答案趋同之后：AI 大模型的本质，与它从我们身上拿走的创造力
一、先给”智能”泼一盆冷水：大模型到底是什么
要理解后面所有问题，必须先拆掉一个幻觉——我们把大模型叫”人工智能”，就默认它具备某种”智能”。但它的本质，其实是一台”预测下一个词”的概率机器。
它做的只有一件事：给定前面已经出现的所有文字（上下文），计算”下一个最可能出现的字/词”的概率分布，然后从这个分布里采样一个结果，把它接上去，再重复。所谓”写出整篇文章”，不过是这个动作循环了成千上万次。
有两个关键点，几乎所有的误解都从这里来：
第一，它学的是概率，不是知识。 训练时，海量文本喂进去，模型不断调整内部参数，让”预测下一个词”的准确率越来越高。这个过程中，语言里的规律、常识、甚至某种”逻辑”，确实被隐式地编码进了参数里——这也是为什么它能看起来”懂很多”。但本质上，它得到的是一个关于”人类语言长什么样”的统计压缩包，而不是对世界的真实建模。
第二，它是采样的，所以天生带随机性。 模型不是只会输出唯一答案。它给每个可能的”下一个词”一个概率，然后用温度（temperature）这类参数决定”是选概率最高的那个，还是偶尔冒险选个冷门的”。温度高，输出发散、有意外；温度低，输出收敛、四平八稳。
理解了这两点，你就能理解一个残酷的事实：大模型没有”想要表达什么”的意图。它只是在计算——在”某种上下文下，什么样的文本最像人类会写的东西”。它的世界里没有”真实”与”编造”的区分，只有”出现概率高不高”。
二、同质化不是 bug，而是它被训练出来的”天性”
很多人抱怨：用 AI 写方案、写文章、写总结，出来的东西千篇一律，一眼”AI 味”。这背后的机制，其实可以讲得很清楚。
大模型被训练出来后，还经历了一道关键工序——对齐（alignment，也就是 RLHF 那套）。厂商希望模型”有用、安全、不惹事”，于是用大量人工反馈，把模型往”最稳妥、最主流、最不冒犯”的方向调。这道工序的本质，是把输出分布从”发散”强行压向”集中”——把概率质量往少数几个”安全答案”上堆。
这不是猜测，是有量化证据的。谢菲尔德大学的研究团队专门测量了大模型在 RLHF 对齐前后输出多样性的变化，发现对齐过程会显著压缩回答的多样性，让模型”千人一面”。他们用”Vendi 分数”这类指标去衡量”有效独特答案的数量”，结论指向同一个方向：越”好”（越对齐）的模型，越难给出真正不同的答案。
还有一层更隐蔽的负反馈循环：模型崩溃（model collapse）。2024 年发表在《Nature》上的研究（Shumailov 等）证明，当一个模型反复用”另一个模型生成的文本”来训练时，它会慢慢丢失分布尾部的稀有信息，输出越来越单调，最终退化。如今互联网上 AI 生成的文本已经无处不在，这些文本又悄悄流回下一代模型的训练语料里——相当于人类在用自己的平均化输出，去喂养下一台更平均化的机器。
而且，这种同质化不只在文字里。2025 年发表在《Scientific Reports》上的研究（AlDahoul 等）发现，AI 生成内容在种族、性别维度上同样呈现”同质化”倾向。这说明”取平均”是大模型的一种系统性天性，渗透在它所生成的一切里。
顺着这个逻辑想，你会发现一件有点讽刺的事：我们造了一个”擅长取平均数”的机器，然后全社会都在用它产出内容，再拿这些内容反过来训练它。整个系统的”均值”在不断地自我强化，而”方差”在消失。方差，就是多样性，就是创新的原料。
三、“同一问题、不同人提问，答案一致的概率”
这是最值得单独算一笔账的部分。
先分清两类问题：
- 事实型问题（“水的沸点是多少""某个 API 的参数是什么”）——这类问题本来就该答案一致。一致是好事，是可靠。
- 观点型、创作型、决策型问题（“这个方案怎么写更好""这个产品该怎么定位""这篇文章该怎么立意”）——这类问题，本该人人不同，因为不同的人带着不同的经验、立场、审美、责任来回答。
问题在于，大模型正在让第二类问题也”看起来像第一类”。
为什么会趋同？原因可以拆成四层：
- 同一个模型：不同人用的是同一套参数，底层的”世界压缩包”是同一个。
- 同一套对齐：都被往同一个”安全主流答案”方向调过——谢菲尔德研究已经证明这一步会压缩多样性。
- 同一个主流语料：训练数据里，主流的、重复的观点占了压倒性多数，小众的、边缘的声音被稀释。
