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，各种层出不穷的新技术，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。
AI FOMO：一种新的焦虑，Fear of Missing Out
Nature 的这篇文章从一个很有代表性的场景开始。
作者的浏览器里开着 47 个标签页。AI 教程、论文预印本、模型对比、新产品发布……每一个页面打开的时候，他都想着“以后要认真看看”。直到有一天浏览器崩溃，重新打开后，47 这个数字突然显得有些刺眼。
于是他把这些页面统统丢进了“稍后阅读”。
问题是，这个文件夹里已经躺着几百条内容，而真正读完的只有其中一小部分。
如果你这两年一直在关注 AI，这种感觉可能并不陌生。
几乎每天都有新模型发布，昨天还在讨论一个新功能，今天社交媒体上已经开始展示新的 Agent。有人用 AI 编程，有人拿它写论文、做视频、自动化工作，也不断有人告诉你：如果现在还不会这些东西，很快就会被淘汰。
于是一个奇怪的现象出现了：AI 明明是用来提高效率的，我们却因为学习 AI 变得越来越忙。
这种焦虑被称为 AI FOMO，也叫 AI 错失恐惧症。FOMO 是 Fear of Missing Out，也就是“害怕错过”。你并不一定真的需要某个工具，但只要看到别人已经开始使用，就会担心自己是不是慢了一步。
而这种感觉并不只是少数人的问题。Nature 在 2026 年对超过 1900 名科研人员进行的一项调查中，也发现不少研究者会因为担心落后而感到采用 AI 的压力。
问题或许并不是我们学得太少，而是 AI 世界变化得太快，让人产生了一种错觉：
好像只有不停地追，才算没有掉队。
你不可能真正“跟上 AI”
如果把过去几年的 AI 新闻按时间排开，很容易发现一个事实：很多我们曾经认真学习的东西，很快就不再那么重要了。
一年前还需要专门学习的提示词技巧，可能因为模型变聪明而失去意义；曾经需要复杂配置才能完成的事情，后来可能变成一个按钮；今天刚刚习惯的工具，明天也可能被另一个产品替代。
所以，“学会所有正在发生的东西”本身就是一个几乎不可能完成的目标。
但社交媒体恰恰会让人产生相反的感觉。
我们看到的是别人刚刚发现的新工具、刚搭好的工作流、刚取得的成果，却很少看到他们尝试后放弃的几十个产品，也不会看到那些收藏以后再也没有打开过的教程。结果就是，每个人都像是在飞速前进，只有自己还没准备好。
这和信息时代很多其他焦虑其实很像：我们把“知道一件东西存在”误认为了“掌握了一件东西”。
收藏十篇教程并不会自动形成能力，注册五个 AI 产品也不会让工作效率提高五倍。真正发生改变，通常是在某一天，你发现一个原本需要半小时的重复工作，现在十分钟就能完成；或者一个以前让你卡很久的问题，现在多了一个可以一起分析它的工具。
换句话说，衡量 AI 能力的标准，也许根本不应该是“我知道多少新东西”，而应该是：
AI 到底改变了我的什么？
别从工具开始，从问题开始
这是这篇文章最值得留下来的一个思路。
面对新的 AI 工具，我们很容易先问：“这个厉不厉害？”接着研究它能做什么，再努力寻找一个可以使用它的地方。
更合理的顺序其实恰恰相反：先看看自己的生活和工作里，到底有什么问题。
也许你每天都要整理大量资料，也许某项重复工作特别耗时间，也许总有一些专业内容很难快速理解。问题出现之后，再去寻找合适的工具，AI 才真正有了落点。
这和单纯“学习 AI”有很大区别。
比如一个科研工作者，并不一定需要因为最近大家都在讨论 Agent，就先把所有 Agent 框架研究一遍。可能他真正的问题只是读论文太慢、实验记录太乱，或者经常需要重复处理同一种数据。那么，从这些具体问题开始，让 AI 帮忙检索资料、解释陌生概念、写一段处理数据的程序，反而会在不知不觉中学会很多东西。
