新技術來來去去，世間變化迭代太快了
在這個生成式 AI 狂飆的時代，每週都有新的模型發表，每天都有無數個「必學的神級 Prompt 技巧」在社群媒體上洗版。許多人陷入了深度的知識焦慮：如果不趕快把這些新工具學起來，我是不是明天就會被淘汰？
如果你也有這種擔憂，黑天鵝作者納西姆·尼可拉斯·塔雷伯提出的林迪效應（Lindy Effect），或許給了我們重新審視新技術的新視角。
林迪效應的核心邏輯是：對於不會自然腐爛的非有機事物（如概念、技術、書籍），它們已經存在了多久，未來就預期還能存在多久。 時間 不是敵手，而是最強大的過濾器。
用這個視角來看待當前的 AI 狂熱，我們會得到一個非常反直覺的結論：越是酷炫、嶄新的具體技術，預期壽命可能越短；而那些看起來老派、土氣的底層邏輯，反而更能經得起時間的考驗。
拆解 AI 的「壽命金字塔」
如果我們把當前的 AI 產業切分成不同的層次，用林迪效應的時間過濾器來檢視，會發現一個非常清晰的壽命階級：
概念層（極度林迪）： 「人工智慧」這個概念誕生至今約 70 年，這意味著人類對機器智能的渴望，至少還會存在 70 年以上，它是最穩固的底層信仰。
科學底層（相對穩定）： 支撐 AI 的統計學、數學微積分、神經網路理論，已經發展了 40 到 50 年，具備相當的穩定性。
技術架構層（充滿變數）： 目前主流的 Transformer 架構與 GPU 算力依賴，發展不到 10 年。在高耗能的痛點下，未來十年內被全新範式（如量子計算、類腦晶片）取代的機率極高。
中層與應用層（朝生暮死）： 特定的 AI 工具、外掛、或是某套 Prompt 公式，壽命通常只有幾個月到兩三年。底層模型一次更新，就能讓無數應用瞬間蒸發。
結論很殘酷： 大家爭相學習的「最新技術」，其實正處於極高的「嬰兒夭折期」。把所有籌碼押注在某個特定工具上，是一項風險極高的投資。
AI 會淘汰軟體工程師嗎？
近年來最大的科技恐慌之一，就是「AI 寫程式這麼強，軟體工程師是不是要失業了？」從林迪效應的視角來看，這是一個極具誤導性的半對結論。大眾混淆了「寫程式碼（Coding）」與「軟體工程（Software Engineering）」。
會快速消亡的是「語法與樣板」： 記住特定語言的語法、對接 API、寫重複的代碼，這些屬於底層的工具技術，壽命極短。AI 確實能做得比人類更快。
歷久彌新的「林迪資產」是軟體工程： 系統架構設計、解耦、資源權衡，這是一門發展超過 70 年的學問。工程師真正的價值，是充當「人類模糊語言」與「機器絕對精準」之間的翻譯官。AI 無法通靈，它處理不了客戶自相矛盾且含糊的需求。
更重要的是經濟學上的 傑文斯悖論（Jevons Paradox）：當 AI 讓「寫代碼」的成本趨近於零，全球軟體的產出速度會爆炸性增長。當系統變得無比龐大且極度複雜（裡面塞滿了 AI 生成的代碼），系統的脆弱性也會飆升。這時，市場反而會極度渴求那些懂底層邏輯、能在混亂中抓出關鍵錯誤的「高級架構師」來救火。
AI 時代的「林迪式」生存指南
既然工具會變，我們該如何在技術迭代中保持反脆弱性？最理性的策略是採用 80/20 法則來分配你的學習精力：
即時學習（Just-in-Time）應對新技術： 撥出 20% 的精力保持對新工具的敏感度。但不要為了準備而「囤積知識」。等工作真正需要用到某個 AI 工具時，花兩個小時看說明書或直接問 AI 怎麼用就好。
預先學習（Just-in-Case）累積林迪資產： 把 80% 的核心時間，錨定在經受過時間考驗的技能上。例如深度的閱讀習慣、邏輯思維、人際信任的建立、系統架構設計、以及批判性思考。這些古老的技能，壽命遠比任何 AI 軟體更長。
結語
當前的 AI 雖然強大，但本質上仍是基於過去數據平均值的「統計學鸚鵡」，面對極端與未知的黑天鵝事件時，依然極度脆弱。
我們不需要盲目陷入「新物狂熱」，更不必為了沒學某個新工具而焦慮。在這個「底層常變、中層快死」的現實下，深耕那些已經存在數千年、甚至數萬年的核心人類能力，才是 AI 時代最聰明、回報率最高的長期投資。
About 站長
喜歡東想西想的人