作者：不懂經也叔的Rust
轉載：不懂經
2026年5月，兩篇重磅研究在一周內相繼發表。
一組來自加州大學伯克利分校研究團隊，樣本是美國 20 所公立研究型大學的 95,513 名本科生。研究發表在《Science》科學雜誌上，主題是大學生如何使用生成式 AI，以及怎樣用它作弊。
另一組來自喬治城大學神經科學家 Adam Green 團隊。他們分析了超過 37萬份美國高中生的大學申請文書，試圖回答一個更隱蔽的問題：ChatGPT出現之後，年輕人的創造力發生了什麼變化。
這兩組數字看起來屬於兩個不同領域。一個談教育公平，一個談寫作創造力；一個研究大學生行為，一個研究高中生的申請文書內容。但它們最後指向同一個問題和同一條裂縫。
AI 時代最深的分水嶺，根本不在「有人用AI、有人不用AI」，或者「有人會用，有人不會用」。那只是第一層。那條線當然存在，但是很多人都看得到。真正隱蔽的區分，藏在一個大多數人還沒注意到的地方。
《了不起的蓋茨比》作者菲茨傑拉德說過一段話，後來成了常被引用的智慧檢驗標準：」對一流頭腦的測試，是看它有沒有能力同時持有兩個截然相反的觀點，而且依然能照常行事。」
這句話確實具有天才的洞察，但我覺得在AI這個時代，它需要加一個補充和延伸。
01
關鍵並不在於用或不用AI
伯克利那項研究的第一組數字，很容易讓人得出一個熟悉結論。
大約三分之二的本科生已經使用過生成式 AI，接近40%的學生至少每月使用一次。至少9%的 AI 使用者承認，自己曾用 AI 完成了本不被允許的任務。
研究還發現，AI 使用存在明顯差異。男性學生、白人和亞裔學生更常使用生成式 AI，女性學生、低收入學生和少數族裔學生使用得更少。
這聽起來像傳統的數字鴻溝。
過去的數字鴻溝，是誰家裡有電腦，誰家裡沒有電腦；誰能上網，誰不能上網；誰能用搜索引擎和英文資料，誰只能依賴學校課本。
今天它換成了另一種形態：誰能熟練使用 Claude、ChatGPT、NotebookLM，誰只能偶爾打開免費模型；誰知道怎樣讓 AI 幫自己拆論文、改代碼、做簡歷，誰連提示詞怎麼寫都不熟。
如果就業市場默認畢業生應該具備 AI 使用能力，那麼不用 AI 的學生當然會落後。
這套敘事沒有錯。
低收入家庭的孩子買不起更強的模型，訪問次數受限，訓練機會更少。將來面試時，僱主問他是否熟悉 AI 工作流，他可能只能回答「用過一點」。同樣是大學生，有人已經把 AI 變成隨身研究助理，有人還停留在複製粘貼。
差距會從課堂進入實習，從實習進入第一份工作，再從第一份工作進入一生的收入曲線。
如果故事只到這裏，解決方案就很簡單：給每個學生髮 AI 賬號，把 AI 納入課程，教他們正確使用。
但伯克利研究里還有另一個數字，才是更加值得警惕的。
02
同一個滑梯上的兩種人
伯克利研究發現，每天使用 AI 的學生中，26% 承認用 AI 作弊；每月使用 AI 的學生中，這個比例只有 7%。
這不是一個小差異。
它說明 AI 使用並不是一條單向的進步曲線。用得更多，不一定等於學得更好。
AI 像一條滑梯。
一開始你只是想省一點時間。讓它幫你解釋一個概念，潤色一段文字，整理一組資料。很快，它就開始進入任務的核心部分。你不再讓它「幫我理解」，而是讓它「幫我完成」。再往後，你開始習慣直接拿到一個成品，然後在成品上改幾句，把它偽裝成自己的工作。
這個過程沒有明顯的道德斷點。
今天的工具設計，本來就在模糊邊界。你用 Google，頁面上已經有 AI 總結。你用語法檢查工具，下一步就是全文重寫。你讓模型解釋一個概念，它順手就會給你生成一份作業結構。學生很難一直清楚地知道：我現在是在學習，還是在替代學習？
