AI 不会抹平技术鸿沟，它会重新定价人的能力
很多人以为，AI 的出现会迅速抹平人与人之间的能力差距。
我现在越来越觉得，现实恰恰相反：
AI 不是能力平均器，更像能力放大器。
它不会自动把普通人拉到高手的水平，反而会把一个人原本的思维方式、知识结构、表达能力和验证能力，成倍放大。
所以 AI 时代最残酷的一件事，不是“你会不会用 AI”，而是：
同样在用 AI，有的人越来越强，有的人越来越困在自己的黑箱里。
这篇文章我想讲清楚三件事：
- 这个判断到底对不对
- AI 为什么会放大差距
- 普通人怎么补这块能力
一句话结论
AI 在简单任务上缩小差距，在复杂任务上放大差距。
这是我目前看到最接近现实的总结。
为什么这么说？
- 在
标准化、低知识距离、反馈明确的任务里，AI 能帮助新手快速接近熟手 - 在
复杂、执行型、强上下文、强判断的任务里，AI 仍然高度依赖使用者本身的能力
换句话说：
AI 能帮你跑得更快，但不自动替你决定往哪跑。
AI 真的会放大差距吗？
是，但要分任务。
标准化任务里，AI 像“经验复制器”
Stanford / NBER 的研究《Generative AI at Work》发现，在客服这类较标准化任务里，AI 能显著提升效率，而且对低经验、低技能员工帮助更大。
这说明在一些固定流程任务上，AI 确实能传播高手做法，帮助新手快速补短板。
来源： https://www.nber.org/papers/w31161
复杂任务里，AI 不是“专家制造机”
Harvard / Stanford 的 GenAI Wall Effect 研究更值得警惕。
它的核心发现是：
- AI 更擅长帮助“邻近领域”的人
- AI 更擅长帮助“概念化”
- 一旦进入“执行落地”，或者知识距离过远，AI 的补偿作用明显变弱
也就是说：AI 可以把你推近专家，但很难直接把外行变成专家。
来源：
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5462694
https://www.library.hbs.edu/working-knowledge/gen-ai-boosts-productivity-but-cant-turn-novices-into-experts
AI 会制造一种危险的错觉，叫“我以为我懂了”
Aalto University 的研究发现，AI 用户会更容易高估自己的认知表现；甚至那些自认为 AI 素养更高的人，也可能更过度自信。
这意味着：AI 最危险的副作用，不只是出错，而是让你错了却更有信心。
来源：
https://www.aalto.fi/en/news/ai-use-makes-us-overestimate-our-cognitive-performance
越不会验证的人，越容易被 AI 说服
Microsoft Research 在 2025 年 CHI 的研究指出：
- 对 GenAI 越盲目信任的人，越容易减少 critical thinking
- 对任务本身越有把握的人，越能保留 critical thinking
这句话翻译成大白话就是：AI 的输出质量，不只取决于模型，也取决于你有没有能力审它。
来源：
https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/
AI 放大的，到底是什么能力差距？
不是简单的“学历差距”，而是下面这 4 个东西。
1. 问题定义能力
低质量提问是：
- 帮我做一个方案
- 帮我分析一下这个问题
- 帮我写一个系统
高质量提问是：
- 目标是什么
- 背景是什么
- 对象是谁
- 约束有哪些
- 不要做什么
- 怎样算完成
所以很多时候，真正的差距不是“谁会问”，而是：
谁能先把问题定义清楚。
2. 知识距离
一个后端工程师用 AI 学另一个后端框架，知识距离近。
一个完全不懂财务的人用 AI 做企业估值，知识距离远。
知识距离越远，你越难判断：
- 哪些是关键
- 哪些只是听起来像真的
- 哪些风险需要经验才能看见
所以 AI 不是无成本跨界神器。
3. 元认知能力
元认知就是：
知道自己哪里懂，哪里不懂。
会用 AI 的人未必更强，但会识别自己盲点的人，一定更稳。
4. 验证能力
高手和普通使用者最大的差别，往往不是“谁先得到答案”，而是：
谁会追问：依据是什么？边界是什么？反例是什么？我怎么验证？
为什么很多人会被困在 AI 黑箱里？
因为 AI 太容易制造一种“已经理解”的错觉。
常见过程是这样的：
- 你提出一个模糊问题
- AI 给出一段流畅答案
- 你感觉“这讲得很完整”
- 你停止追问
- 你以为自己掌握了这个问题
但实际上，你可能根本没有真正理解：
- 假设是什么
- 证据是什么
- 风险在哪里
- 哪一步最容易错
所以困住人的，不是 AI 黑箱本身，而是：人被“流畅回答”骗进了自己的认知黑箱。
那普通人怎么补？
答案不是“多学点提示词技巧”，而是补 4 项底层能力。
补法 1：先练“问题澄清”，再求解
你以后问 AI，先别急着要答案。 先强制补齐这 6 个点：
- 目标
- 背景
- 已知信息
- 约束条件
- 不需要的内容
- 验收标准
只做这一步，AI 输出质量就会明显提升。
补法 2：强制做“风险扫描”
每个重要问题，都多问 3 句：
- 这个答案最可能错在哪里？
- 有哪些反例或边界条件？
