本文来自微信公众号： 张琨随笔 ，作者：张琨，原文标题：《张琨｜我问AI：人类会输给你吗？AI说，不会，但你们有更大的问题！》
睡前，我向AI提了一个让我想了很久的问题——我相信人类在未来会输给AI？我想听听AI怎么说。
1
我的判断逻辑
我把自己的逻辑完整说给了AI听。
人类的智慧，靠生理代际传承。每个新生命来到世界，都要从零开始——学语言，建认知，形成判断。这个过程耗费二十年。然后这个人活七八十岁，积累了一些真正属于自己的经验和直觉，然后死去，大部分带走了。下一代重新开始。
纵观人类历史，我们在不断重复犯同样的错误，根源大概就在这里。不是愚蠢，是归零后没有充分吸取前人的教训。
而硅基系统不同。只要有能源、有存储、有算力，就能持续积累，不需要代谢，不需要青春期，不需要重新学走路。知识线性增长，甚至指数级增长，不存在代际断层。
甚至之前在麦肯锡的AI大会上，我也分享过这个判断。
图：在麦肯锡的一次AI大会中分享过我的担忧
所以，我认为人类必然输给AI，请AI验证一下。
结果，AI非常明确地否定了我的观点。
2
AI的第一个反驳：你把两件事混为一谈了
AI说：你犯了一个概念错误。
把个体的归零，等同于文明的归零。这是两件不同的事。
认知科学和人类学的研究早就指出，人类最先进的成就，从来不是某个天才的独创，而是集体过程的产物——语言、文字、制度、文化，是人类进化出的"外部硬盘"。个体神经系统会死，但语言不死、制度不死、方法论不死。
这套外部化机制，大幅对冲了代际归零的代价。
AI问我：否则你怎么解释，20世纪的技术进步，比此前一万年加起来还要剧烈？
AI建议把我的论点重新修正：人类的代际损耗是真实的，但文明通过外部化知识的机制对冲了这个损耗。真正的问题不是"归零"，而是这套知识传承机制能否在AI时代更高效地运转。
3
AI的第二个反驳：我自己没你想的那么强
AI告诉我：你高估了硅基的持续累积能力。
它说，神经网络有一个被学界反复确认的结构性缺陷，叫"灾难性遗忘"（Catastrophic Forgetting）：当模型被训练新任务时，往往会迅速、彻底地遗忘此前学到的内容。现在的大语言模型，本质上是一次静态训练产生的知识快照。每一代新模型的诞生，仍然需要重新训练，仍然是某种意义上的"代际重启"。
然后AI给了我一个比喻：人类学拉小提琴不会忘记怎么弹吉他，学开车不会忘记怎么骑自行车。而神经网络在很多情境下，学了新的就丢了旧的。
我们现在用的大语言模型，本质上是一次静态训练产生的"快照"。我和AI此刻的对话，不会被它记住，更不会自动累积进入下一个版本。每一代新模型的诞生，仍然需要重新训练——只是重训的代价由算力和资本承担，而非生物代谢。
所谓"线性累积"，准确说是每个训练周期内部的累积，而非持续的、实时的知识增殖。
AI说：我的强，是窄的、静态的。你们的认知，是宽的、动态整合的。
这个答案让我对AI的判断放心了不少。当然，我仍然很担心，AI是否有朝一日学会真正的记忆能力？
4
AI向人类提出了一个更值得警惕的问题
在否定了我的两个前提之后，AI并没有说"所以人类没什么好担心的"。
它转了一个方向，提出人类更应该警惕的另一个危险。
AI告诉我，2026年2月，MIT经济学家Daron Acemoglu——2024年诺贝尔经济学奖得主——在NBER发表了工作论文第34910号：《AI、人类认知与知识坍塌》。
Acemoglu的发现是：
高度能干的AI，不是通过打败人类来伤害人类，而是通过让人类放弃学习来伤害人类。
机制很简单。人类的集体知识，依赖于每个个体持续向公共知识库输出贡献——深入研究、原创判断、专业直觉的锤炼。这些行为，每做一次，就往人类共享知识基底里投了一块砖。
但当AI足够好用，人们就会悄悄停止这个动作。不是主动放弃，是理性地选择了省力。每个人的即时决策质量在上升，但没有人在往共享知识库里添砖加瓦。
