AI 改名「超级智能」,大模型越强,人还剩什么

全文一千六百字左右，读完大约五分钟。

我以前有一阵子，每天早上醒来的第一件事，是刷 AI 新闻。

就在这几天，人工智能在美国的官方叫法，被改成了「超级智能」。名字换得更大了，问题却还是老问题。

模型在更新，岗位在缩招，行业风向说变就变。刷的时候觉得自己在跟上时代，刷完却更慌。

因为我说不清一个最简单的问题：这些变化落到我自己身上，我到底该做什么。

如今的信息环境，推送、别人的成功、群里的截图，一刻不停地在打断注意力，各种杂念随之而来。

我自己大概不是一个人。在今天，很多人的判断，都是被单个信息牵着走的。

一、为什么是现在

我自己也说不清慌在哪里，直到看见一组数字。中国电信研究院发布过一份《智能体时代 AI 基础设施发展研究报告》。报告预计，2026 年我国 Token 年消耗量将达 10 亿亿，2030 年超过 3500 亿亿。年复合增长率接近 12 倍。

Token 是机器处理文字的计量单位。翻成一句人话：机器替人做的事，正在以每年十几倍的速度膨胀。

而我，还在一条一条刷新闻，手心微微发凉。

这个系列不追新闻。它想做的事，比追新闻慢一点，也比追新闻实在一点。

把 AI 时代最硬的几份一手源，奠基性论文、顶尖专访、深度播客，一份一份读完。然后告诉你，它们放在一起说明了什么。

为什么是现在？因为有三个事实已经摆在那里，不容争辩。

第一个，机器能做的事在指数级膨胀。上面那组数字就是证据。

第二个，过度依赖已经在发生，而且发生在最聪明的一群人身上。吴恩达在他的长访谈里提到，近 90% 的藤校学生会用 AI 完成作业，短期轻松拿高分。长期看，主动思考、深度钻研、记忆沉淀的能力会持续退化。

更麻烦的是后半句：长期把判断交出去，最后会失去判断 AI 产出好坏的能力。fast.ai 的联合创始人 Rachel Thomas 说得更直白：技能和肌肉一样，你停用，它就萎缩。

我拿自己对了对这条线。过去这一年我写东西、做判断，有多少是自己在想，有多少是转手问了 AI，答案并不好看。

第三个，练手的机会正在从市场上消失。

斯坦福数字经济实验室的 Brynjolfsson 等人（2026 年 8 月修订版《Canaries in the Coal Mine?》）用美国薪资数据做的一项研究显示，在 AI 高暴露的职业里，22 到 25 岁的年轻人就业比趋势值低了 19%，而资深员工没有同等的缺口。

同一项技术，对已经有能力的人是杠杆，对正在长能力的人是断路。

这三件事放在一起，我自己想到的结论是：当 AI 把事做完之后，你还剩什么。

二、我们真正在怕的是什么

这里我要停一下，把那个词拆开。

我举个自己的例子。我上学的时候有个习惯，学新东西，总会设法去类比已知的，或者看得见摸得着的东西。这是我后来才明白的学习原理：抽象的东西必须挂到一个具体的东西上，人才真的记得住。

这个系列会一直用这个办法。每期只讲透一个概念，尽量用你身边就有的事物去讲它。

比如吴恩达提过一个说法，叫上下文优势。他观察到，AI 真正接过去的，是岗位里大约 30% 到 40% 的重复性任务。剩下那 60% 到 70%，判断、沟通、审美、扛责任、把事情真正落地，还是要人来主导。

原因不复杂。这些东西依赖一个人沉淀下来的经验、直觉，以及对现场的判断。它们很难被写成数据，也很难被说清楚。AI 可以处理数据、生成内容、完成重复劳动，但它没有真实的生活体验，没有共情，也没有站在现场做判断的那种能力。

这就是上下文优势。它写不进你的简历，它是你这些年活过来的总和。

但故事有后半段，也是我更想说的那半段。

过度依赖 AI，会造成一种叫认知外包的结果。你把它交出去，你就慢慢不会了。我自己试过一次，把整段判断交给 AI，过两周回头看，我已经说不出它好在哪里。这已经不只是效率问题。人之所以为人的地基，在悄悄被抽走。

所以真正该问的只有一句：过去这一年，我有没有在练那 60% 到 70%？

三、留一个问题给你

我自己是从一个问题开始的。

如果 AI 能替你回答任何问题，你还愿意为哪个问题，自己熬下去？

那个问题的形状，就是你的坐标。

下一篇，从 2017 年那篇只有八页的论文讲起。它的标题就是它的结论：注意力就够了。八年之后回头看，整个时代是被这几个字撬开的。

本文为个人对公开资料的解读，所引论文、访谈、播客均标注一手来源，观点属个人思考，不构成任何投资或政策建议。

本文由作者主笔，AI 辅助了资料检索与初稿整理，事实与判断经作者核实。

作者：月牙鸣沙