夜雨聆风他把过去的学习比作爬山。
一个人要查资料，要争论，要迷路，要重新找方向，最后才登上山顶。山顶的风景当然重要，但爬山的意义不只是抵达。一路向上，本身就在强化人的心肺、腿力、平衡感和耐力。
学习也是这样。
查资料、辨别信息、组织观点、推翻错误判断，这些过程看起来费时，实际是在训练人的思考能力。
今天，AI 把这段过程压缩成了几秒钟。
一个问题输进去，答案、结构、论点、例子很快摆到面前。更高级的模型，连下一步应该追问什么，也会替你安排好。
人被直接送到了山顶。答案拿到了，大脑却没有得到锻炼。
这已经不是学生拿 AI 写作业的问题。
一、NUS校长：学习像爬山，AI把爬山过程拿走了
学习从来不只是获得信息。
查资料的时候，人会训练筛选能力。和别人争论的时候，人会发现自己的漏洞。写不出来的时候，人会意识到自己其实没想清楚。走了弯路以后，人会慢慢知道什么问题值得追，什么只是噪音。
这些过程就像爬山时的负荷。
没有负荷，身体不会变强。没有认知上的阻力，思考能力也不会变强。
AI 最擅长做的事情，恰恰是把这些阻力清除掉。它能替你找材料，替你做摘要，替你列框架，替你把一团混乱的想法整理得像回事。
结果当然更快。
训练也跟着消失了。
过去，一个学生能交出一篇结构完整的文章，通常意味着他至少经历过阅读、筛选和组织。现在，同样一篇文章，可能只是一次熟练的工具调用。
结果和能力开始脱钩。
这会直接动摇教育最基本的判断方式。学校原本通过作业、论文和报告观察学生是否理解。AI 普及以后，作业写得漂亮，越来越不能说明这个人真的懂了什么。
Tan Eng Chye 担心的，不只是学生偷懒。
人类正在把认知训练中最重要的那段坡路，当成可以被效率工具削掉的成本。
二、Dave Lee：写作就是思考，AI把语言过程拿走了
Bloomberg 专栏作家 Dave Lee 最近也写了一篇文章，提醒人们不要在 AI 革命里把键盘扔掉。
写作就是思考。
一个人坐在键盘前写东西，并不只是把脑子里已经成型的想法敲出来。很多想法，是写着写着才出现的。很多漏洞，也是写到一半才暴露出来。
一句话写不顺，往往说明逻辑还没理清。一个例子放进去不对，往往说明论点还没站稳。一段话看似完整，读回来却发现什么都没说，往往说明自己抓到的只是一个空壳。
写作的价值，不只在最后那段成品。
它逼人面对自己的混乱。
AI 把这一步也拿走了。
你给它一个模糊的意思，它还你一段清楚的话。你读完之后觉得，这正是自己想表达的东西。
但那未必是你真正想出来的。
那只是模型替你整理出的一个顺滑版本。
久而久之，人会从“生成观点”退到“选择观点”。从自己组织语言，退到挑选一版最像自己的表达。
语言能力表面上被放大了，思考能力却可能在后退。
AI 对写作的冲击，不只是文字岗位会不会被替代。
当语言组织被外包，思想形成也会跟着被外包。
三、Bertha Henson：重度AI用户已经感觉自己被驯化
Bertha Henson 是新加坡资深媒体人，曾长期在主流报业体系工作，后来持续参与公共议题评论，也在 NUS 教过写作。
她最近在社媒上发文，讨论 AI 对人的影响。
她不是站在 AI 外面批评别人。她自己就是 AI 的重度用户，也付费使用高级版本。
她承认 AI 能帮助自己补充知识、整理资料、提高效率。但用得越久，她越明显地感觉到，自己的脑子也在变懒。
以前遇到一个问题，人会自己查资料，比较不同说法，想一想哪里不对。现在先问 AI。
以前写文章，要自己搭框架，卡住了也得硬想。现在先让 AI 起一版。
以前读到一个观点，会停下来判断它是不是成立。现在 AI 往往连反方意见、延伸问题、下一步探索都准备好了，用户顺着往下走，很容易产生一种“我已经学得很深”的错觉。
她提醒说，人会产生一种“自己学到了”的感觉，实际上只是被喂了一套东西。
这种变化不是突然发生的，而是在一次次少查、少想、少写、少怀疑里慢慢累积。
长期积累下来，人的耐心、判断和表达都会变。
