“眼高手低”一度用来形容很多职场新人的做事态度：好高骛远、不愿意做基础工作、纸上谈兵且缺乏实际执行力。有了生成式AI以后，坊间开始热议“眼光”、“品味”与“判断力”的重要性，“眼高手低”的问题一夜之间被解决：只要“眼光高”、有“想法”，AI就能完美代劳低端的重复性的工作。然而，我想问：所谓的眼光、品味、战略判断，是从哪里来、又是由何人制定的？对负责培训职场新人的导师，以及AI时代的教育者（尤其人文创意领域）来说，这个问题尤为迫切。如果新人们跳过基础的手部劳动，他们拿什么去构建足以审视AI产出物的高阶“眼光”？
我必须指出：当下诸多强调“眼光”和“战略品味”的论调，很可能成为回避落地能力的人偷懒取巧的借口；AI省下来的时间，不会也不可能转换为更深层的学习。若为追求效率，而绕过那些需要亲力亲为、直接影响产出质量的劳动，却因此压缩了本该拥有的学习与探索时间，这种取巧，只会掏空专业判断力。说句大白话：你只看到AI替你把活干了，却看不懂它是怎么干的，也不知道从哪里入手改进。
这种高阶评估眼光的形成，依赖于一类特殊的知识：隐性知识（Tacit Knowledge）。知识管理学界在讨论技能习得时，经常援引迈克尔•波兰尼（Michael Polanyi）提出的两类知识框架：一是显性知识（Explicit Knowledge），可以通过文本、教程和公式传授；一是默会知识（Tacit Knowledge，亦称隐性知识）：必须依靠长期实践、犯错、纠错以及师徒间的“传帮带”才能“意会”。波兰尼那句常被引用的箴言，至今竟然尤其应景：“我们所知道的超出了我们所能言说的（We can know more than we can tell）”。
如今大语言模型所有prompts、skills的设计，基本都是依赖文字，而且绝大多数着眼于短期效果。AI的介入究竟如何重塑师者对学徒长期的熏陶与历练，至今仍是一片无人深究的空白。这背后或许有两层原因：其一，AI工具（尤其是当下热议的AI agent）本身的应用史尚短，尚未积累出足以观察长期效应的时间尺度；其二，也更为刺耳：大量部署AI agent的机构或团队，未必能“活”得足够久，久到支撑起一项传播学意义上的长期效果研究（三年计、甚至十年计）。表面原因是资金链断裂、商业模式未被验证、外部政策制约，但根本原因大多是创始人本身能力有限，饼画得再漂亮，其实没有落地的本事。这就像育儿：除了告诉孩子规矩和方圆，还有长期的陪伴和言传身教，这恰恰是很多家庭中，夫妻一方长期缺失的遗憾，此不细述。我必须指出：AI可以提供选项，但代替不了你要走的路，AI可以提供思路，但不能提供长期成长所需要的陪伴与历练。
笔者想起2006年底本科时期，自己曾在广东体育频道短暂实习，彼时正值一届大型国际赛事季，每日的工作，一半是搜集海量赛程表，一半是在剪辑室里手工拼接足赛球进球集锦（哪怕是射偏的惊险镜头）。那是数字非编尚未完全普及的年代，剪辑室里用的还是最经典的“对编机”：两台录像机并排、两块监视器对照的线性编辑系统：左边放着堆积如山磁带的源机（Player），右边是负责合成输出的录机（Recorder）。每日的重复机械工作，便是用手边的搓轮（Shuttle Wheel）来回搓动磁带寻找入点、按下IN与OUT键标记剪切点，快进、慢放、点位、录制，往复千百次，把一段进球集锦从磁带的海洋里“打”出来。如今，相当多的AI体育视频服务平台已能实现近乎实时的精彩瞬间自动识别与切片分发。然而，算法虽然能以极高的效率替代这位苦哈哈的实习生，却永远无法理解每一次射门前夕、足球在空中划过弧线时那一瞬间的悬念与观众的共情，这是体育赛事至今让人欢喜、抓狂、饮恨的源泉。出色的体育记者接受的若干训练之一，就是在看过几百场进球、忍受了物理时间的反复折磨之后，逐渐领悟镜头拼接背后的叙事节奏与张力，进而练就日后报道大型国际赛事的把关力。
