编按：
这是 Tabbit 的新栏目「Tinsight · 洞见」。我们会在这里分享一些值得花时间阅读的深度好文，它们可能有点长，但讨论的问题足够尖锐，思考足够深入，也许能为你提供新的视角去理解当下正在发生的变化。 这次选择的文章，来自 offbook.press 2026 年 4 月发布的《AI 时代的真正分化》 。 我们选择它，是因为它精准地描述了很多人正在经历却说不清的困境：每天接触大量信息，却感觉越来越焦虑；看起来在学习，实际上只是在进行情绪管理。文章给出的既不是鸡汤式的安慰，也没有局限在单纯的现象分析和观察分享，而是提供了一个可操作的框架 —— 帮我们看清什么是值得训练的、什么是该放弃的，以及如何在这个分化的时代找到自己的位置。全文约 2 万字，我们将分 4 次推送，今天是第一部分。
▼
作者：耿达维 Dawei Geng 来源：https://offbook.press/essays/on-cognitive-decoupling/
大部分人把知识、经验、熟练度错当成了认知能力本身。他们从未识别过什么是真正的认知活动。
第一章 · 四个现象
如果人们在过去一年去审视自己的信息消费，会发现几个现象同时发生。单看每一个都不算稀奇，把它们并在一起看，会指向一个没被充分讨论的结构性事实。
先看四个现象。
一 · 反刍链
每天打开小红书、公众号、X 的时候看到的 AI 相关内容，大部分是这样生产出来的：
原始信息——一篇论文、一段代码、一次实验结果、某个从业者的一手观察——先被某个账号用 AI 初次总结；然后被另一个营销号挑选并加上一个留住注意力的钩子标题；然后被下一个账号用 AI 再重新加工成自己语气的版本；最后推送到终端读者面前。
你一定见过这样的标题：「又变天了」「Gemini 杀疯了」「百万失业倒计时」「OpenAI 刚刚曝光」「00 后用 AI 月入百万」「硅谷连夜震动」「这次是真的不一样了」——每一条都在制造紧迫感，点进去是几百字的空话。
这就是 反刍链 。
每经过一层，三件事同时发生：
信息密度下降（细节、条件、不确定性被摘要吃掉）；
误差累积（每次总结都会引入小偏差，多层之后还会相互强化）；
情绪浓度上升（为了在算法分发里活下来，每一层都必须加戏）。
到达终端读者手里的是一个 经过处理、营养降低、但 更易消化 的东西 —— 一种内容形态的 预制垃圾食品 。
过去，这个链条上都是人，且速度和数量远远没有爆发。但今天我们看到，巨量的反刍垃圾正在被快速重新发明和制造出来。
人们每天以为自己在「接触信息」的时候，接触的是这条链的末端，距离原始信息可能已经有三四层加工。这个事实本身不算新闻，有人说过很多次。它是接下来三层现象的前提。
二 · 反刍消费的工具化
更值得盯着看的，不是反刍链本身，是 消费者的反应 。
面对无限供应的反刍内容，一部分人的反应不是「少消费点、去找一手源」，而是「我需要更高效的工具来消费更多」。
OpenClaw ——其本身的能力远不止于此，但它最广为传播的使用场景不是「帮我写代码」「帮我分析数据」，而是「帮我每天整理 AI 圈发生了什么」。用户在社交媒体上兴奋地展示自己的工作流：AI 帮我每天读几十个信息源、自动生成摘要、给我推送关键更新。
这件事表面看是提升效率，实际是一个奇怪的自我强化循环： 一个 AI 工具，帮助我更高效地消费另一个 AI 吐出来的反刍物 。主动吞食反刍物的效率本身成为了一种被宣传的成就。
读者的位置发生了一个微妙的变化——从「被动接受反刍」升级到「主动优化反刍消费管道」。看起来是主动性的提升，本质是消费量的放大。
三 · 生产者的分化
同时，在另一个不太重叠的圈子里，有一批人在做完全不同的事。
Andrej Karpathy 在 X 上曾经精确地描述过这个分化：
对 AI 能力的判断，在不同人群里呈现极端的两极化。一边是主要用免费或旧版 ChatGPT 的人，他们的印象停留在「这东西会产生幻觉、会写出一堆 AI 垃圾内容」——社交媒体上那种「AI 连该走路还是开车去洗车都搞不清楚」的翻车例子，就是这群人每天看到的 AI。
