AI 刚刚大规模进入我们的生活时，我曾经有一种非常强烈的感觉：

世界的熵正在急剧增加。

以前写一篇文章需要几个小时，现在几十秒就能生成；以前做一张插画需要数年绘画训练，现在只需要输入几句话；程序、音乐、视频、PPT、广告文案、商业计划书，甚至人与人之间的聊天，都开始被机器以极低的成本批量生产。

互联网上的内容以前已经够多了，而生成式 AI 又像打开了一根无限供水的消防栓。

按照直觉，这应该是一个极端的“熵增时代”。

信息越来越多，组合越来越多，可能性越来越多，世界越来越混乱。

可当我真正长期使用 AI 之后，我越来越觉得事情可能恰恰相反。

AI 最深远的作用，也许不是熵增，而是熵减。

当然，这里的“熵”不是严格意义上的热力学熵，而是一种借用：我想描述的是一个系统中不确定性、差异性以及可能状态的数量。

而 AI 正在以前所未有的速度，把这些可能性收束起来。

一、内容变多了，可能性却未必变多

这是一个很反直觉的现象。

假设过去有 1000 个人要写一篇文章。

其中有人写得很好，有人语法混乱；有人喜欢长句，有人一句话只有几个字；有人逻辑严谨，有人思维跳跃；有人引用尼采，有人突然讲起小时候村口的那棵树。

这些文章可能很粗糙，但它们拥有极其巨大的差异。

现在还是这 1000 个人，但其中 800 个人在写完之后，对 AI 说：

帮我润色一下，让表达更专业、更有逻辑。

于是 AI 开始工作。

它删除重复内容，补足逻辑链条，调整段落结构，把“不太合适”的词换掉，把口语变成书面语，把奇怪的表达变得自然。

每一篇文章似乎都变好了。

可是如果把这 800 篇文章放在一起看，你可能慢慢会发现一种奇怪的味道。

它们开始变得很像。

“首先……”

“其次……”

“值得注意的是……”

“从本质上来说……”

“这不仅仅是……更是……”

每一篇都更加正确，每一篇也更加平滑。

噪声减少了，意外也减少了。

于是一个有趣的事情发生了：

内容数量增加了，但内容空间可能正在缩小。

这正是我所说的“熵减”。

二、AI 的本质，就是寻找高概率答案

仔细想想，其实这一点并不奇怪。

今天的大语言模型，本质上是在巨量人类文本中学习一种东西：

什么样的内容，在什么样的上下文中最可能出现。

当我输入：

帮我写一封正式的辞职信。

AI 不会从人类所有可能的语言组合中随机挑选一种。

恰恰相反。

它会向那些概率最高、最合理、最符合人类经验的表达靠拢。

“感谢公司一直以来的培养。”

“经过慎重考虑。”

“因个人职业发展原因。”

