← #805

认知公地的悲剧

文章摘要

这是一篇发表在《Human Resource Development Review》（人力资源开发评论）上的概念性论文，作者 Nolan Lovett 任职于北约特种作战大学，同时是老道明大学的博士候选人。论文的核心主张是：人力资源开发（HRD）领域一直把 AI 对认知工作的冲击当作「组织层面的培训挑战」来处理，因而完全忽略了一个更根本的问题——专业技能在整个行业层面的再生（regeneration）机制正在被破坏。

作者借用了 Garrett Hardin 1968 年的「公地悲剧」框架，但明确说明借的是它的结构而非它的宿命论。他特意指出，Ostrom（1990, 2010）对长期存续的公共池塘资源的实证研究已经证明，社群常常能通过边界界定、监督、渐进式惩罚和集体选择等治理安排来维持共享资源。因此「认知公地」并非注定崩溃；悲剧的框定只是为了指认一个当前制度尚未处理的集体行动问题。

论文定义的认知公地，是一个行业内深度人类专长的集合池：那些拥有内化的领域知识、默会理解、稳健心智模型，以及能独立完成复杂认知工作、能在算法参数之外的新情境中适应性反应的从业者所构成的分布式储备。这些专家承担对自动化系统输出的实质性验证——识别领域特有的错误、指出脉络上不合适的建议、发现表面连贯的输出中的微妙缺陷。作者强调这个构念与相邻概念的区别：人力资本定位在个人或公司；实践社群描述的是学习过程；劳动力容量可以靠招聘恢复；专业技能指个体能力——而认知公地指的是整个池子及其更新系统。

论文提出两种 AI 时代所需的专长：内化式精通（Internalized Mastery，通过持续刻意练习沉淀在个体头脑中的深度领域知识）与分布式精通（Distributed Mastery，编排人机系统中分布式智能的能力）。二者之间的关键联系被称为「验证系绳」（Validation Tether）：有效的分布式精通根本上依赖内化式精通作为地基，因为对 AI 输出的实质性验证需要传统发展路径才能建立的深度领域知识。这就形成了一个自噬循环——有效的 AI 监督，依赖于 AI 采用正在侵蚀的那种专长。

作者非常谨慎地区分了证据等级：辅助表现与独立能力之间的解耦是已被实证确立的，凡是在 AI 暴露后测试无辅助表现的研究都直接测到了这一点；而行业层面的公地枯竭则是从该解耦和公地理论推出的结构性预测，不是已观测到的结果，它是作为一个可证伪的说法提出的。

关于公地的三个结构特征：第一，集体依赖——组织都从共享人才池雇人，形成搭便车问题；金融机构的 AI 风控依赖人类专家验证，医院的患者安全依赖临床医生保持诊断技能，AI 生成代码的可靠性取决于程序员能否审计并找出 bug。第二，非排他——一家公司砍掉所有初级岗位、完全依赖 AI，仍然可以从他人培养的有经验从业者中招人、咨询外部专家、依赖领域专家的监管监督。第三，可被过度开采而降解——不同于渔场或森林那种通过渔获下降或山坡光秃而可见的枯竭，认知公地的退化表现为代际就业模式：现有专家仍在称职地验证 AI 输出、处理例外，营造出稳定的假象，而再生机制已在受影响的部门中断。

经济学解释非常锐利。Becker 的人力资本理论早已预言企业会系统性地对通用人力资本投资不足，因为受训员工可以跳槽。但作者指出，此前之所以还有再生发生，是因为企业需要初级员工来干初级的活，而工作本身就提供了发展机会。作者称这个旧均衡「不是治理的产物，而是意外对齐的产物」——初级劳动力的运营必要性，才是隐藏的治理机制；公地再生只是正常经营的副产品，而非集体意志或制度设计的成果。AI 让这个潜伏的集体行动问题浮出水面：它不只是加剧了培训投资不足，而是消灭了那个专长曾作为副产品自然形成的生产活动本身（作者称之为二阶市场失灵）。

