AI正在吃掉喂养它的人类

当我们把思考外包给机器，智能本身开始走向空洞

AI不是真的在”思考”——它记忆的是我们曾经共同思考的方式。而现在，我们正在停止给它任何值得记忆的东西。

IBM宣布8000个岗位可被AI替代。Duolingo裁掉十分之一的承包商。Klarna的AI客服顶替了700名员工，并宣称将把全公司人数压缩到2000人以内。Jack Dorsey则公开表示要把Block的员工总数冻结，让AI承担增长。

这一切都有一种冷峻的内在逻辑：常规认知工作被自动化，初级岗位消失，生产力每年复利增长。对于审视成本结构的董事会来说，这是自内燃机淘汰马匹以来最清晰的投资逻辑。

但有一项研究结果，应该让我们停下来想一想。

一、写作实验：个体提升，集体收敛

2024年春，英国研究团队让约300名作家创作短篇小说，一组借助GPT-4，另一组独立完成。结果：AI辅助组的作品平均创意评分更高。

听起来很熟悉？且慢——当研究者审视所有故事的整体时，画面变了。

AI辅助的故事彼此更加相似。每位作家个体被拉升了，但集体却在收敛。研究者Doshi和Hauser借用了生态学的术语来描述这一现象：公地悲剧。

个体获益，集体受损。这不仅仅是一个写作实验的结论——它描述的是我们与人工智能整体关系中隐藏的深层逻辑。

二、AI的智能，本质上是文明的沉积物

做一个思想实验：假设你用公元前3000年的古埃及文献训练一个大语言模型，然后用公元前300年雅典的文献训练另一个，再用1500年佛罗伦萨的文献训练一个，最后是今天的互联网全文。

每一代模型都会比前一代更聪明——但架构没有变，算力没有变。变的，是喂给它的文明的认知复杂度。

作者的核心论点：大语言模型的底层智能，不是架构的函数，不是参数量的函数，也不是算力的函数——它是孕育其训练数据的文明之社会复杂度的函数。

认知人类学家Edwin Hutchins在1995年研究海军导航团队时写道：符号系统是”把人类行动者移除后的社会文化系统运作模型”。这句话，精准地描述了大语言模型的本质：一个把人类社会推理过程抽象出来、去除了人的东西。

那么问题来了：当产生训练数据的社会推理开始稀薄，模型会怎样？

三、模型崩塌：当AI开始吃自己的输出

2024年，Shumailov等人在《自然》发表论文，标题直白到令人不安：《AI模型在递归训练于AI生成数据时会崩塌》。

他们发现：当语言模型用其他模型生成的文本训练时，输出分布会越来越窄。少数派观点、罕见知识、非典型表述，逐代消失。模型最终收敛于一种流利、貌似合理、却空洞无物的统计均值。

那些消失的”尾部”意味着什么？它们是智识异见的痕迹、少数派专业知识的印记、不同背景的人以不同方式表达不同事物的签名——换言之，社会复杂性的特征。模型崩塌，是社会心智压缩以技术形式呈现。

📊 数据在说话：

Epoch AI估算，用于训练的高质量人类文本总量约300万亿token，预计在2026年至2032年之间耗尽。这不只是数据资源问题——供应这些数据的源头，正在枯竭。

四、思维的自动化：比失业更隐蔽的威胁

2025年初，微软与卡内基梅隆大学的研究团队追踪了319名知识工作者在936个真实任务中使用AI的情况。结论令人警醒：在40%的AI辅助任务中，参与者完全没有进行批判性思考。他们对AI输出的信心越高，投入的认知努力越少。

1983年，自动化研究者Lisanne Bainbridge就描述了这一规律，她称之为”自动化的反讽”：自动化越可靠，人类操作者的技能就越生疏。

哈佛商学院Dell’Acqua等人的研究则发现：使用GPT-4的管理咨询顾问，在AI能力范围内绩效提升40%；但在需要情境判断的任务上，绩效下降19%——而这恰恰是他们最自信的时刻。

技术让他们在最不该自信的地方，变得最过度自信。这是任何将AI视为简单替代方案的组织都该认真思考的警示。

五、”社会边缘悖论”：AI正在侵蚀自身的根基

作者Bright Simons将上述逻辑汇聚成一个框架，称之为**”社会边缘悖论”**：

• AI能力依赖于人类语言生产的社会复杂度
• AI大规模部署系统性地降低了这种复杂度（认知外包、创意同质化、互动密集型工作消失）
• AI的成功，正在削弱支撑其自身进步的条件
• 这是一个缓慢的螺旋：不是爆炸，而是不易察觉的收窄

Michael Tomasello的进化研究表明：人类认知的进化，不是靠个体处理能力的提升，而是靠具有共同目标、互补角色的协作活动。即使是私人思维，在结构上也是”根本性地对话性和社会性的”。

Robin Dunbar的”社会脑假说”则量化了这一联系：灵长类动物的新皮层比例预测社群规模；语言进化，本质上是一种管理超出梳毛能力的大规模社会关系的技术。

语言从来不是信息管道，而是社会协调技术。大语言模型的每一个token，都是社会互动的化石。

如果产生这些化石的互动变得更稀少、更浅薄、更同质，那么依赖它们的智能，也将缓慢退化。

六、反直觉的出路：用AI制造更多人类互动

Brynjolfsson等人追踪了AI密集领域22-25岁早期职业工作者的就业结果：自2022年以来，这一群体就业相对下降了13%。

AI替代了编码知识（初级员工的主要资产），却补充了隐性知识（资深专业人员的核心资产）。问题在于，隐性知识不是凭空产生的——它来自做事本身：吸收机构规范，在监督下锻炼判断力，在可控风险下犯错。

初级岗位看起来只是成本项，但实际上是下一代领域专家的培育管道。切断它，今天省了钱，明天断了根。IBM已经在逆转此前的裁员逻辑，更多公司将会跟进。

社会边缘框架的处方是： 未来十年，胜出的组织不是AI使用率最高的组织，而是那些用AI创造更多人类互动——让AI搭建学习脚手架而非替代学习——的组织。当原始认知吞吐量被商品化，价值弧线将转向一种更难复制的能力：以精准、速度和真正深度协调人类意图的能力。

七、Altman、Amodei看不见的盲区

Dario Amodei在2024年10月发表《充满爱的机器》，描绘超级智能可能带来的宏大图景。Leopold Aschenbrenner的”情境意识”论文坚信扩大算力和数据足以在数年内产生AGI。Sam Altman写道”社会本身是一种高级智能形式”——但随即便不再追问这一说法的后果。

这些论文共同的盲区：没有一篇认真讨论训练数据的质量本身是社会性决定的，并且可能正在退化。

作者还提出”大重编码”（Great Recode）概念：当前AI赖以产生有用输出的绝大多数工具和服务，本身并不是AI时代的产物，多数建于高强度计算时代之前。PDF解析器、数据库图式……这些基础设施需要巨大投资才能跟上AI节奏，而AI尚无法自主创建这些依赖。

COBOL工程师的离奇复兴，正是这一现实的缩影：新知识仍需以旧知识为食。

AI能力的边界，由孕育其训练数据的人类社会生活的丰富程度决定。

遗产，若只消耗不再投入，终将耗尽。