2026 年 5 月，两篇重磅研究在一周内相继发表。

一组来自加州大学伯克利分校研究团队，样本是美国 20 所公立研究型大学的 95,513 名本科生。研究发表在《Science》科学杂志上，主题是大学生如何使用生成式 AI，以及怎样用它作弊。

另一组来自乔治城大学神经科学家 Adam Green 团队。他们分析了超过 37 万份美国高中生的大学申请文书，试图回答一个更隐蔽的问题：ChatGPT 出现之后，年轻人的创造力发生了什么变化。

这两组数字看起来属于两个不同领域。一个谈教育公平，一个谈写作创造力；一个研究大学生行为，一个研究高中生的申请文书内容。但它们最后指向同一个问题和同一条裂缝。

AI 时代最深的分水岭，根本不在 " 有人用 AI、有人不用 AI"，或者 " 有人会用，有人不会用 "。那只是第一层。那条线当然存在，但是很多人都看得到。真正隐蔽的区分，藏在一个大多数人还没注意到的地方。

《了不起的盖茨比》作者菲茨杰拉德说过一段话，后来成了常被引用的智慧检验标准：" 对一流头脑的测试，是看它有没有能力同时持有两个截然相反的观点，而且依然能照常行事。"

这句话确实具有天才的洞察，但我觉得在 AI 这个时代，它需要加一个补充和延伸。

伯克利那项研究的第一组数字，很容易让人得出一个熟悉结论。

大约三分之二的本科生已经使用过生成式 AI，接近 40% 的学生至少每月使用一次。至少 9% 的 AI 使用者承认，自己曾用 AI 完成了本不被允许的任务。

研究还发现，AI 使用存在明显差异。男性学生、白人和亚裔学生更常使用生成式 AI，女性学生、低收入学生和少数族裔学生使用得更少。

这听起来像传统的数字鸿沟。

过去的数字鸿沟，是谁家里有电脑，谁家里没有电脑；谁能上网，谁不能上网；谁能用搜索引擎和英文资料，谁只能依赖学校课本。

今天它换成了另一种形态：谁能熟练使用 Claude、ChatGPT、NotebookLM，谁只能偶尔打开免费模型；谁知道怎样让 AI 帮自己拆论文、改代码、做简历，谁连提示词怎么写都不熟。

如果就业市场默认毕业生应该具备 AI 使用能力，那么不用 AI 的学生当然会落后。

这套叙事没有错。

低收入家庭的孩子买不起更强的模型，访问次数受限，训练机会更少。将来面试时，雇主问他是否熟悉 AI 工作流，他可能只能回答 " 用过一点 "。同样是大学生，有人已经把 AI 变成随身研究助理，有人还停留在复制粘贴。

差距会从课堂进入实习，从实习进入第一份工作，再从第一份工作进入一生的收入曲线。

如果故事只到这里，解决方案就很简单：给每个学生发 AI 账号，把 AI 纳入课程，教他们正确使用。

但伯克利研究里还有另一个数字，才是更加值得警惕的。

伯克利研究发现，每天使用 AI 的学生中，26% 承认用 AI 作弊；每月使用 AI 的学生中，这个比例只有 7%。

这不是一个小差异。

它说明 AI 使用并不是一条单向的进步曲线。用得更多，不一定等于学得更好。

AI 像一条滑梯。

一开始你只是想省一点时间。让它帮你解释一个概念，润色一段文字，整理一组资料。很快，它就开始进入任务的核心部分。你不再让它 " 帮我理解 "，而是让它 " 帮我完成 "。再往后，你开始习惯直接拿到一个成品，然后在成品上改几句，把它伪装成自己的工作。

这个过程没有明显的道德断点。

今天的工具设计，本来就在模糊边界。你用 Google，页面上已经有 AI 总结。你用语法检查工具，下一步就是全文重写。你让模型解释一个概念，它顺手就会给你生成一份作业结构。学生很难一直清楚地知道：我现在是在学习，还是在替代学习？

