Foresight 发布文章《AI 时代未来最重要的 5 个习惯》，作者为 SanTi Li、纳西妲、银月。文中称，随着 AI 技术能力以指数级迭代，稀缺资源正从信息本身转向灵感、注意力、判断力，以及独立思考能力。作者认为，当 AI 已能在几秒内完成搜索、分析、写作、编程甚至提出解决方案时，人类面临的风险不再只是不会使用 AI，而是把思考主导权与判断力一并交给 AI。
文章提出，真正重要的能力不是让自己越来越像机器，而是在利用机器能力的同时，保留那些属于人的能力，并据此总结出 5 个面向 AI 时代的习惯。
主动断开连接，回归自然与运动
文章将身体视为人类认知系统的底层基础。文中写道，AI 的响应速度是毫秒级，人可以同时打开多个窗口、与多个模型对话，让 AI 处理大量工作，表面上效率成倍提升，但屏幕和服务器不会疲劳，人类身体和大脑会。
作者认为，当效率提升从个体优势变成群体层面的技术更新后，人更容易长期处在高频信息刺激、久坐和任务频繁切换的状态中，持续消耗注意力与认知资源，最终进入一种高效却超负荷的状态。
围绕这一点，文章提出建立“数字禁食区”，例如把醒来后的第 1 小时、睡前的 1 小时设为固定离开屏幕的时间，或在某个时段彻底断开网络与智能设备，把注意力收回到物理世界，让大脑重新“刷新”。
文中还建议，用身体感知对抗虚拟沉浸，定期进行有氧运动，或者进入篮球场、足球场、森林、公园等自然环境。作者认为，自然环境中的非线性视觉，以及运动带来的多巴胺释放，有助于恢复注意力资源，也能激活类似“淋浴灵感”的无意识创造力。
文章同时区分了“高刺激”和“真休息”。其中提到，刷短视频、刷社交媒体、玩高强度节奏游戏、无目的地与 AI 闲聊，本质上都属于数字刺激，不但不能真正休息，还可能让大脑更疲惫，甚至影响睡眠。相较之下，身体运动、深度睡眠、阳光、自然、呼吸和真实的人际互动，才构成真正的恢复来源。作者的结论是，身体不是效率的负担，而是认知能力的一部分，AI 越强，人越需要保护好自己的物理承载。
优化你与 AI 的协作原则
第二个习惯聚焦在人机协作方式。文章提出，不应只学习 Prompt，而应建立属于自己的 Human-AI Operating System，把 AI 视为数字分身或顶级幕僚，而不是偶尔使用的搜题工具。
作者强调，AI 不能占据主导原则，尤其是在当前阶段，模型出现“幻觉”和“一本正经胡扯”的概率仍然存在，不同模型也可能给出“自信但错误”的判断。文中据此提出，模型能力越强，人类越不能放弃验证与最终决策。
文章认为，未来真正拉开人与人差距的，并不是谁掌握了多少临时 Prompt 技巧，而是谁能够设计并固化一套稳定的人机协作系统。为此，作者把分工界面分成两部分：
- AI 可承担资料搜集、数据整理、初稿生成、框架搭建、代码撰写、格式化、重复性劳动与多方案推演。
- 人类负责及时反馈、战略方向、价值判断、风险承担、最终决策、审美品味、伦理边界，以及对现实世界的理解。
文章还建议建立定制化系统指令，也就是把工作标准与核心原则整理成规范文档，嵌入 AI 设定中。文中举例称，可以要求 AI 在分析问题时先区分事实与推论，不确定的信息必须明确标记，不允许为了形式完整而制造不存在的事实，重要结论必须提供验证路径。
在此基础上，作者提出持续迭代协作 SOP。每次完成高难度任务后，都要复盘沟通成本最高的环节、AI 为什么理解偏差、哪些规则需要提前告知，并逐步建立稳定的标准作业程序。文中用“数字小狗”作比喻，认为规则越清晰，AI 越容易形成稳定工作习惯。
思路卡顿时不要和 AI 死磕
文章第三部分指出，AI 可以无休止工作，但人类不应该无底线消耗自己。作者认为，AI 最大的优势之一，也是它的陷阱之一，就是它永远可以继续：用户可以不断修改 Prompt、让 AI 重写、切换模型、切换方法、再次分析，最后却可能忘记最初真正要解决的问题。
文中把这称为 AI 时代容易出现的认知陷阱，因为机器没有疲劳机制，而人类有。在思路卡顿或情绪焦虑时，人容易陷入不断调整提示词、试图立刻逼出完美答案的循环；在指令混乱的状态下与 AI 反复拉扯，不仅会迅速消耗认知能量，也会让 AI 的处理原则越来越混乱，最终变成持续消耗 Token 与金钱的工具。
作者以亲身经历举例称，曾因为一个算法小 bug，让 codex 与 claude 两个模型连续修改 2 天也没有解决。后来停止修改，第二天在思路更清醒时想到完全不同的路径，结果 3 分钟内 AI 就通过另一种方式完成了任务。
基于这一经历，文章提出识别“认知边际递减”信号：如果连续 3 次修改提示词仍得不到满意答案，或者开始对 AI 输出明显烦躁，往往意味着思路已经进入盲区，认知能量也接近耗尽。
