AI 时代，人文素养在个人发展和职业规划中扮演什么角色？

2023 年初，一份来自 OpenAI 与宾夕法尼亚大学的研究报告引发广泛讨论。该研究估计，GPT-4 级别的模型可能影响美国约 80% 劳动力的至少 10% 工作任务，其中高学历、高收入群体受到的冲击反而更大 ^[1]。

这个发现打破了一个长期默认的假设：高等教育和专业技能是职业安全的保障。

与此同时，另一组数据指向了相反的方向。领英 2024 年全球人才趋势报告显示，雇主对「软技能」的需求增长速度超过了数字技术技能，其中批判性思维、跨文化沟通、伦理判断力位列需求增长最快的前五项能力 ^[2]。

麦肯锡全球研究院在同年的预测中进一步指出，到 2030 年，欧洲和美国对「社会情感技能」和「高级认知技能」的需求将分别增长约 25% 和 15%，而对基础认知和体力技能的需求将基本持平或下降 ^[3]。

这两组数据之间的张力，恰好揭示了本文要讨论的核心命题：当 AI 将「执行」的成本推向零，价值创造链条的重心正在从「怎么做」位移到「做什么」和「为什么做」。

而这两个问题的回答，依赖的不是更快的计算速度，而是一套被长期低估的能力体系，即人文素养。

需要预先澄清的是，这里讨论的「人文素养」并非指文科知识的堆砌，也不是对技术变革的怀旧式抵抗。

它指向的是一组特定的思维方式：在数据和效率逻辑之外保持价值追问的自觉，在信息洪流中辨别主次与真伪的判断框架，以及在快速变化的职业环境中维持认知弹性的心理资源。

回顾过去四年的 AI 发展轨迹，一个清晰的模式浮现出来：任何可以被明确定义、标准化、流程化的技能，其市场溢价都在加速收缩。

2022 年底 ChatGPT 发布，文本生成的门槛首次在大众层面瓦解。

2023 年 Midjourney V5/V6 和 Stable Diffusion 让「会画画」不再构成职业壁垒。

2024 年 Sora 将视频生成推向实用化，同年 Claude 和 GPT-4 级别的模型开始处理复杂的多步骤逻辑推理任务。

2025 年，Cursor 和 Copilot 等编程助手在事实上改变了软件开发的协作模式——编写代码从一门手艺逐渐演变为一种对话。

到了 2026 年，Agent 框架进入生产环境，AI 不再局限于响应指令，而是能够自主拆解任务、调用工具链并完成端到端交付。

这条曲线的含义不在于「技能即将消失」。

会写代码的人依然有用。关键在于，仅凭单一技术技能的竞争力护城河正在被快速填平。

当一个初级程序员的产出在 AI 辅助下逼近中级水平时，市场的定价逻辑必然随之改变：区分价值的因素，从「能不能做」转向了「该不该做」和「如何做得与众不同」。

在这种结构性的重心转移中，判断力——而非执行力——成为新的稀缺资源。而判断力的底层构成，大体可以分为三个维度，每一个都恰好对应人文素养的核心训练内容。

第一，价值判断。AI 系统可以计算出「怎么做效率最高」，但它无法回答「应不应该做」。自动驾驶算法可以在技术层面决定碰撞策略的最优解，但无法理解这一决策背后的道德含义。不是算力的限制，而是道德推理本身不是一个可以被损失函数定义的问题。哲学传统中从亚里士多德的实践智慧（phronesis）到康德的定言令式，训练的就是这种在不可通约的价值之间做出抉择的能力^[4]。

第二，意义建构。AI 可以生成一篇关于生命意义的文章，引用从柏拉图到加缪的全部文献，但它并不理解自己生成的内容。它可以模拟共情的话术，但无法体验失去、狂喜或犹豫。意义不是信息的排列组合，而是体验的副产品。文学、艺术和历史训练的核心，恰恰是对这种「体验的质地」保持敏感。

第三，框架转换。AI 在给定框架内的表现极为强大。但人类最具创造性的智力活动，往往来自托马斯·库恩所说的「范式转换」——不是在同一框架内做得更好，而是换掉整个框架。哥白尼的日心说不是对托勒密体系的修补，而是对整个参照系的重新设定。这种能力根植于对既有前提的根本性质疑，而 AI 以既有数据分布为基础的训练方式，天然倾向于在分布内做插值，而非进行外推式的框架跃迁 [5]。

