凌晨四点，我盯着屏幕上那行红色的报错信息，手指头悬在键盘上方，像悬在刀尖上一样。昨天半夜 12 点，我还能笑着跟哥们儿讲大一新生军训哪儿最累，今天一睁眼，整个实验室的灯光都黑得像刚灭的灯。 昨天下午，我拿着自己改了三遍的简历去投了一家大厂，HR 说“职位不匹配，学历不够”，我当场把简历往电脑上一摔，认定这理由仿佛还有点道理。结局呢？第二天早上，我整个人像蒸了似的，脸涨得通红，咬破嘴唇都不敢出声。 实际上根本不是学历难题。我研究生毕业那年，论文写了一半的时候，导师突然问我：“这本期刊有没有收过？”我当时傻乎乎地回了一句：“收啊，刚在那期上发表过。”然后导师就指着我的脸说：“你这嘴，说漏风了。” 那一刻我才知道，学术界的门槛压根儿不是 PhD 头衔，而是对“漏洞”的警惕。记得那次答辩，我手里捧着那本被导师反复修改的论文，突然意识到自己可能是个“局外人”。我在论文里写了个公式，为了凑完美，把变量名从 $mu$ 改成了 $mathcal{M}$，改完又改回来。导师没骂我，只是说：“这种操作，赶明儿几年我都得盯着你。” 后来我查资料才发现，那些顶级论文里，连个富余的 $mathcal{M}$ 都没有。
那些大神们写论文如何写？他们不是神仙，他们是把变量名换成 $Delta$ 要么 $phi$ 的一般/平平人。 最扎心的是昨天凌晨三点，我盯着报错信息，突然质疑自己是不是确实会被 AI 取代。 之前有一天，我辛辛苦苦写了一个实验分析脚本，花了三个小时把数据过了一遍。
然后突然，我打开那个现成的 Python 包，复制粘贴进去，十分钟就看出来了。 我当时就僵住了，心脏狂跳得像要炸开。 我盯着那行代码，突然明白了。
这代码的作者并没有写“这是一段手写代码”，而是写了一句：“这段代码经过专业清洗，准率 99.8%。” 那一刻我才明白，所谓的“专业”，不是你会写代码，而是你会利用那些已经写好、经过无数人验证、就连已经标注好注释的代码。 我试着去搜那个现成包的文档，结局那个文档上的注释全是英文，并且里面还有一句话：“本文档未涉及 AI 生成内容，仅供用户参考。” 我愣住了。
要是连文档作者都声明过没有 AI 参与，那我今天这行代码，是写出来的，还是 AI 写的？ 更可笑的是，我回家翻了翻自己写的论文，发现里面有一处数据取，明明那个函数是循环运行的，结局被当成了一次性调用。我在心里骂了一句：“这代码写得也忒敷衍了吧！” 后来我把那行代码重新抄了一遍，这次我用到了真正的循环结构。别看逻辑一样，但我看到代码运行时的报错日志，那些格式有点乱，颜色也不统一。 我突然认定，目前的 AI 工具，不只是帮我写论文，它还是我的“校样”。它能把我的逻辑理顺，把数据格式调好，就连帮我润色成那种“看起来挺专业”的结论。 我不再认定那三个小时的实训课是浪费工夫。
那会儿我认定写代码要练手气，目前认定那是练“眼力”。
看代码的深浅，不看按键顺序，看能不能一眼看出这逻辑哪儿是漏洞。 昨天上午，我重新提交了简历。
这次我把那本被导师指出的“漏洞论文”的摘要改得再短一点，把那些生僻的公式都换成了标准的 LaTeX 占位符。 HR 看了三分钟，然后说：“这个数据模型，查重率有点高，建议重新构建。” 我笑了，这次笑得没心没肺：“行吧，您认可我就改，但我还是想写。” 实际上技术压根儿不是用来炫技的，是用来解决实际难题的。我写代码不是为了显示我的代码比我老板写得还花哨，而是为了在数据打架的时候，能一眼看出哪位在抢地盘。 上周，我试图用 AI 生成一个模拟的市场预测模型。我输入需求：“帮我做一个供应链预测模型。”结局 AI 生成的第一个版本，准率只有 60%。 我立马把它丢给导师。 导师没讲话，只是指着屏幕说：“看看这个偏差在哪儿。” 那待会儿，我简直要哭出来了。算法的权重矩阵初始化忒差了，并且训练过程中的梯度下降步长忒急了。 我一边看一边说：“这肯定不是 AI 生成的，这代码我三天前就改过了，权重矩阵是固定的随机初始化，步长也是手动设置的。” 