过去两年，几乎所有AI公司都在讲述同一个故事：把重复劳动交给AI，人类就能腾出时间去从事更有创造性的工作。这套理论听起来无懈可击。让AI整理资料、处理表格或撰写会议纪要，人则专注于战略和创意，仿佛是一次完美的社会分工。然而，它掩盖了一个前提：重复劳动与创造性工作并非泾渭分明。历史给出的答案并不干脆。许多真正的创造并非发生在重复劳动之后，恰恰发生在重复、失败和走神的缝隙中。你先与一个问题纠缠许久，反复计算、观察、修改，某个瞬间才突然将散落的信息串联起来。如果AI替我们拿走了所有笨功夫，它释放的可能不仅是时间，还有灵感赖以发生的现场。
苹果不是答案，只是最后一根火柴。牛顿和苹果的故事是人类历史上最成功的“创新神话”。但真实版本并非如此简单。牛顿的朋友威廉·斯蒂克利在回忆录中记载，1726年两人喝茶时，牛顿回忆自己正沉思于重力问题，看见苹果落下后，才想到“苹果为什么总是垂直落向地面，而不是向上或向旁边？”随后，他“逐步”将这种力量推广到地球、月亮和其他天体。苹果没有给出答案，它只是点燃了牛顿长期思考积累的材料。它更像一根火柴，落进了一个堆满材料的仓库。
数学家庞加莱的经历更具典型性。他曾连续研究一类函数，做了大量计算却屡屡失败。后来他暂时放下工作外出旅行。就在登上一辆公共马车的瞬间，一个关键联系突然闯入脑海：他研究的变换，与非欧几何中的变换是同一种东西。这个念头来得很快，甚至没有经过当场推导。旅行结束后，庞加莱回到书桌前，又花时间将其完整验证。他后来将创造过程拆解为几段：先是有意识的艰苦准备，然后是看似无所事事的潜伏，接着是突然照亮，最后是严谨验证。
费马大定理的证明也是如此。安德鲁·怀尔斯秘密工作了七年，1993年宣布证明成功，几个月后却被发现存在漏洞。他又算了一年，与学生理查德·泰勒反复寻找出路，直到1994年9月才把缺口补上。人们记住的是最后那个瞬间，数学家真正经历的却是数以千计的无效计算、失败路径和重来。灵光一现从来不是从天上掉下来的奖品，它是笨功夫积累到一定程度后，大脑给出的延迟回报。
创造力的原料，藏在那些“不高级”的工作里。我们今天喜欢把工作分为低价值的交给机器，高价值的留给人。但人脑并不按表格工作。一个记者在整理几十份财报时，可能发现两组数字对不上；一个产品经理在逐条看差评时，可能突然意识到用户抱怨的根本不是功能；一个医生在重复看片时，才慢慢建立起对异常的直觉。这些工作单看都不高级，甚至很枯燥，但它们在大脑里留下了大量细小的模式。所谓直觉，很多时候只是熟练到无法逐句解释的经验。
青霉素的发现就是这样。1928年，弗莱明度假归来，发现一个培养葡萄球菌的培养皿被霉菌污染，霉菌周围的细菌没有生长。污染是偶然，发现却不是。一个没有长期观察细菌的人，看见的只是一只应该扔掉的脏盘子。更容易被忽略的是，弗莱明并没有因此立刻做出药物。将近十年后，弗洛里、钱恩和一支团队才重新捡起这项研究。他们用奶桶、食品罐甚至浴缸培养霉菌，又在美国寻找高产菌株，最终才把实验室里的偶然变成可以救人的工业产品。
历史喜欢讲“尤里卡”，产业真正依靠的却是尤里卡之后漫长、重复、并不漂亮的工程。爱因斯坦后来向数学家阿达马描述自己的思考方式时也说，最先出现的往往不是完整语言，而是图像、符号和带有动作感的元素。他会让这些东西反复组合，语言反而是后面的事。创造不是凭空生成，更像重组。你见过什么，做过什么，在哪些地方失败过，决定了脑子里究竟有什么东西可以重新连接。
如果资料永远由AI摘要，第一稿永远由AI生成，数据永远由AI清洗，人确实会轻松很多。但久而久之，我们接触到的只剩机器处理后的成品，不再是粗糙、矛盾、带噪声的原材料。效率提高了，感觉却可能变钝。《创新者》一书恰好探讨了这个问题：数字革命不是某位天才在车库里突然想出来的，而是来自一代人接一代人的改进。有人提出概念，有人焊接电路，有人写程序，有人把昂贵的原型做成普通人能用的产品。
