# 13.5 AI 在非技术行业的应用 > AI 不是只有程序员才能用。医生、律师、编辑、老师……每一行都在悄悄用 AI 重新定义工作的方式。 ## 13.5.1 文学与新闻：创意工作者的新伙伴 ### 13.5.1.1 写作辅助的新时代 想象一个编辑面临的日常困境：你要写一篇关于《远程工作的未来》的文章，脑子里只有碎片想法。以前，你需要花一整个下午来整理思路、组织框架。现在，你可以把这些片段扔给 ChatGPT 或 Claude，用一句话的提示词（“请根据这些关键词组织成一篇 1500 字的文章框架，要求逻辑清晰、开头有趣、结尾有启示”)，AI 会在几秒钟内给你一个完整的骨架。你的工作就变成了填充细节、调整语气、加入个人见解。 这听起来像是简化了工作，但真正的变化更深层。许多自媒体作者已经把 AI 当作“虚拟编辑”——他们负责创意和把关，AI 负责草稿、润色、标题优化。效率是否显著提升，取决于题材、素材质量和作者的审稿能力。更值得问的是：当创意的“前期工作”可以外包给 AI 时，什么东西才真正是“属于人的创意”？ 更值得深思的是，这种变化正在改变创意工作的本质。传统的写作痛苦——在空白页前的思考、推敲、删除、重写——这些过程本身曾经是磨练思想的方式。如果 AI 帮我们跳过这些，我们失去的不只是时间成本，还可能失去深度思考的机会。 ### 13.5.1.2 翻译的民主化 一份来自日本合作方的技术文档，用翻译软件翻出来的中文生硬刺耳。以前，你可能需要请专业翻译并等待交付。现在，用 Google Translate、Gemini 或 Claude 翻译，再由懂业务的人校对，常常能更快得到可用版本。 特别值得注意的是，AI 翻译在处理创意内容时的进步——广告文案、品牌故事、市场营销文案——现在 AI 能理解文化背景、保留韵脚和音感，而不是机械地逐字翻译。这意味着什么？它意味着翻译这门曾经被认为“最需要人的判断和文化感受”的工作，现在也可以被显著加速了。 但这也引发了一个古老的问题，换上了新的面孔：翻译本身的价值是什么？如果翻译的结果可以被 AI 在几秒内完成，那么翻译工作者的价值是不是就只在于那最后 10 分钟的校对？我们是否低估了翻译工作中那些“看不见的”部分——比如文化理解、判断力、对歧义的处理——这些恰好是 AI 最容易出错的地方。 ### 13.5.1.3 新闻自动化与内容生成 美联社（AP）早在 2014 年就与 Automated Insights 合作，用 AI 自动生成上市公司季报的新闻稿。编辑输入财务数据，AI 在一秒内生成新闻，每季度产出约 3,700 篇财报报道。这让记者不再做那种“流水线”工作，能专注于深度调查。听起来是好事。 但问题随之而来。机器生成的内容往往缺乏深度和观点。如果数据有偏差，AI 会更有“信心”地放大谎言——机器不会像人一样产生疑惑、不会说“这个数字看起来不对劲”。更糟糕的是，当多个媒体都用同一款 AI 工具时，出现的内容会高度重复，互联网新闻的“多样性”逐渐消失。 真实情况是：AI 适合生成那些本质上是数据转换的内容——股价涨跌、体育比分、天气播报。但深度报道和调查新闻需要人类的想象力、伦理判断和原创思维。而这里隐含了一个更大的问题：我们是否正在把“新闻界”二分化，让高价值的工作越来越少，而把大部分记者推向越来越没有价值的工作？ ### 13.5.1.4 对传统创作的冲击与反思 作家最担心的问题简洁而尖锐：“我的创意被 AI 抄走了吗？” 答案很复杂。AI 是在数十亿文本上训练的，包括你的作品。但它不是简单复制，而是学习“写作风格”和“叙事手法”。一个有意思的观察是，AI 写的文章往往读起来“很像 AI”——逻辑清晰但缺乏灵气、出人意料但不深刻。这提示了一个可能：真正的文学作品源于经验、情感和独特视角，这些 AI 很难真正模仿，因为 AI 本质上是在重组而非理解。 但这种反思也暗示了危险。真正的文学作品所需的东西——独特的经验、真实的情感、深刻的思考——这些东西本身越来越稀缺。