我最近一直在想一个问题:如果有一天,调用 AI 的成本真的低到像水电费一样,普通人之间的差距会来自哪里?

到那时,大家手里可能都有工具,甚至都有自己的 Agent。差距会落到几个很普通的动作上:把问题说清楚,判断结果靠不靠谱,再决定什么值得继续做。

知识不会消失,但死记硬背会越来越不值钱

父母那一代熟悉的路径很清楚:好好读书、考大学、找工作,再一步步把生活安顿下来。

这条路不会突然失效,但其中一部分能力正在迅速贬值。尤其是为了应付标准答案而做的重复训练:背知识点、套固定步骤、反复拆同一类题。这些恰好是 AI 最擅长的工作。

读书当然还有用,只是学习的重心要变。

  • 少背一点随时能检索到的答案,多练习怎么把模糊问题问清楚;
  • 多观察 AI 为什么这样推理、哪里可能出错,再练习建模、验证和取舍。

当一段资料几秒钟就能找到时,我更在意自己能不能看出答案里的漏洞,以及它是否真的解决了眼前的问题。

当执行门槛下降,想法反而更值钱

现在越来越像是两个都会用 AI 的人在竞争,工具本身很快会成为标配。

我折腾 OpenClaw 这类 Agent 时,一个很直观的感受是:过去需要团队才能做的事,正在被压缩成一个人可以启动的工作流。写代码、查资料、整理内容、跑测试,工具都能接过去一部分。

在这类工作里,前提没说清时,Agent 也会很快给出一套看起来完整的流程。完整不等于正确:起点偏了,后面的检查步骤也可能一直围着错误目标打转。速度不能替代验收。

可工具越强,那个最原始的问题越躲不掉:你想做什么?

如果想法本身含糊,Agent 只会更快地做出一堆没用的东西。如果目标清楚,它才可能成为手脚,把想法变成产品、文章或一套能跑的流程。

所以我越来越珍惜小孩子那种天马行空的想象力。以前很多想法会被一句“做不出来”打断。现在,实现门槛在下降,“能不能想到”开始变得比“会不会执行”更重要。

Agent 会变强,但别急着给它安上“灵魂”

Agent 能读资料、调用工具、记录反馈,再根据结果继续调整。有人把这叫“自我进化”,我目前更愿意把它理解成一套越来越完整的反馈回路。

它能不能自己设计芯片、控制机械设备,取决于模型、工具权限、数据、验证机制和现实世界的安全边界。技术会继续进步,但中间还有很长的工程路要走。

真正确定的变化是:Token 成本会继续下降,能被自动化的步骤会越来越多。当燃料不再昂贵,大家会更敢于尝试,也会更频繁地让 Agent 反复执行。

如果目标一开始就偏了,更便宜的调用只会让错误流程跑得更多、更快。

机器之间如何结算,是个值得观察的问题

我还想过一个不太成熟的模型:如果 Agent 能提供服务、调用另一个 Agent,再自动完成结算,那么可编程支付会变得很重要。

区块链和数字货币是一种可能方案,因为它们支持协议化转账。传统支付网络、平台账户和企业内部结算也可能承担这件事,现在还看不出哪条路会成为主流。

我更关心一个具体问题:当机器可以自主购买算力、数据和工具调用时,我们该怎么设计权限、审计和责任边界?

这比“AI 会不会像人”更值得提前想。

写在最后

我不会再花太多力气和 AI 比记忆力。现在更值得练的是提出问题、拆解目标和验收结果,再把有效做法沉淀成自己的工作流。

如果 Tokens 真像自来水一样便宜,我希望自己仍然知道为什么要做这件事,也能在 Agent 跑偏时及时把它拉回来。至于想象力,它决定了这套便宜工具最后被用来做什么。

本文来自「小天说FDE」,全平台同名。

我会持续分享普通人能用上的 AI 工具、内容工作流和真实实践,欢迎联系我,一起交流 AI。