一阶能力、二阶能力与元能力

我们可以把人的能力，分为“一阶能力”和“二阶能力”。前者，是把事情做出来的能力；后者，是决定做什么、怎么做，以及判断做得对不对的能力。

例如，一个人会写文章、翻译、编程、做PPT、计算财务数据、画图，这些都属于比较典型的一阶能力（first-order capabilities）。它们直接作用于一个具体任务，产生的是具体的结果：写作，是产生文章；编程，是产生程序；数据分析，是产生分析报告。

而二阶能力（second-order capabilities）并不直接生产这些结果，而是作用于一阶能力本身。比如：我究竟应该解决什么问题？解决某一问题应该用什么方法？几个答案发生冲突时，该相信哪个？原来的方法失效以后，要如何调整？

所以二阶能力包括问题定义、判断、选择、验证、反思、学习、整合以及看清自身边界的能力。它们不直接生产某一个具体结果，却决定我们如何使用各种一阶能力以及如何评价这些能力产生的结果。

AI时代这个区别尤其重要。因为生成式AI降维打击了一阶能力。

过去，一个优秀记者的重要能力之一是“写得好”，一个程序员则是“代码写得好”，一个设计师是“图做得好”。这些都构成一阶能力。但是生成式AI会写、会画、会翻译、会编程、会总结、会搜索和分析。这就迫使人的价值不得不向上一层移动。

例如，AI可以在一分钟内写出十篇文章，这时候稀缺的就不再只是“写文章”的能力，而变成：什么值得写？哪些材料可信？哪些工作可以交给AI来写，哪些必须由人来完成？AI给出的结果可靠吗？最终表达什么立场和价值？

这些都是二阶能力。在传统的知识经济中，一个人的专业竞争力在很大程度上建立在一阶能力之上。专业分工的本质，就是不同的人长期训练并掌握不同的一阶能力。在人工智能出现之前，一阶能力与二阶能力通常结合在同一个人的专业活动之中。记者既要判断什么值得报道，也要亲自采访和写作；程序员既要理解问题，也要编写代码；研究者既要提出问题，也要查阅文献、处理数据和撰写论文。因此，人们往往不会刻意区分这两个层次。

但生成式人工智能正在将二者逐渐分离。越来越多的具体认知与任务执行，都可以交给机器完成，而问题定义、方法选择、结果判断和责任承担则集中到人的一端。这意味着，AI改变的不只是职业，还有人的能力结构。当机器能够低成本、大规模地提供越来越多的一阶能力时，单纯“把事情做出来”的能力就不再像过去那样稀缺。人的价值必须从直接执行任务，向选择、判断和组织任务移动。

比二阶能力更进一步的是元能力（meta-capability）。所谓元能力，并不是另一项具体技能，而是形成、组合、更新和重新配置自身能力的能力。如果说一阶能力解决“我会不会做”，二阶能力解决“我知道应该做什么以及怎样判断”，那么元能力解决的则是，当环境发生变化、原有专业能力失效时，我能否重新建立新的能力组合。

因此，元能力不仅是自我迭代的，也是跨领域迁移的；它还包括学习如何学习、调整认知框架、组织人与机器协作，以及决定“机器应该完成什么”的能力。

一阶能力、二阶能力和元能力并不是彼此割裂的三种能力，而构成了一个逐渐上升的层次：一阶能力作用于任务，二阶能力作用于一阶能力，元能力则作用于整个能力系统。在这三层当中，基础层解决执行问题，中间层解决选择和判断问题，最高层解决适应、重组和进化问题。

在AI时代，元能力不仅决定一个人能否学习新的知识、跨越既有专业边界，也要求知识工作者重新组织人、机器与知识之间的关系。我们可以发现，机器的能力越具体、越强大，人类的核心能力反而越需要向上抽象。AI越向下吸收人的一阶能力，人就越需要向上发展二阶能力和元能力。

AI环境下人类元能力的共性

为什么元能力如此重要？这是因为，AI可以越来越擅长回答“如何做”，却不能代替人类最终决定“为什么做”。技术能够优化手段，却无法仅凭计算解决目的本身。

这是一个容易被忽视的问题。能力较弱的工具，其局限往往十分明显；能力很强的工具反而容易制造一种认知上的权威感。当AI能够流畅地写作、推理、解释和模拟专家语言时，人必须具备一种认识论上的元能力：知道自己知道什么、不知道什么，也知道机器可能知道什么、不知道什么；能够识别不确定性，追问信息来源，并决定何时需要人类专家、原始证据或现实验证。

