TL;DR AI 正在拉平基础技能——编程、写作、翻译的门槛被压到接近零。但同一股力量正在制造更深的分化：当“会什么”不再稀缺，“能判断什么”成了真正的分水岭。这不是先平权后分化，而是同一枚硬币的两面同时翻出。
一个入职刚三个月的初级程序员，用 AI 辅助写代码，一周完成了过去需要一个月的功能。代码能跑，逻辑通顺，项目经理很满意。他的产出和一位三年经验的同事相差无几。
同一家公司里，一位资深数据分析师也在用 AI。AI 帮她跑完了原本需要三天的数据处理。但她提交报告前多花了两个小时——检查 AI 的输出逻辑是否自洽，验证数据源是否可靠，判断结论在业务场景中是否站得住。这两个小时，恰恰是她的报告和初级分析师的报告之间那层说不清的差距。
这两个场景指向同一个判断：**AI 拉平了基础技能的门槛，却在同一过程中放大了高阶认知能力的鸿沟。**过去区分人的是“你会不会写代码”，现在区分人的是“你能用代码解决什么层次的问题”。
这不是一个暂时的失衡。它是 AI 技术结构本身决定的。
AI 压缩的是基础技能
为什么 AI 首先拉平的是基础技能，而不是高阶能力？答案藏在它的技术原理里。
大语言模型（LLM，一种从海量文本中学习语言模式并据此生成内容的人工智能系统）的一种重要理解方式是“压缩”：它把大量人类知识中的统计规律和表达模式编码进模型参数，形成一个巨大的概率预测系统。当你输入一个需求，它输出的不是“创造”，而是“基于已有模式的最可能组合”。这种机制天然擅长复制和模仿——编程的套路、写作的结构、翻译的规律——而复制和模仿正是基础技能的核心。
它不擅长的事同样清晰：创造新的结构、判断情境的微妙差异、在信息不足时做出决策。这些是高阶能力的核心，恰恰是模式匹配够不到的地方。
因此，AI 拉平基础技能不是偶然的，而是它的技术结构决定的。
美国国家经济研究局（NBER）2025 年的一项随机实验提供了更直接的证据。1,174 名成年人被分为两组，完成同样的商务问题解决任务——一组使用 AI 助手，一组不使用。结果发现，AI 让所有人的表现都提升了，但低教育水平的人提升幅度显著更大。在没有 AI 时，高教育者和低教育者的表现差距是 0.548 个标准差；使用 AI 后，这个差距缩小到 0.139 个标准差——AI 关闭了约四分之三的初始差距。这不意味着底层能力消失了，而是 AI 在执行层面暂时抹平了它。
AI 本质上在把高能力人士的最佳实践打包成一个工具，让新手“借用”这些经验。它是一个均值回归的力量——把底部往上拉，而不是把顶部往上推。
GitHub Copilot 的随机对照试验提供了另一个维度的证据：使用 AI 辅助编程的开发者完成任务的速度快了超过一半。一个初级开发者借助 AI 可以达到接近中级开发者的产出水平。
如果这种增强能被均匀获取，这将是人类历史上规模最大的一次认知能力平权。一个没学过编程的人可以借助 AI 写出能跑的代码；一个非英语母语者可以写出流畅的英文报告；一个没有统计学背景的人可以完成复杂的数据分析。过去需要多年训练才能获得的技能，现在变成即取即用的工具。
这是“基础技能拉平”的真相，也是很多人对 AI 时代的乐观想象。它的价值在于让更多人跨越了入门门槛。它的局限在于，门槛之后的世界，比门槛本身复杂得多。
门槛拉平之后，差距从更深处浮出
“技术上能用”和“实际上被均匀使用”之间，隔着一条鸿沟。
数字不平等研究领域有一个经典的分析框架——van Dijk 在 2020 年提出的数字不平等四层模型：有没有意愿用、有没有条件用、有没有技能用、以及会不会有效地用。前三层是“有没有”的问题，第四层是“用得多好”的问题。AI 正在快速解决前三层，但第四层的差距才刚刚开始浮现。
这种模式在技术史上反复出现。2012 年的“MOOC 元年”是一个经典的预演——Coursera、edX 等平台承诺让全球任何人免费获得顶级大学教育，但后续追踪研究发现，受益最大的仍然是原本就受过良好教育的人群。新技术没有自动缩小不平等，而是用一个新形式复制了它。
AI 正在重演这个剧本。Humlum 和 Vestergaard 2025 年发表在《PNAS》上的研究，基于丹麦大规模调查与注册数据，发现 ChatGPT 的采用本身就在系统性地复制既有不平等——即使控制了职业、行业和人口特征，不同群体之间的使用差距仍然存在。这不是理论推演，而是可测量的现实。
差异从哪里来？即使 AI 对所有人免费开放，即使每个人都知道 AI 的存在，差距仍然会从四个层面涌现：会不会写有效的提示词（也就是向 AI 精准描述需求的能力）；能不能辨别 AI 输出的质量；能不能把 AI 输出有效嵌入工作流；有没有足够的领域知识来引导和验证 AI。
第一层平权解决的是“有没有”的问题，第二层鸿沟来自“会不会”和“用得多好”的差异。表面差距被抹平了，深层差距浮出来了。
