编按：
这里是 Tabbit「Tinsight · 洞见」栏目，我们会在这里分享一些值得花时间阅读的深度好文。前面我们分享了 来自 offbook.press 2026 年 4 月发布的文章《AI 时代的真正分化》当中的第一部分： 你在消费信息，还是启动认知 和第二部分 学习的幻觉，当知识管理变成焦虑缓解仪式 ，本次推送的是第三部分。作者通过剖析「通才」「品味」「认知折叠」等概念，阐明在 AI 逐渐摊平知识记忆和流畅表达后，什么样的能力是真正被放大的分化点。
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。
第五章 · 他们都说对了什么：通才、品味、智力的重新折叠
到这里，反刍消费的两种形态（被动刷信息与主动整理知识）都拆过了。它们看起来不同，本质都在做焦虑管理而不是学习。浮上来的就是那个一直被绕开的根本问题 —— 什么才是真正重要的能力？
这个问题其实在 AI 之前就已经被多次触及。不同的圈子里，有几种流行的说法在从不同角度描述同一件事 —— 但每一种都只描述了其中的一部分，而且都没意识到自己在描述的其实是同一个东西。把它们放在一起看，会出现一个更完整的图景。
▌ 通才论
近几年在创作者和独立开发者圈子里，“通才”这个概念被重新推到前台。最常被引用的版本来自 Dan Koe——他的核心论点是：专业化正在贬值，多领域的通才反而在变得稀缺且有价值。
他说对的那部分： 广度不是杂学 。真正的通才不是「什么都知道一点」，而是在多个领域都积累到足够深度，因此能看到不同领域之间的 同构结构 。一个同时深入研究过经济激励、生物进化、组织行为的人，会发现这三个领域的底层机制大量重叠 —— 因为它们都在讲「多个行动者在约束条件下追求自身目标时，系统层面会涌现出什么」。识别出这种跨域同构，是通才的真正价值所在，也是把广度转化为判断力的唯一路径。
他没说清的那部分： 什么样的深度才算数 。这是通才论最模糊的一块，也是追随者最容易踩坑的地方。有人按通才论去扩展自己的阅读，读了十个领域各一本入门书，最后脑子里装的是十个领域的表面叙事——这种「深度」对跨域映射毫无用处，因为表面叙事在不同领域里本来就不一样，没有同构可言。真正能被映射的是 深层结构 —— 一个领域里真正决定行为的因果机制、激励约束、反馈回路。一个可操作的深度标准是： 你能不能说出一个领域的从业者集体相信但实际上是错的一件事 。说得出的，是有深度；说不出的，还停在标准叙事层。
他留下的漏洞：通才论没把 做跨域映射的底层机制 单独拎出来。它读起来像一个方法论 —— 多读几个领域的书、建立联系——但它暗含一个前提：读者有能力做这种映射。而这个能力本身才是稀缺的。这解释了为什么同样的方法论，有人用出来了、有人用不出来：差的不是努力，是映射能力本身。
▌ 品味（taste）
另一条线来自创作者和设计圈 —— Paul Graham、乔布斯、Rick Rubin 这一路反复谈论的 taste。这个词被翻译成中文的「品味」之后容易被理解成一种模糊的审美感受，但他们实际在描述的是一个更具体的机制。
他们说对的那部分： 在你能清楚说出理由之前，你已经能判断一个东西好不好 。这种前语言的判断不是神秘主义，它来自大量高质量样本的长期内化。一个从小在博物馆里长大的人，看到一幅画能在几秒内判断它的好坏——不是因为他懂艺术史，而是因为他的视觉系统已经被大量高质量画作校准过了。这种校准的产物就是品味。
但他们描述的是 低阶品味 —— 纯粹的模式识别。一个人能判断「这个字体不好看」，但让他解释为什么，他说不出。这种品味是真实的、也有用——它能让一个人在自己熟悉的领域快速过滤大量选项 —— 但它有一个严重的限制： 不可迁移、不可教、不可验证 。你没办法把你的品味传给别人，也没办法在一个新领域从零建立品味，因为没有足够的样本。
