Thought Leaders
January 8, 2026
技艺是黑匣子尽头的光
如今，在不完全理解技术原理的情况下构建、部署和扩展技术，变得前所未有的容易。几乎今天的一切都在无需我们理解的情况下运行。然而，我们始终有一种感觉，控制权正从指缝中溜走。如果你仔细观察，今天缺失的，是曾经存在于每一项伟大创新核心、如今正慢慢淡出技术图景的东西——技艺。每一项创新都承载着一丝精心的关注。有人曾深入钻研，以理解依赖关系、行为和约束，并将这些知识转化为一个可运行的系统。回到现在，支撑我们日常生活的工具和平台以预构建、完全组装好的形式出现，速度快得惊人，但其内部运作机制几乎完全不可见。技艺开始显得不合时宜，或者说，在一个痴迷于速度的文化中显得激进。然而，没有技艺，系统就有可能沦为事件的漩涡：一个黑匣子，其中的决策、输出和行为以任何人都无法完全理解的速度展开。重燃技艺，是在一个被AI重塑的世界里，夺回部分控制权、恢复对复杂性的推理能力并承担责任的一种方式。没有所有权，协作能蓬勃发展吗？曾几何时，构建系统的人对其了如指掌。如今，工作被分割成微小的贡献，稀释了这种所有权意识，常常到了参与者无人理解整体的地步。团队为一个庞大得多的系统贡献专业化的部件，将库、API、云服务、托管数据库和分析平台集成到一个可运行的产品中。颇具讽刺意味的是，团队直接拥有的部分，往往比外部供应商管理的层级还要小。对执行的关注超过对技艺的关注，会引入盲点，这些盲点可能在系统的各个层级悄然累积。一个请求在返回响应之前，会穿越多个服务、提供商和区域。一切运行良好，直到这些层级之间微小的不匹配暴露出人们实际上拥有的清晰度或控制力是多么匮乏。问题不仅在于修复故障组件，更始于解释最初到底哪里出了错。协作确实是现代软件的引擎，它使团队能够构建任何个人都无法单独管理的庞大系统。随着新工具，尤其是AI工具的加入，更多工作可以并行化，更多决策可以自动化或得到辅助，从而加速执行并扩大参与度。但这同时也稀释了理解。当高度抽象的工具介入决策、生成代码或解释数据时，行动往往会超越理解。毕竟，如果你无法解释一个系统如何工作，你能信任它所驱动的决策吗？你能理解的系统，才是你能为之负责的系统技艺并非要拒绝协作或AI不可否认的潜力，而是要维持一种超越执行层面的、与系统的关系。它关乎在碎片化的工作环境中创造连续性，并保持跨层级（而不仅仅是层级内）推理行为的能力。在现代工作流中，技艺最终归结为刻意培养这种推理能力，即使没有明显证据表明有任何问题。它让团队能够快速前进，同时仍然知道他们在构建什么、它为何如此行为，以及当它不按预期运行时如何应对。只有这种理解才能防止AI驱动的系统变成黑匣子。问题是，AI会放大你已知和未知的东西。当你的基础建立在技术技艺之上时，AI能扩展洞察力并增强实力；否则，它会加剧误解和混乱。基于有缺陷的假设、偏见数据或被误解的模型做出的自动化决策，可能会影响人们的账户、隐私和信任。曾经可能只是局部故障或微小疏忽的问题，如今由于触及生活各个领域的互联性，几乎可以瞬间产生广泛的影响。扁平化学习曲线的真实代价如今，学习曲线被如此激进地扁平化，以至于依赖开始看起来很像效率。警惕这种权衡很重要。许多让工作感觉更快的速度，来自于依赖工具和抽象，而非深刻的理解。如果节省的时间和精力以不可预见的后果为代价，很快就会适得其反。这并不是说，在存在更简单方法和强大工具的情况下，要把事情搞得比必要的更难。但轻率地跳过这些曲线，就失去了真正理解系统行为方式、漏洞所在以及决策如何在系统中产生连锁反应的机会。让复杂性消失的诱惑是诱人的，但复杂性不会简单地随着点击按钮而消失。它只是移出了视线，留下了只有在出问题时才会显现的隐藏风险。真正的效率来自于平衡使用现代工具与为理解、判断和技艺付出的应有努力，从而使速度和简单性不以弹性或责任为代价。以理解新技术能做什么和不能做什么的态度来接近它们。没有这种理解，团队就失去了安全地适应或演进系统的能力。变更可能会破坏系统中未被充分理解的部分。随着对工具、默认设置或自动化的依赖取代了有根据的直觉，判断力会受损。这反过来又降低了在不确定性下做出明智决策的能力。可解释性也随之下降，而弹性则与精通一同湮灭。效率本不该如此脆弱。实践中的技术技艺是什么样子技艺体现在团队、产品和领导层如何处理复杂性上。当团队承担起理解他们所依赖系统的责任，而不是假设供应商处理了所有复杂性时，他们就能领先于问题。以技艺构建的产品旨在持久、演进和适应。强调追溯原因、质疑假设和构建直观解决方案的培训，能确保学习是嵌入式和持久性的。简而言之，运用良好判断力和保持可解释性的能力，将是伟大产品与仅仅能运行的产品之间的区别。在复杂、互联的系统中，必须由人类的直觉和精通来引导技术，而不是相反。重要的是要记住，虽然你几乎可以外包任何东西，但辨别力仍然不在其列。
