写代码、画画、当家教，这三个动作放在几年前还是“人类专属技能”的代名词，如今 AI 都干上了。很多朋友过来问我第一句话就是：我们离被取代还有多远？说句实在话，我天天用这些工具，比创作一些内容的人更加频繁。答案是：离被取代的距离，取决于你现在是把它当玩具，还是当成工作伙伴。
我不是贩卖焦虑的人，也不想做那种“AI什么都能干”的吹鼓手。今天我只想把自己在编程、绘画、教育三个方向上的真实使用感受摊开来讲。这些工具帮了我多少、坑了我多少、哪些地方它永远过不去，我都会一五一十说出来。看完之后，你再回头看“取代”这两个字，应该会有不一样的理解。
1. 先说清楚：这次不是“狼来了”
人工智能这个概念从图灵时代就有，过去几十年每隔十年吹一次“要取代人类”，最后都慢慢沉寂。为什么这轮不一样？因为前几轮AI停留在“识别”和“分类”上，而这轮生成式AI直接进入“创造”环节——你给它一句话，它真的能给你一段代码、一张图、一段讲解。
我自己最早接触大规模语言模型，实际上是从代码补全开始的。GitHub Copilot刚发布时，我第一反应是“这玩意儿生成的代码能跑吗”。结果试了一个下午，一个不太复杂的排序函数、一个常规的文件处理脚本，它都写得像模像样，有一瞬间确实背脊发凉。后来陆续用ChatGPT、Claude做复杂项目分析，用Midjourney和Stable Diffusion做配图，再拿大模型给孩子讲题，体验一次比一次深入，焦虑感反而一次比一次低。
原因是规律很明显：AI解决“把事做出来”很快，但“决定做什么、为什么做”依然得靠人。这个判断在编程里成立，在画画里成立，在家教里也成立。咱们就从这三个场景里，把这句话拆开看。
2. AI写代码：提效是真的，但真正的门槛在别处
2.1 我在哪些环节最高频使用AI
用了一年多AI编程工具，我的使用场景基本稳定在四个方向。
第一是样板代码和重复逻辑。比如新项目要搭一个标准的 CRUD 接口，从路由到数据库操作，过去得敲小一个小时，现在把需求描述清楚，AI能一次性生成骨架，我只需要做参数校验和异常处理的修改。这种重复度高的活，它干得又快又稳。
第二是**“翻译型”任务**。把一个Python脚本改写为Go语言实现，或者把一段Java的老代码转成现代风格，AI处理这种跨语言迁移的效果比我手动重写强得多，特别是那些我不常写的语言，省去了查语法的功夫。
第三是写测试。说实话，这是我最喜欢用AI的地方。给它一个函数签名和业务说明，它能把正常路径、边界值、非法输入全列出来，生成的测试用例覆盖率比我自己手写还高。这背后其实是它在海量开源项目中见多了各种测试模式。
第四是阅读和解释别人的代码。接手旧项目时，一个几千行的类文件，直接扔给AI让它梳理调用关系、找出潜在问题，效率比自己逐行读高得多。
2.2 别被“自动生成代码”骗了，上下文才是命根子
很多人用AI写代码，写一段简单的像是求个最大公约数，完全没有意义，真正要让它做的是挂在几百个文件的大工程里的增量开发。这时候AI的表现就不是“无所不能”了。
我最开始把整个需求描述发给AI，让它直接改一个核心模块，结果它给出的代码风格和现有工程完全不搭，变量命名规则不一致，依赖注入方式也不对，真正合进去之后直接拖垮了整体架构。后来我才意识到，大模型不了解你的工程约束，它只懂它训练数据里的“平均做法”。
解决方法是用好上下文工程。我现在会在项目根目录放一个说明文件，把技术栈、目录结构、代码规范写清楚，让AI先“读完”再动手。现代模型动辄几十万Token的上下文窗口，足够把你的小项目整体喂进去。但这一步需要你自己来组织信息，AI不会主动问“你们团队的命名规范是什么”。
注意：遇到特别复杂的业务逻辑，AI生成的代码看着很有逻辑，实际上可能漏了事务边界、忘了加分布式锁，几乎没有意识到异常回滚问题。别看到“跑通了”就觉得万事大吉，代码审查这个环节永远不能少。
2.3 编程这个职业到底会不会消失