- 同样保守的采样：默认低温度，倾向选”众数”而非”离群值”。
四层叠加，答案趋同的概率就高得惊人。而这里还有一个被忽视的心理放大器——流利度幻觉（a paradox of AI fluency）。有研究指出：AI 的答案越”流畅”，越容易让人误以为它”想清楚了”，于是我们更倾向于直接接受、放弃追问，也就更少有人去逼出那个”不一样的答案”。流畅，恰恰是趋同的帮凶。
趋同的”概率”，还会随着你提问方式的不同而不同。如果你给的是一个空泛的 prompt（“帮我写个周报”），模型没有足够的信息锚点，只能回落到它的”平均数”，答案趋同的概率极高。如果你给的是一个充满个人信息的 prompt（“我这周做了 A、B、C 三件事，踩了 X 这个坑，面向的是 Y 这个业务，帮我组织一下”），答案才会被你的独特信息拉向个性化。
换句话说：你给的信息越少，模型还你的”平均值”越多；你投进去的自己越少，得到的”别人”越多。
四、认知卸载：把思考外包的那一刻，创新能力开始倒计时
这是整件事里最需要警惕，却也最容易被忽视的一层。
写作从来不只是”把想法记录下来”。写作本身就是思考的方式。 一个想法在你脑子里往往是模糊的、跳跃的，只有当你被迫把它组织成连贯的句子，你才发现自己的逻辑漏洞在哪里、那个”感觉对但说不清”的东西到底是什么。这个过程，是被”写”这个动作逼出来的。
当你把”写”这件事整个外包给 AI——让它从零替你起草方案、替你写总结、替你立论——你外包出去的不只是一份文档，而是那个逼迫你思考的过程本身。
这不是危言耸听，是有一连串实证支撑的。
最权威的一项，来自微软研究院与卡内基梅隆大学。他们 2025 年发表在人机交互顶会 CHI 上的研究（Lee 等），对 319 名知识工作者做了调查，得出了一个扎心的结论：对 AI 信任度越高、使用越频繁的人，自我报告的批判性思维投入越少。研究把这种现象命名为”认知卸载（cognitive offloading）“——人把本该自己完成的思考任务交给工具，大脑相关的神经通路就失去了锻炼机会。
同一个研究里还有一句话，被后来的官媒反复引用，叫”自动化的关键悖论（automation paradox）“：我们把常规任务自动化、把异常留给人类，这听起来高效，实际上却剥夺了人在日常工作中锻炼判断力和强化认知能力的机会。
在中国，这个焦虑已经成了社会共识。人民网 2026 年初的一项调查显示，71.7% 的受访者担心过度依赖 AI 产生思维惰性。而这个议题，甚至已经进入了国家最高议事机构——2026 年全国两会期间，全国人大代表祝响响公开表示，过度依赖 AI 工具会阻碍个人思维能力的发展。人民论坛则用一个更精炼的说法点破了边界：“用 AI 岂能唯 AI”，一旦变”用 AI”为”唯 AI”，就会影响深度思考和分析判断能力。
再深一层，为什么”过度依赖”尤其伤害的是创新能力而非别的能力？
因为创新，本质上是”在既定分布之外，生成一个低概率但高价值的离群点”。一个新想法，在它诞生的那一刻，几乎一定是”主流概率分布里概率很低”的东西——如果它概率高，早就被人想过了。创新是对”平均数”的背叛。
而 AI 恰恰是一台”平均数机器”。它被训练来输出”最可能”的东西，对齐又进一步让它输出”最安全、最主流”的东西。当你习惯了它的答案，你的思维也会不自觉地被拉向那个”众数”——因为众数省力、众数安全、众数不会让你显得笨。
久而久之，你不只是在用 AI 的答案，你是在用 AI 的分布重塑自己的思维分布。你会发现自己越来越难提出一个”反常识”的问题，越来越难对”标准答案”起疑，越来越难忍受”想不清楚”的那个焦灼阶段——而那个焦灼阶段，恰恰是创新在酝酿的时刻。
五、出路：不是拒绝 AI，而是重新划一条线
我不打算以”所以少用 AI”这种正确但无用的结论收尾。AI 不会消失，拒绝它也不现实。真正该做的，是重新划分人与机器的边界——分清楚哪些活该交给它，哪些活必须攥在自己手里。
这个方向，其实官媒和学界已经指出来了。光明网在《AI 时代更需要批判性思维》里，把”批判性思维、创造力”和 AI 素养、人机协作、终身学习、数字伦理并列为未来人才必备的核心素养；央广网则从哲学高度提醒：笛卡尔说”我思故我在”，思考是人确立自身主体性的根本方式，一旦放弃深度思考，那些”顿悟时刻”就会与我们擦肩而过。
落到操作上，是几条可执行的边界：
