最近看到一篇非常不错的文章，AI FOMO: everyone is mastering AI except me — or are they? | Nature。
对于 AI 飞速发展带来的压力，我也曾经焦虑过，迷茫过，Zhang-Ren Chen 的文章对于这种状态显然写的非常好。
所以总结并整理了这篇笔记，方便快速预览。
核心观点
AI 时代真正重要的，不是跟上每一次更新，而是知道什么值得学、什么时候值得学，以及怎样把 AI 真正嵌入自己的工作。
AI 能力不等于：
知道最多的新模型 + 收藏最多的教程 + 尝试最多的新工具。
更接近于：
真实问题 × 合适工具 × 深度使用 × 专业判断。
FOMO 是 Fear of Missing Out，也就是“错失恐惧”。到了 AI 时代，它变成了一种很具体的焦虑：
- 又有新模型发布了；
- 又有人展示新的 Agent；
- 又出现一个“彻底改变工作方式”的工具；
- 别人已经在用 AI 写代码、做科研、分析数据；
- 自己收藏了一堆教程，却一直没时间认真看；
- 每天都在了解 AI，却始终觉得自己“还没真正上车”。
文章开头提到一个很典型的场景：浏览器里开着 47 个标签页，大部分都是 AI 教程、预印本、模型对比和产品发布信息。后来这些内容又不断被塞进“稍后阅读”，收藏越来越多，真正读完、用起来的却很少。
这大概就是 AI FOMO 最典型的状态：
输入越来越多，真正改变工作方式的东西却没有同步增加。
不要试图“跟上 AI”
过去学习一个领域时，问题往往是：
我去哪里找到资料？
现在的问题反过来了：
这么多资料，我到底应该看哪个？
AI 的变化速度已经远远超过一个人能够完整跟踪的速度。模型、框架、工具、Agent、论文、Benchmark 不断出现，于是很容易形成这样一个循环：
看到新东西
↓
害怕自己落后
↓
收藏 / 下载 / 注册 / 安装
↓
没有真正使用
↓
看到别人已经在研究下一个东西
↓
更加焦虑最危险的地方在于，这个循环看起来很像学习。
每天都在看 AI 新闻、刷教程、试工具，所以会产生一种“我正在进步”的感觉。但：
知道一个工具存在，并不等于拥有使用它解决问题的能力。
信息摄入和能力增长不是一回事。
而且 AI 还处在高速变化阶段，一些今天很重要的操作技巧，几个月以后可能就被模型本身的能力直接吃掉了。
因此，“跟上所有变化”本身就是一个错误目标。
真正高效使用 AI 的人，并不一定是每个新工具最早的尝鲜者。他们更重要的能力是：
判断什么已经成熟到值得投入。
从“有什么新工具”变成“我有什么问题”
面对一个新工具时，我们很容易先问：
这个东西厉不厉害？
但更有价值的问题其实是：
它能不能解决我现在真实存在的问题？
顺序应该反过来。
不是：
发现一个 AI 工具
↓
研究它有什么功能
↓
思考能在哪里使用而是：
我现在有什么重复、困难或耗时的问题？
↓
这个问题哪些部分可以被 AI 帮助？
↓
再寻找合适的工具也就是说：
问题应该先于工具。
对科研工作也是一样。与其抽象地学习：
- Agent 是什么；
- RAG 怎么搭；
- MCP 有哪些协议；
- 最近有哪些新模型；
不如直接从自己的工作出发：
文献阅读太慢
→ 尝试 AI 辅助整理文献
数据整理重复
→ 尝试让 AI 写脚本
实验记录很乱
→ 建立 AI 辅助的信息整理流程
跨领域论文难理解
→ 让 AI 负责第一轮知识补充
经常重复制作同类图表
→ 逐渐把这个过程自动化每解决一个真实问题，就会自然学会一部分 AI。
于是学习路径从：
先学会 AI，再想办法使用
变成：
在解决问题的过程中学习 AI。
后者往往更可持续。
少量工具，深度使用
AI FOMO 很容易导致“工具收藏癖”。
今天用 ChatGPT，明天试 Claude，后天又换 Gemini，再之后又不停安装各种 Agent、插件、知识库和自动化平台。
最后拥有十几个账号，却没有任何一个真正进入自己的工作流。
相比不断横向尝试，更值得做的是：
找到真正适合自己工作的少量工具，然后深入使用。
所谓“深入”，并不是会聊天，而是逐渐知道：
- 它擅长什么；
- 它不擅长什么；
- 什么任务可以直接交给它；
- 什么任务必须人工复核；
- 怎样组织上下文；
- 怎样拆解任务；
- 怎样让它接入自己的资料；
- 怎样让它参与完整工作流；
- 它最容易在哪些地方犯错。