认知外包在改变思考方式
还有一个更深层的问题：即使一个人具备所有条件，能有效地使用 AI，这个过程本身也在改变他使用认知能力的方式。
关键变量是“认知外包”——把思考过程交给 AI 完成。问题不在于外包本身，而在于外包了什么以及怎么外包。
Bastani 等人 2025 年发表在《PNAS》上的实验提供了比相关性更强的因果证据。在高中数学课堂的随机实验中，直接使用 AI 获取答案的学生，独立解题能力下降了；而被要求先尝试推理、再使用 AI 的学生，学习效果得到了保护。问题不是 AI 本身，而是使用模式——不加约束的认知外包在侵蚀底层能力，结构化的使用可以保护甚至增强学习。
MIT Media Lab 的脑电研究为此提供了神经科学层面的线索。脑电研究（EEG，一种通过头皮电极记录大脑电活动的技术）发现，使用 AI 写作的人大脑活动模式发生了变化——与记忆和创造力相关的网络活跃度降低，但判断和验证相关的认知负荷在增加。这不是简单的“能力下降”，而是认知活动的分布方式在迁移。
理解这种迁移，需要一个关键区分。此前的技术——计算器、GPS、搜索引擎——外包的是“名词”：存储、检索、运算，人类仍需提供推理。AI 外包的是“动词”：综合、评估、判断。当需要做的事从“自己思考”变成“判断 AI 思考得对不对”，认知的重心正在经历一次静默迁移。低价值的重复推理被压缩了，高阶的判断、验证和整合能力变得更关键。
它的价值在于释放低阶认知负荷，让人把精力投向更高层次的判断。它的风险在于，“什么时候不该依赖 AI”这个判断本身，恰恰是最容易被外包出去的——越依赖 AI，越缺乏判断“什么时候不该依赖”的能力。这形成一个循环。
两种力在同时起作用
把这些线索串起来，一个完整的图景浮现了。
AI 对智力能力的分布施加着两种相反的作用力。
第一种是压缩力——AI 把编程、写作、翻译、数据分析从“需要多年训练”变成“即取即用”，缩小了基础技能的差距。第二种是拉伸力——当基础技能不再稀缺，真正有价值的能力变成提问题的能力、判断答案质量的能力、整合碎片信息的能力、在不确定中做决策的能力。这些能力在人群中的分布，比基础技能更加不均匀。
压缩力制造了平权的表象，拉伸力制造了分化的实质。
NBER 随机实验的深意正在于此。低教育水平者在 AI 辅助下大幅缩小了与高教育者的差距，但这不意味着高教育者的核心优势被压缩了——他们的价值不再体现在“完成例行任务的速度”上，而是向 AI 难以替代的方向迁移：判断什么时候 AI 的答案不可信，识别模型输出中的隐含偏见，在复杂情境中做出权衡。
当一个技能的获取门槛被拉平，该技能的区分度就归零了。过去区分人的是“你会不会写代码”，现在区分人的是“你能用代码解决什么层次的问题”。
像开车一样理解这件事
用一个类比把前面讲的线索串起来。
AI 普及像是汽车普及。汽车让所有人的移动速度都变快了——过去从北京到天津需要一整天，现在开车两小时。在这个意义上，汽车实现了“移动平权”：普通人和专业赛车手从 A 点到 B 点的速度差距，比步行时代小得多。
但汽车普及同时制造了新的差距。赛车手的价值不再体现在“开得快”上，而是体现在“在极限条件下控车”的能力上。大多数人的驾驶技术停留在“能开到目的地”的水平，这层拉平反而让专业车手的稀缺性更加凸显。
这里有一个对应关系：汽车拉平了“能不能开到”的差距，对应 AI 拉平了“能不能做”的差距；赛车手的价值转移到“极限控车”，对应高阶能力者的价值转移到“判断和验证 AI 输出”。
还有一个更微妙的层面。长期依赖汽车的人，走路能力会退化。这不是说汽车不好，而是说“工具替代”和“能力退化”是同一过程的两面。AI 同样如此——它拉平了大部分人“能做什么”的差距，却放大了“能做出什么判断”的差距。
基础技能——编码、写作、翻译、数据分析——是“开车”。高阶技能——判断、审美、元认知（对自己思维过程的监控和调节能力）、复杂决策——是“赛车”。前者在被 AI 平权，后者的稀缺性在上升。
走路能力的退化是可感知的——你走一段路就喘。认知能力的退化是不可感知的——你很难意识到自己正在想得更少。这正是那项脑电研究的警示：大脑的变化发生在你看不见的地方。
门槛消失，壁垒高筑
回到开头的两个场景。
初级程序员用 AI 写完了功能，但他的天花板从此停留在“能用 AI 写代码”的水平。资深分析师用 AI 处理数据，但她的判断力、领域直觉和批判性检验能力才是真正交付价值的环节。
AI 普及不是一次简单的智力平权。它是一场筛选标准的静默重写：过去用来区分人的“你会什么”正在失效，新的区分标准正在形成——你能问出什么问题，你能在什么时候不相信 AI，你能把碎片整合成什么样的判断。
这些能力的分布，在人群中的不均匀程度远超编程和写作技能。AI 对智力差距的真实影响不是缩小，也不是放大，而是重构：先抹平一层旧差距，再在更深层打开新差距。