁的基础设施
想清楚一件事：今天，几乎任何一项技能，都可以用一句 prompt 租到。
写代码，租得到；做翻译，租得到；出设计稿、做财务分析、写营销文案，都租得到。租金极低，质量还在以月为单位上涨。吴恩达自己都提醒：即使是前沿模型做的数据分析也经常出错——但这说的是「租来要验收」，不是「租不到」。
技能一旦可租赁，供给就爆炸，「会做这件事」的市场价格趋近于零。这是那个年轻人焦虑的真正来源：他收藏的 30 条 prompt、刷完的两门课，全都属于可租赁的东西。 工具更新一次，他的「资产」就贬值一次。
那什么租不到？我想了很久，只有三样：
这三样东西有一个共同特征：它们都无法通过「学习」获得，只能通过「完整地做过一件事」长出来。这就引出了成长单位切换的关键——技能是点，闭环是环。技能回答「我会什么」，闭环回答「我能对什么结果负责」。
需求端的证据也在。PwC 的 2026 全球 AI 就业晴雨表分析了 27 个国家和地区超过 10 亿条招聘广告，几个数字值得记住：
- 高 AI 暴露度的初级岗位，要求领导力、战略决策等传统「高级能力」的概率，是低暴露岗位的 7 倍；
- 这类「被高级化」的初级岗位，自 2019 年以来增长了 35%；
- AI 暴露度高的岗位新增的任务，依赖判断力、同理心、创造力等人类能力的概率是其他岗位的 2.5 倍；
- 高暴露初级岗位的新技能要求中，52% 属于传统高级能力（低暴露岗位只有 7%）。
市场已经在用真金白银投票：企业不再为「任务清单」付费，开始为「结果清单」付费。有一篇解读吴恩达这封信的文章把这个转变概括得很准：职位说明书正在从「你负责哪些动作」变成「你对哪个结果负责」。
三、闭环-根模型
把上面的分析拼起来，我画了一个模型，用来回答「人应该怎么发展」：
根，是你扎进某个领域、能判断 AI 产出好坏的能力。没有根的人，租来的东西无法验收——让 AI 写代码却看不出架构风险，让 AI 做分析却发现不了关键假设错误。吴恩达信里提醒「不要盲信模型自信的结论」，说的就是根的作用。那篇中文解读里有个词更狠：无根通才只是在「更加高效地制造噪声」。
环，是你能独立（借助 AI）交付的完整结果有多大。从「完成分配给我的任务」，到「负责一个完整结果」。
两者是相乘关系，这很关键：
- 没有根，环越大，噪声越大——你经手的每个环节都在失控，而你看不见；
- 没有环，根再深，也只是不可替代的零件——别人决定你的判断用在哪、值多少钱。
用这个模型回看吴恩达的例子，全部对得上：full-stack marketer 是把环从「写文案」扩到「整个营销战役」的人；full-cycle recruiter 是把环从「安排面试」扩到「整个招聘周期」的人。他们都不是从零学十项技能，而是 带着原有的根，把环撑大了。
关于「根从哪来」，我在 「老」工程师在 AI 时代的价值 里详细讨论过：判断力不是课程教的，是在真实系统里踩坑踩出来的。所以扎根本质上是一个选择——选择在哪个领域里做足够多的真实交付，而不是学足够多的课程。
四、扩环的操作手册
模型讲完，说操作。怎么从右下角那个格子出发？
第一步：盘点你的环，而不是你的技能。
问自己一个问题：今天，有哪个结果是从头到尾由我负责交付的？很多人答不上来——答不上来，就是焦虑的根源，和工具多少无关。
第二步：找到你的根。
那篇解读文章给了三个问题，我觉得很实用：哪个领域是我已经积累了真实经验的？哪类问题是别人愿意来找我解决的？哪项能力即使 AI 参与，我仍能判断结果好坏？三个问题的交集，就是你的根。
第三步：从微闭环开始。
