最近一阵用 AI 更加频繁了，工作模式、学习模式出现了非常明显的计算机化——大脑=CPU，不停切换时间片，并发处理多线任务。工作上 3-5 个是常态，另外还有 2-3 个学习相关的，还有 1-2 个是其他项目。多管齐下，半个多月就快 3900 美元了——有点顶不住了。
然后最近 AI 非常疯狂啊，表现出超巨大的虹吸效应——所有 AI 相关的领域都在疯狂吸金，其他方向要么加入 AI，要么瑟瑟发抖。感觉 AI 对整个社会的冲击大于历史上任何一次的技术冲击。这件事情本身就非常恐怖，放几年前没有人会相信。
今天这个文章预计会比较散，因为也没有啥具体主题，但最近就是非常想写一点这方面的感受，顺便分享一些自己的心得感受。
Token已成燎原之势
首先就说这个事儿吧，开头就提到了账单，账单背后就是 token，我没仔细统计，但那个费用后面的数量绝对少不了。很有意思的是，前几天看阮一峰的《科技爱好者周刊（第 398 期）》也提到了这个，不过是公司——很多公司已经承担不起程序员的 token 燃烧了。比如文章提到的 Uber，前四个月就花完了全年34亿美元的 AI 预算；再比如微软也因为费用超标，放弃 Claude Code，转为使用自己托管的 OpenAI 模型。连 Uber 和 微软都扛不住，其他中小公司呢？能抗住吗？答案显然是否定的。如文章所言，AI 编程可比真人贵太多了。
这后面意味着什么？
第一，只有少部分人能用上顶尖模型，这部分人的效率会越来越高（不要怀疑顶级模型和一般模型的差距）、产出也越来越多（比如很多报道说用更多的 AI 能发现更多的楼栋），普通人或者用不起、用不上顶尖模型的人会和这些人拉开越来越大的差距。《科技爱好者周刊（第 391 期）》提到一个很有意思的观点——AI 会带来贫富分化。作者认为，其他技术实际上会消灭贫富分化，实现"消费者平等"，即穷人和富人消费的东西是一样的，但 AI 模型不是这样。
第二，目测未来所有人都会使用、几乎必须要使用 AI，所有人都会在自己能力范围内选择能承受的最好的模型。Token 生产到消费的全链路产业都在受益，从算力、存储、CPU、基模、云服务器、token 服务商、各类用了 AI 的软件和服务、账号倒卖……财务全面向 AI 聚拢。《科技爱好者周刊（第 397 期）》也提到类似看法——AI 相关的所有东西，最近都在上涨。
第三，聚集效应明显。头部的 AI 公司（Claude、Google、OpenAI、DeepSeek、Doubao、Kimi、Qwen）可能会继续聚集，形成典型的寡头垄断，进入的门槛会越来越高，后发优势几乎不存在。而这些公司在整个产业链中反而是最不卷的——真正卷的是下游的应用赛道——应用将变得像目前的视频和短剧一样。
个人感觉 token 消费就跟氧气一样，即便你自己不主动使用，但你生活中的各种场景背后都有 token 在烧，token 就是网络、电力之上的又一个“必需品”。
上面的不一定占据主动
在用 AI 的过程中，表面上看起来是我们在指挥 AI 干活儿，我们是负责人，是主导者。但这里的关系其实非常微妙，当我们不断使用 AI，不断在各种场景下使用 AI，不用多久，我们就会发现自己变得 “离不开” 它。看到一篇论文，你下意识地就让 AI 把关键点提取给你，甚至你都让 AI 每天根据你指定的关键词帮你筛选论文；看到一个任务，哪怕代码很简单，你也不会自己手动去做了，而是让 AI 给你完成；要写个东西，想法大概一说，AI 哗哗哗洋洋洒洒一大篇，还能根据你的指令不断修改……
这中间一不小心，我们就走入另一个胡同——大脑能力退化。我们会越来越无法沉下心阅读长文和难文，我们会逐渐丧失信息筛选能力，甚至思考能力也会被削弱。我们会越来越“偷懒”，这是人的本能——节约能耗，根据历史经验，这种退化是大概率会发生的。其实，从大脑的角度来看，也应该是更喜欢深度思考的，而不是频繁切换。
特别提一嘴，很多人还会用 AI 写博客，其实这些人可能并不清楚写作的初衷。写作的关键其实是整理自己的思路，你的输出其实是一次知识的重新整合梳理，各种点的链接，是一个主动的过程。这和 AI 写好你去看是完全两码事，有点类似看游泳视频一样，看再多不如下去游一下。这其实是知识获取的多样性，有些知识可以通过阅读得到，但有些知识必须通过行动。输出的结果很多时候反而没那么重要，更关键的是输出过程，以及期间的思考、整合、提取、梳理。