另一边是每月花几百美元、每天用 Claude Code / Codex 做真实技术工作的人，他们看到的是「一小时内重构整个代码库」「自主找出系统漏洞」——这个能力上限在过去一年里是爆炸式增长的。
两群人所处的现实差异巨大。
前者的信息来源是反刍链末端的总结；后者的信息来源是 自己和模型实时协作的体验 。前者通过「我读了什么」判断 AI，后者通过「我让它做成了什么」判断 AI。
两群人用同一个词——「AI」——但指的不是同一件事。一方说「AI 也就那样」，另一方说「这东西正在爆炸」，两句话都是真的。 差别不在模型，在使用者在做什么。
四 · 三层叠在一起看
单看任何一层，都只是一个局部观察。把三层并在一起看——反刍链、反刍消费的工具化、生产者分化——会出现一个没被单独拎出来讨论的问题。
消费反刍的人，不是 缺信息。
他们接触的信息比任何时代的任何人都多。他们也不是「学不到东西」，因为产品设计就不是为了让他们学到。他们真正在做的，是 用「消费信息」这个动作 管理「我没跟上时代」的恐惧 —— 一种焦虑的自我缓解。
做真正认知活动的人（Karpathy 说的第二群），不是因为他们消费的信息更多，而是因为他们 在做另一件性质完全不同的事 —— 他们的认知活动在启动。面对一个问题，他们会去推一推、试一试、验证一下，然后形成自己的判断。消费反刍的人不会做这些——他们只是读成品、记关键词、关掉、下一条。
所以三层现象合起来指向的不是「信息过载」（这是个陈词滥调），也不是「AI 让人变懒」（这是一种回避）。指向的是一件更尖锐的事实—— 大部分人把知识、经验、熟练度错当成了认知能力本身 。他们从未识别过什么是真正的认知活动。
什么叫 真正的 认知活动？
先排除几种常见的错认——
它不是脑子在转（脑子一直在转，人活着就在转）；
不是读了很多、记了很多（那是知识储备）；
不是某个领域做久了很熟练（那是经验）；
不是表达流畅（那是语言能力）。
这些东西过去被误认为认知能力，是因为在老环境里它们常常和认知能力一起出现 —— 但它们不是认知能力本身。
真正的认知活动指的是：
产生可以被现实校准的、结构性判断的那种活动 。
形成具体的、能被后来的事实验证或反驳的判断。
在一个陌生问题上识别深层结构。
把自己此刻的判断和现实之间的距离，看成一个可以操作的对象 。
这个意义上的认知活动才是 AI 时代被剥离出来单独标价的东西。大部分人 从未意识到这个区别的存在 ——没有意识到，就没有机会做。
过去的评价体系不需要它启动。经验、模式、熟练、博闻强记、流畅表达、社交灵敏度 —— 这些旧的「聪明」和「能力」的表达方式，没有一项需要真正的认知活动。一个精明的生意人、一个博学的编辑、一个能干的中层经理，他们的认知系统里真正的反思可能从未发生过一次。但在老环境里，他们确实是高能力者 —— 因为老环境就是奖励这些的，而且奖励得不错。
AI 时代的变化不是「让人变懒」，而是第一次把「认知活动本身」从其他所有能力里剥离出来、单独标价。
当知识储备被模型摊平、重复性任务被吃掉、判断成品的生产成本降到零之后，剩下的那部分 —— 把现实切成结构、识别输出里的错误、在陌生问题上做真正的抽象 —— 大部分人根本没有 。而他们自己从前的成功经验告诉他们「我是有能力的」。
这不是一个新问题。它是 一个一直存在但被旧评价体系遮盖的事实，第一次在新技术条件下暴露出来 。不是因为人突然变蠢了，而是因为旧的「有能力感」的来源正在消失。
第二章 · AI 其实没那么均匀强
在进入主话题之前，有一个常见的误解需要先处理
这个误解是： AI 已经全方位超过了人类，所以大部分人在它面前变得渺小也是正常的、被动消费反刍也算理所当然。
这个判断只对了一半，另一半完全错。
AI 强在哪里 。 在结构化、可测量的任务上，AI 已经稳定超过中位数人类，甚至超过很多专家。数学奥赛（AIME）、博士级科学题（GPQA）、真实软件工程任务（SWE-Bench）、各种语言理解测试 —— 这些基准在过去一年里被前沿模型陆续突破。
加上知识检索、流畅表达、按指令执行这类能力，AI 远超大部分人。对于这些方向的工作，最好的用法是把 AI 当一个超级杠杆 —— 它能把一个有能力的人的产出放大十倍以上。