这就是人被慢慢驯化的过程。
工具没有突然控制人。人只是越来越习惯被工具托着走。
四、本以为AI是工具，结果被AI所奴役
本以为 AI 是工具，结果被 AI 所奴役。
而这个影响力是全方位的，不可知、不可查、潜移默化，比思想渗透更可怕。
传统宣传也好，媒体偏见也好，至少它们有一个外部对象。你知道某个媒体、某个机构、某种立场正在影响你。你可以怀疑，可以反驳，也可以离开。
AI 不一样。
它不是站在对面说服你。它是站在旁边帮你。
帮你总结，帮你润色，帮你筛材料，帮你写邮件，帮你搭框架，帮你判断什么重要，帮你提出下一轮问题。
它进入生活的方式太温和了。温和到人很难对它产生防御。
人类不只是大量使用 AI，也在学习如何更好地使用 AI。
为了让 AI 给出更好的答案，人会主动调整自己。
问题要拆得更清楚。需求要写得更规整。模糊的感受要翻译成指令。复杂的判断要切成几个步骤。一段人的困惑，要尽量变成机器容易处理的格式。
效率提高了，人也在迎合 AI 的胃口。
人类训练出了 AI。人类又在使用 AI 的过程中，被 AI 重新训练。
最开始，我们把自己的语言、知识、偏见和判断方式喂给模型。后来，为了更顺畅地调用模型，我们开始调整自己的提问方式、表达方式、思考顺序，甚至慢慢改变一个问题原本的形状。
这已经不是简单的工具熟练度。
人的提问、表达和组织问题的方式，开始向机器容易处理的格式靠拢。
AI 对人的影响也因此很难追查。
它不是一篇文章改变了你的观点，也不是一堂课改变了你的立场。它是无数次微小的介入：一次措辞修正，一次结构调整，一次信息排序，一次默认结论，一次看起来“更合理”的建议。
单次看，都只是一次小调整。
时间久了，一个人说话的方式、提问的方式、判断轻重的方式，都会跟着变。
到最后，他自己也未必说得清，一个想法到底是自己想出来的，还是长期和 AI 打交道后慢慢被带出来的。
这比普通意义上的思想渗透更深。
思想渗透改变的是你相信什么。AI 更进一步，可能改变你如何形成相信。
五、如果AI带有不可察觉的偏见，偏见会被放大无数倍
任何 AI 都不可能完全中立。
训练数据有来源。安全规则有边界。平台有商业目标。语言有文化默认值。模型在回答问题时，必然会做取舍，会排序，会偏向某些解释方式。
用户往往看不出这种偏向。
AI 的回答通常结构完整，语气平衡，表达克制。它不像一个立场鲜明的人在争论，更像一个没有情绪的助手在提供信息。
这种“像没有立场”的表达，反而更容易让人放下警惕。
过去的偏见，更多影响一个人看到什么。
AI 的偏见，会进一步影响一个人怎么问，怎么想，怎么写，怎么判断什么重要。
两者已经不是同一种影响方式。
过去一篇文章、一条新闻、一段视频，即便带有偏见，影响通常还是单次传播。AI 则会进入日常的每一个节点：学生做作业，白领写报告，记者整理材料，企业做市场分析，家长查育儿建议，公众理解一个社会事件。
如果这个系统带着不可察觉的偏见，它就会被重复调用、重复嵌入、重复放大。
偏见不再只是某一篇文章里的立场，而会进入日常提问、写作和判断的底层流程。
最可怕的偏见，不是它明显站在哪一边，而是它让人以为那只是常识。
六、移动互联网已经证明，技术长期影响总被低估
人类总是放大一件事的短期影响，忽视它的长期影响。
移动互联网就是现成的例子。
智能手机刚开始普及时，人们看到的是方便。信息更多，连接更快，支付更方便，娱乐更便宜，生活效率更高。
十几年后回头看，移动互联网改变的远不只是工具效率。它改变了人的注意力分配，改变了社交方式，改变了亲密关系，也改变了很多人进入恋爱、婚姻和生育的节奏。
2026 年，美国研究者 Nathan Hudson 和 Hernan Moscoso-Boedo 发布了一项研究，讨论数字时代青少年生育率的变化。研究发现，全球青少年生育率从 2007 年前后开始出现明显下滑。研究者把这一变化与智能手机改变青少年线下相处方式联系起来，并进一步比较了美英地区 4G 铺开节奏与生育率变化的关系。