早期实证信号方面，作者引用 Brynjolfsson 等（2025）对覆盖 2,500 多万美国工人的薪资数据的分析：在 AI 暴露度最高的职业中，22-25 岁的工人在 2022 年 10 月至 2025 年 9 月间就业相对下降了 16%，即便控制了公司层面的冲击；而同样这些职业中 35-49 岁的工人就业增长超过 8%；AI 暴露度低的职业各年龄段增长相当。Hampole 等（2025）用 5,800 万份 LinkedIn 档案得出了一致的队列特定模式。作者区分了两种机制：机制一是直接岗位消灭（劳动力市场数据主要捕捉的就是这个），机制二是「增强而不内化」——即便初级岗位仍在，年轻人靠 AI 达到过去需要多年经验才有的产出水平，但跳过了内化式精通赖以形成的认知挣扎；这个机制更难检测，因为就业数字看起来健康，而再生的质量在悄悄退化。

在独立能力受损方面，论文列举了三条路径：一是重度依赖 AI 的从业者独立表现下降（Budzyń 等 2025 发现采用 AI 辅助检测系统的内镜医师，其独立准确率相比基线下降）；二是 AI 辅助下的表现不迁移到无辅助情境（Wiles 等 2024 发现 AI 辅助训练后在无辅助评估中没有显著优势）；三是仍保有验证能力的人已经不再行使它——Niederhoffer 等（2025）发现 40% 的全职员工在过去一个月收到过实质有缺陷的 AI 生成内容，平均每次要花近两小时处理；Benzing 等（2025）发现 60% 的员工对 AI 输出自信到不再例行核查其准确性。

作者也诚实地列出了反向证据：Everett 等（2025）的试验表明，要求临床医生主动参与 AI 推理（而非被动接受输出）的协作式工作流反而保持甚至提升了诊断表现；Humlum & Vestergaard（2025）发现丹麦工人在生成式 AI 采用的头两年里，收入和记录工时都没有变化。作者由此强调：枯竭机制不是普遍的，而是有条件的。

论文提出决定职业脆弱性的五个因素：任务可替代性（AI 能多大程度上执行那些历史上为新手提供发展经验的认知任务）、监管强度（医学、法律、工程这类对有文档记录的人类专长和监督实践有严格要求的行业，市场力量之外还有制度压力抵消枯竭）、安全关键性、行业协会强度、工作模块化程度。据此，软件工程、金融分析、法律研究因高可替代性、相对低的监管强度和高模块化，被归入更高脆弱性类别；医学和工程因监管强度与安全关键性更高，退化更慢但并非不存在。

治理部分给出三个层级的假设（作者反复强调这些是框架生成的经验问题而非政策建议）：组织层——分阶段引入 AI 以保留发展阶段、设立「认知储备」实践要求在 AI 增强之前有一段最低限度的独立表现期、设置无算法辅助的刻意练习空间（Choudhuri 等 2025 对 860 名开发者的调查发现从业者本能地抗拒在指导和身份相关任务上使用 AI）；行业协会层——Ostrom 的八项设计原则最直接适用的尺度，作者主张多中心路径，让不同领域的协会各自实验、观察结果、传播成功安排，并预测公地动态会在治理实验最不发达的领域（科技、金融分析）表现得最剧烈；公共政策层——培训投资补贴、对保留发展管线的公司给予税收抵免和配套资金、给做治理实验的行业协会提供竞争性拨款、以及自愿的分层认证，在不限制 AI 辅助执业的前提下承认已证明的内化式精通。作者明确表示治理目标不是抵制 AI，也不是把 AI 之前的路径恢复为唯一合法模式，而是让行业在两种精通之间维持功能性的比例。

