学历话题里的九种畸变：真实基数、群体归因与"以偏概全"是怎么被生产出来的

本文不评价任何具体文章、也不评价作者的动机。 这批文章能被人看见，本身就是社会观点的投射。要审的不是某篇文章写得好不好，而是那套被大量人默认接受的观念：哪些是对的、哪些是错的、哪些带着歧视性质、哪些过于以偏概全。 口径纪律沿用 9-24 那篇：核到一手来源的给链接、当事实写；只有检索口径的标「据检索」；查无此数的明说查无此数。

〇、起因：一个反驳#

这几天读了七篇围绕学历、读博、第一学历的高传播度推文。读完之后有一个反驳必须先接住，因为它是整件事的入口：

博士退学的比例其实很小，说我们这是在放大焦虑。

这个反驳是对的，但它还没说到底。比例到底多小、被换掉的是什么、为什么这种替换能成立——这三个问题才是要害。先把基数摆出来。

一、真实基数：被换掉的那个数字#

先看这条链：同一个机制，贯穿五个学段#

把今天能核到的数字按学段排开，会看到一件比”哪个学历更值钱”重要得多的事。

读完这张表，“读研读博是就业蓄水池”这句话就不再是一个观点，而是一个可以逐年对账的过程：每一次下游装不下，就往上一个学段放一层水。放到博士这一层，它不再表现为”缓冲”，而表现为积压。

而积压的原因不在学制，在容量。 斯坦福大学中国经济社会研究中心基于 1986—2023 年 74.6 万条国家自然科学基金记录的简报给出了一个很干净的比值：2011—2022 年，STEM 博士毕业生增长了 78%，而新获资助的研究者只增长了 32%——每产出 2.4 个新 STEM 博士，才新增 1 个获资助研究者（详见第七节）。

训练容量按 78% 涨，资助容量按 32% 涨。 差额就是那 60% 的延期和不足 5% 的退出率。

再看被换掉的那个数字#

（“研究生主动退学率仅 3%“一说见于今日头条转载 ↗，未核到官方原始出处，只能标「据检索」，不当作事实使用。）

把这组数放在一起，替换就现形了：

问题不在”退学”这个现象假，而在把真问题换成了更刺激的那个。 真正普遍、真正压人的是延期；“退学潮”叙事借的是那个不足 5% 的少数样本。

二、因果被写反了：不是退太多，是该退的没退#

这一节有一手文件。

2024 年 10 月 20 日，中办国办印发《关于加快推动博士研究生教育高质量发展的意见》（中国政府网 ↗），写的是：

重塑培养流程要素，全面提高人才自主培养质量。……优化培养过程，强化分流退出和多向选择。

也就是说，“该分流没分流”不是民间评论，是中央文件的政策目标。

复旦大学陈焱的口径把这个差距量出来了：美国许多顶尖高校一届博士生中约 50% 会被分流或淘汰，耶鲁 2020 年甚至超过 80%；而我国博士生分流退出率尚不足 5%，且以自然退出和被动退出为主。一位研究者的说法是，国外有接近 1/3 的学生在开题之前就离开，这大大降低了读博的机会成本。

于是真正的机制是这样的：

入口：博士大扩招（2025 年招 20.16 万，在学 75.36 万）
  ↓
过程：分流退出率不足 5%，该走的人走不掉
  ↓
出口：延期率长期 >50%，毕业 11.29 万
  ↓
个体感受：堵、耗、不知道何时结束
  ↓
传播版本："退学潮，博士不值了，你不够努力／你不适合"

因果被完整地倒了过来：不是”退学的人太多所以读博危险”，而是”退出渠道太窄，所以所有人都被堵在延期里”。前者指向个人（你行不行），后者指向制度（通道设计得对不对）。

这也是为什么同一个现象，可以写出两套完全相反的文章：一套让人自我怀疑，一套让人去问规则。

三、第一种畸变：放大倍数（四种工艺）#

下面四种操作，是这批文章里反复出现的。它们都不是编造——是放大倍数被悄悄调过了。

工艺一：类比被升格成结论#

某篇的标题/导读写的是”读博的风险远高于开公司”，而正文原话是：说”找不到工作就去读博”，逻辑荒谬程度丝毫不亚于说”干脆去融几千万创个业”。

前者是概率比较（哪个风险更大），后者是类比（两件事的荒谬性可比）。两者不等价，而且正文从未主张过前者。标题替作者说了一句他没说过的话。

工艺二：借名给自己发学术背书#

同一篇里有一张对比图，标注为”基于 Arvind Narayanan 风险模型分析”——而全文从未定义过任何”风险模型”。那是自制插图，挂了一位真教授的名字。而这位教授的原帖：无平台、无日期、无链接、无原文，全文唯一原始信源无法回溯。

三段式工艺：不可核验的权威 → 自制的”模型”图 → 标题上把类比升级成结论。

工艺三：小样本层层放大#

"最近经常有学生跑来跟他讲"
  → 导读："许多计算机学生把读博当成备胎"
    → "很多应届毕业生甚至工作两三年的程序员都冒出这念头"
      → "剩下的 99%……你所能面对的就只有廉价的博士后合同，
          或 30 多岁杀回工业界底层"

同一篇里全称量词密度极高——从来、只有、任何、彻底、谁也抢不走、没有任何经济周期能击垮你——而没有一句承认样本有限或幸存者偏差，反而写着”这绝非危言耸听”。

工艺四：把结构问题改写成品德问题#

这是四种里最有害的一种，因为它最难识别，而且让人很舒服。

一位硕士毕业、进三四线城市体制内、为人情世故所困的女性写了一篇自述。她遇到的结构是真实的：在一个”人情与资源定价高于学历定价”的局部市场里，她手里的凭证不被定价。

但这篇的标题是《高学历人群的通病》，落点是”接纳平凡""越早意识到自己是普通人越好”。

这一步转换把公共问题改成了私德问题：责任方从”定价规则”移到了”你自己的执念”。它让人点头、让人转发，同时取消了追问——凭什么那个市场的规则是这样的？谁在定这个价？

四、第二种畸变：把结构问题改写成品德问题（歧视性归因）#

粗暴的歧视（“XX 都是垃圾”）很好识别。真正要防的是这三种：

检验方法可以做成一个可当场执行的双向测试。 一个群体归因要成立，必须同时满足两条：

1. 组内普遍：该群体内部是否普遍成立？（高学历的人都清高吗？）
2. 组外不成立：该群体之外是否普遍不成立？（低学历的人都不清高吗？）

只要有一条不满足，“某群体的通病”这个说法就不成立——它既不是”通病”，也不是那个群体独有的。而现实中这类断言几乎全军覆没，因为组内差异通常远大于组间差异。

一个更快的版本是对调测试：把归因对象换成另一群人说一遍，看它是否立刻变成一句明显的歧视。

• “高学历人群的通病是清高” → “低学历人群的通病是粗鲁” ——两句话同样不成立，但后者一眼就能看出是歧视。
• “理科生逻辑好” → “文科生逻辑差” ——同一句话的正反两面，两边都以偏概全。

用群体属性替代个体事实，就是歧视的定义——不管这个属性听起来是褒是贬。褒义刻板印象（“理科生逻辑好”）和贬义刻板印象（“文科生没逻辑”）是同一枚硬币，而且前者更容易被接受，因此更有害。

这套测试还有一个用处：它同时能验证”反歧视”的写法。 这批素材里有一篇的主线是”第一学历歧视其实很小众”，方向与前面相反。但它的论证方式是：个人圈子里”一个都没见过”、条件数量推理、以及”遭遇学历降级的人远远超过遭遇第一学历歧视的人”——最后这条是两个全国性总量的比较，零数据。

它反对放大，用的却是和放大同一类工具。 方向相反，工艺相同：都没有报基数。 这也是为什么本文第十节的五条纪律里，第一条就是报基数——它同时约束”制造焦虑”和”消解焦虑”两种写法。

五、一个必须说清的对照：同一批素材里，也有反着写的#

不能一锅端。这批里逻辑最严谨的一篇，是那位写博士退学的。

它的特别之处在于：零个统计数字，全部”事实”是一个匿名单案例加一句 11 字的对话（“想过。""当时算了一下，觉得退了不划算。”）。但它做了三件很多”权威报告”不做的事：