文中建议在“上头”时执行强制停机，立即离开座位，停止与 AI 交互，去喝水、散步、洗澡，给大脑留出认知缓冲期，让后台的隐性思维自然运转。作者还建议，把焦点从“死磕细节”拉回“重新定义问题”，重新追问自己：真正要解决的是什么，是否设定了错误前提，这个问题是否值得继续解决。文章提到，股票投资里有沉没成本心理，AI 时代的 Token 消耗也可能带来类似心理。
在交互中及时打断并持续纠偏
第四个习惯围绕交互主导权展开。文章指出，不要让 AI 的输出节奏接管自己的思考节奏。由于大语言模型的生成机制，它可能给出看似逻辑自洽、实际上带有偏差或幻觉的答案。如果习惯等待 AI 完整输出 1000 多字甚至 2000 字后再阅读，人的思考节奏就可能被 AI 带偏。
作者把关键能力概括为持续纠偏，也就是 Iterative Steering。文章建议，一旦发现 AI 输出偏离核心意图、开始堆砌空话套话，或者从第一句话起方向就错了，就应立刻按下“停止生成”键，不要把时间浪费在无效信息上。文中提到，现在人类也需要在 AI 生成过程中观察其思路是否出错，这本身就需要投入精力，AI 更像自动驾驶，不能完全依赖。
在打断之后，文章建议立即补充约束条件，例如直接指出理解偏差，并把需求改成更明确的执行目标，比如不是行业概述，而是 3 个具体落地步骤。
作者也主张把大任务拆成小闭环，拒绝一次性接收上千字完整方案，而是要求 AI 先给出 3 个核心假设，在人工确认后再展开第一部分，以便把交互方向盘始终握在自己手里。
用灵感发现机会，用品味决定答案
文章第五部分提出，随着 AI 能力提升，写文章、写代码、做 PPT、分析数据的执行成本会越来越接近于零。文中举例称，如果未来 Claude Fable5 级别的顶级模型，Token 价格与最近的 deepseek flash 一样，那么整体成本会大幅下降。到了答案输出极度廉价的时候，真正稀缺的将是：一个 IDEA 要不要发出去、什么值得做、为什么做、以及应该解决谁的问题。
作者据此写道，AI 擅长解题，但人类必须负责选题。文章主张用灵感取胜，从劳作者转向创意导演。作者认为，AI 拥有全人类知识库，但无法产生跨界直觉、生活感知与瞬间奇思妙想，因此应及时捕捉每一个闪念，通过闪念笔记或语音备忘保留下来，再把这些原始灵感作为种子，交给 AI 做穷举验证、补充细节和快速生成原型。
文中还把提问力视为生产力的一部分，称深度提问能力源于对业务本质的洞察以及对人性需求的理解，应该更多追问“为什么”和“如果……会怎样”，用高质量问题引导 AI 的输出方向。
同时，文章认为需要用极高的审美品味去“裁剪”AI，因为模型通常给出的是平庸的“平均数答案”。人类要能够识别其中的平庸、说教和逻辑漏洞，再进行剔除、精炼与重构，为最终成果注入个人风格与灵魂。
作者结语：AI 越强，人越不能把自己变成 AI
在结语部分，文章称，AI 时代真正危险的事情，可能不是机器比人更聪明，而是人类逐渐放弃独立思考能力。作者写道，如果盲目听从 AI 指令，当同一个 AI 系统影响数千万甚至数亿人时，即便是极小比例的系统性错误，也可能被规模化放大，最终影响大量人的认知与决策。
文中特别提到伴随 AI 成长的“20 后一代”。作者认为，当前人类能够控制 AI，一个原因是发明级别的工程师仍然健在，这些人熟悉 AI 最底层代码，也精通其中的核心 bug；但若未来 AI 进一步走向自行编程优化，这类工程师的数量可能越来越少。
文章还从文明与基础设施的角度讨论依赖风险。作者写道，文明越先进，系统复杂度越高；系统越复杂，对基础设施和关键节点的依赖就越强。过去人类把知识写在石头、竹简和纸张上，可以保存几百年甚至几千年；现在则越来越依赖服务器、云计算和网络存储。效率提升的同时，文明的一部分“记忆权”也被交给了数字基础设施。
文中把这种现象称作技术进步需要警惕的一面：能力越强，依赖也可能越深。这像是 AI 时代的一种“太极”——获得一种力量的同时，也可能失去另一种能力。文章进一步举例称，如果有一天网络基础设施大规模失效，人们可能会突然发现，知识依然存在，但访问知识的能力却可能消失；这类似许多人在失去电力与手机时会瞬间产生“身无分文”的感觉。
文章最后提出，在 AI 可以替人搜索、分析、写作、编程时，人是否仍保有观察生活的感知、定义问题的勇气，以及判断好坏的品味。作者认为，未来最核心的竞争壁垒，不再是知识存储量，而是身体的感知力、独立的思考力、敏锐的判断力、跨界灵感，以及定义问题的终极决策力。AI 可以把答案做得越来越快，但“我们究竟想让这个世界变成什么样”，在很长一段时间里，仍应由人来回答。
文末免责声明称，市场有风险，投资需谨慎。本文不构成投资建议，用户应考虑文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。