这些句子之所以经常出现，不是偶然的。

因为它们就是这个语境中的高概率区域。

AI 极其擅长找到这种区域。

换句话说，AI 的能力之一，就是不断回答：

大部分人在这种情况下，通常会怎么做？

这是非常强大的能力。

但这里隐藏着一个问题。

如果越来越多的人反过来根据 AI 的答案行动，那么人类的行为也会逐渐向这个“高概率区域”聚集。

AI 从人类那里学习平均答案。

然后人类再向 AI 学习平均答案。

一个闭环就形成了。

三、以前搜索答案，现在直接得到答案

搜索引擎时代其实非常有意思。

比如我想学习 Java 的 synchronized。

我会搜索：

Java synchronized 原理

然后可能看到十几个网页。

有人从 JVM Monitor 讲。

有人画对象头。

有人从并发安全讲。

有人贴了一大段源码。

还有一个十年前的博客，代码已经过时了，但作者恰好写了一句话，让我突然理解了这个概念。

学习过程非常凌乱。

需要筛选、比较、怀疑、交叉验证。

从信息论的角度来看，这其实是一个充满不确定性的过程。

而现在我问 AI：

用大白话解释 synchronized。

十秒后，一份结构完整的答案出现了。

背景、概念、代码、注意事项、面试题，全部整理好了。

信息获取效率提升了不知道多少倍。

但一个东西也随之消失了：

路径。

以前两个程序员学习同一个知识点，很可能经历完全不同的资料、文章、错误甚至误解。

现在两个人问同一个模型，很可能得到高度类似的知识路径。

答案越来越好。

但路径越来越少。

四、真正减少的，是人与人之间的“随机性”

我越来越觉得，人类社会里很多珍贵的东西，其实恰恰来自低效率。

比如一个人学习摄影。

过去他可能因为买不起昂贵镜头，被迫使用一支 50mm 镜头拍几年。

于是慢慢形成了自己的构图习惯。

另一个人住在一个经常下雨的城市，于是习惯拍潮湿街道上的反光。

还有一个人压根没学过所谓正确曝光，反而长期拍出极度欠曝的照片。

从“标准答案”的角度看，这些都是问题。

但很多风格恰恰就是这样产生的。

限制、误解、偶然、环境和错误，共同制造了人的差异。

AI 出现以后，我们越来越容易在遇到问题的第一时间询问：

最佳方案是什么？

于是那个原本可能持续几个月甚至几年的错误路径，在几十秒内就被纠正了。

这当然是进步。

但如果把视角放大一点，也会产生一个奇怪的问题：

当所有人都更快地走向正确答案之后，人与人之间还剩多少不同？

五、AI 正在成为一台巨大的“状态压缩器”

过去，人类面对一个问题的时候可能有一百种状态。

有人不知道。

有人猜错。

有人半懂。

有人根据经验做。

有人查书。

有人问朋友。

有人干脆自己实验。

现在，其中越来越多的状态被一个动作取代：

问 AI。

于是原本巨大的行为树，被迅速剪枝。

遇到问题
├── 查书
├── Google
├── 看论坛
├── 问同事
├── 自己试
├── 放弃
├── 猜一个答案
├── 凭经验解决
└── 问 AI

逐渐变成：

遇到问题
└── 问 AI

而 AI 又继续把几十种答案压缩成一个结构清晰、概率最高的回答。

这就是为什么我越来越觉得 AI 更像一台巨大的“状态压缩器”。

它不是简单地生产更多东西。

它是在不断把复杂空间映射到更少、更稳定、更高概率的状态上。

六、“最佳实践”可能是这个时代最危险的词之一

程序员尤其容易理解这种感觉。

我们喜欢 Best Practice。

目录应该这样组织。

接口应该这样设计。

异常应该这样处理。

数据库应该这样建索引。

微服务应该这样拆。

这些经验当然非常有价值。

因为没有必要让每一个人重新踩一遍前人的坑。

但“最佳实践”有一个隐藏前提：

你面对的问题和过去那些问题足够相似。

AI 极其擅长提供最佳实践。

甚至可以说，它就是人类历史上规模最大的“最佳实践机器”。

问题是，当 AI 足够方便之后，我们可能越来越少问：

有没有别的方法？

而是直接问：

正确的方法是什么？

前一句话打开空间。

后一句话关闭空间。

一个是在探索状态。

一个是在收敛状态。

七、真正可怕的不是 AI 写得比人好

很多人担心 AI 的方向是：

有一天 AI 会不会比人类更聪明？

但我开始觉得，还有一个更加隐蔽的问题：

有一天，人类会不会越来越像 AI？

我们开始学习 AI 的表达。

学习 AI 的结构。

学习 AI 的逻辑。

甚至学习 AI 如何思考一个问题。

以前老师批评学生作文“千篇一律”，至少那时候学生的千篇一律来自同一种教育体系。

未来可能更加夸张。

几十亿人使用相似的模型作为：

老师、秘书、搜索引擎、程序员、翻译、心理咨询对象、写作助手以及决策顾问。

那将是人类历史上从未出现过的认知基础设施。

它当然会极大提升整个文明的平均能力。

但与此同时，也可能大幅降低文明内部的方差。

平均水平上升，差异程度下降。

这或许才是 AI 时代一个真正值得警惕的变化。

八、但熵减并不一定是坏事

这里并不是想得出一个简单的结论：

“AI 让人类变得同质化，所以 AI 不好。”