在一个 AI 可以快速生成“足够好”的内容的世界里，花几年时间去打磨一部真正原创的作品，其商业价值会急剧下降。创意工作者会面临一个残酷的选择。 未来的趋势很可能是分化。那些拥抱 AI 的人——把 AI 当工具，用它干脏活，把精力投入到只有人类才能做的事上——会更有竞争力。那些完全对抗 AI 的人会被边缘化。但最现实的问题是：在商业压力下，有多少文化空间能容纳那些坚持“只有人能做的事”的创作者？ *** ## 13.5.2 法律行业：AI 律师助手 如果说创意工作对 AI 有某种内在的抵抗力，那么法律工作看起来就更容易被 AI 渗透了。毕竟，法律工作的大部分本质上是“信息整理”和“模式匹配”——这正是 AI 最擅长的。但正因为如此，法律行业正在经历的变化值得我们更深入地思考。 ### 13.5.2.1 合同审查：从周到分钟 律师的传统工作流是这样的：一份 50 页的商业合同，逐条审查。速度快也得 2 到 3 小时，还容易遗漏风险。现在，你可以上传合同到 LawGeex（专门做合同审查的 AI 工具）或用通用大模型。AI 在秒速内识别出哪些条款对你方不利、涉及哪些法律风险、缺少哪些保护条款。律师审核 AI 的建议，做最终决策。 现实效果可能是节省大量初审时间。但这个变化意味着什么？律师的时间从“逐行扫描”转向了“谈判策略”和“风险决策”。听起来这是升级了律师的工作。但反过来想，这也意味着那些曾经通过“逐行扫描”来学习法律微妙之处的初级律师，现在失去了部分学习机会。 更深层的问题是关于判断权的责任。AI 有时会遗漏“隐性风险”——某个行业特有的陷阱、某种不成文但重要的商业惯例。AI 也可能过度警惕，把很多正常条款标红。最后的判断权必须在律师手里，但如果律师开始依赖 AI 的判断，他的判断力是在提升还是在萎缩？ ### 13.5.2.2 案例检索与法律研究 想找一份 10 年前的判决书，涉及类似的商业纠纷？以前花 3 天翻遍法律数据库，或花钱请助理跑腿。现在，用 LexisNexis（法律 AI 检索平台）或直接问 ChatGPT。输入：“找出所有涉及网络服务合同争议且被告胜诉的案例。”AI 秒出结果。 这是一个巨大的进步。但它也带来了一个微妙的风险：AI 的 knowledge cutoff 有日期限制，最新的判决可能还没进入它的“脑子”。更糟糕的是，AI 有时会“编造”案例号——这在法律领域是严重的伦理问题。这不仅仅是一个技术缺陷，而是涉及到法治本身：如果律师开始引用 AI 编造的案例来论证，那法律体系的整体可信度就受到了威胁。 ### 13.5.2.3 法律文书生成与专业身份的危机 起诉状、答辩状、合同模板……这些文书有固定的格式和套话。AI 现在能做得很好：输入关键信息（当事人、事实、请求），AI 生成完整的法律文书，符合格式要求，律师补充法律论证。 但这里有一条伦理的红线：AI 不能完全替代律师。一份合法有效的法律意见，必须由有资质的律师签字。AI 只是工具，不能成为法律服务的主体。许多国家的律师协会已经明确规定了这一点。 这里的核心不是“AI 能写得多像”，而是责任边界。法律服务需要有人承担专业责任；如果把文书生成和法律判断混在一起，风险就会从效率问题变成执业伦理问题。 *** ## 13.5.3 医疗健康：AI 医生的故事 医疗行业的 AI 应用与法律不同。这里的风险不仅仅是职业身份的问题，更直接关系到人的生死。这也是为什么医疗领域的 AI 应用最受伦理关注。 ### 13.5.3.1 AI 辅助诊断 一个患者去医院拍了胸部 X 光。医生的诊断是“可能是肺炎”，但还需要结合症状和检查结果。引入 AI 后，影像系统可以把 X 光与大量历史样本进行模式比对，给出几个可能诊断和置信度提示。医生基于 AI 的辅助意见，结合患者的其他症状，做最终诊断。 在合适的数据和流程下，AI 辅助诊断可能提升效率和一致性，也可能帮助初级医生减少漏看风险。这看起来是很好的配合——AI 提供数据支持，医生做最终判断。 但要小心。AI 是基于“常见病”数据库训练的。遇到“极罕见病例”时，它会表现得“非常自信但完全错误”。