學生可能交出一份很漂亮的成果，甚至拿到好成績，但那個作業本來要訓練的能力並沒有長出來。
這才是問題的核心。
教育里的很多任務，本來就不是為了那個結果。
寫論文不是為了交出五頁紙，是為了在材料、證據、觀點之間反覆拉扯。做題不是為了答案，是為了讓大腦經歷那段從混亂到清楚的過程。寫代碼不是為了程序最終跑起來，是為了在錯誤里形成判斷：哪裡可能壞，為什麼壞，下次怎樣提前避開。
AI 最擅長的，恰恰是把這些過程摺疊掉。它讓你直接看到結果。
於是，學生們有了兩種完全不同的發展態勢。
第一種學生，本來已經有某種基本功。AI 幫他節省體力，擴大資料範圍，測試更多方向。他知道哪裡該信，哪裡要查，哪裡只是語言漂亮。他用 AI 像用槓桿。
第二種學生，還沒有形成基本功。AI 給他答案，也給他語氣，給他結構，給他判斷。他交出了作品，卻沒有經歷作品形成的那段路。他用 AI 像用假肢。
外表上，這兩個人越來越像。他們的作業都整齊，郵件都禮貌，報告都有結構，PPT 都像諮詢公司。
區別藏在工具關閉之後。
要判斷學生真正的學習力，就是讓他們每次用AI的時候問自己三個問題：我能不靠這個工具解釋清楚嗎？明天我能獨立完成類似的任務嗎？AI是幫我理解得更深了，還是只是幫我完成得更快了？
這三個問題，正好把AI用戶群體切成了完全不同的兩種人。一種人問不出來這三個問題。另一種人問完之後還能給出肯定的答案。這兩種人的差距，比」用AI」和」不用AI」的差距大得多。
正如我在之前的文章里反覆討論過的一個詞：去技能化。AI未必立刻讓你失業，但它可能先把」本來會做這件事」的手感、判斷和篤定，從你身上一點一點抽走。你看起來產出更多了，但支撐這些產出的能力卻在變薄。
03
37萬份高中生文書暴露的深層問題
Adam Green 團隊研究的是大學申請文書，這是一種很特殊的文本。
大學申請文書不是普通作文。它的功能，是讓一個年輕人從分數、活動、簡歷這些標準化信息里走出來，告訴招生官：我是一個具體的人，我有怎樣的經歷、困惑、慾望、失敗和理解。
換句話說，它本來應該是最抗標準化的文本之一。
Green 團隊追蹤了 37 萬多份申請文書，把 ChatGPT 出現前後的變化放在一起看。結果很微妙。
ChatGPT出現之後，文書的詞彙更豐富，句子更流暢，表達更像「好文章」。人類評委甚至更容易給這些文章打出更高的創造力評分。
但底層想法變得更相似。
語言外殼在升級，思想差異在收縮。
紐約時報的文章里引用了這個研究，並提出一個關鍵判斷：人類第一次擁有了一種可以脫離思想本身生成語言的技術。它可以識別哪些詞語組合看起來高級，哪些句子節奏像創造力，哪些轉折能讓讀者產生「這個人有想法」的錯覺。
但它並不保證那些詞語背後真的有新的想法。
這就是 AI 寫作最危險的地方。它不會讓每個人都寫得很差。相反，它會讓很多人寫得更像優秀範文。
過去，平庸文章有平庸文章的樣子。詞窮、結構散、表達笨拙，老師和讀者很容易看出來。現在，空洞可以穿上漂亮衣服。
更麻煩的是，評委也會被這件衣服騙過。
Green 團隊相關研究顯示，人類寫作能帶來的新想法數量，最多可以達到 AI 生成內容的數倍。另一篇發表在 ScienceDirect 的研究也分析了大學申請文書中的創造性多樣性，結論類似：每增加一篇人類寫作，能帶來的新想法更多；樣本規模越大，AI 文本的同質化問題越明顯。
這不是簡單的「AI 寫得不好」。AI 寫得很好。問題在於，它把「好」的標準變窄了。
Science Advances上關於短篇小說的實驗也有類似發現。AI 可以讓部分寫作者的故事更好讀、更完整、更像可發表作品。但當很多人都藉助 AI 寫故事時，故事之間的相似度上升，整體多樣性下降。
