当AI击穿专业能力的替代指标：我们该如何重估人才

一个正在瓦解的评估逻辑

长期以来，我们评估一个人是否具备专业能力，很少直接测量能力本身，而是依赖一系列“替代指标”（proxies）。名校学历、发表的论文、写出的代码量、精美的作品集、条理清晰的报告——这些都是我们判断专业水平的间接信号。它们之所以有效，是因为过去要产出这些成果，本身就需要真实的能力作为前提。

Hacker News 上一篇题为《AI is breaking our proxies for expertise》的讨论指出了一个尖锐的问题：生成式AI正在系统性地击穿这些替代指标。当一份看似专业的报告、一段能运行的代码、一篇结构完整的论文都可以在几分钟内由AI生成时，这些成果与真实能力之间的关联被切断了。我们赖以判断专业水平的信号，正在失效。

替代指标为何失效

替代指标的价值建立在“稀缺性”和“因果关系”之上。过去，一篇逻辑严密的分析文章意味着作者具备相应的思考能力；一段优雅的代码意味着开发者理解了背后的工程原理。这种“成果—能力”的因果链是评估的基础。

AI 打破了这条因果链。现在，产出成果不再必然要求产出者拥有对应能力。一个不懂算法的人可以借助AI写出通过面试题的代码，一个缺乏领域知识的人可以生成一份表面专业的行业报告。成果的“信号价值”被稀释——它不再可靠地反映背后的真实水平。

这带来的直接后果是：招聘、教育、内容筛选等所有依赖“看成果判能力”的场景，都面临失灵风险。简历上的项目经历、GitHub 上的提交记录、作品集里的案例，其可信度都在下降。

经济学中有一个相关概念叫"古德哈特定律"（Goodhart's Law）：当一个指标变成目标本身时，它就不再是好的指标。替代指标的失效，其实在AI出现之前就已经存在——应试教育、简历包装、刷题训练，都是人们绕过"能力"直接优化"信号"的产物。AI只是将这一过程的效率提升了几个数量级，使原本需要数月准备的信号伪造，压缩到了几分钟。这也意味着，我们面临的不是一个全新问题，而是一个被AI极度加速的老问题，过去那些勉强维持评估体系运转的摩擦成本，正在被彻底清零。

这对招聘与教育意味着什么

对招聘而言，传统的作品集审查和带回家的编程任务（take-home assignment）正在迅速贬值。企业无法再简单地假设“交出好作品的人就是有能力的人”。这可能推动评估方式回归更难被AI代劳的形式——现场的深度对话、实时的问题解决、对候选人思考过程而非最终产出的考察。

对教育而言，问题同样严峻。作业、论文这些传统评估工具，本质上也是能力的替代指标。当学生可以让AI完成作业时，成绩单反映的究竟是学生的能力还是AI的能力，变得难以区分。这迫使教育者重新思考：到底要培养什么，又该如何验证。

值得注意的是，"带回家的编程任务"（take-home assignment）原本就是为了弥补标准化面试的不足而设计的——它允许候选人在无压力环境下展示真实水平。AI的出现使这一形式几乎完全失去鉴别效力。与此同时，教育领域长期依赖的"论文写作"评估范式，其初衷是通过强迫学生组织论证来锻炼批判性思维，而非单纯测试写作本身。当AI可以流畅完成这一形式时，教育者面临的真正挑战是：如何将原本被写作过程所承载的思维训练，转移到其他无法被代劳的载体上。部分高校已经开始尝试口头答辩、开卷现场写作等替代方案，但这些方式的规模化成本远高于传统书面评估。

我们该如何应对

面对替代指标的失效，可能的方向有几个层面。

转向过程评估：与其看最终产出，不如观察产出的过程。能力更多体现在如何提问、如何调试、如何在复杂情境中做判断，这些恰恰是AI难以完整代劳的部分。

重视人机协作能力：在AI普及的环境下，“会用AI高效解决问题”本身也成为一种新的专业能力。评估标准或许不该是“不用AI能做什么”，而是“用AI能做到多好、能否驾驭并纠正AI的输出”。

寻找新的可信信号：现场表现、真实的即时反应、长期的一致性记录，这些更难被短时间伪造的信号，价值将上升。信任的建立可能会重新变得“昂贵”。

更深层的追问

这场讨论真正触及的，是一个关于“什么是真正的能力”的根本问题。当AI能够模仿几乎所有可见的能力表现形式时，我们被迫去区分“表现出能力”和“拥有能力”之间的差别——而这个区别在过去往往被我们含糊地混为一谈。

需要说明的是，该话题目前在 Hacker News 上的讨论热度有限（仅6个赞、暂无评论），更多是抛出了一个值得深思的命题，而非成熟的结论。但它指向的趋势是清晰的：在AI重塑生产方式的时代，我们评估人、信任人的整套机制，都需要一次深刻的重构。