近來最常見的AI焦慮，不是「它會否搶走飯碗」，而是更日常的問題：用得多，人會不會變蠢？學生用ChatGPT做功課，打工仔叫AI起email，programmer讓Copilot補function，analyst把資料丟進模型要它先寫摘要。這些做法當然省時，但本質上都是把原本要自己做的思考，暫時外判給機器，心理學把它叫做cognitive offloading。
問題在於，外判有價。今日你少寫一封email，少debug一段code，少自己搭一個分析框架，效率固然高了，練習也少了。這亦正正可能是它最危險地方：它幫你快，卻未必幫你長本事。
互補程度愈低 易「去技術化」
麻省理工學院兩位學者最近有篇研究值得和大家分享一下【註】。作者把AI的生產力拆成兩部分：第一部分，是AI不靠你本身能力都可以直接交到貨的產出；第二部分，是AI與人的能力互補的部分，也就是你自己愈有判斷力、經驗和基本功，AI愈能被你用得其所。與此同時，AI亦會減少練習，令技能慢慢折舊。
研究的理論有趣的分析是，即使你完全知道技能會流失，用AI仍然可能是理性選擇。今天趕deadline，老闆只看今季KPI，學生只求明天交功課，誰會為3年後的能力折舊而拒絕眼前的方便？於是一個可能的情況是，開始採用AI時產出上升，但長遠穩定下來之後，你的能力和產出反而比未用AI時更低。若制度本身又特別短視，名義上你的產出是增強，結果卻是個人能力比一開始不用AI時更差。
什麼情況最容易「變蠢」？第一，是AI太獨立，與人的能力互補程度太低。像文案寫作、初級分析、客戶服務，AI幾乎做晒，人只負責按掣和複製貼上。第二，是短視誘因太強。香港打工仔對這點一定不陌生。上司看「做事效率」、季度表現，員工為升職自然願意把更多工作丟給AI。這就是典型的誘因不配合，老闆拿到短期好處，員工承擔長期折舊。
第三，是技能沒有外部價值。若你學的只是公司內部prompt、專有工具和格式，離開公司未必有用，人便更容易放棄真正可攜帶的基本功。第四，是過早使用AI，尤其是新手。未識寫，就先學改稿。未識做model，就先問ChatGPT拿答案。研究的一個結論，正是在互補程度低的場景下，高手會愈來愈識用AI，新手則可能一路「去技術化」，最後沒有AI便做不到。
電腦程式工程師是最好例子。資深工程師用AI寫boilerplate、找bug、起單元測試，很多時候都屬互補程度高的情況，因為他知道哪段程式可用，哪段只是看似可用。但若新手連一些電腦程式的基本概念都未搞清楚，就靠AI生成一組程式再提交，短期像開了外掛，長期卻是把debugging能力直接典當。
長期恐培養不出中層人才
學生用ChatGPT做功課都一樣，若它只是幫你整理思路、指出盲點，可能是補習老師。假如它連答案、論證、例子都包辦，學生交到功課，腦袋卻沒有上課。顧問或分析員的處境更微妙。AI很適合起草稿、寫報告、整理訪談，但初級分析員原本就是在這些「苦工」中學會framing、取捨和判斷。如果一入行就把報告交給AI先寫，公司短期賺到生產力的提升，長期卻培養不出中層人才。
醫生的例子最能看出互補程度的分別。若AI只根據症狀自動給出流水式診斷，而醫生只是照單執藥，那就是互補程度低，久而久之臨床判斷會鈍化。若AI幫忙讀片、提示罕見可能、整理病歷，而最終診斷仍要靠醫生理解病人脈絡，那就是互補程度高。AI不是取代判斷，而是令好判斷更值錢。
換言之，AI會否令人變蠢要看情況。不過，在香港，我們的職場本來就重KPI、重速度、重即時交貨。教育上又長期迷信標準答案，補習文化本就鼓勵「最短路徑解題」。當AI把這條最短路徑壓到幾乎零成本，我們是會更聰明，還是只有更快拿到答案？
No comments:
Post a Comment