这项研究不能解释全部生育率问题。
但它至少说明了一件事：
技术最开始改变的是行为，最后改变的是社会结构。
移动互联网先改变人怎么打发时间，后来影响人怎么相遇，怎么建立关系，怎么进入婚姻，怎么对待生育。
AI 的影响会更深。
移动互联网主要改变人看什么。AI 开始改变人怎么想，怎么写，怎么判断。
今天人们热衷讨论 AI 能替代多少岗位、提升多少效率、节省多少成本。这些当然重要。
但它们很可能只是短期影响。
长期真正需要警惕的是：
人的学习方式会不会变。语言能力会不会变。判断力会不会变。独立思考会不会变成少数人的能力。一个社会最终会不会习惯由机器替人组织知识、表达和选择。
这些问题，现在都还无法全面评估。
但可以确定的是，影响会非常深，非常大，也非常广。
七、新加坡特别危险，因为标准化认知劳动正是AI最擅长替代的部分
这个问题放在新加坡，格外尖锐。
新加坡过去几十年最成功的地方之一，是建立了一套高效率的人才生产机制。
这个机制擅长训练：
考试能力。英文表达。信息整理。政策复述。报告写作。流程执行。合规判断。稳定输出。
这些能力曾经非常值钱。
它们支撑了教育体系，也支撑了政府、金融、法律、咨询、媒体和跨国公司区域总部。
但 AI 最擅长替代的，恰好也是这些标准化认知劳动。
它能写标准英文，能总结公开资料，能生成报告框架，能写政策摘要，能润色邮件，能把复杂材料压缩成清楚的三点，也能把一段普通内容整理得像经过训练的人写出来。
所以 AI 对新加坡的冲击，不只是学生作弊，也不只是记者岗位承压。
它动到的是新加坡过去很成功的一部分竞争力。
一个社会越重视标准答案、标准表达和标准流程，越容易发现 AI 在这些方面非常强。
Bertha 对本地媒体的批评，也落在这里。很多新闻报道只是复述公开信息、整理官方发布、做语言层面的加工。如果新闻工作退化到这个程度，AI 确实可以更快、更整齐，甚至更全面。
教育也是一样。
如果学生长期被训练去寻找标准答案，而不是提出真正的问题，那么 AI 来了以后，他们最容易做的，就是把标准答案的生产直接外包。
问题不在某个学生身上。
这是一个原本就偏向“正确输出”的系统，在遇到一个极其擅长生成“正确输出样子”的工具之后，暴露出的结构性脆弱。
八、未来分层：会用AI的人，和被AI使用的人
AI 不可能不用。
问题从来不是要不要用 AI。
真正的分界线在于：
谁把 AI 当放大器。谁把 AI 当替身。
第一种人会用 AI 找资料、做反方、查漏洞、处理重复劳动。他们借助工具提高效率，但问题还是自己提，判断还是自己做，最终表达还是自己负责。
第二种人会把整个思考过程一起交出去。题目让 AI 想，结构让 AI 搭，观点让 AI 给，语言让 AI 修，结论让 AI 收。
最后文章是完整的。报告是漂亮的。汇报是顺的。
但人自己没有增长多少。
未来很多人表面上会比过去更会写、更会搜、更会总结，但真正能独立处理复杂问题的人，反而可能更少。
这种变化已经在职场里露出苗头。一些 AI 重度用户，写材料更快了，整理信息更快了，汇报也更漂亮了，一些工程师写代码也更快了。但是真正被挑战的时候你会发现他们根本不清楚自己交付的是什么东西。离开 AI 以后，他们并没有比过去更会思考，只是更会调动一个外部系统替自己完成思考的样子。
表面能力在上涨，真实能力未必同步增长。
过去人与人的差距，来自知识、学历、资源和经验。以后还会多出一层：
谁还能保住独立思考的能力。
NUS 校长说，学习像爬山。Dave Lee 说，写作就是思考。Bertha Henson 则以一个重度 AI 用户的身份提醒人们，便利正在让人放下警惕。
三个人谈的是同一件事：
AI 可以给地图，可以节省体力，可以让很多重复劳动消失。
但如果人把整段路都交给它，最后即便站上山顶，也可能已经没有了爬山的能力。
人类未必会因为 AI 失去知识。
但可能会越来越不习惯自己查资料，自己想问题，自己做判断。