学生可能交出一份很漂亮的成果，甚至拿到好成绩，但那个作业本来要训练的能力并没有长出来。

这才是问题的核心。

教育里的很多任务，本来就不是为了那个结果。

写论文不是为了交出五页纸，是为了在材料、证据、观点之间反复拉扯。做题不是为了答案，是为了让大脑经历那段从混乱到清楚的过程。写代码不是为了程序最终跑起来，是为了在错误里形成判断：哪里可能坏，为什么坏，下次怎样提前避开。

AI 最擅长的，恰恰是把这些过程折叠掉。它让你直接看到结果。

于是，学生们有了两种完全不同的发展态势。

第一种学生，本来已经有某种基本功。AI 帮他节省体力，扩大资料范围，测试更多方向。他知道哪里该信，哪里要查，哪里只是语言漂亮。他用 AI 像用杠杆。

第二种学生，还没有形成基本功。AI 给他答案，也给他语气，给他结构，给他判断。他交出了作品，却没有经历作品形成的那段路。他用 AI 像用假肢。

外表上，这两个人越来越像。他们的作业都整齐，邮件都礼貌，报告都有结构，PPT 都像咨询公司。

区别藏在工具关闭之后。

要判断学生真正的学习力，就是让他们每次用 AI 的时候问自己三个问题：我能不靠这个工具解释清楚吗？明天我能独立完成类似的任务吗？AI 是帮我理解得更深了，还是只是帮我完成得更快了？

这三个问题，正好把 AI 用户群体切成了完全不同的两种人。一种人问不出来这三个问题。另一种人问完之后还能给出肯定的答案。这两种人的差距，比 " 用 AI" 和 " 不用 AI" 的差距大得多。

正如我在之前的文章里反复讨论过的一个词：去技能化。AI 未必立刻让你失业，但它可能先把 " 本来会做这件事 " 的手感、判断和笃定，从你身上一点一点抽走。你看起来产出更多了，但支撑这些产出的能力却在变薄。

Adam Green 团队研究的是大学申请文书，这是一种很特殊的文本。

大学申请文书不是普通作文。它的功能，是让一个年轻人从分数、活动、简历这些标准化信息里走出来，告诉招生官：我是一个具体的人，我有怎样的经历、困惑、欲望、失败和理解。

换句话说，它本来应该是最抗标准化的文本之一。

Green 团队追踪了 37 万多份申请文书，把 ChatGPT 出现前后的变化放在一起看。结果很微妙。

ChatGPT 出现之后，文书的词汇更丰富，句子更流畅，表达更像 " 好文章 "。人类评委甚至更容易给这些文章打出更高的创造力评分。

但底层想法变得更相似。

语言外壳在升级，思想差异在收缩。

纽约 · 时报的文章里引用了这个研究，并提出一个关键判断：人类第一次拥有了一种可以脱离思想本身生成语言的技术。它可以识别哪些词语组合看起来高级，哪些句子节奏像创造力，哪些转折能让读者产生 " 这个人有想法 " 的错觉。

但它并不保证那些词语背后真的有新的想法。

这就是 AI 写作最危险的地方。它不会让每个人都写得很差。相反，它会让很多人写得更像优秀范文。

过去，平庸文章有平庸文章的样子。词穷、结构散、表达笨拙，老师和读者很容易看出来。现在，空洞可以穿上漂亮衣服。

更麻烦的是，评委也会被这件衣服骗过。

Green 团队相关研究显示，人类写作能带来的新想法数量，最多可以达到 AI 生成内容的数倍。另一篇发表在 ScienceDirect 的研究也分析了大学申请文书中的创造性多样性，结论类似：每增加一篇人类写作，能带来的新想法更多；样本规模越大，AI 文本的同质化问题越明显。

这不是简单的 "AI 写得不好 "。AI 写得很好。问题在于，它把 " 好 " 的标准变窄了。

Science Advances 上关于短篇小说的实验也有类似发现。AI 可以让部分写作者的故事更好读、更完整、更像可发表作品。但当很多人都借助 AI 写故事时，故事之间的相似度上升，整体多样性下降。