1. 剥离沉没成本：参照系从”已经投入多少”换成”从今天起的边际收益与成本”；
2. 承认”暂停”是合法的第三选项：继续／调整／暂停／退出，而不是”坚持 vs 退学”二分；
3. 指出该问谁：值得咨询的是”不受当前课题利益影响的人”——偏差的来源是信息源的利益结构，不是信息量。这比”多找人聊聊”高一个层级。

而最关键的是它结尾主动拆掉了自己的外推：“不能简单得出：所有想退学的人只要坚持，最后都会过上理想生活。这并不成立。""换一个人、换一种导师关系、换一种健康状态，答案可能完全不同。”

它讲的是别照抄他的结论，照抄他的算法。 它唯一的缺口是没算”推迟决定”这笔账（等待也有成本）。

对照就在这里：一个说”别照抄我的结论”，一个把一张自制的图挂上教授的名字。区别不在文笔，在有没有被逻辑训练过。

五·补一、一个被无意中印证的核心命题#

同一批素材里还有一处很值得记的细节。有一篇的主题是”第一学历歧视其实很小众”，它为了论证这个判断，写了一段推理：

现在考研的筛选作用是越来越强的……如果按照拥护高考”筛选作用”的逻辑，第一学历歧视应该越来越轻才对。然而吊诡的是，当时虽然考研简单，反而没有现在这么严重的学历对立。

它自己也承认了：按旧逻辑推出来的结论，和现实相反。

这正是本博 9-24 与 9-25 两篇在推的命题：筛选机制越精密，信号反而可能越失效——因为凡是能被考试的，就能被针对性过拟合；而当旧信号失效、新信号未立，人们会更紧地抓住那个”最难被临时改写”的出身指标。它不是”发展没到位”，而是信号在换代。

这段推理的价值不在于它给出的解释（它把现象归给了”发展”，一笔带过），而在于它诚实地报告了异常。 一个作者愿意写下”我这里推不通”，比写下一句顺畅的结论有价值得多——这也是本博 9-24 那篇专门留一节记录”AI 打错靶子后当众撤回”的同一个理由：结论不是一次到位的，肯报告反例的过程本身就是资产。

六、第三种畸变：删减信息（四种工艺——不放大，只”改写”）#

前面四种工艺的共同点是放大倍数。还有一组更隐蔽的，它们不改倍数，改的是因果结构。

工艺五：把”什么都没想”当成因果起点#

有一篇讲一位退学博士的故事，结尾是这样的：

不是每个退学的人都会成为他，但退学的人，都经历过他坐在宿舍里面收拾东西的那个时刻。那个时刻什么都没想。后来的路，都是从那一个时刻开始走出来的。

前半句是全篇唯一诚实的限定，后半句立刻用一个全称判断把它覆盖了。

而逻辑上更精巧的问题在这里：那个时刻的内容是”什么都没想”——一个没有内容的事件，被赋予了因果地位。它既取消了原因（因为原因没有内容），又占住了原因的位置。 这是”事后归因”的一种极端形态：任何后来的结果都能被追认给一个空白的起点，因此这个解释无法被证伪。

工艺六：单一品质归因#

同一篇把结果归给了”坚持”这一个品质（“最让人感慨的倒不是他的能力……是他把一件事情坚持着做了下去”）。但文章自己列的链条里有一个它从未归因的关键变量：那条视频”一下子就爆了”——而上一段刚说过他”没指望什么”。

把传播的偶然性整体排除，只留下一个可复制的品质，这是成功学叙事的标准动作。它让读者获得一个可以模仿的东西（坚持），代价是隐藏了真正决定结果的变量（传播）。

工艺七：按结果变量抽样#

同一篇里有一句看起来很有冲击力的话：被举报的人”没有一个是普通的学者，全都是杰青、长江学者以及院长”。

这句话几乎必然成立，因此不构成任何发现。 举报者本来就是冲着高影响力论文去的——被举报者全是头衔拥有者，是抽样的结果，不是世界的真相。这类操作叫按结果变量抽样：只在”已经出事的样本”里观察，永远找不到对照组，于是既推不出”头衔越高越爱造假”，也推不出”普通学者更干净”。

它的修辞力量恰恰来自那个必然性：读者会把”全都是大人物”读成一个发现，而它其实只是选择效应。

工艺八：匿名化让规模可以随意伸缩#

最需要警惕的一种。同一篇讲的是一件真实发生过的公开事件，但全文没有一个人名、一个校名、一个刊名、一个日期。

匿名本身不是错——保护隐私是正当的。但当真实事件被抽掉所有可核对的坐标之后，它就能被任意伸缩：

• 一件发生在一所高校的具体处理，可以被读成”多所高校的普遍现象”；
• 一次”触发官方调查”，可以被写成”篇篇都被确认是有问题的”；
• 一份区分了”数据由第一作者完成和提供、院长系失察失管”的通报，可以被压缩成一句含糊的”免去职务”——于是读者读成”院士级别的学者本人造假”。

这是本文认为最危险的一种写法：事实骨架大体为真，因此经得起”这不是编的吧”的质疑；但坐标被抹掉、区分被删除之后，它传播出去的样子和它原本讲的事已经不是一个东西。真实＋匿名＋细节演绎，是最容易被二次传播成失真版本的组合。

共同点：工艺五到八都不制造虚假的数字，它们只是删掉使结论成立所必需的那部分信息——删掉对照、删掉偶然、删掉坐标、删掉区分。造假可以被辟谣，删减很难。

七、第四种畸变：用错分母，把两条赛道说成一条#

这一种最像”内行话”，因此最容易骗过认真的人。它的做法不是编数字，而是把一个大数字放进一个它不属于的分母里。

先看真实基数#

教育部《2025 年全国教育事业发展统计公报》（一手 ↗）给的是一组很不一样的数：

第一个反直觉的事实：录取的人里，进专科的比进普通本科的还多（551.70 万 vs 503.71 万），专科毕业生数也超过本科毕业生数。

第二个：那句”约 60% 的人被分流掉了”，只在一个特定口径下成立。 以 2024 年（该年同时有报名人数与招生数，报名 1342 万）测算：

同一件事，换个分母就从”六成人没学上”变成”九成人有学上”。 而且还有一层口径陷阱：教育部明确”分类考试录取的学生不再参加普通高考”，高职招生已大部分不经普通高考——所以”高考录取率”这个说法本身对专科就不准确。

（注：教育部只发布报名人数，不发布全国口径的录取人数与录取率；上表为用公报招生数作的测算，属本文计算，不是官方比率。官方可用的锚点是高等教育毛入学率 61.30%，但它是”在学总规模占 18—22 岁人口比”，与”高考录取率”不是同一个概念，不能互换。）

再看那个被说成”挤占顶层”的数字#

专升本 2025 年合计约 90.08 万，相当于普通本科招生规模的 17%。听上去”人不少”，于是很容易接一句：这些人都回来占用顶层的科研资源了。

制度上不成立，有一条决定性的一手依据。 海南省教育厅琼教发〔2020〕40 号（政府网站原文 ↗）写着：

从 2020 年起，普通专升本（含高职本科”3＋2”分段培养试点项目）在全国普通本科招生计划外单独下达……未完成的计划，不能调整到普通高考招生录取。

这是两条独立的计划线。 同一份文件第三条还写着：从 2021 年起，纳入国家级”双一流”建设的高校原则上不得举办普通专升本教育，已经举办的要停止招生、逐步退出；更早的 2006 年，教育部与国家发改委的口径已是“‘985 工程’和’211 工程’重点建设的高校……原则上不举办普通专升本教育”。

所以专升本扩招扩大的是应用型本科与本科层次职业学校的规模，与研究型高校基本是两条赛道。 即使专升本毕业后读研，也是以本科身份参加全国统考（按《2026 年全国硕士研究生招生工作管理规定》，具有国家承认的本科毕业学历者以本科身份报考，不属”同等学力”，招生单位也不得设置歧视性报考条件）——这是公开选拔的通道，不是占用定向资源池。

