一、两篇刷屏文章，同一个病灶#
过去几天，两篇文章在中文互联网上被反复转发。
篇 1 叫《让本科生做回本科生》。它描述的世界是这样的：你不能只是把课上好，你还要有科研，最好大一进组、大二发论文、大三已经能熟练地谈模型、实验和投稿。它骂的是另一种东西——「你不能只是探讨教育，你还得挑动情绪、制造对立、拿捏痛点、精准收割」。它点名了这条内容生产线上的每个角色：标题党、排比句、热词制造机（「做题家」「调 DLL」）、痛点收集器，以及那个可以无限套壳的爆款公式——「让 X 做回 X」。
篇 2 叫《先活下去，然后尽快离开》。它说人很容易被困在一段消耗自己的处境里：一份内耗的工作、一段失衡的关系、一个难以挣脱的环境。起初只是想熬过去，但人类最强大也最危险的本能是适应——你会慢慢习惯疲惫，接纳压力，把异常当常态。它给出了全文最重的一句话：生存不等于生活。避难所住久了，会变成你认定的归宿。
这两篇的情绪波段相反——一篇点火，一篇安抚——主题看起来也毫无关系。但把它们放在同一个台面上，会发现它们共同默认了同一个前提（这个概括是本文的分析框架，不是两篇文章明确写出的结论）：
个体必须把自己转换成可量化、可交换、可传播的信号，才能换取下一阶段的机会。
篇 1 里，这个信号是进组、发论文、谈模型；篇 2 里，这个信号是一份看得过去的工作、一段说得出口的关系、一个「还在正轨上」的生活状态。两篇文章都可以被放进同一个分析框架：当信号的生产突然变便宜，而信号的评价标准没有变，按旧标准攒信号的人就会更难证明自己的真实贡献。 这是本文后面串联材料的分析起点，不是两篇原文共同提出的结论。
二、几个切片：一组相互呼应的迹象#
先声明：下面几个材料属于不同层面——舆论文本、个体经验、个人职业案例、政策判断、内容生产案例——它们不能互相推导出一部机器，但它们共同指向同一处裂缝。
切片一：一个绕过常见路径的人。 以下细节来自他的公开发言和本站 9/16 的存档记录，属于单一信源。DeepSeek 的研究员 intlsy，2025 届本科毕业，据其自述 v4.1 的主 Attention 算子出自他手，大四时拒掉了 CMU 和 UCB 的 offer 直接入行。按常见的评价标准，他的路径（本科毕业、不读博）本该是减分项；市场给了他一条绕开常见路径的入口——这是本文的判断，不是可核实的市场机制。更值得记录的是他的自白：「再过半年到一年，AI 写的算子就有大概率和我同样优秀，甚至超越我。」 这是他对自己技能周期的判断，不是行业定论；这至少是一个值得记录的个体信号，不能当成行业结论。
切片二：一道蓄水闸。 硕士扩招。在本文的框架里，它被读作一道蓄水闸：人在旧通道里多待几年，就业压力被推迟，通道变化的社会成本也被摊平。这是本文的解释模型——我没有招生和就业数据来证明它，也不认为它能说明政策动机。
切片三：一次量产现场。 篇 1 在传播链上走完了知乎→贴吧→B站→公众号全程（按作者自己的记录，约 48 小时内被搬运或改写到多个平台），作者在文末自述「该文章全部由我用 ai 生成」。而这套模板可以批量套壳：让研究生做回研究生、让打工人做回打工人、让父亲做回父亲——主语一换就是一篇。批评这条生产线的那篇，用的也是同一条生成与传播机制。
几个切片连读：入口在绞杀（篇1），中段在困兽（篇2），侧门存在且可能收窄（intlsy），扩招是本文读出的蓄水闸，连批评这栋楼的声音都能量产（篇3）。它们不构成证据链，而是一组来自不同层面的、相互呼应的材料；这些材料多数是单一信源或 C 级口述，不能用数量抵充证据强度。在本文的分析框架里，它们指向同一个问题：旧评价方式正在变得更难识别真实贡献。
三、共同的病灶：不是产出稀缺，是可验证的贡献稀缺#
最常见的归因是「产出稀缺性崩塌」——AI 让做东西变便宜了，所以一切在失效。这个归因覆盖范围过大，而且容易被一句反问击穿：产出真的不稀缺了吗？高质量判断、真实贡献、责任承担，本身也不便宜，在很多地方仍然稀缺。
更准确的上位概念是：
可验证的个人贡献正在变得稀缺。
注意这个定义的两个部分。「贡献」没有消失——AI 时代普通人能做出过去做不出的东西，这是事实；更难的是「可验证」：在许多标准化任务里，很多人可以在很短时间内交出一份外观上像样的东西，旁观者因此更难从产出本身判断，这个东西是出自这个人的能力，还是出自他的工具。
几个现场，几种死法：