也因此，我把元能力视为人选择、生成、重构乃至放弃的底层能力。当前大模型在模式识别、概率生成、知识压缩上效率极高，但其目标由外部设定，意义为模拟生成，经验无法沉淀为连续的存在状态。AI并不能够触及“为何做”“是否要做”的核心层面，这正是人类的不可替代性之所在，具体可分为五个维度：

一是问题生成能力。历史上的思想突破大多源于对问题本身的重构而非答案累积，科学革命如此，社会制度创新如此，企业创新同样如此。一个既定问题通常已经预设了某种因果关系、分类方式和解决路径，只要接受这个问题，就意味着在相当程度上接受了它背后的认知框架。因此，真正具有创造性的思维并不只是寻找更好的答案，而是能够退到问题之前，追问：这个问题为什么会以这种方式被提出？它所依据的前提是否成立？我们是否把真正的问题误认为另一个问题？有没有一些重要因素因为原有框架而根本没有进入视野？AI主要在既定框架内优化，没有质疑问题前提、重划现实边界的内生动力。答案不过是在既定空间中寻找最优解，而问题生成则可能改变这个空间本身。

二是价值设定能力。任何真正重要的价值选择，都意味着在彼此冲突的目标之间作出取舍：效率还是公平，增长还是环境，安全还是自由，短期收益还是长期责任。AI能通过对齐机制模仿既有价值体系，却不能仅凭预测本身决定什么值得追求，不会承担选择后果，也没有真实的情感体验，因而无法真正生成价值。所以，人必须坚持回答机器无法替我们最终回答的问题：在众多可能性之中，什么值得选择；在彼此冲突的目标之间，哪些需要优先；以及为了这样的选择，我们愿意承担什么代价。价值确立始终与有限性、责任、风险绑定，是算法无法内化的维度。

三是意义建构能力。人并不只是经历世界，还必须不断解释自己的经历。人类会将经验纳入自我叙事，赋予失败、情感、痛苦等体验深层意义。在此，意义并非经验本身天然携带的属性，而是人在时间中不断把经验纳入自身生命叙事的过程。然而，AI的意义表达只是技巧，既没有“爱”的动机，也没有“恐惧”的根源，无需通过叙事维系自身存在。AI并不会真正讲故事，更谈不上通过把经验转化为意义，去追问“我是谁”。

四是自我重构能力。人可通过重述经历动态塑造自我，让自我成为开放的过程而非固定实体；人既是行动者，也是自身的观察者和改造者。这是因为，人是生活在时间之中的。不断的回望、重述和重新理解，使人的生命不是简单的事件累积，而成为具有连续性的意义结构。但AI却不会在时间中形成“另一个自己”，也没有对自身身份的持续性反思。机器或许可以帮助我们描述世界、分析经验甚至提供解释，但最终只有处在具体生命关系和时间进程中的人，才需要回答：这一切对我意味着什么？我如何理解已经发生的一切？我要带着这些经历成为怎样的人？

五是存在性承担能力。这是最根本的一层。人的选择从来不是发生在信息完全充分、结果完全确定的条件下，而是在有限性与不确定性中展开，每个决定都伴随风险与责任，是“用生命下注”的存在承诺。这里所谓的“生命”，并不一定意味着生死，而是指人的时间、机会、关系、信誉、情感以及无法重新来过的人生历程。一个人不可能无限次地重新开始，也不可能同时生活在所有可能的人生之中。每一次真正重要的选择，都意味着以有限的生命资源押注于某一种未来，并因此放弃另一些未来。正是这种不可逆性，使人的选择具有了存在意义。AI则既不会真正“犯错”，也不会为选择付出代价，所以它的行为并不具有真正的重量。一个模型给出错误判断之后，可以被修正、更新、重新训练甚至被替换，但它不会因此失去亲人、职业、信誉、自由或者生命，也不会因为曾经的决定而在多年以后感到悔恨。错误对于机器而言首先是一种性能问题，而对于人而言却可能成为生命事件。

我想反复申明的是，AI正在快速替代人类的操作层能力，但提问、赋值、意义建构、自我重塑、存在承担等能力，始终是不可替代的。它们共同指向人类作为行动主体而存在的能力。当越来越多关于“如何做”的问题可以交付给AI之后，“为何做”“是否要做”“什么值得做”反而更加突出。

（原载《中国青年报》2026年10月19日第5版）