所以，很自然地，如果不想被 AI 奴役，唯一能做的就是让自己变得 “主动”，AI 给你当下属，做一些琐碎工作。比如，你自己去扫论文，既能锻炼你的快速筛选能力，而且长期扫描会让你形成一种直觉；再比如给自己深度阅读时间，AI 只用来在必要的时候翻译一下，或验证一下你的想法。一旦我们自己变得主动，AI 自然就只会是你的工具。
知识和垃圾成了双胞胎
目前的 AI 在大部分场景、大部分时候可能是对的，但错的时候也不少。问题就是，如果你不是这个方向的专家，你就不知道这是错的，于是你把错误当真理。最可怕的是，未来你可能都无法通过互联网去验证——因为上面全是 AI 生成的。别说是非专家了，就是专家，一个 AI 说错你可能觉得 AI 不对，但所有 AI 都这么说，你会不会开始怀疑是不是自己搞错？
这里的错误既指信息本身的错误，也包括在某些场合下“不合适”，或不一定是最适合的。比如 AI 很多时候写的代码就明显“不那么好”，不是语法不对，而是整个设计有问题，缺乏架构思维。这有时候是 AI 的问题，有时候也是人的问题，比如我们没有提供足够多的上下文（事实上你永远也不可能提供所有的上下文），再比如很多使用者自己都不知道要提供什么上下文。
再加上 AI 永远那么迅速，大量的垃圾就此产生——苦了那些阅读者、使用者，他们被迫费力地阅读和理解。但垃圾的产生是如此容易，以致于最终没有人能够幸免——任何人迟早被垃圾掩埋——除非无所不知的上帝。
垃圾和知识距离如此之近，会让你越来越有一种感觉——知识太廉价，可有可无。我在很多文章都提到过科幻小说《The IWM 1000》中的那个 IWM 1000 仪器——当知识变得唾手可得，谁又会去学习呢？
这里面还有个非常敏感的点——知识由谁定义！古代可能是女巫、祭祀、大法师，当代是专家、教授、学者，未来呢？是某个大模型？难怪人人都想做自己的模型，这不是做模型，这是做“上帝”啊。
另外还有个点——文明是“虚构”的，知识的获取可以从书本来，也可以从实践中来，前者已经被 AI 掌控，后者可能即将被征服——当所有 AI 都倒着走路，你正着走可能就不对。人类文明——人类和文明可能都将被重新定义。
人的幻觉比模型还严重
我前段时间有个感受：“以前人们不懂，就说自己不懂，也知道自己不懂；现在有了 AI，人们不懂，却以为自己很懂，再也没有不懂的了。”我那这个称为“人的幻觉”，以我自己的观察来看，这个幻觉觉不亚于大模型本身的幻觉。这可能也是知识廉价带来的一种后果，很多人都会觉得即便我不懂，我问一下 AI，它会告诉我答案，我一看其实也就懂了。
其实，我一直觉得“知道”、“懂”、“理解”是分很多个层次的。用那句通俗的话来说就是：“看山是山，看山不是山，看山还是山”。同样一个物理知识点，爱因斯坦的理解和我肯定不在一个层面，虽然我们都知道这个知识点，也能讲出来。我一直在想这中间的差别到底在哪里，后来想到一个可能的解释——链接到的点的数量和质量不同。我们拿计算机来举例，同样一个问题，比如设计高并发服务，初级工程师可以把问题描述丢给 AI 然后拿到一个解决方案，比如分布式、负载均衡、读写分离之类的（这当然都对）；高级工程师做同样的事情，但他看到的东西其实不止是显示出来的东西，他想到的东西会更深，比如一个请求需要多少系统资源、单节点能支撑多少并发、用什么协议更适合等等。
也就是说，对一个新手来说，面对问题时他能链接到的都是一个个点，你自然是看 A 是 A，看 B 是 B；但对一个专家来说，面对问题时他链接到的是一个网络，它看 A 能想到 B、C、D、E，而且他知道这些点具体是怎么回事。所以，新手即使借助 AI，他也只能看到更多的点，这些点很难在他的大脑中连成一片。而且很多时候你的输入条件稍微有点不一样，结果会大不相同，但新手不知道这一点，他也不知道 AI 回复的是不是在他理想中想要的场景下（而不是他实际描述的场景）是对的。
但是很多人不知道这一点（或者知道依然觉得自己可以），以为 AI 知道=我知道，我已经遇到越来越多的此类情况了，尤其以网络交流（比如微信群）为甚，屏幕背后人人都是专家。
弱小并不是生存的障碍
前面我们看似说了好几个点，但其实背后都隐藏一条可以把它们贯通的线：人有幻觉（不自知）→制造垃圾（不自知）→被AI奴役（不自知）→持续燃烧 token；当然，反过来也可以是另一条线，但“持续燃烧token”是一样的，也就是说，表面上看大家都在做同样的事。就这样，把 AI 继续推向下一个高峰——至于后面的东西，谁在乎呢……
世界在变，社会在变，人在变，问题的关键在于，你想怎么变？你想社会怎么变？你想世界怎么变？