第 20 章　AI 与专业的接口，藏在真实任务里

专业接口先从一个窄任务开始

对这个场景，AI比较合适的第一项任务很窄，只负责资料导航：

根据获准使用的手册、设备型号和现象描述，找出可能相关的章节，保留页码和原文位置，供有资格的人继续检查。

这项任务的输出是候选入口，不是故障结论，更不是控制指令。它能减少翻找成本，而且人可以回到手册核对。若找错了页，通常也容易发现和回退。

下一层任务是诊断。诊断可能需要闪烁频率、运行模式、环境条件、日志、测量和此前操作。手册里同一种灯光在不同状态下可能有不同含义，缺少现场信息时，模型给出的确定答案只是猜测被写得很完整。

再下一层是控制：是否断电、复位、拆机或继续运行。它会直接改变现实，必须服从设备规程、权限安排和安全程序。能够生成建议，不等于获得了执行权。

一个简单的专业任务，由此分成三道门：

1. 导航：去哪里找证据；
2. 判断：现象更可能意味着什么；
3. 行动：谁可以在什么条件下改变现实。

三道门需要的证据和责任不同。AI在第一道门表现不错，不能自动获得后两道门的通行证。

判断接口是否合适，看四个量

把专业任务交给AI之前，可以先看四件事。

第一是输出去向。结果只供个人查找，还是会进入课堂评价、设备控制、健康判断或公共决定？离现实行动越近，要求越高。

第二是错误代价。找错一页通常可以重新搜索；错误停机可能损坏实验安排；错误的健康或安全建议可能影响人身权益。不能只看平均表现，还要看最坏情况下谁受影响。

第三是可发现与可恢复性。错误是否很快暴露？能否撤回？有没有日志、人工复核和替代流程？一个错误容易发现、容易回退的内部候选，比一个悄悄写入正式记录的自动结论更适合先试。

第四是专业证据。谁知道什么证据才合格？判断阈值来自标准、测量、实验、案例，还是经验？模型输出如果不能回到这些材料，就很难进入专业工作。

这四个量不是计算公式，却能阻止“能演示”被误当成“能部署”。

先和不用AI的方法比较

有时，手册自带目录、索引或关键词搜索，已经能稳定找到章节。此时加入模型，可能只是把一个确定的检索过程换成不确定的语言过程。

所以每个AI方案都应该有一个基线问题：不用AI，最简单可靠的办法是什么？

如果普通搜索两分钟就能完成，AI至少要在跨语言查询、同义表达或多份资料关联上提供可验证的增益，才值得增加新的复杂度。若它不能稳定保留出处，或者输出反而让人跳过原文，就没有改善这项任务。

“不用AI”不是保守，也不是错过时代。工程判断的目标是解决问题，不是证明某种技术必须出现。

同一套方法怎样进入不同专业

专业接口不是在专业名称后面加一个“AI+”。它藏在具体任务、证据和责任之间。

• 教育中，可以让AI生成练习候选或整理常见误解，但学习目标、评价公平和学生申诉仍由教师与制度负责；
• 艺术中，可以用AI探索构图和风格方向，但素材许可、署名、审美选择和最终表达不能被“生成成功”替代；
• 工程中，可以辅助查规范、比对记录和发现异常候选，但安全阈值、现场确认与控制权限必须保留；
• 管理中，可以汇总公开信息、形成方案对照，但数据来源、受影响群体和最终取舍要能够说明；
• 医疗、法律、财务等高影响领域，可以帮助整理问题和定位材料，却不能把一次对话当作合格的个案决定。

这些例子没有承诺效果。不同专业有不同现行规则，也可能需要资质、伦理审查或机构授权。

给自己的专业任务画一条边界线

从课程、实习或工作中找一个反复出现的小任务，不要先写“我要做一个AI系统”，只写真实动作。例如：“从获准使用的三份设备手册中找到与某种报警现象相关的章节。”

然后补全五项：

• AI产出什么候选；
• 人回到什么原始材料或现实结果核验；
• 哪种错误最需要防；
• 哪一步必须由有资格的人确认；
• 什么条件一出现，项目立即停在纸面。

如果任务说不清，材料无权使用，正确与否无法判断，或者错误会影响健康、安全、评价和权益而又没有合格复核者，那么这个接口尚未成立，开发应当停在纸面。