一句话看懂：Thariq 通过一次 AI 辅助证明数学定理的经历指出，AI 时代最稀缺的技能不再是“写代码”，而是“算力分配”和“思想伙伴关系”——同时提醒从业者，这两项能力仍然建立在深厚的技术功底之上。
事件核心：发生了什么
Thariq（@trq212）在 X 上发布了一条获得 6.5 万次浏览的帖子，讨论“与 AI 协作的两项关键技能”：其一是算力分配（compute allocation），即面对没有现成优先级清单的工作场景，你需要自己判断哪些问题值得投入算力；其二是思想伙伴关系（thought partnership），他提到数学家 @__alpoge__ 必须深入理解和验证 AI 给出的证明，才能确认其正确性。Thariq 还补充了一个细节：“有时候你只需要告诉 Claude 继续下去。”这条帖子引发了关于 AI 协作中人类价值的讨论，有用户对 AI 产品的可靠性提出质疑，而 Thariq 强调，无论工具如何进化，深度技术专长和直觉依然不可替代。
为什么重要
这条讨论的价值在于拨开了一个常见的认知误区：很多人以为 AI 会让人变得“不需要懂技术”，但 Thariq 给出的观察恰恰相反——AI 放大了技术判断力的杠杆。在大多数工作中，不存在一张“最重要的 X 个问题”清单，决定把算力投向哪里，本身就是一种高级决策能力。而“思想伙伴关系”则揭示了 AI 使用的另一个本质：模型可以生成看似合理的回答，但只有具备深厚领域知识的人才能分辨其中哪些是真正可靠的成果。这个观点也间接回应了当前大模型行业的一个痛点：随着推理成本下降、开源模型能力逼近闭源模型，真正的竞争壁垒正在从“模型参数量”转向“使用者的专业判断力”。对开发者而言，这意味着从“会调用 API”到“知道该让模型解决什么问题、如何验证答案”的进阶，将是未来几年最值得投资的能力。
对用户/开发者/创作者的影响
对普通用户来说，这条帖子的启示很直接：不要盲目接受 AI 输出，关键场景下仍需要人工验证；同时，学会“让 AI 继续”（比如反复迭代提示词或要求模型继续推理）往往能显著提升结果质量。对开发者而言，算力分配提醒我们关注任务分级：不是所有请求都需要调用旗舰模型，简单任务用轻量模型或开源模型即可，把昂贵算力留给真正有价值的问题，这既是成本优化思路，也是工程效率策略。对创作者和技术管理者，Thariq 提到的“思想伙伴关系”意味着 AI 工具的最佳用法不是替代思考，而是作为需要被审视的协作对象——你的专业直觉越强，AI 能帮到你的地方就越多。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，Thariq 的讨论仍停留在观点层面，并未指向具体产品或模型迭代。后续可以观察三个方向：其一，AI 辅助科研或数学证明的成功案例是否会增多，尤其是有领域专家背书的结果；其二，开发工具链（如编程助手）是否会推出更细粒度的“任务分级”功能，帮助开发者合理分配算力成本；其三，Claude 等主流模型是否会针对“持续推理/继续深入”的场景优化交互方式，让模型在长链条任务中更稳定地保持上下文与推理质量。