他们没说清的那部分：品味其实有两层。低阶品味是前语言的模式识别，高阶品味是 模式识别 + 需要时能拆出结构化理由 。一个真正厉害的设计师不仅能说「这个字体难看」，还能分析「是因为它的 x-height 和字重的比例破坏了视觉节奏」。高阶品味之所以重要，是因为它 可教、可迁移、可在新领域加速建立新品味 —— 它把直觉背后的结构显式化了，于是结构可以被学习。
高阶品味和通才论在底层其实是同一个能力 —— 都是 把一个具体判断抽象成可操作的结构 ，然后把这个结构用在新的地方。不同的是，通才论从「跨域」的角度谈它，品味论从「审美直觉」的角度谈它。两者说的是同一个机制的两个侧面。
▌ 认知折叠论
第三条线在技术圈和独立创作者圈子里越来越常见。它的核心论点简单粗暴： AI 不会让差距缩小，只会让差距以前所未有的速度拉开 。类比的对象通常是工业革命 —— 蒸汽机和后来的装配线让体力劳动的相对价值急剧下降，能设计机器、能组织生产、能调度系统的人，和只能出卖体力的人之间的差距从线性扩大变成了指数分化。现在轮到认知了。AI 正在摊平一批认知能力（知识、记忆、检索、流畅表达），剩下那一部分 不被摊平的 会被爆炸式放大。结果不是「贫富差距变大」，是「不同人群的产出在同一个单位时间里被折叠到完全不同的量级」。
他们说对的那部分： 差距会拉开，且速度前所未有 。这个判断是对的，而且类比工业革命非常合适。历史上每一次通用技术跃迁之后，掌握了新杠杆的人和没掌握的人之间的差距都不是线性扩大，是指数分化 —— 蒸汽机如此、电如此、互联网如此，AI 只会更极端，因为它是第一次直接作用于认知本身，而认知恰好是判断、创造、决策的源头。被放大的那部分，会比历史上任何一次都显眼。
他们没说清的那部分： 被放大的到底是哪种认知能力 。
这是整条论述最模糊的一块，也是大部分追随者会踩坑的地方。他们默认的假设通常是 「 高认知 = 高 IQ」 —— 所以结论变成「高 IQ 的人会越来越富、低 IQ 的人会越来越被甩开」。这个结论的前半句大致对，但原因完全错。
被放大的那件事不是 IQ。IQ 测的是原始处理能力 —— 工作记忆、处理速度、信息提取、按规则推演 —— 这些 AI 现在已经比绝大多数人强。 一个单纯 IQ 高但从不做真正认知活动的人，在 AI 时代反而会被最快淘汰 —— 因为他过去用 IQ 做的那些事（快速学习、记忆调取、流畅推理），AI 都做得更快更准更便宜。他的优势直接被摊平。
真正被放大的是另一层 —— 在一个陌生问题上识别深层结构、判断什么问题值得问、在模糊的现实里切出可操作的对象 。这件事和 IQ 相关但不等同。一个 IQ 中等但识别出了真正的认知活动是什么、并持续投入去做的人，比一个 IQ 高却一辈子活在模式识别舒适区里的人，会被 AI 放大得更多。
他们留下的漏洞： 「 高认知」被当成了一个先天的、固定的属性 。这让整个「折叠」叙事听起来像一个不可抗力——高认知的人会赢，低认知的人会被甩开，没有中间地带、没有可操作空间。
但真正的分化不是「高认知 vs 低认知」的先天分化，是 「 识别出了 vs 没识别出」 的意识分化。前者是一个不可改变的命运，后者是一个可以跨越的门槛——虽然跨越这个门槛本身不容易，但它在原理上是开放的。认知折叠论里最让人绝望的那种命运感，大部分来自于把「可跨越的门槛」误认成了「不可改变的先天属性」。
▌ 三条线在说同一件事
把三条线放在一起看。
