AI 降本增效的终局，是切断下一个专家的脐带
前段时间，我和几位软件团队负责人聊起当前的招聘状况。几乎所有人都在表达类似的逻辑：“现在有了各种 AI Coding 工具，一个 Senior 配合 AI 效率顶过去三个，我们为什么还要花高薪去招什么都不懂的 Junior（初级程序员）？”在企业财务账本上，这个决定无比理智——不仅省去了薪酬成本，还免去了几年的培训周期以及员工学会后跳槽的风险。
但如果把视角从“单家公司的算盘”拉高到“整个行业的生命力”，一个令人毛骨悚然的悖论浮出水面：当每一家公司都极其理智地不再招聘和培养 Junior 时，五年或十年之后，下一代 Senior 从哪里来？
学者 Nolan Lovett 在最新论文《The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise》中，将这一现象精准地定义为**“认知公地悲剧”（The Tragedy of the Cognitive Commons）**。如果说半个多世纪前加勒特·哈丁（Garrett Hardin）的经典模型揭示了人类如何在理性自私中抽干自然草场，那么今天 AI 在各行各业的爆发式渗透，正在不知不觉中抽干全行业共享的“人类专长池”。
那些被 AI “优化掉”的 Junior，其实是行业的种子
Section titled “那些被 AI “优化掉”的 Junior，其实是行业的种子”
在人力资本理论中，一个行业的“专长”（Expertise）往往被当成单个人的私有财产，或者是单家企业的核心资产。但 Lovett 的论文指出，深层领域专长本质上是一种“公共池塘资源”（Common-Pool Resource）。
它具备两个关键特征：第一，非排他性（一家公司享受到的高水平专家，往往来自于全行业上游的培养与流动）；第二，极易被掠夺性消耗。
以前，行业再生的逻辑是这样的：企业招聘新手，给他们分配基础、重复但有梯度的任务（如编写单元测试、清洗基础数据、整理初级法务合同）。新手在这些看似低效的实战中经历痛苦的“认知挣扎”（Cognitive Struggle），不断掉坑、自我纠错，在这个过程中，他们的皮层中建立了深层的图式（Schema）与直觉判断力，最终蜕变为能够独当一面的专家。
然而，生成式 AI 的出现打破了这个循环：
- 直接裁撤入门节点：AI 能几秒钟完成基础代码或文书生成，企业顺理成章地裁撤了初级岗位。劳动力市场数据显示，高 AI 暴露度的行业（如软件开发、金融分析、法律检索）中，初级岗位的招聘比例出现了跨时代的急剧下滑。
- 卸载认知挣扎：幸存的新人在工作中全面依赖 AI 助手，跳过了“从零思考和犯错”的试错环节。他们获得了“未经内化的即时生产力”，看似产出很高，但脑子里并没有建立起对领域的深度洞察。
论文引用的因果链条（如上图所示）揭示了更深的危险：这种“收割现有 Senior、取消 Junior 练习场”的做法，在短期的财务报表上全都是利好——成本降了、产出加了。但这种全局理性的单体决策，正在导致全行业“认知存量”的不可逆枯竭（Stock Depletion）。
在之前的文章《用自己的账号替公司干活：从 OpenAI 10 亿用户数据看 AI 的真实落地》中，我们看到员工个体为了省力自发拥抱 AI 带来的效率爆发。然而，当这种个体省力演变为集体行为时，行业的知识再生基础设施却在悄然瓦解。
校验脐带：为什么“只会提词”的人做不好把关人
Section titled “校验脐带：为什么“只会提词”的人做不好把关人”
许多人可能会反驳：“现在已经是人机协同时代了，未来的核心能力是‘分布式精通’（Distributed Mastery）——即会提词、会编排 AI、会整合成果就行，为什么非要执念于旧时代的‘内化精通’（Internalized Mastery）？”
论文提出了一个至关重要的理论假说：校验脐带（Validation Tether）。
所谓的“分布式精通”（驾驭 AI 的软功），其有效性**完全依附（Tethered）**于从业者的“内化精通”（脑子里的硬功）。
在这篇论文的模型中，人类对 AI 产出的把关分为两个截然不同的层次：
- 表面校验（Surface Validation）：检查语句是否通顺、格式是否工整、代码能否无报错编译、逻辑看起来是否自恰。
- 实质校验（Substantive Validation）：识别隐蔽的领域漏洞、捕捉边界条件失效、判断逻辑是否违背底层业务体系、发现 AI 在高概率错觉下的“煞有介事”。
没有经历过深度实战锤炼的从业者，只能进行“表面校验”。