那么资源到底被什么稀释了#

不是被”下面的人”挤的。 把时间线摆出来，机制就比较清楚：

（2019—2021 分项数据来自培训机构汇总，2022 年后与教育部公报逐年一致；比率为本文计算。）

2020 年那次翻倍，就是就业缓冲。 而到 2025 年，升学比率已从 18.40% 回落到 15.70%——名额增长追不上专科毕业生增长。

把它接到博士那一层，就是本文开头那组数：招收 20.16 万、在学 75.36 万、毕业 11.29 万、延期率长期 >50%、分流退出率不足 5%。

每一层都在扩，而资源集中在头部——马太效应在顶部，稀释发生在腰部。

这正好对应本博 9-24 那篇写过的功能与目的之别：扩招确实承担了就业蓄水功能，但从”它有这个功能”滑到”它就是这个目的”，是从观察滑向阴谋论。同样地，从”资源被稀释了”滑到”是下面的人挤占了上面”，是从结构分析滑向层级对立。

而层级对立是最容易写、也最错的写法——它让真正该被追问的东西（资源为什么集中在头部、每一层的出口为什么都那么窄）安然无恙。

七·补、资源到底卡在哪里：一组能锁死机制的账#

“资源被稀释”是这批讨论里最常见的一句话。它方向对，但发生的位置和多数人以为的相反。北京大学鲍威等人基于全国调查的实证研究（《中国高教研究》2021 年第 4 期）发现：导师指导规模与博士生科研产出呈 “倒 U 型”关系，师均指导 10 人时培养质量最优（理科为 14 人；文科扩招则抑制质量）；而现实中”导师师均指导规模与院校学术选拔性之间逆向关联，整体呈现’顶层收敛、底层膨胀’的金字塔结构”。

把这句话和经费数据放在一起，结论就完整了：

所以这不是一个问题，是两件相反的事同时发生：头部资源集中，底部负荷膨胀。把它们混成一句”资源被稀释了”，就等于同时说错了两个方向——既掩盖了顶部的集中，也掩盖了底部的超载。

那么”紧张”真正的来源是什么？ 斯坦福大学中国经济社会研究中心基于 1986—2023 年 74.6 万条国家自然科学基金记录的简报给出了一个可以锁死机制的比值（SCCEI, 2026-06 ↗）：

不是”老师被摊薄”，是”训练容量”与”资助容量”脱钩。 招的人按 78% 涨，能独立拿经费的位置按 32% 涨——差额就是那 60% 的延期和不足 5% 的退出率。

同一份研究还显示：只有 4% 的 NSFC 负责人换过单位（美国顶尖生命科学家为 35%、物理学家为 86%），而且流动方向主要是向下。人不动、位置不增，于是层级自我复制。

马太效应：有因果级证据，但强表述要限定#

学术界的累积优势不只是感觉。Bol 等 2018 年发表于 PNAS 的断点回归研究（荷兰 NWO 资助数据）给出了少见干净的结果：

• 评审分数恰好跨过资助线的最低分获胜者，其后 8 年累计科研经费比最高分落选者多出约 18 万欧元，整个观测期累计经费是后者的 2 倍以上；
• 获早期资助者 10—16 年后取得正教授的概率从 19% 升至 28%；
• 关键的一条：两组人在论文、引用、H 指数等可测产出上没有显著差异——差距来自”获得资助”这个信号本身，而不是资助带来的能力提升；
• 中期项目中标率从 10% 升到 26%，其中相当部分可由申请率从 40% 升到 59% 解释——落选者主动退出了竞争。

这正好是本博反复在写的那件事：信号一旦发出，就会自我实现；而被信号挡在外面的人，会先停止申请。本博 9-24 那篇写”局部最优解与策略性应对”，这里是它的资金版本。

但”资源只会越来越集中”这个强表述站不住，必须限定：在总量层面，国家自然科学基金其实在去集中化——非精英高校的项目份额从 1986 年的 8% 升到 2023 年的 35%，C9 高校从 22% 降到 12%，中国科学院从 26% 降到 12%。

准确的说法是：普通资助在扩散，高价值资源与学术话语权仍在向头部集中。 前者是真实的改善，后者是真实的停滞——两句都要说，只说一句就是失真。

两处容易被写错的地方#

第一，“高校专任教师下降”是错的。 全国专任教师总数确实连降两年（1891.78 万 → 1870.10 万），但减少全部来自学前教育与小学（学前 −63.16 万、小学 −19.81 万）。高等教育学段在增长：高等教育专任教师从 2015 年的 157.26 万增至 2025 年的 222.36 万；普通本科学校生师比从 2021 年的高点 17.90:1 连续四年改善到 2025 年的 16.96:1。把总量下降说成”高校师资萎缩”，是典型的口径混用。

第二，生师比不能用来证明研究生的指导负荷。 它的分子是”折合在校生”，按现行口径硕士按 1.5、博士按 2 折算——研究生被加权计入了分子，却与本科教学无关。它是办学条件指标，不是指导负荷指标。要用指导负荷，应该用导师层面的数据，而不是这一条。

（另注：教育部统计分类中不存在”研究型大学”这一档，公报只分普通本科学校、本科层次职业学校、高职（专科）三类。所以”研究型大学生师比 X:1”这类说法没有官方出处。）

七·补二、需求在降、门槛在升、供给在增——计算机是一个被写反了的样本#

“计算机不行了”是这一年最流行的判断之一。把它拆开，会看到三股方向不同的力同时作用。

三股力#

这三条合起来才是那个”惨”的真相：不是需求崩了，是需求略降、门槛上升、而涌入的人更多——三重挤压。

但”AI 让程序员失业”这个强叙事在中国数据里站不住。智联招聘《2025 年人工智能产业人才发展报告》显示，2025 年前三季度全行业前端开发招聘需求同比增长 39%、测试工程师 +36%、运维工程师 +11%，报告原文的判断是”AI 技术发展对整体信息技术产业形成带动恢复作用”。腾讯研究院基于近 1 亿条招聘数据的报告更直接：与美国”AI 导致初级岗位显著萎缩”不同，中国 AI 岗位中初级岗位占比保持相对稳定（约 7%）。

而供给端的问题不在 AI，在扩招：2024 年全国计算机类专业招生计划 43.5 万人（比 2023 年增超 4 万），扩招主力是”其他高校”（幅度 13.04%）；开设计算机科学与技术专业的院校已达 995 所。就业在退、招生在扩——这两条曲线是反向的。

企业的要求，和”要博士、要实习”的传闻不一样#

前程无忧《2027 届校招 AI 人才市场洞察》（企业问卷 6352 份）给出了企业端的能力要求排序：

“名校硕博”排第 6，“AI 项目实习”排第 8——两个都比”数学与统计基础”低一大截。

而需求结构更值得注意：企业 AI 岗位需求以应用层为主导——AI 应用开发工程师（大模型应用、智能体开发等）占 53.9%，AI 平台/框架开发 37.5%，而算法工程师只占 25.4%。薪酬则高度分化：大模型算法工程师月薪中位值 27329 元，而 AI 数据训练师只有 8977 元。

这里要克制：能写的是”应用开发类岗位需求占比最高”；不能写”Agent 门槛低”——那个具体对比没有带数字的原始报告支撑。

一个反差，值得单独记住#

“实习经历重要”这句话，在两套数据里给出相反的名次：

两个结论不矛盾，但不能混用：泛就业市场上实习是最强的区分信号；到了 AI 专项岗，企业更看重数学与工程底子。而且前者是毕业生自我归因（主观题），不是企业端的权重排序。

学历门槛：不是”要博士”，是”硕士成了事实门槛”#

“非博士不要”用中国数据打不赢：

• 北大×智联：2024 上半年 NLP 岗要求硕博 35.8%、深度学习岗 45.5%，两岗平均约四成——“四成要求硕博”的分母是这两个岗位，不是全部 AI 岗；
• 智联招聘：算法岗本科及以上占近九成，其中 56% 要求本科、34% 要求硕士及以上；
• 前程无忧：企业端”名校硕博”仅 23.5%。

