刘禹锡写乌衣巷的时候，王谢两家早就败落了。
桥边长着野草，巷口挂着夕阳。而燕子还是那些燕子，但它们此时已经落到了普通人家的屋檐下。
近年来大模型在各个方向突飞猛进，从代码、数学到绘画、短剧，旧的行业藩篱被一处处撞开。有人在惊慌中守卫护城河，有人在狂欢里叫卖新神话。但作为一个大二学生，我更在意的不是它掀翻了谁的桌子，而是它给那些本来上不了桌的人，递过来了什么。
所以技术平权，我没法站在外面谈。下面是我这段时间想明白的，和还没完全想明白的。
一、燕子是真的来了
网上有一种很常见的说法：AI 平权其实是幻觉，懂的人还是懂，不懂的人还是不懂。这话我不太同意，因为我知道自己通过 AI 拿到了什么。
AI 给我最大的帮助，其实和写代码变快没多大关系。在“古法编程”的年代，纯粹的代码产出速度，大部分情况下本来就不是瓶颈。
没有 AI 的时候，最难的往往不是哪个定理太深，而是你根本不知道它叫什么。
它属于哪个领域，该去翻谁的论文，标准关键词是什么——这些东西以前都深藏在名校实验室的组会里、师兄的脑子里、圈内人的闲聊里。你不在那个圈子里，就连门都摸不到。现在有了 AI，我可以把一个模糊的想法描述出来，让它告诉我这大概跟什么已有的体系有关。我顺着关键词去读原文，读不懂再回头追问。在这个循环里，门开了一条缝，对我来说这就够了。
另一个变化是反馈的循环变快了。以前一个想法从脑子里冒出来到跑出第一组数据，可能要搭好几天架子，走错一步就得从头来。现在试错便宜了很多。美妙之处在于，经验本来就是在一次次“猜一下、测一下、看一眼”里攒出来的，现在这个执行的过程被 AI 加速了，反馈也就更加及时，攒经验的成本也就低了。
不过这种快也有它的代价：长期泡在极高频的即时反馈里，人的脑力会被消耗得极快，注意力常常被扯得细碎。但这是另一个话题了。
现实里有太多体量尴尬的小问题，商业价值上犯不上花大价钱请专家，过去全靠经验主义，主打一个“俺寻思”和“能用就行”，粗糙地漏掉了大把本可优化的空间。现在借助 AI 顶级的逻辑与数学推理能力，普通人也能顺藤摸瓜发掘出背后的数学模型，用专业的手段去求解。昂贵的智力成本被压下来之后，常识与工具才第一次真正流淌到了那些不起眼的毛细血管里。
这恰恰是平权最常发生的地方——大部分普通人需要的，并不是立刻去拓宽人类认知的边界，而只是拿到那些本来就存在、只是以前够不着的知识。
二、门槛没有消失，只是挪了地方
AI 会犯错，而且错得很体面。
一个能跑通的 demo，和一套抗得住实际环境的系统，中间差着很远。生成一行代码很容易，但是犯错的成本没变。如果你根本不知道该去检查什么，拿着一个看似完美的答案就高高兴兴走掉，项目很快就会被补丁堆成“屎山”。
除了“能不能验”，用得多了我发现，还有一个门槛在悄悄拉开差距——那就是所谓的“名词党”。
过去我们常调侃“名词党”只会装逼、掉书袋，但在大模型面前，这反而成了优势。AI 对自然语言理解得再好，骨子里也更吃精准的语义坐标。
- 如果你对一个领域不熟，只能用大白话描述：“我想让折线图平滑一点，别跳得太厉害”，AI 大概率会给你一堆普通的平均算法，来回试好几轮；
- 但如果一个人脑子里本来就有那张概念图谱，直接敲出“卡尔曼滤波”或者“三次样条插值”，AI 会立刻跳到最相关的上下文里，几秒钟给出针对性很强的方案。
