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》科學雜志上，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 出現之后，年輕人的創造力發生了什么變化。

這兩組數字看起來屬于兩個不同領域。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。但它們最后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》作者菲茨杰拉德說過一段話，后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。

一、關鍵并不在于用或不用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，是誰家里有電腦，誰家里沒有電腦；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，誰連提示詞怎么寫都不熟。

如果就業市場默認畢業生應該具備 AI 使用能力，那么不用 AI 的學生當然會落后。

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，雇主問他是否熟悉 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，有人還停留在復制粘貼。

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。

如果故事只到這里，解決方案就很簡單：給每個學生發 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。

二、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 使用并不是一條單向的進步曲線。用得更多，不一定等于學得更好。

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”。再往后，你開始習慣直接拿到一個成品，然后在成品上改幾句，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并沒有長出來。

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、觀點之間反復拉扯。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：哪里可能壞，為什么壞，下次怎樣提前避開。

AI 最擅長的，恰恰是把這些過程折疊掉。它讓你直接看到結果。

于是，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，擴大資料范圍，測試更多方向。他知道哪里該信，哪里要查，哪里只是語言漂亮。他用 AI 像用杠桿。

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 都像咨詢公司。

區別藏在工具關閉之后。

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。另一種人問完之后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復討論過的一個詞：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。

三、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、欲望、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 出現前后的變化放在一起看。結果很微妙。

ChatGPT 出現之后，文書的詞匯更豐富，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，并提出一個關鍵判斷：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。

但它并不保證那些詞語背后真的有新的想法。

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范文。

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。問題在于，它把“好”的標準變窄了。

Science Advances上關于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。但當很多人都借助 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。

最可怕的部分在于，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 是一臺均值回歸機器，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。

四、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，會落后；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。一個技術同時制造兩種劣勢。

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。

然后某一天，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里。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，反而要懷疑里面有沒有學生。過去，雇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，卻有不可復制的紋理。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。

五、創造力不是結果，是過程

硅谷喜歡給 AI 一個很誘人的承諾：讓機器處理無聊的部分，人類專注創造性的工作。這句話的問題在于，它誤解了創造力。

無聊的部分并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，那十分鐘并沒有浪費。

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，并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、像那么回事。你立刻獲得一種輕松感，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。

沃頓研究關于 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。哥倫比亞商學院關于模型偏好的研究則提醒，早出現的選項會影響后續判斷，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。

創造力不是最后那段漂亮文字。
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，卻讓更多人能處理復雜數學。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 的特殊之處在于，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。

六、真正的分水嶺：判斷力基線

AI時代的階層分水嶺到底是什么。

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，半年后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量。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。

什么算基線？

就是你在沒有任何外部工具的情況下，獨立拆解過一個復雜問題，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。它們在你腦子里刻下了某種"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系。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么樣。

《了不起的蓋茨比》作者菲茨杰拉德說過一段話，后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的落后了、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："在效率之外判斷什么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總結時遺漏了什么；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"復雜：

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，被時代拋在后面。

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，然后把AI當加速器用。他們知道一個真正的好答案長什么樣，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。

這里的關鍵詞是"在AI到來之前"，或者“使用AI之前”。

不是"在AI到來之后你再怎么努力"，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墻。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。

七、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時代你需要什么能力"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"人是什么"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。它來自你生在什么樣的家庭，說的什么語言，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"為什么"。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，是數學和算法。

我在之前的文章里反復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，你變成什么樣的思考者？當你的寫作媒介是一個詞語預測機器，你變成什么樣的寫作者？當你的"創造力"由你最不可能想到的東西來定義，而那東西恰好是被算法排除掉的，你還剩下什么？

最后再講一個關于創造力的故事。

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么。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么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，你的腦子里有足夠多、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，扎扎實實地、笨拙地、低效地學過很多東西。那些東西當時看起來沒連接，日后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、帶著困惑和重復的。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"什么都能幫你的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。【懂】

經叔最近做了一個網站:https://budongjing.com

人肉篩選挖掘的硬核優質內容及深度原創，重點關注科技、文化、財富、權力四大要素以及它們之間的互動與影響。網站定價1999元/年，目前內測優惠價1299元/年，感興趣的讀者可以加經叔微信訂閱。

另外，歡迎加入經叔的知識星球。在這里，我們拒絕無用的焦慮，只談底層的邏輯與實戰的干貨。我會結合最新的AI前沿動態、深度的商業創新分析（如一人企業的構建）和獨特的文化思潮（如麥克盧漢的媒介洞察），幫助大家把握時間窗口。

我是不懂經的經叔，國內最早翻譯介紹了納瓦爾的《如何不靠運氣獲得財務自由》，以及影響了納瓦爾、中本聰、馬斯克等大佬的《主權個人》。

不懂經知識星球，眾多百萬粉絲大V、千萬及億萬富翁訂閱。專注分享一人企業、一人創投主題，關鍵詞：AI、IP、創投、科技及商業前沿的高杠桿內容。

愈懂愈自由