准确的说法是：算法/研究岗以硕士为事实门槛，博士在顶尖岗位有溢价。

而学历门槛确实存在公开反例，而且是招聘方自己说的：

• 华为”天才少年”招聘公告明确”不限学校，不限专业，同时也不限学历”，只要在数理化、计算机、人工智能领域有特别建树，最高年薪 201 万；
• DeepSeek Harness 负责人崔添翼公开回应：岗位描述中未专门说明学历要求的，即”不存在硬性学历门槛”，“刚完成高考的优秀高中生也具备实习申请资格”；
• DeepSeek 2026-06-25 官方招聘公告中，“AI 跨界技术人才”岗位不设专业背景限制，加分项包含”有著名开源项目贡献、个人技术博客或书籍”。

（注：传得很广的”DeepSeek 招本科生做算子研究员”核不到公告原文——“算子研究员”这个岗位名在 DeepSeek 招聘公告中并不存在，对应岗位是”高性能算子/通信/编译器工程师”。而且 DeepSeek 内部岗位门槛差异很大：2025 年 2 月其”深度学习研究员-AGI”岗就明确要求在校或应届硕士。引用时请用上面那三条可核的公司公开表述。）

这条线接回分类改革：应用型需求是真的，识别工具是缺的#

把上面的数据摆在一起，会得到一个和”计算机凉了”不同的结论：

企业要的第一位是"数学与统计基础"（58.9%），不是文凭
需求最大的是应用开发（53.9%），不是算法研究（25.4%）
但高校这一侧：995 所院校开设计算机专业，扩招主力是资源最弱的那批
               课程更新周期 3—5 年，落后于技术迭代

市场需要的是应用型的实战能力，而供给端发的是同一种文凭。 这正是本博 9-21 那篇在写的分类改革要解决的事——研究型、应用型、技能型三条赛道各自有卓越标准；而”匹配替代歧视”要成立，前提是每条赛道都得有可信的能力证明。

这里必须留一句实话：分类改革是正在推进、尚未成型的事。 学校要被重新分类、标准要被重新写、雇主要重新学着看新信号——这三件事都还在路上。所以现在真实的状态是：

旧信号（学校层级）仍然垄断着筛选，新信号（能力证据）还没有形成规模。 而雇主在这个空窗期里最省事的选择，就是继续用那个最便宜的代理指标。

“校招只敢招 985/211”不是雇主相信名校更聪明，而是没人给他一个更便宜、更准的替代品。 这句话把我们 9-25 那篇的”能力招聘是一项奢侈品生意”和今天这组数据接上了：要打破它，靠的不是喊”别歧视”，而是把验证成本降下来。

七·补三、“AI 让一个人顶几个人”到底是多少：把倍数放到实验下称重#

这一节回答一个正在被大量重复、却很少被称重的说法：“给一个人配上 AI，他就能顶掉两三个人。” 企业用它算成本，媒体用它写标题，个人用它安慰自己。而它是有实验数据的。

METR 的三轮实验，以及它自己承认的失败#

METR 做了一件罕见的事：让资深开源开发者在”允许用 AI”与”禁止用 AI”两种条件下做自己选的任务，随机分配，然后比时间。

后两轮的置信区间都跨过 0——按统计标准，不能声称有提速。

但真正值得记的是它为什么测不准（METR 2026-02-24 说明 ↗）：

• 30%—50% 的开发者承认，他们故意不提交那些”没有 AI 就不想做”的任务——而被筛掉的正是 AI 增益最高的那批任务；
• 有开发者直接拒接被分配到”禁用 AI”的任务，有人一个都没做完；
• 开发者选择的任务类型本身在两种条件下就不一样了（会挑 AI 擅长的）；
• 用 agent 类工具时，等待期间会去做别的事，耗时无法准确计量。

参与者原话很直白：

“我发现自己其实在严重地挑样本……我避开那些 AI 两小时能做完、而我要花二十小时的任务。如果任务被判定为禁止用 AI，我会非常痛苦。”

这是一个比数字更重要的发现：当 AI 变得足够有用，它就没法被随机对照实验测量了——因为没人愿意回到没有它的状态。测量工具被它自己的成功破坏了。

那么倍数到底是多少：三个口径，差了三倍#

把三行放在一起，“1 顶 3”的位置就很清楚了：它落在自报值的上限，超出严格实验的置信区间。

也就是说——它不是不可能，但它属于最好的情况，不是常规情况。 谁把这个倍数当默认值写进成本表，谁就是在用一个未经测量的上限做预算。

而这组数据里藏着一条更锋利的结论#

NBER 工作论文 31161（Brynjolfsson、Li、Raymond，《Generative AI at Work》）用一家《财富》500 强软件公司约 5000 名客服的真实通话数据做了另一件事：看 AI 的增益在人群里怎么分布。

拆开看，提升来自：每次对话时间 −9%、每小时处理量 +14%、解决率 +1.3%；而客户满意度无显著变化（说明不是靠牺牲质量换速度）。最直观的一个对照是：一个用 AI、入职两个月的客服，产出等于一个不用 AI、入职六个月的客服。

所以”1 顶 3”的真实形状不是”所有人都被放大三倍”，而是”新手被拉到熟手水平”。

这把 AI 的放大作用说清楚了三件事：

1. 它放大的主要是”经验差距”，不是”个人天赋”。 增益集中在还没积累够经验的人身上，因为 AI 把公司里最优秀员工的做法复制给了他们。
2. 对已经很强的人，它几乎不加分。 一个熟练工配上 AI，未必比原来快多少——“1 顶 3”在熟手身上往往退化成”1 顶 1.1”。
3. 它反过来削弱了”从新手熬成熟手”这条路的必要性。 如果新手两个月就能达到六个月的水平，企业为什么还要养那条六个月的成长曲线？

最后一条是本篇认为最值得警惕的：AI 把新手的产出提上来了，但没有把新手变成熟手。被省掉的那四个月，正是原来用来犯错、复盘、形成判断的时间。省下来的成本是企业的，而代价记在个人账上——这也正是本博 9-25 那篇写的”闭环半径”会被压缩的地方。

一条方法学警告：感知与实测相差 40 个百分点#

上面那个 METR 实验里最值钱的数字，其实不是”变慢 19%“，而是这个落差：开发者事前预期会快 24%，事后仍然自认快了 20%，而实测是慢了 19%。

感知与实测相差 40 个百分点。

这直接作废了一整类证据：所有基于”我觉得效率提升了”的判断——包括管理者问员工”AI 有没有帮你提效”，也包括你自己感觉”今天干得特别快”。METR 在 2026 年 5 月的另一项调查里再次验证了方向：349 名技术工作者自报中位数 1.4—2× 价值提升，而报告自己写明”有理由怀疑这些数值的量级”。

所以看到”我用了 AI，效率提升 3 倍”这类说法时，第一件该做的事不是问它有没有数据，而是问它是”测出来的”还是”感觉出来的”。绝大多数是后者。

“1 顶 N”这个说法本身：没有来源#

这一节必须说一句最不讨好但最重要的话：没有任何同行评议研究测量过”一个人借助 AI 可以替代几个人”。

所有随机对照实验测的都是同一件事——同一批人在某一类任务上快了或慢了百分之多少。而”快 40%“和”顶 3 个人”之间，隔着任务结构、质量门槛、复核成本三道坎，不能直接换算。

流传的那些倍数，来源可以逐个查：

而那个被引用最多的”开发者快 55.8%“，本身是可信的（有论文、有置信区间），但它来自一个自包含任务（写一个 JS HTTP 服务器、仓库里有 12 项测试全部通过才算完成），实际完成的有效样本只有 35 人，且四位作者全部来自 GitHub／微软研究院。它可以说明”A 类任务上 AI 很强”，不能外推成通用倍数。

这里有一个区分值得记住——同一个”倍数”底下藏着四种完全不同的东西：

大部分”AI 提效 X 倍”的讨论，混用的正是这四种口径。

完整分档：什么任务上放大，什么任务上缩小#

把这三档放在一起，“AI 提效 X 倍”这个句式就失效了：同一批人、同一类工作、难度看似相当，AI 的效果可以正、可以零、可以为负——这就是”锯齿状前沿”（BCG 论文的原话：AI 辅助改善了某些任务的表现，却恶化了另一些，即使在同一工作流程内）。

