据 ai987.cn 于 2026 年 7 月 10 日收到的消息 ‣ 布鲁金斯学会研究员尼姆·亚拉吉撰文指出，生成式人工智能带来的生产力提升虽真实显著，但这场繁荣可能无法延续至建设它的那一代人退休之后。当前的生产力奇迹主要依赖于在 AI 出现前就已积累深厚判断力的专家群体，他们善于驾驭 AI 工具，因为职业生涯中培养了识别优劣答案、察觉模型自信谬误的能力。然而，造就这批专家的条件正在悄然消失。

研究显示，AI 在客服、咨询等以信息检索为主的常规任务上大幅提升新手效率，却在需要判断力、创造力和跨学科整合的前沿工作中帮助有限。麻省理工学院等机构的实验发现，顾问在 AI 能力边界外的任务中使用 AI 反而导致表现下降 19 个百分点，因为模型给出的自信错误答案被缺乏领域专长的用户采信。这造成技能分布两极分化：底层差距被压缩，顶层对判断力的依赖却加深，而能提供这种判断力的资深专家正在流失且无人接替。

专业技能的形成依赖“刻意练习”——在无辅助情况下攻克难题、从错误中学习、慢慢积累直觉模式。但商业大模型的激励机制倾向于直接给答案，而非引导用户经历建设性的认知挣扎。尽管 AI 理论上可充当“苏格拉底式导师”，但实际部署中学生和工作者倾向将其当作“答案引擎”，跳过关键的认知发展环节。

企业层面数据印证了这一担忧：多项研究显示，广泛采用生成式 AI 的公司大幅削减初级岗位招聘，而高级岗位保持稳定。短期看这符合单一企业的成本逻辑，长期却悄悄拆解了培养未来资深专家的内部机制。若全行业同步减少初级招聘，整个行业的资深人才管道将同步枯竭，形成协调失灵。

历史经验表明，认知约束曾驱动创新。早期程序员因硬件限制被迫设计高效算法，推动了数十年算法创新；硬件变廉价后，这种压力消失，中位程序员不再需要深度思考，认知创新速度随之放缓。生成式 AI 让推理成本趋近于零，可能使人们在现有框架内“暴力求解”而非寻求优雅新思路。实证研究已发现 AI 虽提升单个作品创意评分，却使群体创意多样性下降约 10%，这正是托马斯·库恩所言“常规科学”而非“范式转换”的领域。

当前生产力红利部分源于透支未来的专家存量。如何重塑教育、职业培训、科研资助及工具设计，使其持续造就专长而非消耗专长，将是下一步亟待解决的难题。

综合自网络信息