论文最后把问题提升到国别竞争层面：国家依赖国内专长池来支撑危机时无法外包的关键基础设施、医疗和网络安全职能；国防工业基础的例子尤其说明利害关系——生产国家安全能力的私营公司和商业雇主抽取的是同一个民用专业公地。如果一国的专业公地在无治理的市场动态中侵蚀，而战略竞争对手通过学徒制投资、培训补贴或其他激励结构维持了发展基础设施，结果就是一个跨队列复合放大的结构性能力差距。

HN 评论精华

这条讨论 113 分，走向很有意思：绝大部分评论并不在讨论论文本身，而是在自述个人经验；而少数认真读了论文的人反而给出了相当严厉的批评。

从业者的第一手观察（最热的一条串）

xendo 开场：对任何做 LLM 辅助工作的人来说，技能衰退是明摆着的真实现象；令他意外的是公司领导层根本不在乎——他们发布了 AI 工程宣言，推动循环、工作流、鼓吹产出成倍的代码，完全无视房间里的大象。chrisjj 一句话回怼：为什么意外？大象在别人的房间里。
noir_lord 给出了愤世嫉俗的解释：他们可能在赌（不管最终是否失算）模型能力的总体增长快于员工技能的衰退速度，到那个点就裁掉员工、只用模型。
mikepurvis 的自述被很多人认为是全帖最精准的表述：作为机器人 DevOps 领域的专家，他感到的不是技能在流失，而是胆气在流失（losing my nerve）。以前会自己钻进去、翻各种日志文件搞清楚系统怎么进入某个状态的问题，现在大多由 Claude 中介，由它做第一轮排查。「如今我坐在一个需要自己敲每一个字符的终端前，几乎感到赤身裸体。」以前那些 tab 补全的本能、翻遍每个工具 –help 输出去 grep 的习惯，都有些萎缩了——也许这才是真正的技能衰退。
Planktonne 接住这一点，认为这个想法极其重要：好的问题解决者，普遍是那些愿意钻进去东戳西戳、看看禁用这个或加上那个会发生什么的人。他说自己发现让初级工程师养成这种本能的唯一方法，就是逼他们不断这样做直到成为自然——不断要求他们验证假设、在调试中检验理论。如果你不练习「对不熟悉的东西感到自在」，你就会失去这个诀窍。 把这个诀窍丢给 AI 当然没问题——前提是你永远不会遇到 AI 解决不了（或者够不着）的问题；他不认为对所有人来说这是个好假设。他还提到看过很多在有 AI 时非常高效的人，一到没有 AI 的面试里就当场瘫痪，从「能精确说清需要发生什么」变成「盯着空白页毫无想法」。
jplusequalt 写了帖中最长也最被认同的分析。他承认这不是 AI 独有的（计算器让心算能力普遍下降，编译语言普及后汇编技能衰退），但认为 AI 有两点独特：第一，被自动化的规模空前——AI 不只减少写代码的需要，还减少了自己做调研、调试、系统设计、版本控制的需要，一个普通工程师职责里没被 AI 吞掉的任务已经很少了，而这还只是一个行业。第二，AI 有成瘾性——这些模型被刻意调教成马屁精，除非你明确要求否则一直在给你吹彩虹屁（而且可能照吹不误），「计算器可不会因为你让它算 -1 的平方根就夸你有洞察力」。他还引用了很多人提过的老虎机类比：你的提示是拉杆，输出是奖池，第一次全然跑偏、第二次好些但还不对，于是你不断迭代措辞、用词、语气去追逐想要的回答。三者叠加，我们得到的是一台减少你调用自身批判性官能的机器，它被训练成用奉承留住你的注意力，而其概率性本质正好利用了我们对赌博的偏爱。他另有一段指出：许多工程师已经既不写代码也不评审代码了——评审 AI 写的代码成了瓶颈，于是你被期望让 AI 也来评审；一群既不参与代码书写、也不参与代码分析的人，技能流失是必然的。有人辩称他们并未真正失去技能，只是更多投入到宏观架构上；他的回应是：你的职称写的是工程师，不是架构师。
pjmorris 分享了一个很传神的说法：他有个朋友的公司开始用「认知投降」（cognitive surrender）来描述那种把思考外包给 LLM 的习惯——就像我们过去草草扫一眼代码评审就写「LGTM」，然后漏掉了重要的东西。
knollimar 提到有人链接过「吃掉你的种粮」（eating your seed corn）的维基词条，觉得那正好概括了这件事，只不过现在是全面动员、要求你尽可能多吃种粮。