而”1 顶 3”漏掉的那个成本，正好落在被裁掉的人身上#

对这条成本逻辑最致命的一类证据，来自一篇几乎照着这个场景写的论文（MSR 2026，22,953 个 PR、1,719 名 vibe coder）：

论文结论原话：“项目经理可能无法在增加评审产能的前提下，用低经验 vibe coder 安全替代资深开发者。”

换句话说，“1 顶 3”隐含了一个从未写出来的前提：复核产能不变。而证据恰好说，复核会成为瓶颈。

Google 的 DORA 2025 报告（约 5000 名技术人员）给出了同一个机制的宏观版本：AI 采用提高了交付吞吐量，同时提高了交付不稳定性；30% 的开发者对 AI 生成的代码”几乎不信任”；报告的原话是摩擦”并未消失，只是转移了：从手工劳作转向决定与验证”。一位工程师在开放式问卷里写道：

“我感觉生产力有所提高，但是有代价的。虽然写代码的时间少了，但我要花更多时间照看 AI 和审查它想做的事。”

所以完整的账应该是这样：AI 让新手快了很多，但新手产出的东西更需要人复核；而企业省掉的那个熟手，往往正是那个复核的人。省下的工资，可能在评审环节以另一种形式还回去——只是这笔钱不出现在同一张表上。

结论：倍数要按任务拆，不能按人算#

回到最初那个说法。它错的地方不是”AI 能提效”，而是把提效写成了一个可以乘在人头上的系数：

❌ “给一个人配 AI，他就能顶 3 个人” ✅ “AI 在自包含、可验证的任务上能带来 1.5—2 倍的产出，在隐性要求密集的任务上可能为零甚至为负；而低经验者多出来的产出，会以数倍的复核负担转移给下游。”

这也是为什么”1 顶 3”这类说法总能同时被两拨人拿去做证据：支持者拿新手的 +36% 说事，反对者拿资深者的 −19% 说事。两边都没说错，因为那个数字根本不是一个人的属性，而是任务与资历的函数。

所以那两个”要”该怎么写#

回到最初那个流传很广的说法：“企业要的是有实习经验的、要的是博士。”

把今天核到的放在一起，更准确的版本是：

企业要的不是更高的学历，是更早被验证过的能力。 而”验证”很贵，所以它先买了最便宜的那个代理指标——名校。这就是”岗位开放给本科、校招却只敢招 985/211”的全部原因：不是相信名校更聪明，是没人给它更便宜的替代品。

至于 AI 的放大作用，写清楚它的形状比写清楚它的倍数更重要：

AI 把新手拉到熟手水平，对熟手几乎不加分。 所以它既解释了”一个人能顶几个人”为什么在某些情况下成立，也解释了为什么这个说法一被当成普遍规律就会失真——因为它放大的是经验差距，而经验差距是会消失的。

七·补四、然后这笔账被转给了谁：一个正在发生的”隐形降薪”#

前面那些倍数，最后都要落到一个问题上：省下来的钱进了谁的口袋，垫出去的钱从谁的口袋出。

而这一节的材料有一个特点——它们是报道与访谈，不是统计。所以下面每一条都会标明来源性质。之所以还是写，是因为这类变化通常先出现在访谈里，等它进入统计时，账已经记完了。

“三四个人做的预研，只有我一个人做”#

一家头部大厂的技术岗位实习生（24 岁，985 研二，2026 年 3 月入职）被告知的目标是：

原来半个月或一个月的工作量，现在要压缩在一周内完成，原本需要三四个人做的预研，只有我一个人做。

他进公司第一个月在 AI 工具上自费近 300 美元。他的描述是：“已经没有程序员在手写代码了，从技术方案到所有代码，以及对代码的修改与评审，现在全部由 AI 完成。”

注意这句话的性质：这是企业给员工定的目标，不是员工的自我感觉。也就是说，“一个人顶三四个人”在这里不是估算，是被写进工作要求的配额。

额度先放开、再收紧，差价由个人补#

同一篇报道给出了一个完整的周期（三联生活周刊，2026-07-02 ↗）：

这里出现了本博一直在写的那个机制的一个新版本：Token 消耗量成了一个可考核的代理指标，于是立刻被策略性应对——有人把 Token 用在和工作无关的事情上，有人”给 AI 虚开需求”把用量冲到小组第一。古德哈特定律在几个月内走完了一整轮。

不报销，是一笔算过的账#

为什么公司会同时做两件看起来矛盾的事——把 AI 用量写进绩效，却不把 AI 费用写进报销？

有一篇分析把这个逻辑拆得很清楚（钛媒体，2026-07-10 ↗）：企业投入了 300 亿到 400 亿美元做生成式 AI，但 95% 的组织仍未获得可衡量的财务回报；如果由公司统一采购，很可能买回一堆用不起来的企业版账号，钱打水漂、责任落在拍板人头上。

让员工自费，这个难题就被绕开了：哪个工具好用、哪个模型适合哪类活，让几千名员工拿自己的钱包去试；试错成本分摊到每人每月几百块，谁也不至于闹起来；试出来的最佳实践，通过绩效和排行榜自动沉淀回公司。

跑通了是”我司智能化转型成效显著”，跑不通则由员工的工资消化，公司报表干干净净。

配合的两组数据（引 MIT NANDA《State of AI in Business 2025》与微软/领英工作趋势指数）：只有 40% 的公司购买了官方 LLM 订阅，但超过 90% 的受访公司里员工会经常使用个人 AI 工具处理工作；31 国 3.1 万人的调查中，75% 的知识工作者在用 AI，其中 78% 是”自带工具上班”——报告为此专门造了个词，BYOAI。

中国版和美国版不是同一件事#

把这一节和前面”需求在降、门槛在升、供给在增”那一节里那份腾讯研究院报告拼起来，中美差异就清楚了：

所以中国版的”AI 替代”不表现为裁员潮，而表现为：岗位还在，人还在，但一个人干了过去三四个人的活，而工资没变。

这就是”隐形降薪”的准确含义——它不进失业率统计，因此几乎不可见。

一句被记者记下来的话#

一位受访的产品经理说了这样一句（同一篇三联报道）：

将 AI 用得越好，越向公司证明自己可以被 AI 取代，接近被裁的危险边缘；但如果不积极拥抱 AI，也会面临裁员。

这是一句真正的两难，也是”自费买 Token”这件事不需要任何强制的全部原因——只要把 AI 使用率挂上墙，恐惧会完成剩下的动员。

被删掉的那一段：入门岗正在消失#

到这里，前面所有线索（新手增益最大、熟手零增益、低经验者带来 4.52 倍评审负担、大厂额度收紧）可以拼成一个更完整的判断。而有一份基于全国招聘数据的研究，把它量化了。

上海科技大学教育、创新和可持续发展研究中心（CEISD）在 2026 年世界人工智能大会期间发布的研究，用的是 2023 年底至 2026 年 4 月的全国线上招聘全周期数据（媒体口径为主流招聘平台合计 7.43 亿条原始数据）。它的两个结论值得单独记住：

AI 的收缩效应主要集中在月薪 5,000—8,000 元、有 1 至 3 年工作经验的入门中端劳动者。

过去企业依靠入门新人完成文档、录入、标准化沟通等基础训练任务，如今”不再设置低薪练手岗”。

“不再设置低薪练手岗”——这七个字把前面所有线索串起来了。

AI 把”入门”这一段从职业路径上删掉了。而入门被删掉，意味着没有人能再变成熟手。

这也正好解释了同期一个刺眼的落差：2026 届毕业生最期望的职业里，软件/硬件研发占 16%；而企业实际向应届生开放的软件硬件研发岗，只占 4%（智联招聘 × 中国社科院人口与劳动经济研究所《2025 年人力资源市场趋势分析报告》）。期望与实际的比是 4:1，这不是学生不努力，是入口本身在收窄。