考核现场。 全国大学生数学建模竞赛开始要求标注 AI 使用；据我接触到的说法，顶级 AI 在半小时左右能交出一份合格解；也有案例称华为系的机试题目被 AI 直接答对——这两条我没有核到可定位的信源，只作为口述材料记录。注意，这里失效的不是「题目做不出来」，而是在部分任务中，题目区分人的能力在下降。另一重风险是同质化——阅卷人看到的可能不是一百份答卷，而是一百次同一次生成的微小变体。
内容现场。 一些文章在报道「小学生用 AI 做出了什么」「高中生靠 AI 发了顶刊」。这些报道有炒作，也有真实的，但问题在于：真实的那部分，同样是被工具放大的结果。 当部分标准化内容的生成成本显著下降，「一个人很牛」和「一个人的工具很牛」从外部就更难分开。受影响的不是真假本身，而是分辨真假在经济上是否划算，分辨成本正在变得越来越不划算。
分区刻度现场。 JCR 分区和中科院分区是两套不同的评价体系，对同一本期刊的评价可能并不一致；在高校和研究机构的实际使用中，一个分区标签还常常和其他标签（是否核心、是否被预警）叠加。不同体系各切各的刀，让「这本期刊算什么水平」很难有唯一答案。另一个观察方向是：我观察到一种方向性现象——部分生物医学期刊近年来接收了较多主要依赖公共数据集、以计算分析为主、实验验证相对有限的论文，之后期刊的评价指标或分区可能出现下调。这可能通过文章数量、引用结构和评价指标变化影响期刊评价，具体因果关系需要数据验证。具体到哪本期刊、哪一年、下调多少，我没有可定位的来源，不做指认；这里保留的只是我看到的这个方向，和它能说通的机制假设。分区仍有参考价值，但单一标签越来越不能独立证明作者的真实贡献。
复现现场。 比「论文是谁做的」更根本的问题是「论文能不能重做」。当代码、数据、硬件、超参数或实验环境无法完整复现时，论文文本本身就不足以证明结果可靠。论文数量的增长，并不自动等于可验证知识的增长——认证越多，复核越重要。
劳动现场。 在论文服务市场中，写作、投稿、格式修改和审稿沟通可以被拆成单独购买的环节。在本文的解读里，买方购买的并不只是文字，而是一条尽量把个人能力与论文认证隔开的流水线；市场越标准化，署名与真实贡献之间的距离就越难从外部识别。同类的事也发生在竞赛场景：挂名「自研算法」、由代理完成实际工作的现象，与论文服务共享同一个结构。这些是概括性的观察，不是对市场规模或运行机制的事实断言。
一个亲历的入口。 我自己发表过一篇四区论文：发表于 International Journal of Molecular Sciences（IJMS），我是第四作者，软件与计算部分——生物信息学的活——是自己做的，版面费按我的记忆是两千到三千瑞士法郎，折合人民币几万块（这是我的个人记忆，不是 IJMS 的统一收费标准）。这段经历让我看清两件事。其一，计算型工作并不天然等于水论文——那篇的计算是我一行行做出来的。其二，外部评价往往只看到作者位次、期刊分区和发表凭证，「计算是谁做的」这一层在流水线上不留痕迹。而论文正式发表之后，论文服务的广告开始以各种优惠价格发到我的邮箱，措辞像是按发表经历推测我还会不会继续投稿。这是我第一次从买方视角看到，认证可以被当作能反复购买的商品来运营——一次个人观察，不是行业统计，但它比任何转述都更直接。
几个现场共享同一个结构：产出没有消失，更难的是产出与个人能力之间的可验证链路。 许多旧评价工具——从考卷到论文到竞赛排名——都在尝试测量这条链路。工具还在全速运转，被测的东西已经换人了。
四、模型价格下降之后，试错空间成为关键变量#
常见的误读是：AI 时代拼的是钱，谁预算多谁拿最好的模型、最多的算力。
至少从下表所列的公开价目看，单纯用预算解释差异已经不够——每 1M tokens 的输入/输出单价：
| 模型 | 输入 | 输出 |
|---|---|---|
| GPT 5.5 | $5.00 | $30.00 |
| Claude Opus 5 | $5.00 | $25.00 |
| Claude Sonnet 5 | $2.00 | $10.00 |
| DeepSeek V4 Flash | $0.14 | $0.28 |
| DeepSeek V4.1 Flash | $0.30 | $1.20 |
| Qwen3.8 Flash | $0.15 | $0.47 |
| GLM 5.3 Flash | $0.15 | $0.50 |
这张表只能证明「所列公开价目中存在显著价格差异」，它不能证明这些模型能力处在同一层级——上下文长度、速率、稳定性、调用限制、工具能力都没有在这个口径里被控制；它也不能代表整个市场的定价全貌。但在部分标准化场景中，模型调用价格已不再是唯一门槛，「用最好的模型」也不再是过去那样的绝对优势，竞争的一部分回到了工具之外。