這就是創造力的悖論。
從個人角度看，你確實寫得更好了。但從群體角度看，世界變得更像了。
最可怕的部分在於，AI 對離均值最遠的人影響最大。紐約時報的文章中提到，語言少數群體、少數族裔學生，以及可能的神經多樣性學生，他們原本最獨特的表達，反而最容易被 AI 拉回主流模板。
這幾乎是一個文明層面的反諷。
我們以為 AI 會幫助弱勢學生補足表達差距，結果它也可能把他們最珍貴的差異抹平。
如果 AI 是一台均值回歸機器，它真正消滅的就不是錯誤，而是偏離均值的那部分生命經驗。
04
AI使用產生的三大悖論
把這兩組研究放在一起看，會出現三個悖論。
第一個悖論：不用AI，會落後；用太多AI，會空心化。
伯克利研究說明了這一點。低使用率群體會面臨工具差距，高使用率群體又可能陷入依賴和作弊。一個技術同時製造兩種劣勢。
前一種劣勢看得見，后一種劣勢很隱蔽。
不用 AI 的人，效率差距立刻出現。用AI 太多的人，能力損失要過一段時間才顯形。等到顯形時，他可能已經拿到一串漂亮成績，一份不錯簡歷，甚至一份體面的工作。
然後某一天，他需要在沒有模板、沒有提示、沒有現成答案的地方作判斷。
那一刻，賬才會算出來。
第二個悖論：AI 幫你寫得更好，卻讓你想得更淺更窄。
37萬份申請文書的研究最刺痛人的地方在這裏。語言質量提升，思想多樣性下降。評委還未必看得出來。
這會破壞整個教育系統的判斷標準。
過去，老師看到一篇文章，可以從笨拙之處看見學生正在思考。現在，老師看到一篇漂亮文章，反而要懷疑裏面有沒有學生。過去，僱主通過寫作判斷一個人的理解力。現在，寫作越來越像包裝層。
文字的外殼越來越精美，思想的核越來越空心。
第三個悖論：AI對最獨特的人傷害最大。
這是最可怕、最容易被忽略的一點。
很多人以為 AI 會把底層學生往上托，把表達不好的人訓練得更體面。它確實有這個功能。問題是，它托舉人的方式，常常是把他托向平均值。
一個移民家庭學生原本可能寫出帶有混雜語法、家庭口音和特殊記憶的文章。那篇文章不一定流暢，卻有不可複製的紋理。AI 會幫他改得更像標準英語，更像優秀申請文書，也更像幾萬份別人的申請文書。
一個神經多樣性學生原本可能用非常規路徑理解世界。AI 會幫他把跳躍變成連貫，把奇怪變成自然，把尖銳變成得體。
這在申請系統里可能更安全。但創造力常常就藏在那些不安全的地方。
如果所有離經叛道的表達都被修成「成熟、清晰、有說服力」，我們得到的不是更公平的創造力，而是一種更高級的同質化。
05
創造力不是結果，是過程
矽谷喜歡給 AI 一個很誘人的承諾：讓機器處理無聊的部分，人類專註創造性的工作。這句話的問題在於，它誤解了創造力。
無聊的部分並不總是創造力的障礙。很多時候，它就是創造力的燃料。
一個分析師翻看原始數據時，可能在某個異常值里發現真正的問題。一個作家刪掉三千字廢稿時，可能才發現自己真正想寫的不是這個題目。一個程序員調 bug 時，才慢慢形成系統感。一個學生寫不出開頭，在紙上亂畫十分鐘，那十分鐘並沒有浪費。
空白頁很痛苦，但空白頁不是敵人。
它是思考開始工作的地方。
很多人使用 AI，並不是為了處理行政雜務，而是為了逃避最痛苦的認知階段。那個階段就是面對空白、忍受混亂、自己生成第一個方向。
AI 最誘人的功能，就是讓你不用經歷這一刻。
你輸入一句話，它給你十個方向。每個方向都合理、完整、像那麼回事。你立刻獲得一種輕鬆感，好像創造力已經啟動了。
可它也完成了錨定。
一旦第一個方向出現，人很容易圍繞它修修補補。你以為自己在創作，其實是在給機器的第一個答案做裝修。