价值判断、意义建构、框架转换，这三者在任何一所大学的计算机科学核心课程中都不占据中心位置，但在哲学系、历史系、文学系的研讨课上，它们恰恰是日常训练的基本动作。

在进一步讨论人文素养的职业价值之前，有必要清除几个长期以来妨碍讨论的认知障碍。

这可能是流传最广的简化论。

会背诵唐诗、知道柏拉图著有《理想国》、能列举文艺复兴三杰，这些属于文科知识的范畴，与人文素养的关系大致相当于背诵元素周期表与科学素养的关系。

人文素养的本质不是知识的库存，而是一套思维的操作系统：对人的处境保持敏感的习惯；在量化数据和效率逻辑之外关注感受与意义的自觉；在「既然技术上可行那就做吧」的惯性中，保留追问「这真的对吗」的空间。

一个修读了四年中文系但从未认真面对过价值追问的人，和一个人文素养深厚但专业是计算机科学的人，后者更接近这里讨论的样本。

这种判断在中文语境里尤为根深蒂固。

「学好数理化，走遍天下都不怕」的叙事主导了几代人的教育选择，人文学科被自动归入「无用」的分类。

但若审视那些在各自领域改变了底层范式的人物，会发现「无用」的人文学科训练往往构成了他们最核心的认知武器。

Steve Jobs 在 2005 年斯坦福大学毕业典礼演讲中详细讲述了他在 Reed College 旁听书法课的经历，指出那门看似与计算机毫无关系的课程，最终定义了 Macintosh 电脑的字体美学，进而影响了整个个人计算行业的信息呈现方式 ^[6]。

Sam Altman 在多次公开访谈中提到，他在斯坦福修读的是计算机科学，但对他思维方式影响最深的阅读来自哲学和历史——不是因为这些书提供了实用技能，而是因为它们帮助建立了在极端不确定性中维持判断力的认知框架 [7]。

「有用」与「无用」的划分本身就是一种认知短视。

判断力、审美、共情、道德感，这些能力的共同特征是在短期内看不出直接的功利回报，但长期来看，它们决定了一个人在复杂系统中做出高质量决策的概率。

将人文与科技设置为对立的两极，这种思维框架本身就是人文素养匮乏的表现。达芬奇同时是艺术家和工程师。本杰明·富兰克林同时是政治哲学家和实验科学家。

在当代语境下，学术界的一个明显趋势是：在 AI 伦理和 AI 对齐的研究领域中，哲学家的参与正变得越来越重要，因为他们提供的是技术社区内部难以自发产生的概念框架——例如能动性、责任归属、公平的形式化定义——以及对这些概念局限性的批判性审视 ^[8]。

最优秀的技术专家往往兼具深厚的人文素养，不是说「虽然从事技术工作但也读些文学」，而是「正因为读文学，他们从事技术工作的方式与同行有所不同」。

AI 时代的决策者面临一个历史性的悖论：决策所需的信息从未如此丰富，但做出正确决策的难度并未同步降低。过去决策的主要障碍是信息不足，现在的问题是信息过载。任何一个商业决策，AI 都能在几秒钟内生成详尽的分析报告、多种预测模型和海量的竞品动态摘要。

但信息本身不会自动转化为判断。

判断力的核心不在于掌握更多数据，而在于知道什么数据在当前情境中真正重要。这种能力无法从数据中自动涌现，它来自对「人」的理解：用户在什么具体情境中使用产品？他们的真实动机与问卷回答之间有多大偏差？特定市场中的权力关系和文化潜规则如何影响决策的接受度？

一个常被引用的案例：2024 年，某头部互联网公司的产品团队计划上线一个 AI 功能，所有定量数据和 A/B 测试均指向用户会喜欢这一功能。

产品负责人，一位拥有人类学学术背景的产品经理，坚持反对上线。

她的论证不在数据层面，而在文化层面：该功能会让用户产生被监视和被操纵的感知，短期内用户可能因为便利性而接受，但长期将不可逆地侵蚀平台信任。

最终她的判断被验证：竞品抢先上线了类似功能，三个月内关键指标飙升，六个月后遭遇大规模用户抵制。

这个案例的启示不在于「人类学优于数据科学」，而在于数据和 A/B 测试能回答「用户会不会点击」和「短期留存如何变化」，但它们无法回答「这个功能与用户的长期信任关系是什么」或者「它在更大的社会文化语境中意味着什么」。

前者是可量化的技术问题，后者是不可量化的价值问题。

而回答后者的能力，正来自人文素养的训练。

AI 时代的工作组织越来越跨学科。

一个标准的 AI 产品团队同时包含算法工程师、后端开发、产品经理、用户体验设计师、运营策略师和市场营销人员。每个角色使用的概念框架、关心的优先级、默认的评判标准都截然不同。