这是 AI 时代真正的红利所在——不是「旧工作做得更快」，而是 第一次闭环的成本被降到一个人可以负担。过去跑通一个完整闭环需要一支团队、一笔预算、一个立项；现在，一个人加一组 AI，就能跑通一个微闭环：独立做一个小产品、运营一个内容账号、为部门搭一套自动化工具。
我自己的博客就是一个微闭环：选题、写作、配图、排版、发布、复盘，全部由我一个人带着一队 AI 完成。它占用的时间不多，但它是一个完整的「定义问题 → 交付 → 对结果负责」的环。
反面例子是上个月我在 Agent 应用工程师 里写的那支五人团队：代码两小时写完，然后全员愣住——ERP 怎么接、权限怎么配、跑飞了谁兜底。他们的问题不是技能不够，是从来没有跑过一个环。
第四步：每 12 周扩一个相邻的环。
那篇解读建议「每 12 周增加一项相邻能力」，我认同这个节奏，但要修正选择标准：选什么学，不看兴趣，看 哪个方向能让当前的环变大。工程师学用户研究，是为了把环从「实现功能」扩到「解决问题」；营销学数据分析，是为了把环从「生产内容」扩到「对转化负责」。判断是否学会的标准只有一个：能不能用它完成一个真实交付。
第五步：把每次交给 AI 的环，沉淀成资产。
这一步把「扩环」变成复利：每跑完一个环，把流程、模板、验收标准沉淀下来，下一个环就能扩得更大。这正是 从用好 AI 到管理 AI 里「带 AI」和「用好 AI」的分界线——你的 AI 会不会越用越好，取决于你有没有把环的资产留下来。
五、两个最强反方
反方一：「专家路线依然成立。吴恩达自己都说了，机器学习研究员、跨境审计专家、专科医生，靠的是越来越深，不是越来越宽。」
这个反方是对的——但它不推翻闭环-根模型，它只是模型里的一个特例：深专家是把根扎到极深、把环保持最小的人。 但即便环再小，也有一个最小闭环存在：专家必须自己定义「我的专长用来回答什么问题」，并用自己的名字对结论负责。而且 AI 时代对深专家提出了一个新要求：你至少要在自己的领域里能验收 AI 的产出，否则连根都会被腐蚀——AI 在你专业领域输出的每一个自信的错误，都是对你判断力的测试。
反方二：「让新人去扩环是幸存者偏差。新人没有判断力、没有信任、没人给他端到端的机会，第一个环从哪来？」
这个反方最有力，因为它指出了一个真实悖论：判断力来自完整做过事，但没人给新人完整做事的机会。我的回应是：这个悖论在 AI 之前无解，现在被打破了。 过去跑闭环需要组织授权，现在微闭环可以自己创造——没有人拦着你在业余时间用 AI 跑通一个完整的小项目。PwC 那份数据的另一面正是这个逻辑：组织已经开始向初级岗位要「闭环级能力」（52% 的新技能要求属于传统高级能力），而不是等他们熬到高级才要。自己先跑出微闭环的人，拿到的正是这张门票。
至于「没做过就没有判断力」的循环，答案是：所以第一个环必须是自己亲手做深的（扎根），而不是指挥 AI 空转。根是环的入场券。
六、回到那个年轻人的问题
「如果明天出一个更好的工具，我还剩下什么？」
用闭环-根模型回答：工具会一直更新，技能会一直贬值，但三样东西不会——你跑过的环，环里长出来的根，以及证明这一切的交付物。简历上「熟练使用 XX 工具」会越来越没有意义，有意义的是「我把一个流程从两天压缩到两小时」「我独立完成了一次从用户调研到上线的交付」。
那篇解读吴恩达来信的文章里有一句话，我认为是全文最重要的一句，抄在这里：不要成为「更快的旧自己」。 AI 如果只是让你更快地做原来的事，你就停留在技能租赁市场里，和工具比速度——这场竞赛你必输。
真正的用法是拿 AI 去跑你以前跑不起的环：承担更完整的责任，进入更宽的领域，从执行者变成对结果负责的人。
你现在的环有多大？根扎在哪个领域？欢迎留言聊聊——尤其是那些答不上来第一个问题的人，你的焦虑不是问题，是信号。