昨天，中央网信办等四部门印发了一份文件——《2026年提升全民数字素养与技能工作要点》。6个方面、15项重点任务里，有一条我读完以后特别在意：提升全民人工智能素养。

文件原文是这么写的："强化人工智能赋能教育、加快人工智能人才培育、深化人工智能普及应用。"

方向当然没错。但说实话，读完之后我心里冒出来的不是振奋，而是一个已经憋了很久的问题.

从2023年ChatGPT出现开始，"人人都该学AI""AI将颠覆教育""每个人都应该掌握AI技能"这些话，我们已经听了三年多了。但直到今天，模型一个接一个封神，颠覆性口号换了一轮又一轮，真正有效的落地方案和具体案例，你用过几个？

技术跑了三年，大多数人对待AI的方式还停在"偶尔打开聊两句"的阶段；"人人都该学AI"这句话喊得震天响，但从来没有人认真定义过"学AI"到底学什么——是学提示词？学写代码？学理解Transformer？还是学会不被AI骗？

一个更根本的问题是：你身边那些整天喊"要用AI"的人，自己每天的日常工作里，有多少是真正靠AI完成的？

大家嘴上说着重要，手上还是老办法干活。而少数你能看到的所谓"AI应用案例"，点进去多半是"我用AI五分钟做了一个PPT"，"我用AI一天写了十万字小说"，憋开效果好坏不谈，这些不是应用，只是猎奇。

说到底，问题不在大模型到底好不好、AI应用够不够，而在于缺了一条普通人看得见、走得通的能力成长路径。

下面我说的这四步，不是什么官方标准，它是我基于自己这几年的实践，认真思考很久之后，觉得对任何一个想真正用好AI的普通人都适用的一条路。

这篇文章也不会详细告诉你每一步具体该如何做，它只是一个导航用的地图，告诉你下一步应该往哪个方向前行。

第一步：认知基础

想要用好AI，你得先知道AI到底是什么、能干什么、不能干什么。

你不需要理解AI底层的技术原理，但是需要为它建立正确的预期。

这个道理其实很简单，跟你使用任何工具是一样的。

你坐上驾驶座的时候，你对这辆车的预期很明确：它能把你从A点带到B点，但你不能指望它飞过堵车路段，也不会让它帮你写PPT。

AI也是这么个东西。你对它的预期应该同样清醒。

大模型的本质是概率预测，不是逻辑推理——这句话听起来干，但它决定了你以后怎么看待AI给出的每一个回答。

AI的优点是创造力惊人、知识面极广、语言能力远超普通人。但它也会一本正经地胡说八道，会有偏见，知识有过期日，而且它不是在"思考"，是在根据你给的上下文做概率最高的下一个词预测。

知道了这些，你就不会把它当神，也不会发现它偶尔翻车就全盘否定。

这一步是所有地基。跳过这一步，后面全是空中楼阁。而现实是，大多数人就卡在这里却不自知——能聊天就觉得"我会了"。

第二步：工具扩展

我最喜欢的比喻，是把大模型看作一个没有身体的"大脑"。

它没有手脚，不会搜索、不能操作文件、没法真正去"做"任何数字世界之外的事情。

所以第二步要做的事，就是给这个大脑装上双手。

让AI能使用各种工具，联网搜索，读取你上传的文档，能解释和运行代码，能把多个能力串成一条流水线，比如先搜资料，再汇总分析，最后输出一张表格。

这里有一个特别重要的东西叫 Skill，你也可以叫它"技能封装"。

简单说，就是使用一个说明书和工具调用逻辑教会AI"怎么完成一件事"。这是从"手动挡"升级到"自动挡"的关键一步。

走到这一步，AI才真正从玩具变成工具。

第三步：专业融合

前两步学的是AI的通用能力。到第三步，你要开始把AI和你的专业绑在一起。

关键不在于AI懂不懂你的领域，而在于你能不能把你的专业问题拆解成AI能接住的结构。

举个例子。律师不是打开对话框问AI"这个案子怎么判"，而是先把案卷材料、合同文本让AI读取，同时让AI联网检索最近两年同类案件的裁判倾向，再把检索结果和自己的案情放在一起，让AI列出可能适用的裁判观点和对应风险。整个过程中，AI在同时使用文件读取、联网搜索、文本分析三种能力，而律师只需要把问题拆对。

