Distributed Mastery（分布式精通）
定义
Distributed Mastery（分布式精通） 是 AI 时代的新专长形态：熟练编排跨人类与 AI 系统的智能，将 AI 产出引导为专业合格输出——包括 prompt 工程、输出策展（output curation）与领域内的 human-AI 工作流设计。它能在不深度内化领域知识的情况下产出可用结果，但不能替代实质验证所需的独立领域基础。
核心要点
- 与 Internalized Mastery 互补：两者可在同一实践者中共存；AI 采纳重新分配认知努力——从"生成性挣扎"转向"编排、比较与评估"。
- 重分配的条件性：若 AI 工作流保留实践者自身尝试并要求其评估、质疑、辩护，新的认知工作本身就具有发展性；若输出成品绕过努力，则增强削弱内部化精通形成。问题不是"AI 是否削弱专长"而是"何种设计条件 build or erode"。
- 与一般 AI literacy 的区别（原文表 1）：分布式精通是领域特定的（domain-specific），不限于通用 AI 素养。
- 合法性：公地治理的目标不是抵制 AI 或恢复旧路径为唯一合法模型，而是让职业同时维持两种专长在功能上成比例（足够数量的内部化精通者提供实质验证基础）。
关键数据点
- 概念来源：Lovett (2026) 认知公地框架的两种精通形态之一
- 定位：领域特定（domain-specific）的编排专长，区别于通用 AI literacy
- 与 Internalized-Mastery 互补，可共存于同一实践者
前提与局限性
- 概念为理论区分（原文表 1），非实证测量；"编排能否反向滋养内化精通"取决于设计条件，无纵向数据
- 与"AI 是否削弱专长"的既有争论重叠，新意在于把问题从"是否"转为"何种设计条件"
关联概念
- Internalized-Mastery — 被依赖的领域判断基础
- Validation-Tether — 解释为何分布式精通无法独立成立
- Cognitive-Commons — 公地需要维护两种专长形态
- Agent-Orchestration — 编排的工程侧；分布式精通是其人类能力侧