但有一条必须说清楚：不能写成”担责者比高产出者安全”#

前面提到”被保留的不是最能产出的，而是不能替换的”。这句话的前半有依据，后半那个对比没有。

有依据的部分：CEISD 同一份报告把”责任承担”与情境判断、跨角色协调、伦理权衡、现场适应、证据链表达并列，作为六项 AI 难以替代的人类核心能力；它以 Java 工程师为例指出，架构设计、线上故障处置、跨业务系统协调等高责任、高现场判断的任务无法被机器接管，因此资深技术岗薪资仍在上行。Gartner 的分析把这件事说得更直白：

AI 可以做工作，但它（目前）不能站在董事会面前解释一次合规失误。 如果 AI 幻觉出一个事实错误并导致诉讼，被解雇的不是 AI，而是签字认可其输出的人。

但不能写成”担责者比高产出者更安全”——现有数据没有做过这个比较，而且反例很硬：同期顶尖 AI 校招生的现金年薪达到 100—200 万、顶尖者 350—380 万，核心岗位实习日薪 4,500—4,800 元；AI 科学家／负责人岗平均月薪突破 13 万。“高产出”的人，企业同样在抢。

准确的说法是：AI 能接管任务，但不能接管责任，所以”权责落地”被明确列为难以替代的能力之一。 至于它和高产出哪个更保命，目前没有数据，谁把它写成结论，谁就是在做和研究同样的事。

还有一处统计盲区值得单独指出#

“35 岁被裁”这个说法流传极广，但官方统计数据里没有这一档。

国家统计局按月发布的分年龄组失业率只有三档：不含在校生的 16—24 岁、25—29 岁、30—59 岁——35 岁以上被合并进最后一档，而该档 2026 年上半年平均失业率为 4.1%，低于全国城镇整体 1.1 个百分点。

也就是说，“35 岁以上失业率是否上升”这个问题，用现有官方数据无法回答。而那些流传的具体数字（如”互联网 35 岁裁员率 42%“）找不到任何可追溯的统计口径与发布机构。

同时，反方向的数据也存在：脉脉高聘的数据显示，2025 年 1—2 月，拥有万人以上规模企业经验的 35 岁以上职场人中，73.33% 仍留在万人以上规模企业。

这一小节的意义不在于”35 岁危机是假的”，而在于：这个议题最流行的版本，建立在一个统计盲区上。 而按本篇的纪律——盲区是可以说的，把盲区写成结论不行。

这一节该怎么说才诚实#

必须说清楚四件事，否则这一节就会变成它自己要批判的东西：

1. 这些是访谈与报道，不是统计。 大厂 Token 额度、自费金额、排行榜这些细节来自记者对具体员工的采访，样本是个案，不能外推为”全行业都在这么干”。目前没有任何统计能证明”企业普遍拒绝报销”——现有调研（如”50% 的职场 AI 使用者依赖个人订阅或免费版、只有 33% 用公司服务”）都混合了三种完全不同的原因：员工自愿用个人工具、企业没提供或没报销、企业明确禁止。三者混在一起，就不能拿来证明”转嫁”。
2. 反方向的数据同样存在，而且不少。 阿里巴巴允许员工免费使用付费 AI 工具、购买外部开发工具可申请报销；字节跳动采取”先垫付、后报销”（因公全额、因私一半，技术序列每人每年上限 1,000 美元）；也有受访的大厂前员工表示”每月额度用不完才是大多数人的常态”。《工人日报》那篇报道本身就把企业做法分成三类：公司给额度、公司给报销、个人付费——“个人付费”只是其中一类，不是全部。
3. 但”存在”和”普遍”是两回事。 个案不能证明普遍性，却足以推翻”这不可能发生”。说”没有数据支持它普遍存在”是对的；说”这只是网上调侃”是错的。
4. 方向上有宏观数据的旁证，但要标清国别：Layoffs.fyi 统计 2026 年上半年全球科技企业累计裁员超过 12 万人；一家全球职业咨询公司的报告称，美国 5 月因 AI 被裁的人数占当月裁员总数的 40%（1 月为 7%、3 月 25%、4 月 26%）。这是美国口径，不能直接搬到中国。

所以这一节的正确读法是：

这些是可观察的现象，不是统计趋势。它们与”企业用新人 + AI 替换老员工”的假设一致，但也与一个更简单的解释一致——企业在总量收缩的同时提高了经验门槛。现有数据无法区分这两种解释。

最值得记的不是哪个数字，而是这件事发生的方式：它没有文件、没有通知、没有强制，只是一边把 AI 用量写进绩效，一边让报销单上那一栏空着。等账记完，成本已经在个人的工资里消化掉了。

八、元问题：为什么”以偏概全”能大行其道#

因为几乎没有人被系统训练过怎么识别它。

人民日报客户端转长江日报（2025-01-16） ↗报道华中师范大学把”逻辑学导论”列为 2024 级全体本科生必修课，定性是”全国率先”。报道里那句关键的话是：

在我国大多数高校，逻辑学多作为选修课或少数文科专业必修课，少有作为全校本科生必修课的情况。

同一篇还给出两个事实：2023 年全国两会，中国社科院哲学所研究员陈霞提案把逻辑学作为面向大中小全体学生的素质教育课；以及——

教育部已提出将逻辑思维能力纳入中国学生发展的核心素养，但专门的逻辑课程在大中小学阶段依然缺乏。

于是链条是完整的：

逻辑学在多数高校是选修课／少数文科专业必修   ← 可查的课程事实
        ↓
理科生：用数学证明替代 → 不覆盖"样本代表性"与"统计推断"
文科生：用写作课替代   → 几乎不教谬误识别与论证形式
        ↓
两边缺的是同一块：论证的形式边界 + 样本的范围边界
        ↓
"以偏概全"不是道德缺陷，而是能力空缺
        ↓
一个标题就能把一个人的经历写成"整个群体的通病"，
而读者里几乎没有人受过识别它的训练

所以正确的结论不是”文科生不行”或”理科生不行”——那正是同一种以偏概全。正确的是：两边都缺同一门没开的课，而”逻辑思维”作为核心素养已经被写入标准很久了。

这也解释了为什么前面那四种工艺有效：它们不需要读者笨，只需要读者没被训练过。

九、可以吸收进我们思路的观点#

这批文章里有真东西，逐条列出来，并标上它立得住的条件。

1. 古德哈特定律：指标一变成目标就失效#

当一项指标变成目标，它就不再是个好指标；越是被拿去发奖励、定晋升，就越容易被扭曲，最后反过来腐蚀它本来要衡量的那件事。

这条与本博 9-24 那篇独立摸到的”局部最优解／策略性应对”是同一件事，但它给这件事起了正式的名字，而且适用范围更广：保研加分、竞赛奖项、KPI 是同一个机制。

吸收方式：把”古德哈特定律”作为”评价”主线的正式命名。我们要补的是——旧标准失效与新标准未立之间那段空窗期，就是古德哈特定律的活跃期。

2. 过度资格化（overqualified）#

风险不在”读不完”，而在”读完之后与市场错配”。这比”读博=失业”精确得多：它指的是匹配错位，不是能力不足。

条件：必须按学科、按行业分别验证，不能一概而论。冷门长线文科与工程学科的错配机制完全不同。

3. 沉没成本剥离#

参照系从”已投入”换成”从今天起的边际收益与成本”。

条件：只要对未来能做方向性粗估，这个替换本身无可替代。它同时也是对”都读这么久了”这类话的正式解药。

4. 继续／调整／暂停／退出 四分法#

比”坚持 vs 退学”二分精确。“暂停”在制度上确有对应（休学、延期、阶段性调整），不是修辞性的第三条路。

5. 该咨询”不受当前课题利益影响的人”#

偏差的来源是信息源的利益结构，不是信息量。这一条可以推广到我们所有关于”怎么判断”的讨论里。

6. 记录功能双向限定#

记录不是为了对抗，而是为了区分偶发摩擦和长期重复的结构性问题。

条件：区分偶发与结构性需要纵向证据，单次冲突的回忆不可靠。这一条同时挡住了”记录=准备举报”和”记录没意义”两个滑坡。

7. 情绪要翻译成可判断的命题#

现状—阻塞点—风险—备选方案—需要对方拍板的问题。把”我很痛苦”翻译成”请判断是否按 B 方案推进、最低还需补哪项证据”。

8. 瓶颈在执行与传播，不在发现#

有一句话值得从英雄叙事里单独摘出来：把线索变成核查、把核查变成视频、把视频变成改变。

这句话点出的是科研诚信监督的真实瓶颈——发现问题的门槛已经被工具拉低了，卡住的是处理能力。同一事件的可核口径里有几组数字支持这个判断：一位学术侦探累计推动撤稿约 350 篇、提交约 3300 份打假报告而对方只处理了约 600 份；一支瑞士团队计划 4 年检查 100 项研究，两年多只完成 8 项；出版机构的科研诚信团队只有几十到一百人出头（南方周末报道 ↗）。