编程领域的vibe coding（氛围编程）风潮，把这一矛盾暴露得更加彻底。斯坦福大学的课程CS146S《现代软件开发》（The Modern Software Developer）曾在内地自媒体上被炒得沸沸扬扬，起因是主讲人告诉学生们课程的主旨就是教你在不编写一行代码的情况下进行编程开发，于是不少自媒体断言“程序员末日已到”、“AI时代编程已可以彻底脱离技术门槛”。但该课程的官方页面写得很清楚：该课程先修课程包括操作系统原理（CS111）、人工智能（CS221）或机器学习（CS229），这不是零基础，而是要求学生具备扎实的系统设计能力与工程思维。与此同时，市面上大量面向“零基础”大众的vibe coding速成课，却标榜“学习者只需用日常语言描述想要什么，便可与AI协作，让其瞬间完成设计、搭建与部署”，这里多少有些吸引流量的话术。
在创意数字绘画领域，优秀的数字绘图并非单纯源于工具的堆砌，而是深植于传统的笔触直觉。一个真正亲手拿过画笔、在纸张上感受过阻尼与力度变化的设计师，比那些从未经历过实体训练、直接使用Photoshop上预设框架的创作者，更能敏锐地洞察到画面细节中的端倪。使用AI生成图像的设计师，绝大多数可能没有系统学习过CMYK的四色油墨如何在纸面上叠印出真正饱满、有厚度感的黑，也没有真正走进印刷车间，用手指摸过80g轻涂纸的轻薄、157g哑光铜版纸的细腻磨砂感，或350g厚卡纸边缘那种带着阻力、几乎能划破指腹的锐利的触感。这些身体记忆无法被任何Prompt复刻，却恰恰是判断一张设计稿“印出来”效果的关键。
智能时代的教育与技能培训，改进的路线变得清晰：在所有由AI赋能的课程体系（AI-powered Curricula）中，可以试图加入哪怕是带有某种仪式性的手动环节。目前已有部分前沿新闻学课堂开始尝试一种复古式教学：强制要求新人在学期前半部分实地采访中仅使用传统的纸笔和肉眼进行一线观察，拒绝任何AI辅助的选题策划、数据分析，以及AI提炼工具。只有在完成了最笨拙的肉体介入与感官浸润后，再引入大模型进行辅助分析。笔者去年在manbetx20客户端下载 的《当AI接管思考与表达：人类创意会被边缘化吗？》一文中也提出一个课堂练习：比较人和AI报道的得失。“先人工、先具身，后智能”，通过重复的身体劳动获得学习的知识与感受。
体验式教学的另一功能，在于培养学生识破AI生成物幻觉与偏见的能力。笔者上学期为香港城市大学媒体与传播系整合传播营销硕士专业（MAIMC）新开设了一门“生成式人工智能与数字营销”课程，曾特意演示过一个经典的算法偏见陷阱：想象要给来香港读传媒专业的硕士生推销一款“熬夜赶due续命咖啡”。我们从各大论坛筛选出“优秀的”提示词，直接输入给Claude，要求其生成目标用户画像（User Profiling）。结果，大模型瞬间产出了一份极其流畅但高度刻板的画像：Mary，一个来自纽约、生活优渥、热爱社交的女大学生。这届学生以内地赴港读书的同学居多，大家哄堂大笑继而深思：因为这个由西方文本语料统计出的“平均数女孩”，根本无法代表经常往返深港关口、刷小红书、喝奶茶、适应普粤英三语文化的香港高压求学群体的消费痛点。解法依然是回归最传统、看起来最笨的实操：老老实实走进社区、开展实地调研与访谈。
最后，走进基层的体验也许可以激发真正的创意灵感（Creativity）。尽管网络上充斥着利用大模型进行脑力激荡（Brainstorming）的各种教程，诸如神秘兮兮的、每次问AI后都加两个问题：“我遗漏了什么（What did I miss out）？”和“我未曾意识到的盲点是什么（What didn’t I realize）？”，这类反思性Prompt确实能给出逻辑自洽的清单。然而，这种基于符号概率组合的灵感，无法替代人类在现实世界中的真听、真看、真感受，以及由于偶发事件而不得不随机应变而点燃的灵感火花。
（张昕之是香港城市大学媒体与传播系副教授，他考察人工智能对新闻生产、传播生态与政策制定的影响，以及由此推动的媒体创新转型。责任编辑邮箱：catherine.li@www.acphonor.com）