通才论说的「跨域映射能力」——那个让多领域深度变成判断力的底层机制——其实就是 把多个领域的表象剥离、抓住它们共同的深层结构 的能力。没有这种能力，读十个领域只能得到十堆碎片；有了它，三个领域就能跨出新的判断。
品味论说的「高阶品味」—— 那个把直觉背后的结构显式化的能力 —— 其实是 同一种能力作用在大量样本内化之上 的结果。低阶品味只需要样本，高阶品味需要样本加上把模式抽象成结构的能力。
认知折叠论说的「不被 AI 替代、反而被 AI 放大」的那一层——其实也是这个能力。AI 摊平了知识、记忆、流畅表达、按指令执行之后，唯一没被摊平的就是 把现实从它的表象里剥离、当作结构来操作 的那个动作。被放大的就是它。
三条线从完全不同的角度触及了同一件事，只是给它起了不同的名字 —— 通才、品味、折叠 。核心都是同一件东西： 把具体情境抽象成可操作结构的能力 。
认知科学里有一个专门的名字给它： 认知去耦 —— 把一个表征从它所指的现实里剥离、当作独立对象来操作。所有抽象、假设、反事实推理、自我审视都建立在它上面。三条流行说法都在从不同角度描述它，只是每一条都只摸到了其中一部分。
这件事过去一直存在，但一直没有被单独标价。因为在前 AI 时代，它和大量其他能力混在一起 —— 和知识储备混、和记忆力混、和流畅表达混、和熟练度混。一个「聪明」的人通常这些都有，但没人知道其中哪一项才是真正起作用的。所以每一种流行说法都在盲人摸象——摸到哪一部分就用哪一部分的语言去描述它。
AI 时代第一次让这件事可见 。因为 AI 替代了知识储备（它知道的比任何人多），替代了记忆力（它能随时调取），替代了流畅表达（它写得比大部分人好），替代了熟练度（它不疲劳、不出错、不需要练习）。这些能力一个个被剥离之后，剩下的就是那个一直被遮盖的底层机制 —— 把现实切成结构、判断哪个结构是对的、在陌生领域里建立新结构的能力 。
这就是通才论、品味论、认知折叠论三条线共同指向的那件事。它不是新出现的能力，是一直存在但第一次被独立命名的能力。
▌ AI 能干什么，人剩下什么，要学什么
把这个判断推到实用层面。
AI 现在能干的事情范围在迅速扩大：模式合成、信息检索、流畅表达、按指令执行，以及在 可验证奖励领域 （代码、数学、结构化推理）里的复杂任务。这个范围每隔几个月都在扩张，且没有明显的边界。
AI 做不了的事情范围在缩小，但有几件事它现在做不了、近期也做不了： 把模糊的现实切成可操作的问题 （问题构造）、 识别自己输出里的结构性错误 （元判断）、 在没有外部奖励信号时判断什么是好的 （审美和价值权衡）、 在完全陌生的结构上做真正的抽象 （去耦本身）。
前三条都依赖最后一条。没有真正的去耦能力，前三条都只是在高维表征空间里做插值模拟 —— 看起来像，但本质不是。
所以 AI 时代人真正剩下的是什么？ 指挥模型的那一层 —— 提出正确的问题、判断输出是否真的解决了那个问题、在模型走偏时把它拉回来、对最终结果做价值决定。这一层的全部工作，都建立在认知去耦这个底层机制上。
然后是最关键的问题： 要学的到底是什么？
不是更多知识 —— 模型知道的比任何人多。 不是更流畅的表达 —— 模型写得比大部分人好。 不是更多的「思维框架」—— 市面上大部分思维框架是装成工具的话术。
真正要学的是少数几件具体的事：几种核心的 推理工具 （让判断不靠直觉也能做）、几个 非本行领域的规律性理解 （让跨域映射有东西可映射）、把自己放进 会被现实校准的环境 （让所有这些不会慢慢腐烂）。加上那个部分不可训练的底层机制 —— 认知去耦。
四件事各自独立，相互作用。构成一个完整的系统。
未完待续……
第六章 · 四元公式：逐项讲透
第七章 · 最后