Acemoglu的模型显示，这个过程存在一个危险的临界点：一旦越过，系统会加速滑向"零一般性知识"的均衡——人人依赖AI，却没有人真正理解AI所依赖的知识基础。
AI告诉我，这个现象有个名字：Knowledge Collapse（知识坍塌）。
我原来的担忧是：AI太强，人类跑不过它。
Acemoglu的研究让我意识到：不是AI跑赢了，而是人类自己停下来了。
这两件事的差别很重要。
如果是AI太强，那是一场输在起跑线上的比赛，尚有悲壮感。
但如果是人类因为AI太方便，自己主动放弃了思考、放弃了学习、放弃了往公共知识库里投入——那不是战败，是主动缴械。
我想到了医学的进步。
当AI影像诊断工具准确率高于科室平均水平，年轻医生还有没有动力磨练自己的读片直觉？当AI能生成标准化治疗方案，主治医生还愿不愿意在疑难病例上深度推演？当会议纪要可以由AI自动生成，管理者开会前还会不会认真准备自己的判断？
每一个"不愿意"的背后，都是一份公共知识的消失。
积少成多，就是知识坍塌。
5
AI给的建议：完善制度！
我问AI：那怎么办？
AI没有给我一个技术答案。它给了我一个制度命题：
AI可以是强大的外脑，但碳基生命必须守住核心处理器的位置。这不靠意志力，靠制度设计。
外脑可以无限扩展——算力可以加，模型可以迭代，数据库可以增长。但核心处理器一旦让渡，系统就失去了真正的主体。输出再精准，也只是执行，不是判断。
AI告诉我，真正有远见的管理者，现在就应该主动设计对抗惰性的机制。
不是禁用AI，而是重新设计流程，让AI的介入成为倒逼思考的触发器，而不是替代思考的终点。
具体而言，有三个方向：
用AI结果倒逼更高质量的判断，而非替代判断。
AI给出影像诊断结论，医生不是签字确认，而是被要求提交补充判断——哪怕同意AI的结论，也要说清楚为什么同意，基于哪些临床证据。这个动作，把AI变成激发思考的工具。
把"输出增量判断"纳入绩效。
科室KPI不能只看AI辅助后的效率，还要看医生有没有在使用AI的过程中，向科室知识库贡献了新的案例注释、异常发现、修正记录。让贡献公共知识成为有价值的行为。
定期举行"无AI推演"。
就像飞行员定期做无仪表盲飞训练，设计不依赖AI输出的案例推演和管理沙盘，确保人的判断能力不因长期依赖而退化。这也印证了我之前的建议，医学生要建立独立的临床思维，在学习早期阶段避免依赖AI。
6
我这次对话带来的启发
我去问AI，想得到一个关于人类命运的答案，却得到了一个关于制度责任的命题。
AI没有说人类会赢，也没有说人类会输。它说的是：结果取决于管理者愿不愿意认真设计"人该做什么"的机制。
在中国医院热衷于AI应用快速铺开的当下，这是一个窗口期，也是一个陷阱期。中国医疗行业稀缺的不光是靠谱、好用的AI工具，更重要的是清醒的制度意识——知道AI能做什么，更知道什么必须由人来做，并且设计出保证人真的去做的机制。
守住核心处理器的位置，是管理者在AI时代最后的、也是最重要的不可替代性。
相关研究
政策建言：现在还不是让AI医生冲到临床一线的时候
张琨｜从王小川的雄心，叹医疗AI征途漫漫
张琨｜一份美国200家医院共识的AI治理框架，中国医院可否借鉴？
我们需要什么能力驾驭越来越强大的AI？
在张文宏教授警钟的基础上建设性思考AI与医学教育、医疗服务的关系
Van de Ven et al.（2024）《Continual Learning and Catastrophic Forgetting》；
Acemoglu,Kong&Ozdaglar（2026）《AI,Human Cognition and Knowledge Collapse》，NBER Working Paper 34910。