我在自己带团队和指导代码审阅时就深有体会：一个缺乏底层架构经验的初级开发者，用 AI 几秒钟生成了一段看似完美无瑕的协程调度代码，单元测试全过。但他根本看不出，在生产环境高并发和网络抖动这两个极端边界下，这段代码会引发死锁。因为他从来没有亲手写过底层的锁机制，没有在凌晨三点排查过内存泄漏——他的脑脑里没有那个防御性的“警铃”。
正如 Bainbridge 早在 1983 年提出的“自动化悖论”（Ironies of Automation）：系统越自动化，对人类把关者底线能力的要求反而越高；而自动化越普及，人类获得这种底线能力的机会就越少。
如果缺乏内化精通作为“脐带”滋养，所谓的“AI 驾驭者”充其量只是一个高效率的“错误放大器”。一旦遇到非例行（Non-routine）的罕见异常，表面校验将毫无防备地全面沦陷。
潜伏的危局与五大受损维度：从软件到医疗
Section titled “潜伏的危局与五大受损维度：从软件到医疗”
这种“认知公地悲剧”最可怕的地方在于它的潜伏性（Latent Failure）。
在日常平稳运行的时期，AI 生成的内容绝大多数都是对的，表面校验运作得天衣无缝，企业对“AI 替代人类”的信心日渐膨胀。只有当系统遇到极端边缘条件（Edge cases）或黑天鹅事件时，积累的风险才会以灾难性的形式突然爆发。
论文指出，认知公地的衰退并不是在所有行业以同样的速度发生，而是取决于五大易受损因子（Five Factors of Occupational Vulnerability）：
- 任务替代性（Task Substitutability）：AI 替代初级练习任务的程度越高，培养链断裂越严重（如纯代码撰写、标准化法务合同）。
- 监管强度（Regulatory Intensity）：行业是否有强力的执业许可与督导要求（如医疗、建筑工程的强制规培制度能提供反向缓冲）。
- 安全临界性（Safety Criticality）：错误是否会立刻引发灾难性后果（高安全临界行业逼迫企业保留实质校验底线）。
- 专业协会能力（Professional Association Strength）：行业协会能否跨组织制定并强制执行从业培养标准。
- 工作模块化程度（Work Modularization）：工作能否被拆解为孤立的 AI 任务，还是需要全局交融的领域判断。
根据这一矩阵，软件工程、金融分析和法律检索处于最高受损风险区；而临床医疗和航空工程因为强监管与高安全临界，尚存制度防线。但在缺乏防线的领域，代际断层（Stock Depletion）和名义专家退化（Functionality Degradation）正在同时发生。
在《Agent 崩了，先别骂模型——先量量它脑子里被塞了什么》一文中，我们讨论过复杂系统中上下文失效的风险。在人机系统里，人类把关者的“内化精通”正是最后的上下文防护网。如果这张网被彻底破坏，系统的整体脆弱性将呈指数级上升。
破局点：从“公司算盘”转向“公地治理”
Section titled “破局点：从“公司算盘”转向“公地治理””如果任由市场自由竞争，没有任何一家单独的公司有动力去打破这个死局——因为单独花钱培养 Junior 的公司，只会在短期成本竞争中输给那些纯靠 AI+Senior 的竞争对手。这与经典的环保难题如出一辙。
因此，Nolan Lovett 在论文后半部分提出了范式转移：人力资源与行业发展（HRD）必须从“单家公司的组织优化”，转向埃莉诺·奥斯特罗姆（Elinor Ostrom）式的“认知公地集体治理”。
既然市场失灵了，就必须引入公共机制来守护人类专长再生的基础设施：
- 法定的初级培养保护机制：借鉴医学界的“医师规范化培训”（规培）制度，在高技术和敏感领域建立强制性的 supervised practice（督导实习）标准。
- 行业人才公地基金：对全盘采用 AI 替代初级岗位的企业征收专长再生税或设立行业基金，用于补贴那些保留了 Junior 培养通道和“认知挣扎练习场”的机构。
- 分级内化精通认证：建立不依赖 AI 辅助的实操能力认证体系，确保市场能够识别出真正具备“实质校验能力”的从业者。
AI 确实为我们带来了前所未有的生产力飞跃，但它绝不是无痛的甜点。如果我们只顾着用它来“收割”过去几十年积累的专长存量，却亲手拆掉培养下一代专家的脚手架，那么终有一天，当危机来临时，我们会发现整个行业已经找不到任何一个懂底层原理的“把关人”。
守护“认知公地”，不是为了拒绝技术进步而抱残守缺，而是为了在 AI 飞速向前冲的时代，为人类留下一条不至于断裂的“校验脐带”。
你所在的行业里，Junior 岗位是否也在被 AI 吞噬？你感觉自己是在做实质校验，还是已经沦为表面盖章机？欢迎在评论区分享你的真实体验。