这就是创造力的悖论。

从个人角度看，你确实写得更好了。但从群体角度看，世界变得更像了。

最可怕的部分在于，AI 对离均值最远的人影响最大。纽约 · 时报的文章中提到，语言少数群体、少数族裔学生，以及可能的神经多样性学生，他们原本最独特的表达，反而最容易被 AI 拉回主流模板。

这几乎是一个文明层面的反讽。

我们以为 AI 会帮助弱势学生补足表达差距，结果它也可能把他们最珍贵的差异抹平。

如果 AI 是一台均值回归机器，它真正消灭的就不是错误，而是偏离均值的那部分生命经验。

把这两组研究放在一起看，会出现三个悖论。

第一个悖论：不用 AI，会落后；用太多 AI，会空心化。

伯克利研究说明了这一点。低使用率群体会面临工具差距，高使用率群体又可能陷入依赖和作弊。一个技术同时制造两种劣势。

前一种劣势看得见，后一种劣势很隐蔽。

不用 AI 的人，效率差距立刻出现。用 AI 太多的人，能力损失要过一段时间才显形。等到显形时，他可能已经拿到一串漂亮成绩，一份不错简历，甚至一份体面的工作。

然后某一天，他需要在没有模板、没有提示、没有现成答案的地方作判断。

那一刻，账才会算出来。

第二个悖论：AI 帮你写得更好，却让你想得更浅更窄。

37 万份申请文书的研究最刺痛人的地方在这里。语言质量提升，思想多样性下降。评委还未必看得出来。

这会破坏整个教育系统的判断标准。

过去，老师看到一篇文章，可以从笨拙之处看见学生正在思考。现在，老师看到一篇漂亮文章，反而要怀疑里面有没有学生。过去，雇主通过写作判断一个人的理解力。现在，写作越来越像包装层。

文字的外壳越来越精美，思想的核越来越空心。

第三个悖论：AI 对最独特的人伤害最大。

这是最可怕、最容易被忽略的一点。

很多人以为 AI 会把底层学生往上托，把表达不好的人训练得更体面。它确实有这个功能。问题是，它托举人的方式，常常是把他托向平均值。

一个移民家庭学生原本可能写出带有混杂语法、家庭口音和特殊记忆的文章。那篇文章不一定流畅，却有不可复制的纹理。AI 会帮他改得更像标准英语，更像优秀申请文书，也更像几万份别人的申请文书。

一个神经多样性学生原本可能用非常规路径理解世界。AI 会帮他把跳跃变成连贯，把奇怪变成自然，把尖锐变成得体。

这在申请系统里可能更安全。但创造力常常就藏在那些不安全的地方。

如果所有离经叛道的表达都被修成 " 成熟、清晰、有说服力 "，我们得到的不是更公平的创造力，而是一种更高级的同质化。

硅谷喜欢给 AI 一个很诱人的承诺：让机器处理无聊的部分，人类专注创造性的工作。这句话的问题在于，它误解了创造力。

无聊的部分并不总是创造力的障碍。很多时候，它就是创造力的燃料。

一个分析师翻看原始数据时，可能在某个异常值里发现真正的问题。一个作家删掉三千字废稿时，可能才发现自己真正想写的不是这个题目。一个程序员调 bug 时，才慢慢形成系统感。一个学生写不出开头，在纸上乱画十分钟，那十分钟并没有浪费。

空白页很痛苦，但空白页不是敌人。

它是思考开始工作的地方。

很多人使用 AI，并不是为了处理行政杂务，而是为了逃避最痛苦的认知阶段。那个阶段就是面对空白、忍受混乱、自己生成第一个方向。

AI 最诱人的功能，就是让你不用经历这一刻。

你输入一句话，它给你十个方向。每个方向都合理、完整、像那么回事。你立刻获得一种轻松感，好像创造力已经启动了。

可它也完成了锚定。

一旦第一个方向出现，人很容易围绕它修修补补。你以为自己在创作，其实是在给机器的第一个答案做装修。

沃顿研究关于 AI 头脑风暴的讨论也指向类似问题：AI 能提高个人产出的数量和表面质量，却容易让群体想法变得集中。哥伦比亚商学院关于模型偏好的研究则提醒，早出现的选项会影响后续判断，更好的想法可能还没来得及出现，就被第一个体面答案挡住了。