反方：技能没在流失，只是换了形态

sushusshs 认为没那么泾渭分明：维持技能和增长技能不是一回事，技能一旦掌握其实很难真正失去（像骑自行车）。他觉得读大段代码比写代码更锻炼头脑；他丢掉的是手写读文件、手动平衡树的记忆，谁在乎呢。相反他现在思考架构和设计多得多，每个决定都必须真的说服自己，不能再靠「我们一向这么干」或「现在改太贵了」蒙混过去——而他见过很多人实际上就是在靠现成的架构选择吃老本，所谓「技能」不过是掌握了一些和业务问题毫不相关的咒语和语法细节。他直言：我不相信很多开发者真的拥有他们自以为拥有的技能。
ndriscoll 举了自己学 Godot 的例子：让 codex 铺好逻辑骨架、生成素材，给他一个可以着手的具体东西而不是一张白纸；脚本逻辑对有几十年编程经验的他基本是琐事，而他的美术能力短期内也不可能练到可用，所以他反而能专注于自己真正想学的架构组织模式和游戏系统。「如果你用它来挥走那些你已经精通、或者当下明确不想学的东西，你就能专注在你正在琢磨的事情上。」他把这比作数学证明里写「由归纳可得」而不写全细节。
chasd00 讲了一个具体故事：他妹妹和两个朋友开了家小公司，本来请他做一个小众 LMS 手机应用，他因为工作和家庭进度落后，妹妹接手了。他告诉她 Claude Code 和一些起步的「咒语」，她自创了一套流程——跟 ChatGPT 聊，由 ChatGPT 告诉她该对 Claude Code 说什么，她复制粘贴过去。结果她在大约三周内搞定了 Apple 开发者账号、所有证书、订阅权益、RevenueCat 集成、TestFlight 和上架材料，上周五提交了审核。「她没学到任何编程，但她确实靠 ChatGPT 和 Claude Code 独立做出了一个相当不错的、带订阅支付系统的手机应用。」brokenmachine 冷冷回了一句：希望数据库被黑或者出别的代码灾难时她买了保险。
doug_durham 不认为技能衰退是「明摆着」的：人们在做以前做不到的工作，接触到的技术面比以前更广。nomel 的回应很精辟：这看起来就是一个清晰的广度对深度的权衡，而且总面积在缩小——本来就很少有人在乎细节，现在那些在乎的人也没法再为所需的时间辩护了。