不是先把 AI 学完，再开始使用；而是在使用的过程中，逐渐知道自己需要学什么。
这样还有一个好处：很多根本与你无关的新东西，会自然被过滤掉。
你不再需要每天判断“这个新模型我是不是也应该学”，而只需要判断：“它有没有明显改善我现在正在做的事情？”
如果答案是否定的，完全可以先忽略。
这可能恰恰是 AI 时代越来越重要的一种能力——知道什么值得关注，也知道什么可以放心错过。
AI 越强，人的判断反而越重要
还有一种常见的想象是：随着 AI 越来越强，专业知识会变得不那么重要。
现实可能正好相反。
过去，一个人要花很长时间才能写出一段代码、整理一份报告或者形成一个看起来完整的分析。现在 AI 几分钟就可以生成一个结构漂亮、语言流畅，甚至非常“专业”的答案。
问题也因此发生了变化。
以前最难的是“得到一个答案”，以后更难的可能是：
你怎么知道这个答案是对的？
AI 很擅长生成“看起来合理”的东西。它可能引用不存在的论文，也可能给出逻辑顺畅但事实错误的解释，更可能在你不熟悉的领域里，让错误显得和正确答案一样可信。
所以专业知识并没有因为 AI 出现而消失，它只是从“生产答案”越来越多地转向了“判断答案”。
同样的变化也发生在 AI Agent 上。过去聊天机器人主要负责回答问题，现在一些 AI 已经能够读取资料、使用软件、调用外部服务甚至直接执行任务。能力越强，出错时造成的影响自然也越大。
这时候真正重要的，并不是记住它能读取文件、发邮件还是调用 API 这些具体功能，而是形成一个更简单的判断：
一个 AI 获得的权限越大，我们对它的检查就应该越严格。
这其实和人与人之间的授权没有太大区别。让一个助手帮你查资料，和把邮箱、服务器以及重要文件全部交给他操作，本来就不是同一个风险等级。
AI 越来越强之后，人真正需要保留的可能正是这些能力：知道自己要解决什么问题，能判断答案是否可信，知道什么时候应该交给机器，什么时候必须自己确认，并最终为结果负责。
我们真正需要跟上的是什么？
读完这篇文章以后，我觉得“跟上 AI”这件事本身可能需要被重新定义。
它不应该意味着每天知道哪个模型又刷新了排行榜，也不意味着每一个热门工具出现时，都必须第一时间注册和学习。
因为这样的比赛永远没有终点。
今天是新的大模型，明天是 Agent，后天还会出现现在没有名字的东西。只要把目标设定成“知道所有正在发生的变化”，焦虑几乎是必然的。
更现实的状态可能是：
当我遇到一个问题时，我知道 AI 大概能不能帮助我；如果可以，我也知道怎样找到合适的工具，并有能力判断它给出的结果。
这其实已经足够了。
有意思的是，Nature 这篇讨论 AI FOMO 的文章，本身也注明作者在投稿前使用了 Claude Sonnet 4.6 协助编辑和润色。
这反而很好地说明了文章真正想表达的东西。
它并不是在劝人远离 AI，也不是认为追赶技术没有意义。它只是提醒我们，不要把“追 AI”本身变成一份新的全职工作。
AI 最理想的位置，或许不是成为每天需要额外完成的一门功课，而是慢慢融入原本就在做的事情里。
最后留下的也未必是我们掌握了多少模型、多少提示词、多少工具。
更可能是一些寿命长得多的能力：提出一个好问题，判断一个答案，设计一种更好的工作方式，以及在无穷无尽的新东西面前，知道什么可以不学。
从这个角度看，也许真正值得担心的，从来不是“我是不是错过了最新的 AI”。
而是：
在追赶所有新东西的时候，我们有没有忘记自己原本想做什么。
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。