AI 看不到“患者的整体情况”。一个经验丰富的医生知道“病人一进来的气色和步态”可能比 X 光更能说明问题，但 AI 看不到这些。最终的诊断权必须是医生，责任也在医生。 这引发了一个深层问题：诊疗中最关键的东西是什么？是影像识别的准确性，还是对患者整体情况的理解？如果医生只负责“确认 AI 的判断”，他的临床判断力会变强还是变弱？ ### 13.5.3.2 药物研发的加速与其代价 传统药物研发周期长、投入高。AI 改变了什么？AlphaFold 让蛋白质结构预测这一关键环节取得突破；AI 也能帮助筛选化合物、发现候选靶点、识别更可能受益的患者群体。它不等于跳过临床试验，但能让早期探索更高效。 这是巨大的进步。但这也带来了一个潜在问题：在这种加速之下，我们是否充分理解了这些药物的长期效果？AI 预测的“有效性”还需要通过真实临床试验验证。数据库的偏差也会影响结果。 而且，还有一个更微妙的伦理问题：当药物研发如此高效时，谁能获得这些新药？定价会不会因为竞争而下降，还是因为稀缺而上升？AI 加速药物研发本来是为了救人，但如果只有富人能买得起，那这个进步对大多数人来说就不是真正的进步。 ### 13.5.3.3 医学影像分析的预测能力 AI 不仅能诊断，还能辅助预测病程。比如根据影像、病理和病史，提示某类患者的复发或转移风险较高。这能帮助医生更早讨论治疗方案。 但这引发了一个伦理困境。如果 AI 预测不准呢？如果医生为了“保险”而过度治疗呢？谁来承担后果？一个常见的场景是：AI 给出了高风险提示，医生基于这个提示推荐了更激进的治疗方案。结果患者并没有发生预期风险，反而承受了治疗副作用。责任在哪里？ 关键是不要把模型概率误读成确定事实。它只是基于有限数据的统计预测，仍然需要医生解释不确定性，并与患者共同权衡收益和代价。 *** ## 13.5.4 教育行业：让每个学生都有私人导师 教育领域的 AI 应用更加乐观，也最容易赢得支持。毕竟，谁不希望每个学生都能得到个性化的教学？ ### 13.5.4.1 个性化学习路径 传统教育的问题简洁而尖锐：班里 30 个学生，老师只能用“平均水平”的进度。学霸无聊，学困生掉队。AI 个性化学习的承诺很吸引人：学生做第一套题，AI 分析哪些知识点掌握了，哪些还有漏洞。AI 自动调整下一阶段的内容难度和重点。每个学生看到的练习题都是“专门为他量身定制”的。 国外的 DreamBox Learning（中学数学）、ALEKS（代数），国内的猿辅导、作业帮都在做这个。一些场景中，个性化学习能提高练习效率和反馈速度。这听起来很美好。 但有一个隐藏的代价。对自律性差的学生，AI 反而会放纵他们——“你弱项太多，我们先跳过数学，做更简单的”。这个设计逻辑是为了“保持学生的动力”，但结果是那些最需要挑战的学生反而被保护得更周密。此外，个性化学习本质上是“孤独的学习”。每个学生面对屏幕，做自己的题目。他们失去了与同学互动、从同学那里学习的机会。而这种同伴学习本身可能比内容本身更有价值。 更深层的问题是：教育的目的是什么？如果目的是“最大化考试分数”，那么 AI 个性化学习确实很有效。但如果教育还应该包括“社会化”、“学会与他人合作”、“在多样的环境中解决问题”，那么过度的个性化可能正在损害教育本身。 ### 13.5.4.2 智能批改与即时反馈的两面性 语文老师改 50 份作文，每份 20 分钟，共 16 小时。改完了学生也等不到反馈。AI 批改现在能秒速批改，即时给学生反馈。不仅给分，还给详细的语法错误、逻辑漏洞、表达建议。对相似错误进行分类统计，帮助老师了解全班的薄弱环节。 但这里有一个关键的限制：AI 擅长批改“客观题”——语法、拼写。对“主观题”——内容创意、思想深度——的评价往往很肤浅。一篇“打破传统”的好文章，可能被 AI 判低分，因为它不符合“标准模板”。 这个问题比看起来更严重。写作的最高价值不在于语法的正确，而在于思想的表达。一个真正创新的写作往往会违反某些规则，因为规则本身会框限思想。