人文素养在这一场景中的价值是「翻译」：不是中英文的语言转换，而是在不同思维体系之间建立可通约性。能否用工程师能够理解的语言解释一个用户情感需求？能否用设计师的审美框架讨论一个技术架构约束？能否用商业损益的逻辑翻译一个伦理风险考量？

这种能力在教育体系中几乎不设专门的课程来培养，但它往往是决定跨学科项目成败的隐性变量。大量技术方案本身在逻辑上无懈可击，但因为团队之间无法建立有效的意义交换而最终流产。比较文学训练中在不同文化文本之间寻找共同结构的能力，人类学训练中在陌生社群里迅速识别意义系统的能力，修辞学训练中根据受众调整论述策略的能力，这些恰好构成了跨话语体系翻译的核心技能组件。

AI 系统在解决问题方面表现卓越：给定一个定义清晰的问题，它在既有知识空间内搜索最优解的效率远超人类。但 AI 不擅长定义问题本身。

而问题定义——「我们到底应该解决什么问题」——才是创新的真正原点。被反复引用的亨利·福特句式——如果 19 世纪末的人被问到想要什么，他们会回答「更快的马」——尽管这句话本身的出处存在争议，但它准确地刻画了问题定义跃迁的结构：从「如何让马跑得更快」到「如何让人更快地从 A 点到达 B 点」，前者是优化，后者是创新^[9]。

问题定义的能力不可能凭空产生。它需要对人类处境有深度的理解：人们在哪些具体情境中感到痛苦？哪些需求是他们自身尚未意识到的？一个技术方案被放置在更大的社会文化背景下会引发怎样的连锁反应？这些追问从来不是纯技术问题，它们在本质上属于人文学科延续了数个世纪的核心关切。

在 AI 时代，最容易被替代的是任务执行者：接受既定指令并完成交付。最不容易被替代的是问题定义者：看到别人尚未看到的问题，定义别人尚未意识到的需求，设定别人尚未采用的参照框架。而问题定义者所需的核心素养，恰恰是人文教育的传统领地。

这可能是未来十年人文素养最具增长性的职业价值所在。

AI 系统正在被部署到医疗诊断、司法量刑、教育评估、金融信贷和国防安全等深度嵌入社会结构的领域。每一个部署决策都捆绑着深刻的伦理问题：算法偏见的来源如何识别与纠正？隐私与数据权利的边界如何界定？自动化决策的透明度和可解释性的最低标准是什么？当 AI 系统的决策导致实质性伤害时，责任如何在开发者、部署者和使用者之间分配？

这些问题不可能由技术人员独立解决。不是因为技术人员缺乏伦理关切，而是因为伦理推理构成一套独立的、需要专门训练的专业能力。正如不能期待一位优秀的桥梁工程师天然具备法学家的素养来处理工程合同纠纷，也不能期待算法工程师天然具备处理复杂伦理困境的能力。

欧盟《人工智能法案》于 2024 年正式通过、分阶段生效后，全球范围内的 AI 合规正在迅速成长为一个新的职业领域 ^[10]。而这一领域的核心能力并非编程技能，而是理解和解释法律文本、评估技术部署的社会影响、在风险分级框架中做出专业判断、以及在技术可行性、商业效率和基本权利保护之间寻找均衡点。其中的每一项能力都要求在人文和技术的交叉点上接受过系统训练。

至此的讨论集中在职业场景中的工具性价值。

但人文素养的角色不止于「帮你找到更好的工作」。如果止步于此，它就确实只是另一种实用技能。更值得关注的，是它在更深层面上作为个人认知基础设施的功能。

算法推荐系统和生成式模型的大规模部署，正在产生一个容易被忽视的效应：认知产出的同质化。

当大量文本、图像和决策辅助由在相似数据分布上训练的模型生成时，表达的多样性在统计层面上被压缩，边缘视角和异质性判断在市场中被进一步边缘化。

深度阅读、批判性思维和审美判断的训练，构成了抵御这种同质化压力的免疫系统。

一个在文学阅读中习惯了面对歧义和多义性的人，更可能识别出算法生成文本中隐含的简化叙事。

一个在历史学习中习惯了追溯长时段因果关系的人，更可能对短期数据波动保持审慎。

一个在哲学训练中习惯了检视前提假设的人，更可能在群体共识中发现未被质疑的默认设置。

在职业语境中，这种免疫力转化为更敏锐的风险感知和更克制的从众冲动。两者都是高质量决策的必要条件。

AI 时代最弥漫的社会情绪是焦虑。

技术变革的速度持续超过个体心理适应的节奏，每一代新模型的发布都引发一轮关于职业身份安全的集体焦虑。

这种焦虑的结构性根源在于：当个体的自我价值高度绑定在「能做什么」上时，一旦「做」的层面被技术替代或降级，自我认同的根基就会松动。在农耕文明向工业文明的转型期中，类似的焦虑以不同形式反复出现。