沃頓研究關於 AI 頭腦風暴的討論也指向類似問題：AI 能提高個人產出的數量和表面質量，卻容易讓群體想法變得集中。哥倫比亞商學院關於模型偏好的研究則提醒，早出現的選項會影響後續判斷，更好的想法可能還沒來得及出現，就被第一個體面答案擋住了。
創造力不是最後那段漂亮文字。
創造力是你在錯誤、遲疑、推翻、重來里形成的路徑。
AI 可以代你走完路徑，但它不能把走路長出的肌肉轉移給你。
這也是 AI 與過去工具最不一樣的地方。
文字削弱了口頭記憶，卻打開了歷史、法律和科學。計算器削弱了心算，卻讓更多人能處理複雜數學。搜索引擎削弱了背誦，卻擴大了信息可達性。
每一次能力外包，都伴隨新的能力形成。AI 的特殊之處在於，它外包的往往不是某一項能力，而是形成能力的過程。
這才是風險所在。
06
真正的分水嶺：判斷力基線
AI時代的階層分水嶺到底是什麼。
不是」會」和」不會」。」會」用AI這件事的門檻正在以月為單位下降。今天的工具比半年前的好用得多，半年後的工具會用起來更簡單。
把時間拉長到三年，用不用AI、用得好不好，很可能不再是決定性的競爭變數。就像今天沒有人會因為自己」會用搜索引擎」而覺得自己有不可替代的優勢。
真正的分水嶺，是你有沒有在AI到來之前，或者使用AI之前，建立了自己的判斷力基線。
什麼算基線？
就是你在沒有任何外部工具的情況下，獨立拆解過一個複雜問題，獨立寫過一篇邏輯完整的論證，獨立做過一次研究，發現過AI給你的總結其實漏掉了最關鍵的部分，獨立在沒有人提示的情況下想過」這件事有沒有另一種可能」。
這些經歷，不只是在你的技能表上增加了一行。它們在你腦子裡刻下了某種」對的」和」不對的」的直覺。這種直覺，讓你在AI遞給你一份漂亮的輸出時，能停下來感覺到」這個地方不對」。
這跟聰明不聰明沒關係。而是你曾經走過那條自己推導的路，你知道真正的好答案長什麼樣。
《了不起的蓋茨比》作者菲茨傑拉德說過一段話，後來成了常被引用的智慧檢驗標準：」對一流頭腦的測試，是看它有沒有能力同時持有兩個截然相反的觀點，而且依然能照常行事。」
我非常喜歡這段話，但我覺得在這個時代，它需要一個補充。
AI時代的智力測試不再是」你能否同時持有兩個相反的觀點」，而是」當AI遞給你一個流暢、完整、看起來極其專業的答案時，你是否有能力判斷它是對的還是錯的、深的還是淺的、真正的好東西還是看上去很好。」
而要擁有這種判斷力，只有一個途徑：你在沒有AI的時候，做過足夠多的笨拙的、低速的、走彎路的、沒人旁觀的學習。
這不是在懷舊。這是一個冷酷的結構性問題。
Berkeley研究里那個悖論，不用AI的落後了、用太多AI的變空了，指向的其實是同一種困境：判斷力基線的缺失。不用AI的學生，缺工具，但真正缺的是另一件東西：」用工具之前的那個自己」。用太多AI的學生，有效率，但真正缺的也是同一件東西：」在效率之外判斷什麼是值得做的那個自己」。
我在之前的文章中討論過去技能化的時候，提過一個判斷：只有本來就有基本功的人，才有資格談」監督AI」。
不會寫的人，很難真正修改AI的文字；不懂研究的人，很難發現AI總結時遺漏了什麼；不懂代碼的人，也不可能真正判斷一段AI生成的程序到底穩不穩。沒有基線的人，表面在和AI協作，實際上在把自己的判斷權交出去。
今天我把這個判斷往前推一步。
AI時代真正的三層結構，遠比」會用AI」和」不會用AI」複雜：第一層：還沒有建立基線，也不會用AI。這類人面臨的是老式的不平等：效率被碾壓，選擇被壓縮，被時代拋在後面。
第二層：還沒有建立基線，但會用AI。這類人是AI時代最危險的位置。表面上和第一層完全不同：產出漂亮、表達流暢、看起來很專業。但內核和第一層一樣脆弱：一旦離開工具，無法獨立完成任何有深度的思考。更糟的是，他們不知道自己不知道。AI給的流暢答案，讓他們誤以為自己懂了。