1. 让 AI 做”放大镜”，别做”代笔人”。 先自己写，哪怕写得很烂、很乱、只言片语。写之前的那份混乱，才是真正属于你的东西。然后再把这份”初稿”交给 AI，让它帮你润色、补漏、找反例、列清单。顺序绝不能反：先有自己的底稿，再有 AI 的加工；而不是让 AI 先产出一份漂亮的东西，你再”审”。后者看似高效，实际你连”审”的坐标都已经被它带走了。
2. 把 AI 当”反对者”用，而不是”应声虫”用。 主动要求它反驳你、挑你方案的毛病、给出三个跟你相反的思路。模型越是被要求”生成不同”，你越可能逼出它分布里被压制的尾部信息，也越可能反过来照见自己思维的盲区。
3. 给 prompt 里塞进”只有你才有的信息”。 答案趋同的根源之一是信息贫乏。下次用 AI 前，先问自己：这件事里，哪些是我独有的经验、数据、判断、立场？把它们喂进去。你的独特性，是唯一能对抗机器均值化的东西。
4. 刻意保留”慢思考”的肌肉。 给自己留一些”禁止 AI”的场景：比如每周有一两次，写东西时完全不用 AI，硬着头皮把那个模糊的想法写清楚；遇到问题先自己在纸上画五分钟，再去问模型。这不是矫情，这是神经通路层面上的”锻炼”——和健身一样，不用就萎缩。人民论坛网提醒得尤其直接：警惕”模板套用”对真本领的”逆向淘汰”，调研如果变成数据输入、决策如果沦为模板套用，人就会逐渐丧失”解剖麻雀”的能力。
5. 警惕”方便”的代价，把它当成本来算。 每一次点击”生成”，都省了十分钟，也可能顺手省掉了你原本会经历的一次思考。省下的时间是收益，省掉的思考是成本。不一定要每次都不省，但至少要知道，你在为这份方便付出什么。
结语
大模型的本质是一台概率机器，它擅长给出”人类最可能写出来的话”，而不擅长给出”从没有人写出过的话”。前者是它的天赋，后者是人的尊严。
我们正处在一个微妙的转折点上：工具第一次有能力替我们完成”思考的产物”，于是我们面临一个以前从未有过的诱惑——把”思考的过程”也一并交出去。
答案趋同、方案同质化、创新力流失，这三件事其实是同一个原因的三副面孔：当人类停止往系统里注入”低概率的独特”，系统就会用”高概率的平均”慢慢填满所有缝隙。
所以最后一句，我想说得直接一点：AI 可以替你写，但请一定确保，在点下”生成”之前，你已经先有了一个属于自己的、哪怕不那么漂亮的念头。因为那才是你区别于这台机器、区别于其他所有人的唯一东西。
参考文献与出处
学术研究
- Lee, Sarkar, Tankelevitch, Drosos, Rintel, Banks, Wilson (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025，微软研究院。
- Shumailov et al. (2024). AI models collapse when trained on recursively generated data. Nature。
- 谢菲尔德大学研究（对齐后多样性坍缩、“千人一面”、Vendi 分数）。
- A paradox of AI fluency. arXiv。
- AlDahoul, Rahwan, Zaki (2025). AI-generated faces influence gender stereotypes and racial homogenization. Scientific Reports 15(1)。
官媒 / 权威媒体
- 人民网《新闻分析丨警惕 AI 依赖 人机共生时代如何保持独立思考》，2025-10-28。
- 人民网《超七成受访者担心过度依赖 AI 产生思维惰性》，2026-01-15。
- 光明网《AI 时代更需要批判性思维》，2025-08-11。
- 人民论坛网《破 AI 依赖症 强干部真本领》，2025-10-22。
- 人民论坛《“用 AI”岂能”唯 AI”》。
- 央广网《如果 AI 代替我们来思考》，2026-07-24。
- 全国人大代表祝响响”过度依赖 AI 削弱思维发展”发言，2026-03-12。
说明：MIT 的 Toner-Rodgers《Artificial Intelligence, Scientific Discovery, and Product Innovation》曾因”AI 提升科研效率”被广泛引用，但近期卷入数据造假争议，本文不予采信其具体数字。
📱 手机扫码阅读本文