医生不是问"这个病人得了什么病"，而是把检验报告和影像描述丢给AI，让它先解读数据，再结合最新临床指南做鉴别诊断，列出最可能的三种情况和各自的判断依据。

程序员不是直接说"帮我解决这个bug"，而是把报错日志和对应代码段扔给AI，让它先跑一遍代码定位bug，再给出修改方案并解释为什么。

这一步的核心能力是：领域知识 + 任务拆解 + 结果审核。

这是使用AI过程中最有价值，也是目前整个AI普及链条里最薄弱的一环，几乎没人教你怎么把你的专业经验翻译给AI。

第四步：场景落地

学会了、知道怎么用了，真正的关卡其实在后面。你回到工位上，还是老办法干活。

从"会"到"用"的鸿沟，不是能力问题，是习惯问题。而突破口不在别的地方，就在你自己每天的工作流程里。

我举自己的例子。我是程序员，日常大部分时间在写代码。最开始用AI，就是打开ChatGPT网页，把问题敲进去，等它回复，然后复制粘贴到编辑器里——典型的"手动循环"。

后来慢慢不满足了，开始用Cursor、用IDE中的各种AI插件，AI直接嵌在编辑器里，选中代码就能让它改、让它解释、让它补全。

到现在，Codex、Claude Code 这类工具已经能直接读我的整个项目、理解上下文、自己写代码、自己运行测试、自己修bug。

我90%的开发工作已经外包给AI了，我的角色从"写代码的人"变成了"审代码的人"。

不只是写代码。每天早上打开电脑，让AI帮我梳理今天要处理的事、排优先级；收到长文档先丢给AI出摘要，读完再决定要不要细看；写作时让AI作为搭档，从选题、大纲、到内容全部与AI合作完成。

这些事每一件单独看都不起眼，但串在一起就是工作方式的彻底改变。

这些事不难。难的是你愿不愿意把工作习惯重新设计一遍。一旦你从一天里找出三五个可以交给AI的节点，场景落地就已经开始了。

在"用"AI做这些事的时候，你可以选别人做好的通用产品。ChatGPT、豆包，打开网页就能聊；各种PPT工具输入一句话就能出PPT。

但你必须接受：任何通用产品对你的具体任务都有局限。它不懂你的文件夹结构，不知道你的工作偏好，不会在你需要的时间自动做你需要的操作。通用产品解决的是"能用"，解决不了属于你的"好用"。

数字世界的一切，都是由程序创造的。 你每天的报表整理、你定期要抓取的数据、你希望AI定时帮你做的信息监控，以及之前说到的所有AI产品，本质上都是靠程序来完成。

所以我是真的建议你学一点编程。会编程，AI才真正长在你的系统里，变成你工作习惯的一部分，成为属于你的"好用"。

以上这四步，认知基础、工具扩展、专业融合、场景落地，不是什么标准答案，但它至少回答了三个关键问题：什么人在什么时候该学什么（不是按你的身份，是按你当前走到哪一步），每步具体学什么（有明确的能力目标），以及学到的东西怎么变成日常（第四步本身就是这个问题的答案）。

文章的最后，我想把问题抛给你。

你现在的日常工作或生活里，有没有哪件事是你觉得"如果AI能帮我搞定这个就好了"的？

不用想得很宏大，越小越具体越好。

在留言区告诉我，我会将它们作为参考案例，在之后的文章中教会你，如何能用AI帮你搞定它们。