创造力不是最后那段漂亮文字。

创造力是你在错误、迟疑、推翻、重来里形成的路径。

AI 可以代你走完路径，但它不能把走路长出的肌肉转移给你。

这也是 AI 与过去工具最不一样的地方。

文字削弱了口头记忆，却打开了历史、法律和科学。计算器削弱了心算，却让更多人能处理复杂数学。搜索引擎削弱了背诵，却扩大了信息可达性。

每一次能力外包，都伴随新的能力形成。AI 的特殊之处在于，它外包的往往不是某一项能力，而是形成能力的过程。

这才是风险所在。

AI 时代的阶层分水岭到底是什么。

不是 " 会 " 和 " 不会 "。" 会 " 用 AI 这件事的门槛正在以月为单位下降。今天的工具比半年前的好用得多，半年后的工具会用起来更简单。

把时间拉长到三年，用不用 AI、用得好不好，很可能不再是决定性的竞争变量。就像今天没有人会因为自己 " 会用搜索引擎 " 而觉得自己有不可替代的优势。

真正的分水岭，是你有没有在 AI 到来之前，或者使用 AI 之前，建立了自己的判断力基线。

什么算基线？

就是你在没有任何外部工具的情况下，独立拆解过一个复杂问题，独立写过一篇逻辑完整的论证，独立做过一次研究，发现过 AI 给你的总结其实漏掉了最关键的部分，独立在没有人提示的情况下想过 " 这件事有没有另一种可能 "。

这些经历，不只是在你的技能表上增加了一行。它们在你脑子里刻下了某种 " 对的 " 和 " 不对的 " 的直觉。这种直觉，让你在 AI 递给你一份漂亮的输出时，能停下来感觉到 " 这个地方不对 "。

这跟聪明不聪明没关系。而是你曾经走过那条自己推导的路，你知道真正的好答案长什么样。

《了不起的盖茨比》作者菲茨杰拉德说过一段话，后来成了常被引用的智慧检验标准：" 对一流头脑的测试，是看它有没有能力同时持有两个截然相反的观点，而且依然能照常行事。"

我非常喜欢这段话，但我觉得在这个时代，它需要一个补充。

AI 时代的智力测试不再是 " 你能否同时持有两个相反的观点 "，而是 " 当 AI 递给你一个流畅、完整、看起来极其专业的答案时，你是否有能力判断它是对的还是错的、深的还是浅的、真正的好东西还是看上去很好。"

而要拥有这种判断力，只有一个途径：你在没有 AI 的时候，做过足够多的笨拙的、低速的、走弯路的、没人旁观的学习。

这不是在怀旧。这是一个冷酷的结构性问题。

Berkeley 研究里那个悖论，不用 AI 的落后了、用太多 AI 的变空了，指向的其实是同一种困境：判断力基线的缺失。不用 AI 的学生，缺工具，但真正缺的是另一件东西：" 用工具之前的那个自己 "。用太多 AI 的学生，有效率，但真正缺的也是同一件东西：" 在效率之外判断什么是值得做的那个自己 "。

我在之前的文章中讨论过去技能化的时候，提过一个判断：只有本来就有基本功的人，才有资格谈 " 监督 AI"。

不会写的人，很难真正修改 AI 的文字；不懂研究的人，很难发现 AI 总结时遗漏了什么；不懂代码的人，也不可能真正判断一段 AI 生成的程序到底稳不稳。没有基线的人，表面在和 AI 协作，实际上在把自己的判断权交出去。

今天我把这个判断往前推一步。

AI 时代真正的三层结构，远比 " 会用 AI" 和 " 不会用 AI" 复杂：

第一层：还没有建立基线，也不会用 AI。这类人面临的是老式的不平等：效率被碾压，选择被压缩，被时代抛在后面。

第二层：还没有建立基线，但会用 AI。这类人是 AI 时代最危险的位置。表面上和第一层完全不同：产出漂亮、表达流畅、看起来很专业。但内核和第一层一样脆弱：一旦离开工具，无法独立完成任何有深度的思考。更糟的是，他们不知道自己不知道。AI 给的流畅答案，让他们误以为自己懂了。