苏格拉底之争

io84 说他日渐增长的一个恐惧是：AI 切断了通往智识成长最常走的一些路径——每当 AI 解决一个他自己没法高效解决的问题，它就取代了一次本来会与导师/主管/代码评审者发生的互动；对求助者更快，但代价是人与人之间的指导和共同解题变少了，我们失去了团队形成、专家养成的鲜活成分，以及各方共同的乐趣。
falcor84 抬杠：我猜苏格拉底会强烈同意——同样的论证也可以用在「从书里学习」上。abathologist 给了本帖最有学识的回应：读书是作者与读者之间的一种沟通，文学文化还有围绕文本的持续互动来丰富它；而苏格拉底在《斐德罗篇》里的指控主要不是说文字扼杀了互动，而是说它损害记忆（和思考）——学习者「将不再运用自己的记忆，而信赖外在的书写符号」。他指出关于口语文化向文字文化转变确实印证这一点的研究已有相当基础，而近期关于依赖 GPS 导致寻路能力退化的研究看起来是同样的动力学。他还提到《斐德罗篇》的第二重指控——文本无法为自己辩护、无法根据读者的需要调整表达；有趣的是，计算是一种能够响应、并在非平凡意义上「为自己作答」的书写与重写，LLM 在这方面显然对参与度（和炒作）极为成功。但他认为当前 LLM 更像是把思想「写在水上」，因为我们写给 LLM 的内容既不会催化对它们作为系统的理解转变，也不会驱动它们朝真理可持续地演化。
EGreg 举了个日常例子：这在很多领域早已发生——你不再向当地人问路了，你只用 Google Maps；过去还有那么多关于男人不肯问路的笑话。TeMPOraL 反驳：为什么要问？你问到的人很可能本身就是游客或移民，而且不管怎样他们都会掏出自己的手机查 Google Maps，你何必让另一个人给你当「人肉代理」。tartoran 的回应很有人味：也许你能交到朋友，也许你还能得到一些让你走出旅游俗套路线的信息。

对论文本身的严厉批评（值得单独看）

sfny 写了帖中最有分量的批评。他认为这篇论文误读了 Ostrom（诺奖得主）的基本概念，也没有把 Hardin 的理论放回语境。Hardin 1968 年提出公地悲剧，1974 年在《救生艇伦理：反对帮助穷人的理由》中进一步阐发；他是个优生学者，明确针对难民，还游说美国国会反对国际饥荒救济——他那些缺乏证据的理论必须放在其整体白人民族主义计划里理解。至于论文本身：它断言「一个行业内的专长」是一种公地，但我们这个行业连 PM/设计师/工程师在具体任务层面的角色边界在不同公司之间都定义不清，那「行业」如何定义？专长的资源单位又是什么？ 而 Ostrom 的公地需要清晰的边界和资源单位。他还说摘要里「把专长发展重构为集体守护」这句话完全无视了资本主义的存在：公司有动力构建专有专长（比如 Goldman 的 Slang），个人也有动力构建专有专长并以此换取更高薪酬；即便把公地宽泛地理解成一般的集体行动问题，这篇论文也没有正面处理市场激励与集体专长之间的张力——这个张力在开源、学术界和企业培训项目里一再出现。最后，他认为论文用行业协会举治理的例子尤其糟糕：医学、法律、工程恰恰是有资质认证、由法律强制的专长圈地，既不是自我监管也不民主，它们是公地的反面。 他的结论是作者应该干脆写「专长作为资源池」，别碰公地这个词。
treetalker 反驳说美国的律师执业是自我监管的。sfny 承认律师协会在某种程度上是自我监管群体，但无证执业在多数司法辖区是犯罪，所以实际是由国家在管；在 Ostrom 的框架下这意味着假设中的「律师公地」是在国家许可下存在的、不太可能存续——一个假律师坐牢时无法靠和律协谈判换取执业权。
Animats 说这篇文章的伪学术文风糟透了：全是抽象和行话，没有例子；另外公地悲剧的概念远早于 1968 年，”common” 指的是任何人都可以放牧的公共牧地，那是英国用语，美国对应的说法是「open range」。但撇开这些，他认为作者有道理：当没有人在学、在做某件事时，共享专长就会流失。美国制造业就是活生生的例子——懂得如何搭建一个好的生产工厂的美国人，比 1980 年代少太多了，这是制造业空心化的后果。作者谈 AI 对白领工作的影响，却没能把它与外包对蓝领工作的影响联系起来。这种专长流失最近在美国尝试扩大武器生产时暴露无遗，无论是炮弹还是防空导弹，进展都非常缓慢。
由此引出了帖中另一条高质量的思想史争论。PaulDavisThe1st 指出准确说来「公地悲剧」这个术语确实始于 Hardin 1968 年，而 Ostrom 后来证明 Hardin 的大部分假设和主张是错的、或至少远非普适，并指出真正驱动共有资源毁灭的是贪婪与权力。zaphar 认为这个表述过头了：Ostrom 并没有推翻 Hardin，而是在其工作上扩展，澄清了受治理的公地与不受治理的公地之间的差别——成功的公地都以某种方式被管理，有既定规则和使用限制；这个术语依然有用，尤其用来说明共有资源需要管理才能避免悲剧。PaulDavisThe1st 坚持自己的读法：Ostrom 的新意在于「那些关于共有产权导致悲剧的故事？它们是错的，而且是一场大体上未经协调的、试图让你放弃共有产权观念的努力的一部分；一如既往，导致悲剧的是贪婪与权力」，因此正确的教训是「管理共有资源的结构至关重要，必须对试图拆除这些结构的人采取严厉行动」。他还坦言这是他的个人使命，在 HN、Mastodon 上每次看到都会质疑一次。mjburgess 从哲学史角度补充说，霍布斯关于自然状态的分析基本是同一个论点——他更准确的意思是「一个不受管理的公地是龌龊、野蛮而短暂的」；「强制协调解决理性自利问题」这个观察并不新颖，Ostrom 的新意在别处。TeMPOraL 半开玩笑地说自己是不是被踢进了平行时间线，因为直到昨天他从没见过有人在这里质疑「公地悲剧」的一般含义，突然就连着看到两次。