AI 弱在哪里 。 同样多的证据显示，AI 的强是 尖锐的、不均匀的 。把一道题的条件稍微改一下（换成表面不相关但结构相同的场景），模型的表现会突然崩溃——这种脆弱在 SimpleBench、BrainBench 这类基准里反复出现。模型在日常常识问题上连中位数成人都不如。
还有一整类任务它做得不好： 没有清晰对错的判断 （这个设计好不好、这个决策对不对）、 处理模糊的现实 （一段混乱的反馈到底在说什么）、 在完全陌生的结构上做抽象 （一个从未见过的问题类型如何拆解）。
为什么是这样不均匀 。
有一个技术上的原因。前沿模型的主要进步来自强化学习 —— 给模型「这个对、那个错」的信号让它校准。这种训练在有明确对错的领域极其有效：代码跑不跑、数学答案对不对、测试过不过 —— 可验证奖励 ，信号清晰，训练效率高。
反过来，没有清晰对错的领域 —— 好的判断、恰当的分寸、审美 —— 根本没办法给可靠的奖励信号。你怎么教一个模型「这段文字感觉不对？」没办法。所以这些领域的进步远慢于可验证领域。
再叠加商业动机：代码和结构化任务直接带来 B2B 收入，所以算力和研究资源绝大部分投在这里。结果就是 AI 的能力在「可验证 + 商业价值高」的领域指数增长，在其他领域进步缓慢。这个技术解释也是 Karpathy 在 X 上反复讲过的 —— 第一章提到的两群人对 AI 能力的判断差异，本质是他们在用同一个模型的不同维度。
真正的推论 ： AI 是放大器，不是均衡器 。 它放大的不是「人类的整体能力」，而是「使用者这一侧能向它输入什么结构」。给一个已经能拆解问题、能判断输出对错的人，AI 能把他的产出放大十倍以上；给一个只会让 AI 「写点东西」的人，AI 吐出来的是反刍物，放大的是他的焦虑管理频率。
最关键的： AI 没有替代「构造问题」这件事 。
这里需要主动处理一个合理的反驳——「AI 在强化学习里已经展现出结构抽象能力了：o 系列推理模型解数学大题时会自己推翻错误假设、重构解题框架；AlphaGo 早就走出过人类从未见过的新定式。你说 AI 不能做结构抽象，是不是过时了？」
这个观察是对的。但这里有一个 致命的区分 必须讲清楚。
AI 的结构抽象永远发生在 给定的奖励函数之下 。围棋的目标是赢、数学题的目标是对、代码的目标是跑通 —— 在这些边界清晰、胜利条件已经被人类定义好的封闭空间里，AI 可以比人类更好地寻找结构。这是一种 工具性的去耦 —— 在已定义的游戏里找最优解。AI 在这一层已经在超过人类，也会继续超过。
但还有 另一层去耦 —— 定义什么是值得追求的东西、什么问题值得问 。 这个产品到底解决了什么隐秘的人类需求？这项政策会引发何种人性反弹？一段混乱的用户反馈到底在说什么？一个组织长期问题的真正根源在哪里？ 这一层没有现成的奖励函数 —— 因为「什么是对的」这件事本身要先由人来裁决。
AI 可以生成一万种逻辑严密的结构，但判断哪一种真正对应了现实世界里的痛点，这一步的裁决者必须是一个 处在现实中、要承担后果、有肉身的主体 。没有这个主体，奖励函数从何而来？
所以 AI 抢走的是 「 在已定义的游戏里寻找最优结构」 这件事（这件事人类本来也不擅长，让给 AI 是合理的）；它没有抢走、也无法自发产生 「 决定玩哪个游戏」 这件事 —— 后者的结构性本身就不属于 AI 能触达的层。
回到分工层面 —— 什么问题值得问、哪个方向是对的、输出是否真的解决了问题 —— 这些判断现在仍然完全依赖人。而这类判断恰好是第一章最后一节说的那件事 —— 需要真正的认知活动参与才能做的事。
所以「AI 太强、我跟不上」是一个偷懒的叙事。
它在你该放弃的事情上（记忆、流畅表达、按指令执行）确实超过你了；但它在你真正该参与的事情上（判断、构造、审美、结构抽象）并没有。那些在能参与的地方选择放弃的人，才是真正被 AI 甩开的人。而他们常常不自知 —— 因为反刍消费给了他们一种「我还在跟上」的错觉。
未完待续……
第三章 · 反刍链里人的位置：学习还是焦虑管理？
第四章 · 一个更隐蔽的陷阱：知识管理
第五章 · 他们都说对了什么：通才、品味、智力的重新折叠
第六章 · 四元公式：逐项讲透
第七章 · 最后