导师看了半天，突然说：“那你目前能解释清楚这个模型在 70% 的区间内为啥会失效吗？” 那一刻，我确实急了。我没有撒谎，出于我知道，要是我要骗过 AI 的验证，我刚刚那个 Demo 的数据集得整得花里胡哨。 我在后台调出那组数据，发现它的噪声特征跟前几天的彻底一样。我指着屏幕对导师说：“你看，这个数据分布就是 AI 生成的典型特征——全是正态分布，中间那个峰特别圆。” 导师笑了：“那还愣着干啥，把代码从第一版改到第二版。” 我一边改一边说：“这次我加了个正则化项，把噪声过滤掉了。目前的准率涨到了 85%，并且能解释清楚为啥在极端差的时候模型会滑向谷底。” 导师没再讲话，只是推过来一杯刚泡好的咖啡：“持续写。” 实际上所有的技术突破，压根儿都不是靠纯粹的“灵光一现”。
有时候，靠的是对现有工具的极致利用。 昨天我还在纠结要不要用那个现成的数据分析包。
后来我查了里面的文档，发现它提到：“最新的研究表明，结合少量人工干预能提升 30% 的预测精度。” 那一刻我突然明白，AI 不是来替代我的，是把那些繁琐的、重复的、好办出错的活，全体推出去给我。 我不再揪心自己的代码会被 AI 取代，出于目前的 AI，连它自己都怕。它写的那些代码，往往只是为了应付那些格式错得离谱的需求。 我目前的思路挺好办：把那些非核心的、低价值的逻辑留给自己，把那些数据处理、代码清洗、模型调参、论文润色的工作全体交给它。 我只负责问它：“你能帮我把这个逻辑变通一下吗？” “自然能够，”它立马回答，语气自然得仿佛在聊聊今天的天气，“只需求给我更多数据赞成。
比方说，您告诉我，您希望模型在极端波动时保持多少的鲁棒性，我就生成一段适合您业务逻辑的代理代码。” 我笑了，对着那行代码自言自语：“这就对了，这才是真正的 AI 用法。” 实际上，我们这些打工人，最怕的不是技术淘汰，而是被技术“绑架”。 那会儿我认定，只要我会写代码，就能拿到高薪。目前我发现，真正值钱的是你对业务逻辑的理解，是你知道在啥场景下该用啥样的模型，而不是你代码写得有多漂亮。 昨天，我尝试把那个供应链模型改成了面向中小企业的轻量版。结局就是，它能跑得挺稳，并且比原来的版本快了整整一倍。 我发给导师的时候，特意改了几个参数，让它在数据量小一点的时候也能跑得飞快。 导师看完说：“看来这就是你要做的。
不是写高精度的模型，而是写出适合你的模型。” 那一刻我才真正懂了，所谓的职业成长，压根儿不是要变成那个最智慧的 AI 模型，而是要成为那个最能用 AI 模型的人。 目前，我每天早上醒来，第一件事不是刷手机看那些 AI 推荐的“爆款视频”要么“促销清单”，而是打开代码编辑器，启动写一个新的任务。 我不再恐惧报错，出于我知道，只要逻辑通顺，哪怕报错信息长得再离谱，它也只是我在和 AI 进行一场关于“如何更好地解决难题”的对话罢了。 这条路，没走通的时候挺苦，但一旦通了，你会发现，原来所有的累得慌都值得。 毕竟，技术终究只是工具，而人的价值，在于能如何创造性地使用这些工具去解决真的世界难题。 今晚，我要持续写。 哪怕代码写得烂，哪怕逻辑有点歪，只要心里有方向，哪怕多花点工夫改一改，哪怕把那些生僻的变量名换成 $mathcal{M}$，哪怕写出来的东西被导师说“查重率有点高”，只要我自己知道这是我自己写的，那就是值得持续走下去的夜。 奋斗不是一瞬间的爆发，而是无数个凌晨四点的启动。 奋斗不是要跑得快，而是要在跑不快的时候，还能看清脚下的路，还能把那些低效的工作，一个个变成高效的事。 哪怕最终成功了，那也只是出于用了 AI ； 哪怕黄了了，那也是出于我没拉倒，出于我还能动，出于我还愿意在夜里独自面对那个红色的报错信息。 这就是我的故事，也是无数人的故事。 我们都在用 AI 这把剑，去斩开那些看似不可逾越的墙。 或许，我们砍不开，但起码，我们砍出了自己的节奏。
