人工智能与达克效应：不再弥合的能力鸿沟

关于达克效应（Dunning-Kruger effect），人们最熟悉的画面是那条先冲高、后跌落、最终与真实能力汇合的曲线。然而，在人工智能介入的今天，这条曲线似乎不再闭合。作者提出一个假设：AI不仅提高了人的自信，还将真实能力分裂成“有工具”和“无工具”两种状态，使得原本靠经验拉平的差距永远敞开。

经典的达克效应故事有一个美好的结局：新手因自负而爬上“愚昧之峰”，然后经历“绝望之谷”，最终通过实践和失败学会谦逊，能力认知与现实趋于一致。这个过程的核心是“现实的教训”——你尝试、你失败、你察觉自己的不足。但AI改变了这一机制。它吸收了大部分摩擦，让失败变得隐蔽。即使你什么都不会，AI也能帮你产出看起来专业的成果。于是，自信的峰值更高了，低谷也不那么深了，因为工具掩盖了那些本会让你难堪的漏洞。更关键的是，那条线再也没有下降的趋势。

第二重变化是，“真实能力”不再是单一维度。以前，一个人的能力就是一个数。现在它分裂了：有AI辅助时，你能迅速产出高质量内容，这部分能力很高；而一旦工具被拿走，剩下的“内在能力”要低得多，而且只有通过亲手实践才能增长——但AI恰恰替你完成了那些实践。这两条线之间的差距，作者称之为“依赖鸿沟”。

当三条线（感知能力、辅助能力、内在能力）同框时，问题变得清晰。感知能力始终维持在高位，辅助能力紧随其后，而内在能力远远落在下方。并且，它们再也没有相互靠近的趋势。因为现实不再惩罚过度自信——AI承担了失败的成本，那个修正自我认知的信号永远无法到达。

值得注意的是，“内在能力”对于不同人群含义不同。那些在依赖AI之前就积累了扎实技能的人，大部分能力还在，只是缓慢流失。而那些从第一天就借助AI学习的人，可能根本从未建立起内在能力。同样的低水平曲线，背后是两种截然不同的原因，后者在代际间会越来越严重。

早期研究提供了佐证。2025年一项针对666人的研究发现，对AI依赖越强，批判性思维能力越差，年轻用户中影响最显著。微软与卡内基梅隆大学的联合调查也显示，越信任工具的人，自主思考越少；相反，越信任自身技能的人，思考越多。麻省理工学院的一项EEG研究表明，使用语言模型写作的人，大脑连接性低于传统写作方式。不过，这些研究也指出，关键在于使用方法：如果AI是替代思考，则技能退化；如果AI是辅助思考，让人承担核心挑战，则批判性思维得以保持甚至提升。

那么，这种技能外包是否真的要紧？毕竟，人类历史上一直把技能交给工具：计算器取代了心算，GPS取代了读地图，能力消失了，也没人在乎。这一次有什么不同？作者的答案是，当工具始终可靠时，放弃技能确实无伤大雅。但工具不会永远可靠，也不会永远正确。

作者列出了三个关键场景：第一，知识传承。技能通过学徒制传递：新人做苦差事、挣扎、在资深者面前失败，从而汲取那些写不下来的诀窍。AI现在承担了苦差事，因此制造未来专家的痛苦过程消失了。老一辈退休后，后面无人补上。第二，系统故障。1997年，美国航空公司机长警告飞行员正变成“洋红色线的孩子”——擅长管理自动驾驶，却失去手动飞行能力。2009年法航447航班因自动驾驶失效，机组无法手控操作，导致228人遇难。2013年旧金山机场类似事件再次发生。这些技能只在需要的几秒钟内至关重要。第三，监管监督。欧盟AI法案要求高风险系统必须有人类监督，但监督者需要理解系统能做什么、不能做什么、何时出错、何时干预——这每一项都是内在技能。如果监督者自己无法完成工作，那么所谓的人类监督就只是一纸签名。

作者举了银行业的例子：COBOL语言自1959年诞生，至今支撑着约三万亿美元的日常交易。它运行良好，但理解它的人正在退休，业务规则只存在于他们脑中，没有任何文档。当2020年新泽西州的失业系统崩溃时，州政府不得不召回退休程序员。AI或许能读懂代码语法，但无法解释为什么某个工作在月底最后一天先于另一个运行，也无法识别1987年留下的未成文规则。那些知识不在代码里，而在人身上，而人已经不在了。

最后，作者指出，内在技能对于日常产出可能越来越不重要，但应对故障、实施监管和监督、以及培养下一代专家时，它的价值空前。关键的转变在于：内在能力已经从生产力问题变为治理问题。它不再是培训清单上的一行，而是一种控制手段，就像任何其他控制措施一样，它在需要的时刻到来之前静静地退化。对企业和管理者而言，需要回答几个实际问题：组织内部哪些领域的内在能力已经薄弱？如果明天工具消失，谁还能完成工作？你的“人在回路”是真正的检查，还是一个签名？

如果这个假设是错的，内在技能只是一种怀旧，AI已经解放了我们。但如果它是对的，那么它就是一种在产出看起来依然良好时悄然侵蚀的控制机制。