那工具之外的关键变量是什么？
是试错空间——更准确说，是容错空间。
在有时间、反馈、数据和组织支持的人那里，同一个问题可以被反复试验：改 prompt、换路线、推翻重来，第一千零一次的灵光一闪算他的。在生存压力更高的人那里，第一次可交付的结果往往就必须承担现实后果——没有人替他承担前九百九十九次的失败。
同样的工具、同样的价格，截然不同的产出分布。
但要把「容错空间」拆开看，它不止是试错次数，是一整套资源的总和：可支配的时间、失败后重来的机会、导师和同事的反馈质量、拿得到的数据与场景、以及出错时有人分担后果的组织位置。有人托底的人拿到的是这整包，不只是「多错几次」。
这也让篇 2 的处方显出了它的适用边界。篇 2 说「身体暂时走不掉，心理上却可以提前动身」——一边维持生存，一边打磨技能、拓展圈子、积蓄筹码。这句话被无数人转发，但它隐含的前提从来没人点破：「提前动身」本身就需要容错空间。 铺路要时间，时间要钱，出错要有人扛。篇 2 对困境的描述是准确的，但它开出的药方更容易被已经有托底的人执行——而对最需要它的人来说，那恰恰是奢侈品。
五、一个侧门样本#
如果以上都还是环境分析，intlsy 的自白把刀口对准了个体。
一个 2025 届本科毕业生，据相关材料所称，在一年之内写出了全网最受关注模型的主 Attention 算子。这是旧通道之外出现侧门的一个醒目案例：在少数前沿岗位上，实际战绩可能压过学历路径。但侧门的存在，不等于旧通道对大多数人已经失效——它只说明门槛在特定位置漏了。
而他给自己的判决是：半年到一年，AI 写的算子就有大概率追平甚至超越他。
这句话的残忍之处在于它同时否定了两个方向：往回走，旧通道（读博、熬年限）在贬值；往前看，新通道（算子手艺）的保质期以月计。至少在本文的分析里，旧通道在关，新通道可能也在过期，中间未必有安全地带。
他预判手写算子终将「像标枪一样，从生产活动退化成竞技活动」——当一门手艺从生计变成爱好，说明它的生产难度已经归零。这是他的预判，不是行业定论，也不能推出整个行业都会如此；但它至少说明：一个站在最前排的人，已经在按月计算自己这门手艺的淘汰周期。
六、当调用门槛下降，理解门槛没有跟上#
产出平权如果只影响评价体系，还只是一代人的困境。但它同时发生在另一个维度：
AI 降低了复杂能力的调用门槛，也降低了部分试探、自动化和规模化操作的门槛。但能力的可调用性下降，不等于后果的可理解性同步提高。
于是评价体系面对的风险，不只是「谁能做出结果」，还包括「谁能理解结果、限制结果并承担结果」。
这个维度的安全治理被多个国家、国际组织和技术公司持续讨论——这里只作背景判断，不作为本文证据。个体可以低成本调用的能力在变多，而对后果的理解和承受能力，未必同步增长。这一节不引用具体事件：我没有核到可定位的信源，只保留这个方向上的判断。
七、收束：AI 放大产出，补不齐判断#
把所有切片收拢成一句话：这是一场静默换轨——旧的上升通道正在逐段关闭，而旧的评价语言还在全速运转。
篇 1 还在教人卷进组，篇 2 还在教人熬和等，扩招在本文框架里仍被读作蓄水，爆款公式还在量产「让 X 做回 X」——旧的评价语言还在描述一个正在切换的现实。
有一个流传很广的比喻说：AI 是放大器，放大你本来的能力——能力为 0 的人，放大多少倍还是 0。这个说法在数学上不严谨（0 乘无穷本就是未定式），在事实上也过于绝对：一个「原本做不出」的人，确实可能借助 AI 产出非零的结果。真正发生的事不是「0 被放大成 0」，而是：
AI 可以把许多标准化产出放大到非零，但不能自动补齐判断、验证和责任。
它让「做出来」在不少环节变得便宜，于是三种东西的价差被拉开了：标准化产出的价格在贬值，可靠产出仍然需要投入，而可归因、可验证、可负责的产出在许多场景中更难识别。 旧评价体系恰好主要测量第一种——这就是它在不少环节出现失配的原因，也是新价值的所在。
篇 1 里那个「先活下去，再尽快离开」的处方，在新坐标系里可以改写成一个更普适的版本：活下去之后，别只顾着产出，去占有那些 AI 补不齐的东西——定义正确问题的判断力、验证结果真伪的手段、为后果签名的承担。 这三样不随模型降价而贬值，因为它们从来不便宜。
通道关闭不是末日，是一次重新定价。旧价签失效的那一刻，正是看清什么在被放大、什么在升值的时刻。