第三層：在AI到來之前已經建立了基線，然後把AI當加速器用。他們知道一個真正的好答案長什麼樣，因為他們自己寫過。他們知道AI的總結可能漏掉了哪一類東西，因為他們自己總結過。他們在AI給出的方案里能認出」這個地方有問題」，不是靠直覺，是靠自己走過那條路的肌肉記憶。
這裏的關鍵詞是」在AI到來之前」，或者「使用AI之前」。
不是」在AI到來之後你再怎麼努力」，是」之前」。因為AI一旦無處不在，它就把建立基線所需要的那條路從環境里拿掉了。那條路本來是用最笨的方式從頭學，在沒有提示的情況下自己撞牆。現在它不存在了。
這不是一個技術能力的問題。這是一個技術環境的問題。你沒有選擇不走那條路，因為那條路已經不存在了。
07
比判斷力更重要的事
如果只是停在」判斷力基線很重要」這個層面，這篇文章和另一篇講」AI時代你需要什麼能力」的文章沒有區別。
Green研究里那個很少有人注意的細節，才是真正值得一談的地方：AI對有獨特視角的人傷害最大。
這個發現，把整個討論從」技能」層面拉到了」人是什麼」的層面。
一個人的獨特視角，不是一種可以被主動」培養」的技能。它來自你生在什麼樣的家庭，說的什麼語言，是不是習慣性地聽不懂主流敘事，是不是總在別人覺得理所當然的地方停下來問」為什麼」。這些差異，不是」訓練」出來的。它們是」存在」出來的。
AI作為一種均值回歸機器，在生產力層面幫你更快地產出更標準的好東西。但在存在層面，它在減輕你和世界的摩擦的同時，也在減輕」你之所以是你」的那些東西。
格林研究里提到的神經多樣性學生、少數族裔、非母語者，他們和平均值之間的摩擦最大。而這種摩擦，恰好是他們可能產生最獨特思想的來源。AI把它們抹平了。
這不是惡意，不是陰謀，是數學和演算法。
我在之前的文章里反覆討論過一個麥克盧漢式的命題：媒介即訊息。當你的思考媒介是一個模式匹配引擎，你變成什麼樣的思考者？當你的寫作媒介是一個詞語預測機器，你變成什麼樣的寫作者？當你的」創造力」由你最不可能想到的東西來定義，而那東西恰好是被演算法排除掉的，你還剩下什麼？
最後再講一個關於創造力的故事。
羅馬尼亞裔法國遺傳學家弗朗索瓦·雅各布，1965年拿了諾貝爾獎。有人問他科學研究的秘訣是什麼。
他的回答很短：」創造即重組。」
他在自己的實驗室日記里寫過更完整的一句話：一個新想法，不過是把兩個彼此認識但從未被介紹給對方的老想法，放在同一個房間里。
這個比喻我很喜歡，因為它恰好解釋了為什麼AI時代的判斷力基線危機，是一個人類問題，不是一個技術問題。
兩個從未被放在同一個房間里的老想法。這件事的前提是，你的腦子裡有足夠多、足夠不相關的老想法。而獲得這些老想法的唯一途徑，是你曾經在沒有外部加速器的情況下，扎紮實實地、笨拙地、低效地學過很多東西。那些東西當時看起來沒連接，日後才有機會在某個意想不到的瞬間撞出火花。
AI可以幫你把已經建立的老想法加速連接，但它不能替你做」建立老想法」這件事。因為建立老想法的過程，只能是緩慢的、親身經歷的、帶著困惑和重複的。它需要的不是更好的prompt，是時間和真實的活動。
AI時代真正的階層分水嶺，不是你會不會用AI，甚至不是你現在用AI用得有多好，而是你有沒有在那個」什麼都能幫你的AI」到來之前，用自己的腦子，走過足夠長的、沒人看見的、獨特的路。
這才是AI真正無法替代的。
*以上內容系網友會火自行轉載自視角學社，該文僅代表原作者觀點和態度。yeeyi號系信息發布平台，僅提供信息存儲空間服務，不代表贊同其觀點和對其真實性負責。如果對文章或圖片/視頻版權有異議，請郵件至我們反饋，平台將會及時處理。