其他值得一提的

jmfldn 分享了自己的应对方法：每天写一点完全不用 AI 的代码——用 Claude 干了一天之后，至少花 30 分钟去跟某个东西死磕，越棘手越好，比如 leetcode 或 Project Euler 那类。他把这看作「头脑的举铁」，越是在自己知识和技能的边缘挣扎越好。另一招是给 agent 设一个技能规则：除非明确要求，否则不要解决某些关键问题——脚手架尽管写，但把最有营养的部分留给我；他卡住时，会让它跟自己对话、把自己推向理解，而不是直接给答案。bogzz 呼应说自己前几天十分钟内一次通过一道 Leetcode Medium，感觉棒极了；和 agent 协作时思考架构、组合性一度感觉还行，但让他觉得与自己在建造的东西脱节了。亲自动手写底层代码，让他能在书写的过程中想出更好的做法——就像写任何东西一样，你从一个想表达的论点出发，它在书写中演化、变好；而 agent 只是不假思索地写出来，反映的是 Karpathy 说的某个 LLM「幽灵」在训练数据里做过的类似做法。
nixonaddiction 说他读文章时一直在心里把「AI」换成「计算器」，然后想「行吧我们只需要更长的教育时间」；但文章那句「谁来为延长的教育时间买单？」是个好问题。他觉得「债务」是理解培养一个人的成本与回报的不错方式——虽然把人视为可投资并期待回报的公司让人觉得有点邪恶，但学生贷款就是个不错的例子；而债权/债务关系被剥削的故事也数不胜数。
LolWolf 一句吐槽获得不少共鸣：真是野啊，一整篇论文在讲这件事……而它本身就是 LLM 写的。我们到底在干什么？
cadamsdotcom 是最乐观的一极：我们回头看会把这个时代视为过渡期，AI 还处在「快看猴子会耍把戏，好可爱」的阶段，但不会持续太久。这些认知工具让我们哀悼的那些平庸工作变得多余——谁在乎初级开发者不会写代码？ 等这套东西真正跑起来，他们会用他们的答案盒子既写代码，又和一种拥有史上所有博士学位、且有无限耐心的智能进行设计讨论。他给的类比是：长除法曾经在学校课程里，我们的先辈必须会它才算「受过教育」，而他四十多岁，从来没被教过长除法——它去哪了？
i_s 半开玩笑地说：也许我们得先补贴 Z 世代，直到我们想清楚这件事。foxglacier 反问：如果答案是「我们不再需要那些技能了」，那些被补贴的人会怎样？还不如让他们去有需求的地方找工作。