最近在做 HCI.top，我遇到一个很具体的问题。我想从 HCI 领域找新的创新机会点，判断力我有，但要做出判断，得先看完一万多篇论文。读完、拆解、结构化，再提炼观点，靠人根本不现实。
那一刻我意识到：很多专家停在原地，不是因为不够聪明，也不是因为不够努力，而是信息喂不动了。
一个阶梯：每往上一级，信息量都翻一个数量级
我们把成长画成一个阶梯。
第一级：小白到入门。 读十篇好论文，掌握一套方法论，就够了。什么叫 research？就是 re-search，循环地搜，循环地读。这个阶段吃的是别人已经萃取好的知识，教材、综述、经典论文，都是前人压缩过的精华，所以进步很快。
第二级：入门到高级。 需要几百篇的阅读量，加上真实项目的经验。这个阶段，重复工作本身就能让你变强，做得多，就懂得多。
第三级：高级到专家。 这里开始变了。专家的核心不是知识，是判断力，而判断力需要足够多的样本去喂。你要见过足够多的成功，也见过足够多的失败。重复工作，开始不管用了。
第四级：专家再往上。 前面已经没有压缩包了。你面对的是原始的、杂乱的、低信噪比的海量信息：一万篇论文，几十个领域的交叉，每天新增的研究和实践。没有人帮你萃取，你得自己来。
能力是线性的，信息是指数的
这是整件事最残酷的地方。从小白到高级，需要的信息量并不多；但从专家再往上，需要的信息量是指数级上涨的。而一个人的阅读速度、记忆容量、处理时间，是线性的。线性的人，追不上指数的信息。
于是很多专家卡在了半山腰。往上看，信息多到看不完；往下看，已经没什么可学的了。不是到了天花板，是被信息淹没了。
这也是做研究最重要、却最容易被忽略的一点。research 这个词，拆开就是 re-search，重复地搜索，而重复搜索的目的只有一个：从海量信息里萃取出对自己有价值的东西。可很多研究者花了大量时间在萃取这件事上，到最后有没有真正萃取出有价值的东西，其实很难讲。越往后走，这种萃取能力越稀缺，也越决定一个人能不能脱颖而出。
过去，要把大量知识拆解开来，是一件非常困难、甚至不太可能完成的事。很多硕士、博士的时间，都耗在了怎么把知识解构上，等解构完，已经没剩多少时间去重组了。而今天，解构这件事已经被 AI 解决了。真正的问题变成了下一步：怎么把这些拆开的知识重新融合起来，找到它们之间的关系，再从这些关系里长出新的东西。拆解是 AI 的活，重组才是人的活。
没被淹没的人，把方法论变成了工具
那些没卡住的专家，做对了什么？他们没有硬读，而是把自己的方法论变成了工具。人是线性的，工具可以不是，人读十篇的时间，工具能读一万篇。方法论决定方向，工具决定规模；只有方法论没有工具，你的判断力只能作用在一小撮信息上。
而这样的工具，一定是个性化的。因为方法论是你自己的：看什么，怎么拆，怎么判断，每个专家都不一样。通用平台做的是所有人的最大公约数，装不下你的方法论。所以这个工具，只能你自己造。
把一万篇论文交给 AI，没问题。问题是谁来造那个工具
今天，让 AI 读一万篇论文，技术上完全可行。但这里有一个很多人没意识到的问题：你有没有能力，让 AI 造出那个工具？
很多人觉得 vibe coding 已经能搞定一切，这是错的。数据从哪来、怎么获取、怎么清洗、怎么结构化，这些都是通用问题，AI 越来越擅长。真正难的，是把你的方法论和经验转换成工具：你凭什么判断一篇论文有价值，你的拆解框架是什么，你的洞察是怎么一步步得出来的。这些东西藏在你脑子里，AI 不知道，也替你想不出来。要把它们变成工具，你得有工程思维，能把隐性的经验拆成清晰的步骤、规则和结构，这才是独一无二的部分。
很多人低估了这件事的难度。一旦真的动手给自己做工具，你会发现里面全是要一个个解决的工程问题，不是有了 AI 就能一下子搞定的。如果真那么容易，AI 都快四年了，为什么很多人还是没做出来？不是拖延症，是确实做不出来。所以别太相信自媒体说的「有了 AI，人人都能怎样」。七十亿人里，也许真有十万人做到了，但那跟大多数人没有关系。没有什么东西是一下子蹦出来的。
没有这个能力，你会被 AI 带着走。更可怕的是，你不知道自己正在被带着走。
造工具的能力，就是往上爬的能力
过去，专家和工具之间隔着一个程序员。现在这道墙变薄了，但没有消失，墙的另一边不是代码，是工程思维。一个科学家、一个设计师、一个研究者，想再往上走一步，迟早要面对这个问题：我能不能为自己的判断力，造一个配得上它的工具？
结语
小白和高手的差距，是知识；高手和专家的差距，是判断；而专家和下一个层级的差距，是能不能驾驭指数级的信息。
下一代的专家，不只是懂得最多的人，而是那些能给自己造工具，让判断力跑在一万篇论文之上的人。
如果你也卡在了半山腰：有自己的判断力和方法论，却不知道怎么把它们变成工具，可以看看我们的「自然语言造物营」。我们不教你写代码，而是陪你把自己的经验和方法论，一步步变成真正能用的工具。