第三层：在 AI 到来之前已经建立了基线，然后把 AI 当加速器用。他们知道一个真正的好答案长什么样，因为他们自己写过。他们知道 AI 的总结可能漏掉了哪一类东西，因为他们自己总结过。他们在 AI 给出的方案里能认出 " 这个地方有问题 "，不是靠直觉，是靠自己走过那条路的肌肉记忆。

这里的关键词是 " 在 AI 到来之前 "，或者 " 使用 AI 之前 "。

不是 " 在 AI 到来之后你再怎么努力 "，是 " 之前 "。因为 AI 一旦无处不在，它就把建立基线所需要的那条路从环境里拿掉了。那条路本来是用最笨的方式从头学，在没有提示的情况下自己撞墙。现在它不存在了。

这不是一个技术能力的问题。这是一个技术环境的问题。你没有选择不走那条路，因为那条路已经不存在了。

如果只是停在 " 判断力基线很重要 " 这个层面，这篇文章和另一篇讲 "AI 时代你需要什么能力 " 的文章没有区别。

Green 研究里那个很少有人注意的细节，才是真正值得一谈的地方：AI 对有独特视角的人伤害最大。

这个发现，把整个讨论从 " 技能 " 层面拉到了 " 人是什么 " 的层面。

一个人的独特视角，不是一种可以被主动 " 培养 " 的技能。它来自你生在什么样的家庭，说的什么语言，是不是习惯性地听不懂主流叙事，是不是总在别人觉得理所当然的地方停下来问 " 为什么 "。这些差异，不是 " 训练 " 出来的。它们是 " 存在 " 出来的。

AI 作为一种均值回归机器，在生产力层面帮你更快地产出更标准的好东西。但在存在层面，它在减轻你和世界的摩擦的同时，也在减轻 " 你之所以是你 " 的那些东西。

格林研究里提到的神经多样性学生、少数族裔、非母语者，他们和平均值之间的摩擦最大。而这种摩擦，恰好是他们可能产生最独特思想的来源。AI 把它们抹平了。

这不是恶意，不是阴谋，是数学和算法。

我在之前的文章里反复讨论过一个麦克卢汉式的命题：媒介即讯息。当你的思考媒介是一个模式匹配引擎，你变成什么样的思考者？当你的写作媒介是一个词语预测机器，你变成什么样的写作者？当你的 " 创造力 " 由你最不可能想到的东西来定义，而那东西恰好是被算法排除掉的，你还剩下什么？

最后再讲一个关于创造力的故事。

罗马尼亚裔法国遗传学家弗朗索瓦 · 雅各布，1965 年拿了诺贝尔奖。有人问他科学研究的秘诀是什么。他的回答很短：" 创造即重组。"

他在自己的实验室日记里写过更完整的一句话：一个新想法，不过是把两个彼此认识但从未被介绍给对方的老想法，放在同一个房间里。

这个比喻我很喜欢，因为它恰好解释了为什么 AI 时代的判断力基线危机，是一个人类问题，不是一个技术问题。

两个从未被放在同一个房间里的老想法。这件事的前提是，你的脑子里有足够多、足够不相关的老想法。而获得这些老想法的唯一途径，是你曾经在没有外部加速器的情况下，扎扎实实地、笨拙地、低效地学过很多东西。那些东西当时看起来没连接，日后才有机会在某个意想不到的瞬间撞出火花。

AI 可以帮你把已经建立的老想法加速连接，但它不能替你做 " 建立老想法 " 这件事。因为建立老想法的过程，只能是缓慢的、亲身经历的、带着困惑和重复的。它需要的不是更好的 prompt，是时间和真实的活动。

AI 时代真正的阶层分水岭，不是你会不会用 AI，甚至不是你现在用 AI 用得有多好，而是你有没有在那个 " 什么都能帮你的 AI" 到来之前，用自己的脑子，走过足够长的、没人看见的、独特的路。

这才是 AI 真正无法替代的。【懂】