事情远没有这么简单。

事实上，人类文明本来就在不断进行熵减。

语言是一种熵减。

标准是一种熵减。

法律是一种熵减。

科学也是一种熵减。

当我们规定一米究竟有多长，当全球计算机使用统一的 TCP/IP，当数学家使用共同的符号体系，我们实际上都在减少世界中的不确定性。

这也是文明能够协作的基础。

AI 只不过把这种力量推到了一个过去不可想象的程度。

它让一个不会写程序的人迅速接近初级程序员。

让一个表达能力普通的人迅速写出结构完整的文章。

让不同国家的人跨越语言交流。

让普通人能够调用过去只有专家才拥有的一部分能力。

这当然是伟大的进步。

问题从来不是熵减本身。

真正的问题是：

我们是不是把所有地方都进行了熵减？

工程生产需要标准化。

但艺术未必。

财务流程需要确定性。

但思想未必。

医疗诊断需要减少错误。

但人生选择未必存在唯一正确答案。

九、AI 时代真正稀缺的东西，可能会反过来

工业时代，大规模生产让标准品越来越便宜。

于是“手工制作”变贵了。

互联网时代，信息越来越廉价。

于是“可信的信息”变贵了。

AI 时代，正确、流畅、完整的内容会越来越廉价。

那么什么会变贵？

我猜可能是：

真正属于某一个人的东西。

一个奇怪但真实的观点。

一次并不完美的表达。

一个没有被优化过的句子。

一张存在技术缺陷却有个人味道的照片。

一段绕了很远、最后才走到答案的思考。

甚至一个错误。

过去我们一直想消灭这些东西。

未来，它们可能恰恰会成为证明“这是一个具体的人”的痕迹。

当机器可以无限生产完美平均值之后，

偏差本身可能成为价值。

十、不要拒绝 AI，但要保留一些“不被优化”的地方

我不可能因为这些问题而停止使用 AI。

事实上，我可能会越来越依赖它。

它太强大，也太方便。

拒绝 AI，就像工业革命时期拒绝机器一样，没有太大意义。

但我越来越觉得，我们可能需要有意识地保留一些“不被优化”的区域。

有些问题先自己想十分钟。

有些文章不要让 AI 改得太干净。

有些照片不要追求算法认为最好看的样子。

有些技术问题先踩一次坑。

有些观点即使表达得笨一点，也先把自己的版本留下。

因为 AI 最擅长做的事情，就是把一个混乱的东西变得合理。

而人最有价值的部分，很多时候恰恰来自那些暂时还不合理的东西。

我们曾经担心生成式 AI 会制造无穷无尽的信息，把整个互联网拖入前所未有的熵增。

现在看来，也许我们看反了。

它确实让信息数量爆炸。

但在更深的一层，它正在不断压缩答案、压缩路径、压缩表达方式，甚至压缩人类面对问题时的可能状态。

表面是内容爆炸，底层却是概率收敛。

世界看起来越来越吵。

但所有人的声音，可能正在悄悄变得越来越像。

所以 AI 时代真正重要的问题，也许不是：

AI 能替我们做多少事情？

而是：

当 AI 帮我们不断找到最优解之后，我们还愿不愿意保留那些“不最优”的自己？

因为如果有一天，所有人都拥有了完美的答案，

那么真正珍贵的东西，

或许就是那个没人替你生成过的问题。