19 世纪初的卢德运动、20 世纪中叶自动化讨论中的「失业恐慌」、1990 年代互联网兴起时的「中间商消亡论」，本质上都是同一结构在新技术条件下的重演 [11]。

人文素养的价值不在于消除这种焦虑，而在于提供一种不依赖于特定技能标签的自我理解的锚点。文学、历史、哲学与艺术的训练，在可见的技能层面之外，培养的是容纳能力：容纳不确定性而不崩溃，容纳复杂性而不退回到简单答案，容纳意义感的暂时丧失而不放弃追问。在一个一切都在加速的时代，这种容纳能力可能是最重要也最被低估的生存资源。

在可预见的未来，一个人一生中经历多次职业方向转换将从例外变成常态。一份当下稳健的职业，五年后可能已经不存在或以完全不同的形态存在。在这种环境中，最重要的不是对某个知识领域的深度掌握——具体知识的半衰期正在持续缩短——而是快速进入任何新领域并定位关键问题的能力。

人文素养的训练恰好匹配这种元能力的需求。阅读一部不熟悉时代的史书，需要快速理解一个完全陌生的社会结构、价值体系和因果网络。分析一首来自未接触过的流派的诗歌，需要敏锐捕捉语言的质地、意象的组织方式和文本与语境之间的张力。这些训练的共有本质是：在信息高度不完备的条件下，建立对复杂系统的初步理解，并找到最具解释力的切入点。这种认知运作模式，与在一个全新行业中快速建立判断框架所需的核心能力，在结构上是同构的。

将讨论从「为什么重要」推进到「怎么做」，以下提供几条具体的、可执行的路径。这些建议不是「多读书多思考」式的泛泛而谈，而是指向特定认知习惯的刻意训练。

不是泛泛地增加阅读量，而是刻意阅读那些与既有观念构成张力的文本。

技术乐观主义者需要接触技术批判传统的核心著作：Jacques Ellul 的《技术社会》（La Technique, 1954）、Neil Postman 的《技术垄断：文化向技术投降》（Technopoly, 1992）、Evgeny Morozov 对「技术解决方案主义」的系统性批评。

人文背景的读者同样需要深入阅读技术史和工程实践的一手资料，理解技术系统的实际运作逻辑而非停留在外部批判。

对抗性阅读的价值机制很简单：它强制认知系统走出舒适区，习惯于同时从多个互不兼容的角度审视同一问题。这恰恰是当前 AI 系统在架构层面难以实现的能力。语言模型的输出基于训练语料中的统计分布，倾向于反映「平均化」的视角组合，而突破性的洞察往往来自非平均的、边缘的视角碰撞。

现象学传统中有一个核心的方法论姿态：悬置判断（epoché），先仔细观察和描述事物的显现方式，再进入解释和评价。这种姿态在当代信息环境中具有了新的实践意义。

选取一件日常事物：日常使用的某个应用、所在组织的例会流程、居住城市的某个公共空间，尝试用一千字的篇幅进行纯客观描述，不加入任何评价性语言。这个练习的难度往往超出预期，因为日常思维习惯性地跳跃到「好/坏」「有用/没用」「喜欢/不喜欢」等判断范畴，而绕过了对事物本身的细致察觉。

这一练习训练的是对现象本身的敏感度。在 AI 可以高效生成评价和判断的语境下，能够回到事物本身、看到被大多数观察者遗漏的细节，正在成为一种越来越稀缺且在决策中越来越有价值的认知品质。

选择一项几乎不可能转化为经济收益的活动，以一年的时间单位认真投入：一门乐器、一门外语（尤其是冷门语种）、书法、陶艺、观鸟、诗歌写作。具体形式并不重要。

重要的不是最终达到的技能水平，而是在持续投入的过程中体验一种「不以效率为最终评价标准」的专注模式。AI 时代的底层逻辑是将一切人类活动纳入效率最大化的框架中加以优化。但人类精神场域中最具根本性的那些体验（爱、美、意义感、超越性体验）全都不遵循效率逻辑。需要有意识地保留一块不被这一逻辑完全殖民的精神空间，「无用」之事是维持这一空间的有效锚点。