但 AI 的强项恰好就是识别和强化规则。所以，当 AI 成为学生写作反馈的主要来源时，我们实际上在用机器学习来训练人类的思想——这听起来像科幻小说中的反乌托邦。 ### 13.5.4.3 AI 辅导与学生自主性的侵蚀 学生晚上做数学题卡住了，家长也不会教。以前得等明天问老师，或花钱请家教。现在，问 ChatGPT、通义千问这类大模型。不仅给答案，还一步步讲解思路，甚至能根据学生的反馈调整解释风格。 教育工作者的焦虑很真实：学生为了“快速得答案”而放弃思考。一个学生可能永远不会知道自己是不是真的理解了那个概念，因为 AI 已经告诉他答案了。“我做的题目和网上的标准答案不一样”——这可能是创意解法，也可能是错的。但在 AI 的标准答案面前，创意解法显得像是浪费时间。 正确的用法是什么？AI 是“晚上 8 点没人答疑的时候的保姆”，不是“正式教学的替代品”。但在现实中，这条线很容易模糊。一个学生，如果他每次困惑都转向 AI，那他的独立思考能力还能保持吗？ *** ## 13.5.5 金融行业：算法驾驭风险 从文化和教育，转向金融。这里 AI 的应用更加干脆、更不带温度，但也更能反映出 AI 对人类社会的深刻改造。 ### 13.5.5.1 风险控制与反欺诈的双刃剑 一个电商平台每秒接收数万笔交易申请。如何快速判断“哪笔交易有欺诈风险”，又不误伤好客户？AI 风控系统分析数百个特征：交易金额、地点、时间、设备、历史行为……秒速做出决策：通过、需验证、拒绝。被拒的用户如果反馈“我就是要买”，系统学习，下次类似情况可能放行。 现实效果显著：支付宝、微信等大平台都在用机器学习做反欺诈和风控，能在海量交易中快速发现异常模式。这是重要的工程能力。 但问题也很现实。AI 的决策往往是“黑箱”。一个用户被莫名其妙地拒绝，他可能永远不知道原因。这很让人沮丧，因为在法治社会中，我们期望被告知“为什么”。某些 AI 可能无意中产生偏见——比如歧视某些地区、年龄的用户——但这种偏见隐藏在算法中，很难被发现和纠正。最后，黑客知道了 AI 的规则后，会专门设计来“骗过”它。 更深层的问题是关于权力和透明度。当 AI 系统掌握了决定用户是否能完成交易的权力时，但用户无法理解这个决定的逻辑，那么这个权力就变成了一种不受约束的权力。在金融领域，这种权力可能直接影响人的生计。 ### 13.5.5.2 量化交易与市场稳定的困境 基金经理曾经坐在交易大厅，眼睛盯着十几个屏幕，试图捕捉稍纵即逝的利润机会。现在，计算机在毫秒级操作，人类跟不上。 AI 做什么？实时分析全球市场数据、新闻流、社交媒体情绪。识别“价格异常”（某只股票突然便宜或贵了）。下单、管理仓位、止损，一切自动化。算法交易在股票市场中占有很高比例，也与“闪崩”等市场稳定性问题一起被持续讨论。 这是一个微妙的问题。AI 交易本身追求的是利润最大化和风险最小化，这在数学上是合理的。但金融市场不仅是数学，它还是一个有数百万参与者的生态系统。当大多数交易决策都由 AI 做出时，市场的性质就改变了。市场从一个“人的集体智慧的体现”，变成了“算法之间的互相博弈”。 AI 的交易逻辑可能在“正常市场”表现很好，但在“极端行情”表现糟糕。一旦多个 AI 都识别出同一个“机会”，它们会一起行动，反而会加剧波动。历史数据再完美，也不能保证未来。“过度拟合”是量化交易的死敌。 而且，这还有一个分配不公的问题。掌握最先进 AI 技术的大金融机构，能够从市场中提取越来越多的价值。普通投资者则被动地承受市场波动。AI 驱动的金融不是更公平的金融，反而可能是更不公平的金融。 ### 13.5.5.3 智能客服与投资顾问的专业性危机 银行客服中的许多标准问题——“怎么查余额”、“手续费多少”、“怎么办卡”——可以由 chatbot 自动处理。人工智能投资顾问也开始给用户提供资产配置建议，例如根据年龄、风险承受度和投资目标给出股票与债券比例建议。 对于“标准问题”，AI 顾问效果不错，而且成本低。对于“个性化复杂需求”，AI 还远远不够。一个富豪的税务规划、遗产安排，不是 chatbot 能搞定的。