> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](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). # 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。 近年的专业化模型进一步说明，AI 正在进入科学工作流，而不只是“回答科普问题”。例如，OpenAI 的 GPT-Rosalind 面向生命科学研究工作流，尝试把文献证据、数据分析、工具执行和研究推理结合起来；Anthropic 的化学分析案例则展示了模型在 NMR 光谱理解与结构表征中的潜力（官方报告将化学表示的读取与转换列为后续方向）。这些案例的共同点是：AI 更像研究助理，帮助整理证据、提出候选假设、调用工具和检查实验设计，而不是自动完成药物发现。 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。