在 AI 可以高效生成任何书籍的内容摘要的时代，亲自通读一本原著正在从「信息获取的必要手段」转变为「保持思维独立性的关键实践」。

AI 生成的摘要能够准确地传达一本书的「主要论点」，但它永远无法传递真正的阅读体验：被一段具体文字在一个特定时刻击中的体验、与一位数百年前的作者产生的超越时间的对话感、在反复阅读中逐渐意识到自己最初理解之浅薄的知识上的谦卑。

这些构成了阅读不可被外包的价值。

这个建议在 2026 年说出，其含义与十年前已经不同。

主动选择「慢阅读」不再是对前数字时代的怀旧，而是对认知自动化趋势的一种自觉干预。正如在自动驾驶技术普及的时代，手动驾驶从日常交通方式转变为一种爱好和运动；在 AI 辅助阅读的时代，亲自阅读也正在从信息获取的默认方式转变为保持认知独立性的刻意练习。

定期进行不为任何外部读者、不为任何发表目的的写作实践，且在这一过程中不使用 AI 辅助生成。

不是为了涨粉，不是为了内容创作，甚至不是为了形成可保存的文本。目的就是纯粹的写作行为本身：将一团模糊的感受转化为清晰的句子，将隐约的判断组织成可追溯、可质疑的论证链条，将零散的观察编织为具有内部结构的叙事。这个过程的价值不取决于最终产出物的质量，而在于写作行为本身就是最高密度的思维方式之一。

常见的误解是「想清楚了再写」。认知过程的实际情况往往是反过来的：只有尝试将模糊的想法转化为明确的语言表达，才能真正意识到自己原先「以为想清楚了」的地方有多少缝隙和跳跃。将一个直觉转化为可被他人理解的文字序列的过程，本身就是一次不可替代的深度思考练习。AI 可以生成文字，但只有人可以选择是否思考。

长期以来，职业话语体系习惯性地将编程、数学、数据分析归入「硬技能」的范畴，将沟通、审美、批判性思维归入「软技能」。这一分类暗示了清晰的价值排序：硬技能是「真正的」能力，软技能是锦上添花的补充。

AI 时代正在从根本上瓦解这一分类的认知基础。所谓硬技能，即可以被精确定义、标准化评估和流程化执行的技能，恰恰是 AI 系统以最快速度掌握的对象。而所谓软技能，即难以被清晰定义、难以被量化评估、难以被流程化复制的能力，反而在自动化浪潮中显示出最强的韧性。

这不是在说人文素养「突然变得有用了」。

恰恰相反，这一变化揭示了一个长期被遮蔽的事实：那些被认为「无用」「低效」「不可量化」的能力，从来都是人类认知和创造活动中最核心、最具决定性的组成部分。

AI 时代的真正贡献，或许不在于它替代了什么，而在于它反衬出了什么才是真正不可替代的。

当「怎么做」的问题已经或正在被技术手段充分解决之后，那个被推迟了数个世纪的问题终于以一种不容回避的方式摆放到了每一代劳动者面前：

做什么。

为什么做。

而这两个问题，从来都是人文学科的领地。

参考

1. ^Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv preprint arXiv:2303.10130.
2. ^LinkedIn. (2024). Global Talent Trends 2024: The rise of skills-based hiring. LinkedIn Talent Solutions.
3. ^McKinsey Global Institute. (2024). A new future of work: The race to deploy AI and raise skills in Europe and beyond. McKinsey & Company.
4. ^Vallor, S. (2016). Technology and the Virtues: A Philosophical Guide to a Future Worth Wanting. Oxford University Press.
5. ^Kuhn, T. S. (1962). The Structure of Scientific Revolutions. University of Chicago Press.
6. ^Jobs, S. (2005). Stanford University Commencement Address. Stanford News, June 12, 2005.
7. ^Altman, S. (2023). Interviews and public remarks on AI, philosophy, and decision-making. Multiple sources including The New York Times, The Atlantic, and Lex Fridman Podcast.
8. ^Gabriel, I. (2020). Artificial intelligence, values, and alignment. Minds and Machines, 30(3), 411–437.
9. ^Vlaskovits, P. (2011). Henry Ford, innovation, and that "faster horse" quote. Harvard Business Review (online), August 29, 2011.
10. ^European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.
11. ^Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3–30.