吸收方式：这和我们”AI 降低生成成本、没有降低验证成本”的主线是同一件事的另一个切面——验证的成本不在发现，在受理与裁决。把它从”某个人很了不起”改写成”哪个环节缺产能”，结论立刻可行动。

十、我们自己的口径：五条纪律#

把这批文章的问题反过来写，就是我们要守的东西。

1. 报基数，不报情绪。 说”普遍”就给比例；说”很多人”就给样本。给不出来的，标”据检索”或”查无此数”——这条本博 9-24 已经在执行。
2. 区分”功能”与”目的”。 一个机制承担了什么功能，不等于它就是为了这个目的。从”它有这个功能”滑到”它就是这个目的”，是从观察滑向阴谋论。
3. 不把个案写成群体，也不把群体写成个案。 标题里的每个”人群""通病""都是”，都要能被基数接住。
4. 不删使结论成立所必需的信息。 讲一个真实事件，可以匿名，但要保留对照、偶然、坐标和区分——尤其是”触发调查”与”确认有问题”、“第一作者所为”与”负责人失察”这类区分。删减比造假更难被辟谣，因此更要说清。
5. 评论现象，不评论个人。 我们要审的是被默认接受的社会观念，不是某个作者的动机。批判要落在可检验的断言上，不落在人的品质上。