专业术语不是装模作样，它是前人把复杂经验压缩成的高密符号。AI 确实给我这种基础普通的人提供了一架摸索这些词汇的梯子；但那些一开始脑子里就装着大量专业概念、知道每个术语边界在哪里的人，跟 AI 对话的效率本来就比我们高得多。这也是我用 AI 进行大规模知识图谱构建的出发点之一。
术语还只是第一层，更深的差距在主动性。AI 很少自己换道，你不提醒，它就会顺着最初的思路一路改下去，哪怕那条路早就走不通了。还是平滑曲线的例子：懂行的人试了几种滤波都不理想，可能会突然反应过来，问题也许根本不在平滑，而是数据里混进了异常点。换个问法，局面一下就打开了。知识面越广，越容易这样触类旁通，主动给 AI 指新方向；知识面窄的人，只能跟着它在原地打转。
门槛没有消失，它只是换了位置：以前看你手上的代码写得快不快，现在看你脑子里的概念定得准不准，卡住时能不能换个方向，以及最后能不能看出它错在哪。
三、有些东西没跟着飞出来
燕子把很多知识带到了院子里，但有些东西好像还是带不过来的。
一个概念的名字可以去问 AI，可是知道在什么时候用它、愿意为了它妥协什么，这种工程上的直觉，AI 给不了。写出一个解法很容易，但判断“这个问题到底值不值得做”，还是得靠人自己的经验。
这种经验，往往来自做过的大项目、踩过的真坑、以及圈子里的言传身教。这些东西依然需要资源和环境去喂养。
另外，当基础信息获取变得越来越容易时，常识本身就贬值了。
如果大家都在用差不多的模型，顺着差不多的思路找解法，很多产出的均质化会越来越严重。这时候，人和人之间拉开差距的，可能不再是谁的知识更全，而是谁能提出更有意思的问题、谁有自己的审美偏好，或者谁手头握着更真实的业务场景和数据。
知识是平权了，但身份、试错的机会、承担风险的底气，依然分布得不太均匀。模型变聪明了，但现实世界里的重力还在。
尾声
燕子飞进百姓家，百姓家并不会因此变成王谢。燕子不挑屋檐，它只去有屋檐的地方。知识已经飞出来了，能不能留住，要看有没有先搭好一个屋檐——一点基础，一点判断，一点追问到底的耐心。
看了太多 AIGC 文字，太久没动过笔写过完整文章，我明显感觉我的写作能力有点下降了。因此，上面的内容表达上经过多个前沿模型的润色。
看来还是得多自己写，现在的情况是文笔跟不上思维，实际上挺难受的。
用 AI 确实能快速组织出通顺流畅的文字，但是我已经一眼就能看出是哪款模型的手笔（看过太多 AIGC 熏陶出来的 XD）。并且 AI 想的经常和我的实际想法并不完全相符，这就导致如果依赖 AI，即使仅仅用于润色或提建议，都可能导致我原有的思路被 AI 带偏，这样最后出品的内容往往看上去挺有道理的，但是信息量很低，失去了作者自己应有的内核，创作、表达的乐趣也没有多少了。
现在我认为，AIGC 文字最大的问题就是过于平整了，无论从总体行文还是具体表达上，有一种讨好用户的感觉（事实上也是这样 RLHF 训练的），特别是某些模型，写的内容根本没眼看，太四平八稳，信息熵极低（我在网上看到这类，3s 快速翻完，就能把文章内容了解个大概，因为模型的写作和性格太容易预测了），导致看上去满满伪人感。
从 GPT 3.5 到 Claude 3 Opus，从 Gemini 2.5 Pro 到 Claude Opus 5.5，这个问题我暂时看不到本质的解决方案。
因此，我决定从这里开始，之后的文章逐步摆脱用 AI 润色写作内容。写作本身就是梳理思路的过程，对个人来说，这种过程会比结果更重要，特别是关于这类前沿、复杂的议题。
讨论
正在加载评论…