监管部门正在严格规定 AI 金融顾问的资质和责任边界。 但这里有一个隐含的推动力：成本。一个真人顾问可能很贵，只有富人能用。但如果 AI 顾问足够好，那么普通人也能得到“专业”的建议——虽然这个建议是由机器给出的。这在一个方面看起来是民主化，但从另一个方面看，它也意味着专业的“人类判断”变成了稀缺商品，只有最复杂的、最贵的业务才值得一个真人来处理。 最后的伦理问题很尖锐：如果 AI 顾问给的建议亏了钱，谁负责？是金融机构还是 AI 开发商？法律还在摸索。而在法律摸索的过程中，无数投资者可能已经因为 AI 的建议而蒙受损失。 *** ## 深度思考：人类工作的未来 站在这个时刻，观察 AI 在各行业的应用，我们需要提出一个比“AI 会怎么改变工作”更根本的问题：“我们应该让 AI 怎样改变工作？” 这六个行业的故事告诉我们，AI 正在做的不仅仅是提高效率。它在改变工作的“质感”——从创意写作中抽走思考的痛苦，从法律工作中抽走个人判断，从医疗中抽走对患者整体的理解，从教育中抽走同伴互动，从金融中抽走人的直觉，从风控中抽走对例外情况的谅解。 每一个行业的故事都指向一个相同的方向：重复性工作（翻译、批改、初筛、数据整理）会高度自动化。这些工作的人会失业吗？不一定，他们可以学习更高阶的工作。但更深层的问题是：那些学习和成长的机会，本身就来自于重复工作中的积累和思考。当我们用 AI 跳过这些过程时，我们是在加速进步，还是在削弱基础？ 第二波冲击会落在那些“需要判断力和创意”的工作上。医生、律师、编辑、设计师……他们会被取代吗？会用 AI 的从业者可能显著提高产出，但提升幅度取决于任务、工具和审核能力。问题是：在这种转变中，那些不愿意或不能学会用 AI 的人会怎样？而且，即使所有人都学会了用 AI，工作机会本身还会那么多吗？ 第三波冲击会落在那些曾经被认为“最人性的东西”上——同理心、伦理判断、创意突破、领导力。目前 AI 还搞不定这些。但“目前”是关键词。我们是否应该投入资源、教育和社会期待，来培养这些人类独有的能力？还是我们会像对待其他工作一样，在 AI 的威胁下不断后撤，让人类能做的范围越来越小？ 你的选择可能有这几种： 首先，学会和 AI 一起工作（hybrid 模式）。这是最实际的选择，需要终身学习和持续适应。 其次，进入 AI 搞不了的领域。但这需要诚实地问自己：你是真的在追求那种工作，还是只是在躲避 AI？艺术、哲学、复杂人文判断——这些领域确实需要人，但它们也需要你的真诚投入。 最后，有人会选择做纯手工的、小规模的、个人化的工作。一个独立手工艺人、一个小型工作室、一个自媒体创作者——他们可以在 AI 的空隙中生活。 但最危险的选择是既不拥抱 AI，也没进入“AI 搞不了”的领域。就留在中间，等着被浪潮淹没。 更深层的问题在于：当我们讨论“适应 AI”时，我们其实在讨论“适应一个由他人设计的未来”。这个未来是由那些开发 AI 的大公司、那些有资本的人、那些掌握算法的人设计的。作为使用者和被改造的一方，你有发言权吗？我们的社会有发言权吗？ 这不仅仅是一个职业问题，还是一个政治问题。如果我们被动地接受 AI 重构的未来，那么我们就在默认同意一个我们没有参与设计、也许不符合我们价值观的世界。 也许，最有意义的选择，不是“怎样适应 AI”，而是“怎样集体决定我们想要什么样的 AI，以及什么样的工作和生活值得保留”。这需要深思、需要对话、需要我们不仅仅作为个人，而是作为社会的一部分来行动。 --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://yeasy.gitbook.io/ai_beginner_guide/di-san-bu-fen-shi-zhan-ying-yong-ji-qiao/13_scenarios/13.5_non_tech_industries.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.