- 我应该如何验证？
这一步会让你迅速跳出“被顺滑输出牵着走”的状态。
补法 3：把大问题拆成小问题
不要问：
- 帮我做商业计划
- 帮我写一个产品
- 帮我完成系统设计
要问：
- 这个问题应该先拆成哪几个子问题？
- 哪部分最关键？
- 哪部分最容易误判？
- 哪部分必须先验证？
补法 4：把“会不会提问”升级成“会不会校验”
真正高质量的 AI 使用者，通常都具备一个习惯：
答案不是终点，验证才是终点。
读什么书最有帮助？
如果你的目标是提升“和 AI 协作时的思考质量”，我更推荐下面这 5 本，而不是优先去读《乌合之众》。
1. 《学会提问》
作用：
- 训练你识别论点、证据、假设、漏洞
- 直接提升你审 AI 输出的能力
2. 《金字塔原理》
作用：
- 提升结构化表达
- 让你更容易把模糊想法说成清晰任务
3. 《系统之美》
作用：
- 学会看反馈回路、延迟、副作用
- 防止只盯局部答案
4. 《思考，快与慢》
作用：
- 认识过度自信、锚定、可得性偏差
- 很适合对抗“AI 让我误以为自己懂了”
5. 《超级预测》
作用：
- 提升概率思维和判断校准能力
- 帮助你减少“非黑即白”的错误判断
一句话总结：
通识思维书帮你问得更好，领域基础书帮你判得更准。
“查漏补缺”词表
如果你希望和 AI 对话时更精准，我建议记住下面这组词：
- 问题澄清
- 信息补全
- 边界定义
- 约束显化
- 假设外显
- 风险扫描
- 反例校验
- 验收对齐
- 盲点排查
- 方案比较
这些词的作用只有一个：
逼你在“求解”之前，先把问题变清楚。
一套可以直接复制的 AI 提问模板
我要解决的问题：背景是：当前已知信息：我希望最终输出的形式：约束条件：
- 时间：
- 成本：
- 技术栈 / 工具：
- 不允许做的事：验收标准：请先不要直接给答案，先帮我做：
1. 缺失信息扫描
2. 隐含假设列举
3. 风险点提示
4. 如果问题定义不够准确，请帮我重写问题
如果问题比较重要，再补一句：
请同时告诉我：
1. 这个答案最可能错在哪里
2. 有哪些反例或边界条件
3. 我应该如何验证
4. 如果这个答案不成立，第二方案是什么
这套模板的核心不是“让 AI 更聪明”，而是：
让你自己不那么容易掉进黑箱。
如果只做一件事，我建议你做这个
以后每次问 AI 之前，先停 30 秒，自己补完这 5 个点：
- 我到底想解决什么
- 我现在已知什么
- 我缺什么信息
- 我最担心错在哪里
- 什么结果算真正可用
就这 5 个问题，足以淘汰掉大量低质量提问。
最后的判断
AI 时代真正被重新定价的，不是“谁会不会用工具”，而是：
- 谁更会定义问题
- 谁更会拆解任务
- 谁更会识别盲点
- 谁更会验证答案
所以我现在越来越认同一句话：
AI 不会自动抹平技术鸿沟，它会重新定价人的能力。
你原本的思维方式，决定了 AI 最终会把你带向哪里。
参考资料
-
Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, Generative AI at Work
https://www.nber.org/papers/w31161 -
Luca Vendraminelli et al., The GenAI Wall Effect
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5462694 -
HBS Working Knowledge, Gen AI Boosts Productivity, But Can't Turn Novices Into Experts
https://www.library.hbs.edu/working-knowledge/gen-ai-boosts-productivity-but-cant-turn-novices-into-experts -
Anthropic, Economic Index: Learning Curves, 2026-03-24
https://www.anthropic.com/research/economic-index-march-2026-report -
Aalto University, AI use makes us overestimate our cognitive performance
https://www.aalto.fi/en/news/ai-use-makes-us-overestimate-our-cognitive-performance -
Microsoft Research, The Impact of Generative AI on Critical Thinking
https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/ -
ICER 2024, The Widening Gap: The Benefits and Harms of Generative AI for Novice Programmers
https://icer2024.acm.org/details/icer-2024-papers/26/The-Widening-Gap-The-Benefits-and-Harms-of-Generative-AI-for-Novice-Programmers