这是我被问烂了的问题。我的看法是：“写代码”的动作正在快速贬值，但“定义问题”的能力在涨。举个例子，你让AI写一个“订单超时自动取消”的功能，需求描述得越清楚，它写出来的代码越好用。可你如果连“超时时间怎么算”“取消前要不要通知用户”“退款走哪个流程”都说不明白，AI给不了你答案。
这种需求拆解能力、对业务场景的理解、对系统边界的判断，才是程序员真正的护城河。工具从“键盘敲击”变成了“对话表达”，但只要还需要有人把业务翻译成机器的行为约束，这个角色就不会消失。实际上，有了AI之后，一个人能维护的系统范围变大了，对小团队来说反而是利好。
3. AI画画：从“生成一张图”到“交付一个作品”，隔着一条产业链
3.1 我只是想要一张配图，AI确实做到了
写博客和文章的人应该都有同感：找一张合适的头图特别烦。以前我用图库网站搜关键词，出来的要么要付费，要么风格不搭。今年我大量使用Midjourney和Stable Diffusion生成配图，操作呢也就是输入一段内容提示词加上风格描述。
其中一个例子是，为一篇讲“分布式系统一致性”的文章生成头图，我描述“一群节点手拉手形成一个圆环，节点有点亮，有暗的，蓝色科技风格”。AI输出了四张候选图，其中有一张非常贴合文章主题，直接拿来用。这个场景里，AI已经不仅仅是“能画”，而是“又快又便宜地完成了一个有效交付”。
3.2 但真正的商业设计，绝不是“生成一张图”这么简单
如果你把AI画画的理解停留在“给个提示词出图”，那你确实会高估它的替代能力。我接触过几位设计师朋友，他们告诉我真实的工作流是：先做需求沟通和风格调研，再出多张方案草图供选择，中选后再去做细节调整、元素融合、字体排版，最后还要跟开发沟通切图标注。AI在里面解决的只是中间“出方案”这一小步。
即便单看出图本身，也有大量“坑”。AI生成的手部结构、文字、复杂的逻辑关系经常出错；想要“某个形象连续出现在多张图中保持形象一致”，需要做LoRA微调或者用生成一致性的专用工具；真要改某个局部元素，传统PS的修图能力反而比让AI重新生成更可控。
所以我对设计师朋友的定位是：AI是一个任劳任怨但需要时刻盯着改的初级助理，不是可以放权独立交付的高级设计师。能力要求从“会手绘”变成了“会提出准确的需求、会筛选、会修剪”，这确实是技能的迁移，而不是岗位的消失。
3.3 那些“用AI画画月入过万”的说法，能信吗
现在短视频平台上大量教人用AI绘画赚钱的课程，我建议你留个心眼。我见过有人真靠AI做头像定制、做表情包、做壁纸号赚到了钱，模式都存在。但这里赚钱的核心规则和以前做电商、做自媒体一样：决定成败的是定位选品、流量获取、客户沟通，而不是那个画图工具本身。工具人人能拿到，稀缺的永远是“知道该服务谁”和“能把东西卖出去”这两件事。
这类课程多数是在卖铲子，真正挖到金子的人不会靠卖课挣钱。如果你正好有美术基础、有客户资源，AI会放大你的产能；如果你什么都没有，指望着输入提示词就能躺赚，大概率是被收了学费。
4. AI当家教：讲知识绰绰有余，育人是另一回事
4.1 用AI辅导作业的正确姿势
我给孩子辅导数学时，一开始直接用AI问“这道题怎么做”，模型能给步骤、能讲原理，体验比翻答案书强多了。但孩子对着AI学习有个问题——它太容易“给答案”了。你问一句，它给你输出一大篇，孩子直接抄完交差，完全没过脑子。
后来我调整了用法，在提示词里加了一句话：“不要直接告诉我答案，先问我三个引导性问题，让我自己得出结论。”效果立竿见影。模型会变成苏格拉底式的教练，不断追问“你觉得第一步应该算什么”“这个条件说明了什么”。这个模式下的学习效果，比直接给答案强好几倍。
4.2 从“能讲题”到“能教人”，中间差的不是算力
AI的知识储备确实远超普通老师，尤其在跨学科问题上，它可以秒切换，用不同视角给你解释一个物理概念。但真实的家教场景里，学生需要的远不止知识。
第一是状态感知。孩子走神了、困了、情绪不好了，人类老师能从表情和语气里察觉，换一种教学节奏。AI目前做不到这一点，它只关心发过来的文本内容。
