夜雨聆风你有没有发现，现在身边用大模型工作的同事越来越多了？不只是让它帮忙想个标题、回封邮件，在更“严肃”的学术或工作场景里，我们也开始习惯性地让AI润色一段话、梳理文献逻辑、甚至规划研究方法。它把拗口的句子变通顺，把混乱的段落理清晰，把模糊的想法变成几种“可供选择的路径”。
这感觉很好，效率很高。但有一个隐患正在悄然生长：当整个群体——尤其是知识生产的一线群体——都在将自己的文本、思路和方法送入同一套模型进行“优化”，我们是在走向更高层次的清晰与规范，还是在滑向一种更隐蔽、更系统的思维同质化？
一、一个自我强化的反馈闭环
大模型学习的对象，是人类已有的海量知识，尤其是那些已经发表、经过同行评议、被视为“标准”的文本。它从这些材料中提炼出词语组合的规律、论证结构的范式和观点呈现的“最佳实践”。
然后，一个典型的用户场景发生了：用户写出自己的初稿，其中可能包含一些不太标准的表达、一个跳跃性的推理、或者一个比较边缘的文献引用。用户将稿子交给模型“润色”或“改进”。模型根据其从主流文本中学到的“好文本”的定义，把那些偏离常规的部分修正过来了——用更常见的同义词替换掉生僻词，把跳跃的逻辑补充成顺滑的因果链，弱化甚至删除了那个边缘引文的论断。
用户觉得“确实更通顺了”，满意地提交了新稿。而这篇新稿，又成为了互联网上公开内容的一部分——它很可能在将来被用来训练下一代模型。于是，一个闭环形成：模型从过去的共识中学习规范 → 模型用这套规范去修改新的文本 → 被修改后的新文本强化了这套规范 → 下一代模型从中学到更窄的规范。
这不是技术问题，这是一个关于知识演化的社会动力学问题。
二、多样性的衰减：看不见的过滤
在这个过程中，最直接的受害者是多样性。学术领域和思想领域的健康发展，恰恰依赖于一定程度的“离经叛道”。一个非主流的理论框架、一种罕见的实验方法、一个被主流忽略的现象描述，它们可能99%是错的，但那1%的正确性，恰恰可能成为下一场范式革命的种子。
然而，在“润色”的场景下，这些种子在尚未萌芽时就被系统性地过滤了。模型没有“恶意”，它只是忠实地执行了“把文本变得更合理”的指令。而这种“合理性”的定义，来自于对过去主流文本的平均。一个关于“表观遗传学在跨代创伤中的作用”的初稿，如果其论证方式不符合当前主流分子生物学的叙事习惯，模型可能会不自觉地将“更可能发生在细胞分裂过程中”这类限定词加进去，从而悄悄削弱了其激进性。
这并非模型主动“审查”了某个观点，而是模型所代表的“概率合理性”本身，构成了一道无形的低通滤波器。它让新文本更接近过去共识的光谱中心，同时系统地衰减了光谱两端的信号。长此以往，我们会面对一个越来越平滑、越来越“平均”的知识世界——一个缺少毛刺、裂缝和异常点的世界。而科学史上的重大突破，几乎无一不是从这些被主流忽视的“异常”开始的。
三、创新的抑制：高概率的陷阱
如果说多样性的衰减是“横向”的压缩，那么创新的抑制则是“纵向”的压制。大模型的核心能力是预测下一个最合理的词、下一个最合理的句子、下一个最合理的论证步骤。因此，它天生会倾向于推荐“高概率为真”或“高概率被认可”的思路。
当一位年轻的研究者让AI帮忙构思实验方案时，模型给出的几个选项，大概率是当前领域内被反复验证、被广泛引用的成熟范式。这很安全，也很容易被审稿人接受。但真正的创新，往往意味着追求一种低概率的成功。它可能需要把两个看似不相关的领域强行嫁接，可能需要用一种非主流的统计方法，可能需要提出一个与当前主流理论相悖的假设。
