Private beta

目前最清楚的证据来自医学领域。在四家肠镜检查中心，AI 辅助成为常规做法之后，医生在不用 AI 的肠镜检查中，息肉检出率下降了大约六个百分点，而这些医生都是做过成千上万例手术的资深临床医生（Budzyn 等，2025）。没有谁是主动决定变差的。是这项能力转移到了工具里，等到工具不在的那一天，这项能力也就跟着不见了。

一项对 319 名知识工作者的调查发现，越信任 AI 的人，报告自己做批判性思考的程度越低；越信任自己判断力的人，做得越多。工作本身，也从"产出答案"变成了"核对和管理机器产出的内容"（Lee 等，2025）。产出的东西看起来一样，甚至更好，所以这种转变很容易被忽略。

在一项田野实验中，用上不设防护的 AI 家教的学生，有工具在的时候表现更好，但等到自己单独作答时，成绩反而比从未用过的学生更差；而带有防护机制的版本则避免了这种伤害（Bastani 等，2025）。AI 本身并不会毁掉学习。关键在于工具的设置方式，要让人始终自己动脑，而这一点对刚入行、判断力还在养成中的新员工尤其重要。

当草稿、总结和计划都已经现成地摆在你面前，这份工作就变成了审批一台机器的产出。一个个案工作者之所以做得好，很大程度上靠的是写记录时的那些思考，以及那种让你回头再翻一遍档案的不安感，而这恰恰是工具最先拿走的部分。在督导中把这件事说出来。一个感觉自己成了"别人作品审阅者"的员工，描述的是真实发生的事情。

遇到难的个案，先自己做一遍，再去问工具，两相比较。故意让新员工先不用工具处理一些个案，这是任何一个专业培养人才的方式。把"AI 起草，你来决定"当成一条规则，它保护的不只是服务对象得到答案的准确性，也同样保护你自己的专业能力。

模型拥有的一切，都来自那些已经以某种形式存在、能被某家公司收集到的文本。那些活在口述里、活在某个社区中、藏在没人扫描过的纸质档案里，或是活在网上几乎没有书面记录的语言里的知识，就是彻底缺席的，而模型甚至察觉不到自己有这个缺口。谁有钱、谁掌握出版渠道和基础设施，决定了什么被数字化，所以模型知识的形状，也就沿着经济史和殖民史的形状延伸。

越南语、他加禄语、阿姆哈拉语和海地克里奥尔语，每一种都有几千万人在说。它们之所以被称为"低资源"，原因只有一个：这种语言以干净、数字化文本的形式存在于网络上的量很少。研究者正是依据这一点，把世界上的语言分成了不同等级，而最高等级和其余等级之间的差距极大（Joshi 等，2020）。

一种语言在网上越单薄，语料库就越会用能抓到的任何东西去填补，包括宗教翻译文本、政府公告，以及机器翻译（machine translation）出来的网页。一项对标准网络爬取多语言数据集的审计发现，低资源语料库存在系统性问题，其中好几个数据集里质量合格的句子还不到一半，另有几十个数据集的语言标签根本就是错的（Kreutzer 等，2022）。当一个模型用阿姆哈拉语回答你的服务对象时，垫在底下的，可能就是这样的材料。

因为这些文本不存在，公司就出钱去制造它们：扫描、转写、翻译、录音、书写这些缺失的语言。Meta 发布了一个覆盖 200 种语言的翻译模型（Meta AI, No Language Left Behind），Karya 这样的组织则付钱给印度农村的工人，让他们用自己的语言录制语音，再把这些数据集卖给大型科技公司（Karya）。这两件事同时都是真的。一种几乎没有数字记录的语言，可以因此拥有一份记录；而提供这份记录的人，通常只拿到按合同计算的报酬，对这份资源没有任何所有权，之后还要眼看着这项能力被卖回给他们自己。知情同意、报酬，以及语料库最终归谁所有，决定了这究竟是哪一种情况。

还有另一条独立的工作线，让模型变得"安全"又"讨人喜欢"：给答案打分、给回答排出优劣、把暴力和色情内容从训练数据里过滤掉。这些工作大多用英语进行，并外包到英语普及、工资低廉的国家，而这种搭配之所以存在，源于殖民地时期留下的教育体系。有报道记录了肯尼亚工人以每小时约两美元的报酬，阅读创伤性内容，只为了让聊天机器人不会重复说出这些内容（Perrigo，2023），一项针对拉丁美洲数据标注平台的同行评审研究，也发现了同样的结构：生产数据的人，在这条链条里权力最小（Miceli 与 Posada，2022）。

已出版的材料，大多同样没有获得授权。作者们起诉 Anthropic，涉及数百万本书，其中既有从盗版图书馆里拉来的副本，也有公司买来后拆开、扫描的纸质书 （Washington Post，2026）；那起案件以约 15 亿美元和解。以 New York Times 为首的多家报社仍在起诉 OpenAI（Reuters，2026）。已有一位联邦法官裁定，用合法获得的书籍进行训练属于合理使用，下载盗版书籍则不属于合理使用。其他案件仍未有定论，这笔账还没算清。

Google 测量了自己的助手，报告说一次典型的文字提问，大约耗电 0.24 瓦时、耗水 0.26 毫升，大致相当于看九秒电视，或者五滴水（Google，2025）。其他关于聊天机器人单次查询的估算，则接近 2.9 瓦时，大约是一次网络搜索的十倍（MIT Technology Review，2025）。不同估算之间能差出一个数量级，它们通常都没算上训练过程和硬件制造的耗能，而真正能把这个问题说清楚的公司，大多不公开数据。

2023 年，美国数据中心用掉了全国约 4.4% 的电力，而能源部下属的一家实验室预测，到 2028 年这个比例会升到 6.7% 到 12% 之间，AI 是主要推手（Lawrence Berkeley National Laboratory，2024）。你的一次提问，只是四舍五入时被抹掉的零头。真正促使一座发电厂被建起来的，是无数次提问累加起来的那条需求曲线。

一个要"思考"一分钟的推理模型（reasoning model）、一份被塞进大模型里处理的长文件、一张图片或一段视频，耗费都远远高于问轻量模型一个简单问题。除了速度和金钱之外，这是第三个理由，让你把轻量模型留作默认选项，只在需要时才特意换成重量级的那个。一个小模型专注做一件窄任务，在包括耗能在内的每一个维度上，都是最省的安排。

数据中心总要建在某个地方，而这个地方很少是富裕的。在孟菲斯，一家公司用几十台燃气轮机给一座 AI 数据中心供电，紧挨着一个历史上以黑人为主、原本污染负担就很重的社区，这引来了一起《清洁空气法》诉讼和有组织的社区反对（TIME，2025）。在圣地亚哥，居民对一项计划提出挑战，反对每天从一个已经吃紧的含水层抽取约 760 万升饮用水，环境法院随后把这座数据中心的许可退回重审（Municipality of Cerrillos v. Evaluation Commission，2024）。收益是全球性的，水却是当地的，而住在这些涡轮机旁边的人，本该由他们自己来决定这些设施建不建。

单靠一个人，能做的不多，但这不是别开眼睛不看的理由。工具真正派上用场时才用它，一份模板就能搞定的事就别用它。把轻量模型留作默认选项。你所在机构采购工具的时候，把这个问题也带进采购的讨论里，向供应商要具体数字。如果有人打算在你所服务的社区附近建数据中心，让居民真正有话语权，这才是重点，而不是走个过场。