真正形成能力的不是：
我用过这个 AI。
而是：
我知道怎么让这个 AI 稳定地帮我完成工作。
AI 越强，专业知识反而越重要
一个很容易产生的误解是：
AI 越聪明，人越不需要懂专业知识。
实际情况可能恰恰相反。
因为 AI 可以非常轻松地产生：
- 看起来正确的解释；
- 看起来专业的图表；
- 看起来合理的代码；
- 看起来完整的文献总结；
- 看起来很有逻辑的研究方案。
于是新的问题变成：
你有没有能力判断它到底对不对？
过去更多是：
专业知识 → 产生答案AI 时代逐渐变成：
AI → 快速产生候选答案
专业知识 → 判断答案所以专业能力并没有消失，只是在改变位置。
它正在从：
“亲自完成每一个步骤”
逐渐转向：
“提出问题、提供约束、判断结果、发现错误、做最终决策”。
AI 可以替代越来越多的 execution，但人仍然要承担：
judgement + responsibility。
尤其是在科研、医疗、金融、法律、工程、数据分析这些领域，“这是 AI 算出来的”永远不能成为默认正确的理由。
Agent 越强，越需要警惕权限
过去的 AI 更多只是“给你一个答案”。
现在的 Agent 已经可以开始：
- 读取文件；
- 调用程序；
- 浏览网页；
- 操作电脑；
- 访问邮箱；
- 使用 API；
- 修改数据；
- 执行代码。
能力增强的同时，也意味着错误的影响范围变大了。
因此判断一个 Agent 是否值得使用，不能只问：
它有多聪明？
还应该问：
它可以访问什么？
它可以修改什么？
错误能不能撤销？
数据会发送到哪里？
我有没有能力检查它做了什么？可以概括成一个很简单的原则：
权限越高，验证成本也应该越高。
尤其涉及密码、邮箱、私人文件、实验数据、未公开论文、服务器权限时，不能因为一个 Agent 很酷，就直接给它无限权限。
AI 时代真正值得培养的能力
如果不再追逐每一个新工具，那么真正值得学习的，反而是一些寿命更长的能力：
问题定义。 知道自己到底想解决什么。一个模糊的问题，只会得到一个更加高效的模糊答案。
AI 基础素养。 不需要研究所有模型内部原理，但应该理解 LLM、幻觉、上下文、Token、RAG、Agent、数据权限这些长期有效的概念。
工作流能力。 真正让 AI 产生价值的，并不是一次 Prompt，而是逐渐把它嵌入完整流程：
输入
↓
AI 处理
↓
工具调用
↓
人工判断
↓
进一步处理
↓
输出领域判断力。 什么问题值得研究、哪些数据可信、什么结果异常、什么结论不合理、什么方案现实中根本不可行，这些依然需要人来判断。
AI 可以帮助我们更快地产生答案，但：
知道什么答案值得相信，仍然来自专业能力。
我的理解
这篇文章真正重要的地方，并不是简单地告诉我们“不要焦虑”，而是在重新定义什么叫：
跟上 AI。
跟上 AI 并不是每天都知道：
- 哪个模型现在排名第一；
- 哪家公司又发布了什么；
- 哪个 Agent 爆火；
- 哪个 Benchmark 又被刷新。
真正的“跟上”可能只是：
当自己的工作中出现一个问题时，我知道 AI 大概能不能解决它，也有能力快速找到合适的方法。
这样其实已经足够了。
因为模型还会不断更换，工具也会不断死亡，今天学会的某个 Prompt 技巧可能很快失效。
但下面这些能力的寿命会长得多：
- 定义问题；
- 拆解任务；
- 判断结果；
- 理解领域；
- 设计工作流；
- 管理信息；
- 控制风险。
所以与其努力成为：
知道最多 AI 新闻的人
不如努力成为：
最会使用 AI 解决自己问题的人。
还有一个很有意思的悖论：
AI 本来应该提高效率，但 AI FOMO 却可能让人变得更忙。
原本一天只有科研、工作、学习和生活，现在又额外增加了一项：
追 AI。
最后 AI 节省下来的时间，又全部被用来学习“怎样更好地使用 AI”。
所以真正值得问的问题也许不是：
AI 能不能帮我节省时间？
而是：
AI 节省下来的时间，我最终拿去做了什么？
参考
- Zhang-Ren Chen, AI FOMO: everyone is mastering AI except me — or are they?, Nature, 27 May 2026. DOI:
10.1038/d41586-026-01214-3 - 《AI浪潮都拍脸上了，我怎么还没上车？》，自然职场。