模型不会主动阻止你，但它提供的“建议列表”本身，就是一种无所不在的默认框架。人类心智具有认知惰性——面对一个已经列出三项“好方案”的AI回复，主动思考第四种、第五种“可能很傻但也可能很天才”的方案的动力会显著下降。模型的行为模式，提供了一种“认知舒适区”：与其自己冒险去探索一个高风险、高回报的思路，不如选择模型推荐的“高概率合理”路径。
这不是模型在“审查”创新，而是模型内嵌的“概率最大化”逻辑，与人类天生的“损失厌恶”心理形成共振，共同构筑了一个抑制探索的隐形天花板。
四、即使你拒绝每一个建议
有人会说：“我不怕。我会批判性地使用AI。对于它给出的每一个修改建议，我都有权拒绝。”
这很好，但这并不足以让你完全免疫。因为影响你的方式，并不只有“直接建议”这一种。更微妙、更深刻的影响，体现在模型如何塑造问题本身和设定默认框架。
想象一下，你正在写一篇关于“城市夜间光污染对昆虫行为影响”的论文，你请AI帮你梳理一下目前的研究空白。AI回复说，目前研究主要集中在三个方面：（1）不同光谱对昆虫趋光性的影响；（2）夜间光照对昆虫昼夜节律基因表达的影响；（3）光污染对昆虫种群数量的长期趋势。
这看起来很合理，对吧？但请注意，AI的回复，已经默认地将“光污染对昆虫的影响”这个宽泛的问题，框定在了分子行为、生理节律和种群生态这三个主流范式之内。一个更具颠覆性的问题，比如“昆虫是否可能主动利用人工光源作为新的生态位进行物种分化”，或者“光污染如何改变昆虫与其他物种（如捕食者、寄生虫）之间的信息流”，可能根本不会在这个结构化列表中出现。
模型并没有直接“建议”你不要去想那些问题，它只是通过在几秒钟内给你提供一个看起来非常全面、非常合理的“现状综述”，让你失去了去构想那些边缘问题的动力。一个问题的显著性，本身就是可以被操控的。 模型通过让某些问题变得“唾手可得”，同时让另一些问题变得“需要额外努力才能想到”，从而在不经你同意的情况下，悄悄重塑了你的思维路径。
你拒绝了它给出的每一个具体修改，但你在提问的那一刻，已经接受了它为你定义的问题空间。
五、元认知的悖论
更令人不安的是，随着使用经验的积累，我们往往会形成一种“对AI拥有更高判断力”的自我认知。我们能够分辨模型何时在“胡说八道”，能够看出它在某些专业细节上的错误，能够熟练地编写提示词来引导它输出更高质量的回复。
这种能力是真实存在的。但它恰恰掩盖了一个更根本的问题：具备使用AI的专业素养，不等于具备评判AI认知影响的元认知。
你可能是一位顶尖的分子生物学家，能一眼看出AI给出的某个基因调控通路描述中的错误。但你可能完全没有意识到，在让AI帮你“梳理文献”的那个早晨，你的研究问题空间已经被悄悄地窄化了；你也没有意识到，在习惯性地使用AI“润色”引言后，你自己独立思考时的语言风格和论证习惯，正在不可逆地向模型的“平均风格”靠拢。
最危险的地方在于，这种元认知的削弱几乎是不可自知的。你无法感觉到“自己没想到某个问题”，因为那个问题从未进入你的意识。你无法比较“如果没有AI，我的思考路径会有什么不同”，因为那个平行版本的你并不存在。这是一种决策盲区——不是缺少信息，而是缺少对“缺少什么信息”的感知。
结语：自信感，最不可靠的指标
心理学家丹尼尔·卡尼曼曾说：“主观自信取决于所构建叙事的连贯性，而非支持该叙事的信息质量与数量。”
每一次与AI的对话，我们也在不自觉地构建一个关于自己的叙事：“我是一个经验丰富的AI使用者 → 我清楚它的能力边界 → 我能够分辨它的输出质量 → 我没有被它影响。”这个叙事非常连贯，非常自洽，非常具有说服力——尤其是对我们自己而言。
但当我们对自己的“免疫力”越自信时，我们可能恰恰处在最危险的状态。因为我们停止了警惕，停止了追问那个最重要的问题：在享受模型带来的效率与便利的同时，我们在不知不觉中失去了什么？