早期计算机、晶体管、芯片、软件和互联网，都来自多人、多轮、增量的协作。这不是在否认天才，而是在还原创新的真实结构。一个开拓性事件，通常同时需要少数人的异想天开和多数人的笨功夫。前者负责改变方向，后者负责让新方向变成现实。AI最诱人的地方，是它似乎可以同时扮演这两种人：既给点子，又做执行。但这带来了新问题。2024年，《科学进展》发表了一项生成式AI与写作的实验。获得AI点子帮助的人，写出的故事平均更有创意、完成度更高，对原本创造力较弱的人帮助尤其明显；可把所有作品放在一起看，AI辅助的故事彼此更相似。AI抬高了个人的下限，也压缩了群体的差异。当所有人都向同一个模型索要“第一个想法”，我们省掉了空白页，也可能一起走向那个最容易被预测的答案。
最危险的不是不会写，而是不会想。这并不意味着人应该拒绝AI，重新把时间浪费在机械排版上。计算器没有毁掉数学，搜索引擎也没有毁掉知识。工具真正改变的，是人必须保留哪一层能力。AI可以替我们搬砖，但人不能因此忘记墙为什么要建在这里。2025年，微软研究院等机构调查了319名知识工作者，结果显示：人越相信AI，在任务中投入的批判性思考反而越多。AI没有让思考消失，却把思考从“亲手生成”推向了“核验、整合和看管”。问题是，如果人只看见一份流畅的成品，核验很容易退化成点头。
更直接的信号来自写作和编程。麻省理工学院媒体实验室一项54人脑电写作实验发现，连续使用大模型写作的参与者，脑网络连接最弱，对文章内容的回忆和“这是我的作品”的感受也更低；METR对16名资深开源开发者、246项真实任务做随机试验时还发现，使用2025年初的AI工具后，开发者完成任务反而慢了19%。更有意思的是，他们事前预计AI会让自己更快。AI最先削弱的，可能不是能力本身，而是人对自己是否还在思考的判断。
对个人来说，至少有三件事不该轻易外包。第一，问题从哪里来。不要一上来就问AI“我该写什么”“我该研究什么”。先去客户现场，先读原始材料，先自己感到哪里不对劲。一个好问题，往往来自别人嫌麻烦而略过的细节。第二，第一轮判断从哪里来。可以让AI扩写、反驳和补资料，但最好先留下一个未经模型加工的粗糙版本。否则人与AI的合作，很容易变成人替AI润色。第三，结果由谁负责。自己做过底层工作，才知道AI错在哪里。一个从未写过代码的人，很难判断代码只是能运行，还是经得起上线；一个从未啃过财报的人，也很难识别一份漂亮分析里藏着的口径错误。
那么，什么可以交给AI？判断标准不是“有没有创造性”，也不是“重复不重复”，而是三件事：验收标准是否清楚，过程是否可以追溯，出错以后是否能够回滚。资料转写、格式整理、已知规则下的数据清洗、代码样板和测试用例、同一主题的多版文案与设计草图，都适合交给AI。战略取舍、事实口径、品牌审美、系统架构和最终签字，则不能只因为AI做得快就一起打包出去。
交出去以后，人还要和AI“左右互搏”。动手前，先写下自己的判断和验收标准；生成时，让AI同时给出反对意见、失败条件和证据出处；生成后，人回到原始材料，抽查事实，复算关键数字，跑一遍关键测试；隔一段时间，再安排一次不使用AI的“徒手训练”。写作者要保留独立采访和首稿，程序员要保留代码审查和故障排查，设计师要保留概念选择与最终视觉判断。只有还会验、敢推翻、能接管的人，才真正有资格把工作交给AI。
对公司来说，真正该警惕的也不是员工用了多少AI，而是组织是否还在生产一手经验。如果年轻人不再做基础分析，不再跟客户磨需求，不再经历失败的第一稿，公司短期会得到一批更快的交付，长期却可能失去培养判断力的路径。以前，一个新人通过三年笨功夫，慢慢变成一个有直觉的老手。现在，AI可以让新人第一天就交出七十分的答案。但从七十分走到九十分，需要的仍然是他亲自见过问题，犯过错误，也为结果付过代价。
AI到底是在提升创造力，还是在降低创造力？答案取决于我们把它放在什么位置。让AI处理已经想清楚的重复执行，它是杠杆；让AI代替我们接触现实、形成问题和做出第一轮判断，它就会逐渐变成拐杖。真正的创造力从来不只是“想出一个点子”。它包括对材料的熟悉，对异常的敏感，忍受长时间没有答案，以及在灵光出现后，把它一遍遍做实。这些部分很慢，也不体面，甚至很难写进绩效表。可历史上的重大定理、科学发现和产业创新，几乎都从这里长出来。AI当然可以帮我们摘苹果。但树下那个人能不能想到万有引力，仍然取决于在苹果掉下来之前，他究竟想了多久。