第二是良心和纪律。真实老师布置了作业就真的会检查、会反馈、会盯着订正。AI不会主动跟进，除非你天天来问它，否则它就安安静静等着你，这和家长用AI家教的初衷恰恰相反。
第三是榜样的力量。孩子在学习过程中对手交流态度、价值观的影响，不仅仅靠知识传递。这些行为示范，AI作为一个对话界面是天然缺失的。
4.3 AI家教最合适的角色：助教，而不是老师
我现在的做法是：AI负责“知识讲解、错题分析、举一反三出题”，我负责“制定学习计划、监督执行、鼓励反馈”。AI是那个随时有精力、从不抱怨的好助教，真正的主讲老师还是家长自己。
当然，对很多家长来说，能有一个“随时愿意讲一百遍”的助教已经很解决问题了。过去一道题不会就得等第二天问老师，现在孩子半夜想起来可以随时问AI，这个意义是巨大的。如果孩子自学能力强，AI完全可以成为主要知识来源。但自律性差的孩子，指望AI大包大揽，基本会变成抄答案机器。
5. 理性看待“被取代”：查一查自己的工作到底在哪个层级
5.1 让我把“AI取代”这个词拆开
“取代”其实是统计学意义上的，个体不要对着宏观数据冥想。一个更可操作的自检方式，是把你的工作归类为三种，我称它为三层框架。
第一层：纯执行型任务。按照既定流程做出来的东西，比如开发标准模块、输出固定模板、批量处理数据。这类任务AI完成度极高，坦白讲，越快被自动化越好。
第二层：经验判断型任务。需要基于一些变量做取舍，比如架构设计时选数据库、设计时定视觉方向、辅导时判断孩子卡在哪里。AI能提供参考建议，但最终责任得人来扛。
第三层：定义问题型任务。从模糊的现状里找出关键问题，比如“这个产品到底帮用户解决什么痛”“这个教学设计为什么无效”。在这个层级，AI连问题问什么都不知道，它只能等你给指令。
5.2 各行业里的替代风向
我把三个领域的状况整理成一张表，方便大家对照：
| 领域 | 最容易被替代的环节 | 最稳固的环节 |
|---|---|---|
| 编程 | 标准CRUD、格式转换、常规测试 | 系统架构、需求拆解、代码审查 |
| 绘画 | 风格化配图、草图生成、基础素材 | 品牌调性统筹、创意策略、最终交付 |
| 家教 | 单项题目解答、知识讲解、错题复盘 | 学习规划、心理激励、行为习惯塑造 |
你会发现一个规律：下游的执行环节即将全面自动化，上游的决策和判断环节价值继续提高。这个规律不受行业限制，也适用于写文章、做翻译、搞运营。所以你不需要问“这份工作会不会消失”，只需要问“我的工作里，哪一部分在执行，哪一部分在判断”。
5.3 三个值得马上练起来的习惯
如果你看完上面的内容依然不知道从哪里入手，我给三个最实际的建议。
第一个建议：把AI工具当作协作对象，而不是搜索引擎。每做一个任务之前，先尝试“描述任务背景条件目标约束”给AI，让它出一版方案，哪怕你不用，这个过程也能帮你把思路理清楚。
第二个建议：建立自己的提示词复盘库。每一次让AI高效解决问题的对话，整理成“场景+提示词+结果”的条目。这个库就是你的杠杆资产，它会随着时间越滚越大。
第三个建议：每周拿出时间做“不可自动化能力”的刻意练习。程序员去画架构图、设计师去做用户访谈、家长去陪孩子聊天。凡是AI不容易做到的，恰恰是你需要投入最多精力的方向。
5.4 我现在的真实心态
你要问我个人被取代了吗？其实我的日常工作节奏反而不一样了：以前一天只能完成一篇稿子和两段代码，现在用AI辅助，一天能完成三倍量。工作量看似变大了，但重复劳动减少了，我把省下来的时间用在选题思考和结构打磨上。
按目前AI的能力边界来看，它更像是一个没有情绪、不知疲倦、偶尔会一本正经胡说八道的超人实习生。背后做得好的管理带教，才能发挥出它的价值；放任不管，它会把你的业务也带到沟里去。
最后分享一个小技巧：定期用AI回放自己过去写过的代码和文章，问问它“如果你是我，会怎么改进这段结构”。这个动作的收获，通常比你自己猛想一整天要多。说到底，工具让人跑得更快，但决定方向的，还是那个坐在方向盘前面的人。