留一个问题给读者，也留给我们自己：

当你看到”某某人群的通病”这类标题时，能不能在一次呼吸之内问出三件事——样本多大？谁定的价？这句话反过来对另一群人说，还成不成立？

如果问不出来，那不是你的错，是那门课没人给你开。

数据与出处#

• 2025 年博士招收 20.16 万 / 在学 75.36 万 / 毕业 11.29 万：教育部《2025 年全国教育事业发展统计公报》，2026-07-06 发布
• 普通本科招生 503.71 万、另有专科起点本科 85.42 万、职业本科 15.41 万（另有专科起点本科 4.66 万）、高职（专科）招生 551.70 万、专科毕业生 573.36 万、本科毕业生 523.06 万、高等教育毛入学率 61.30%、普通本科学校生师比 16.96:1：教育部《2025 年全国教育事业发展统计公报》 ↗（一手）
• 高考报名人数：2024 年 1342 万、2025 年 1335 万、2026 年 1290 万（教育部及官方媒体口径）。教育部不发布全国口径的高考录取人数与录取率，本文相关比例均按公报招生数测算，属本文计算
• 专升本”在全国普通本科招生计划外单独下达""未完成计划不能调整到普通高考招生录取""双一流高校原则上不得举办”：海南省教育厅琼教发〔2020〕40 号 ↗（政府网站一手）；2006 年”985/211 原则上不举办普通专升本”为教育部、国家发改委口径（媒体转引，未核到原文）
• 专升本毕业生以本科身份报考研究生、招生单位不得设置歧视性报考条件：教育部《2026 年全国硕士研究生招生工作管理规定》 ↗（一手）
• 2019—2021 年专升本分项招生数：培训机构汇总（二级来源）；2022—2025 年与教育部公报逐年一致
• 导师指导规模与博士生科研产出”倒 U 型”、师均 10 人最优（理科 14 人、文科扩招抑制质量）、“顶层收敛、底层膨胀”：鲍威、吴嘉琦、何峰《如何适度布局博士生规模——基于导师指导规模与博士生培养质量的关联性分析》，《中国高教研究》2021 年第 4 期
• 2023 年全国研究生导师 682,078 人、博士研究生生师比 3.53、硕士 4.87：《中国学位与研究生教育发展年度报告（2023）》（社会科学文献出版社）
• 教育部未设全国统一导师指导人数上限、“有的导师指导精力投入不足""部分导师带博士生数量过多”、限额由培养单位自定：教育部《关于加强博士生导师岗位管理的若干意见》答记者问，2020-09-28
• 生师比完整时序（2019 年 17.4:1 → 2021 年触顶 17.90:1 → 2025 年 16.96:1）、高教专任教师 2015 年 157.26 万 → 2025 年 222.36 万：教育部历年《全国教育事业发展统计公报》；生师比折算口径（硕士 ×1.5、博士 ×2）见教发〔2004〕2 号
• STEM 博士毕业生 2011—2022 年 +78%、新获 NSFC 资助研究者 +32%、仅 4% 的 NSFC 负责人换过单位、约 40 所 C9/985 拿走约一半”重点项目”经费、非精英高校份额 8%→35%（C9 由 22%→12%、中科院由 26%→12%）：Stanford SCCEI China Brief, 2026-06 ↗，基于 1986—2023 年 746,732 条 NSFC 记录；原始工作论文 Liu, Shi & Zhang (2026), SSRN
• 马太效应的因果级证据（跨线最低分获胜者 8 年经费多约 18 万欧元、累计经费为最优落选者 2 倍以上、正教授概率 19%→28%、可测产出无显著差异、申请率 40%→59%）：Bol, de Vaan & van de Rijt, The Matthew effect in science funding, PNAS 2018, 115(19):4887–4890
• 马太效应原始命题：Merton RK, The Matthew Effect in Science, Science 1968, 159:56–63
• 预聘长聘制：全国已实施高校 100 余所、“双一流”约 70%（《中国高等教育》2025 年第 2 期；《中国科学院院刊》2026, 41(6):1237–1246）
• 未核到，因此不写入正文：《自然》调查”55.9% 中国博士生每周与导师交流不足 1 小时、43.5% 满意、8 国垫底”（原始出处未核到；Nature 2019 那次为 55% 满意、40% 抑郁焦虑，是另一组数字）；“非升即走淘汰率超 90%“（原文措辞为”有的高校”，属个案，全国淘汰率未核到）；“某校师生比 200:1”（未核到可靠出处）；“研究型大学生师比”（教育部统计分类中无”研究型大学”这一档）；“导师数量增长跟不上扩招”（无官方判断句，官方判断反而是”部分单位盲目扩大博士生导师规模”）；教育部 2020 年专升本计划管理两份文件原文（教发厅〔2020〕1 号、教学厅〔2020〕6 号，仅通过省级文件转引）；专升本”5% 上限”是否现行有效；专升本去向院校类型分布比例；专升本学生考研全国录取比例
• 博士延期毕业率长期 50% 以上（2016、2017 超 65%）：教育部教育统计数据，《知识分子》制图整理 ↗
• 我国博士分流退出率不足 5%、美国顶尖高校约 50%、耶鲁 2020 年超 80%：复旦大学陈焱《文汇报》撰文，同上
• 美国 7 年内获学位 41%、10 年内 57%：美国研究生院理事会（GCS）2008 年调查，同上
• 英国全日制博士 4 年内完成 36%：HEFCE 2005 年报告，同上
• 「强化分流退出和多向选择」：中办国办《关于加快推动博士研究生教育高质量发展的意见》，2024-10-20，中国政府网 ↗
• 逻辑学课程地位、陈霞提案、教育部核心素养口径：人民日报客户端转长江日报，2025-01-16 ↗
• 「研究生主动退学率仅 3%」：仅见今日头条转载，未核到官方原始出处，标「据检索」
• 「超时加班与企业创新负相关」：推文未给出处；实有文献支撑——《财经研究》2026 年第 3 期《超时加班对企业创新绩效的影响——基于”内卷式”竞争背景的分析》 ↗，另有 Killing the goose that lays the golden eggs: Overtime Work and the Quality of Corporate Innovation
• 科研诚信监督的产能数字（推动撤稿约 350 篇、提交约 3300 份报告仅处理约 600 份、瑞士团队 4 年计划 100 项仅完成 8 项）：南方周末，2026-05-27 ↗
• 高校对涉事论文的处理口径（第一作者解除聘用、负责人因失察失管被免职）：同济大学 2026-05-06 通报，转引同上
• AI 生产力倍数的实验证据（三轮数据、选择效应、参与者原话）：METR, We are Changing our Developer Productivity Experiment Design, 2026-02-24 ↗；原始论文 arXiv:2507.09089 ↗。2025 下半年实验规模：57 名开发者、143 个仓库、800+ 任务、中位 10 年经验
• 自报倍数”中位数 1.4—2ד（349 名技术工作者，报告自警”有理由怀疑该幅度”）：METR, Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity, 2026-05-11，https://metr.org/blog/2026-05-11-ai-usage-survey/ ↗
• 客服领域增益分布（全体 +13.8%、最低技能五分位 +35%、最高技能组零或小幅为负；每次对话时间 −9%、每小时处理量 +14%、解决率 +1.3%；用 AI 两个月 ≈ 不用 AI 六个月；样本约 5000 名客服）：Brynjolfsson, Li & Raymond, Generative AI at Work, NBER Working Paper 31161，NBER Digest 摘要 ↗
• 腾讯研究院《2026 年 AI 职业新趋势大数据研究报告》（46 页、25 张图表）：AI 岗位初级占比约 7%、高级岗位占比回落、AI 岗本科及以上 71%（全市场 24%）、要求本科及以上占比由 2024Q3 约 80% 回落至 2025Q2 约 70%、经验要求高出市场 1—1.5 年。报告经三个皮匠、发现报告、慧博等多站存档，本文所见为报告摘要页面；如需逐页引用建议取得原 PDF：摘要页 ↗、报告页 ↗
• 访谈与报道类材料（非统计，样本为个案，不可外推为普遍比例）：大厂 Token 额度发放与回调（2000 美元/月 → 5000 元/月）、Token 排行榜与点名机制、员工自费金额（个案 300 美元/首月、4800 美元/年、自费比例 80%）、“原本需要三四个人做的预研只有我一个人做”：三联生活周刊《从日烧万元 Token 到员工自费上班：席卷大厂的”隐形降薪”？》，2026-07-02 ↗
• 不报销的逻辑分析（含 MIT NANDA 与微软/领英数据转引）：只有 40% 的公司购买官方 LLM 订阅而 >90% 公司员工常用个人 AI 工具；31 国 3.1 万人调查中 75% 知识工作者在用 AI、其中 78% 自带工具（BYOAI）；生成式 AI 投入 300—400 亿美元但 95% 组织无可衡量财务回报：钛媒体《公司不给你报销 AI，是算过账的》，2026-07-10 ↗。其中 MIT NANDA 与微软/领英的数字为转引，未核到原始报告
• AI Coding 的 5 倍效率（企业自述，非独立测量）：面壁智能团队 200 名程序员 8 个月完成 2000 万行代码，“没有 AI 至少需要 1000 名工程师”；并给出衰减——仅代码产出可提效几十倍，转化为落地产品后降至约 5 倍：清华大学刘知远接受三联生活周刊采访，出处同上
• 裁员宏观旁证（美国口径，不可直接搬到中国）：Layoffs.fyi 2026 上半年全球科技企业累计裁员超 12 万人；某全球职业咨询公司报告称美国 5 月因 AI 被裁占当月裁员总数 40%（1 月 7%、3 月 25%、4 月 26%）：转引自上述三联报道
• 任务分档的其余一手证据：GitHub Copilot 随机实验（完成速度快 55.8%，95% CI 21—89%，n=95 招募/35 完成，任务为写一个 JS HTTP 服务器含 12 项测试，四位作者来自 GitHub／微软研究院）Peng et al. 2023，arXiv:2302.06590 ↗；BCG × 哈佛”锯齿状前沿”（758 名顾问，前沿内多完成 12.2%、快 25.1%，前沿外正确率 −19%）Dell’Acqua et al., Organization Science 37(2):403–423, 2026，DOI ↗；客服研究（5,172 名客服、300 万次对话，整体 +15%、低技能 +36%、高技能组零提升且解决率与满意度小幅下降）Brynjolfsson, Li & Raymond，arXiv:2304.11771 ↗；写作任务（时间 −40%、质量 +18%，n=453，作者自限：任务不需精确事实核查）Noy & Zhang, Science 2023，DOI ↗
• 复核成本转移（22,953 个 PR、1,719 名 vibe coder：低经验者提交量 2.15×、评审意见 4.52×、接受率 −31%、滞留 5.16×）Asdaque et al., Novice Developers Produce Larger Review Overhead for Project Maintainers while Vibe Coding, MSR 2026，arXiv:2602.23905 ↗；DORA 2025（约 5000 名技术人员：吞吐↑同时不稳定性↑、30% 对 AI 代码几乎不信任、“摩擦只是从手工劳作转向决定与验证”）Google DORA 2025 报告 ↗；安全代码实验（47 人有效、5 项任务中 4 项更不安全且伴随虚假安全感）Perry et al., ACM CCS 2023，arXiv:2211.03622 ↗
• “4ד的厂商来源与独立质疑：Anthropic 系统卡内部问卷（非研究）；独立估计约 1.55×（串行加速）／1.75×（研发工程活动）见 Redwood Research ↗
• 未核到／不使用：“1 个工程师 + AI ≈ 3 个工程师”及”5×／10ד类表述无同行评议来源（仅个人博客、论坛、媒体演绎）；BCG 研究流传的”质量提升 40%“正式发表版摘要未给出该数字，故本文只写”质量显著提升”；GitClear 与 Faros AI 报告因 403 未取得，其数字一条未采用
• AI 收缩效应的分布（入门中端）与”不再设置低薪练手岗”：上海科技大学教育、创新和可持续发展研究中心（CEISD）《AI 时代的中国劳动力市场：从职业消失论到任务重组论》，2026 年世界人工智能大会期间发布，基于 2023 年底至 2026 年 4 月全国线上招聘全周期数据（媒体口径为主流招聘平台合计 7.43 亿条）：科技日报 ↗、新华网转文汇报 ↗。同报告将”责任承担”列为六项 AI 难以替代的核心能力之一
• 期望与实际的落差（16% vs 4%）、经验门槛抬升：智联招聘 × 中国社会科学院人口与劳动经济研究所《2025 年人力资源市场趋势分析报告》，2026-04 发布，每日商报（杭州网转载） ↗、南京日报 ↗
• 分年龄失业率只有三档（35 岁以上被并入 30—59 岁）：国家统计局《关于完善分年龄组调查失业率有关情况的说明》，2024-01-17；2026 年上半年 30—59 岁失业率 4.1%：国家统计局人口和就业统计司解读 ↗
• 35 岁以上大厂从业者留存（反向数据）：脉脉高聘人才智库，2025 年 1—2 月数据（万人以上规模企业经验的 35 岁以上职场人中 73.33% 仍留在万人以上规模企业），钛媒体快报 ↗
• 顶尖 AI 人才薪酬（“高产出者同样被抢”的反例）：AI 科学家／负责人岗平均月薪突破 13 万元、具身智能岗位需求 +57%，金融界 ↗、36 氪 ↗（科技媒体转述，非一手报告）
• 企业 AI 费用处理的三种模式与”个人付费”：《工人日报》2026-08-04《企业加速拥抱 AI，算力消耗谁买单？》 ↗；反面证据（阿里免费/可报销、字节”先垫付后报销”、腾讯额度调整）：南方网转九派财经，2026-06-16 ↗
• “自费买 Token”的个案报道（现象级，非统计）：投资界/深圳微时光，2026-08-11 ↗（含反方观点：“在头部大厂，每月 token 额度用不完才是大多数人的常态”）
• 50% 职场 AI 使用者依赖个人订阅或免费版、仅 33% 用公司服务：Epoch AI × Ipsos 调研，2026-04，Epoch AI ↗。同源数据：计算机/工程/科学类职业 67% 至少部分使用雇主提供的订阅，管理/商业/艺术类降至 41%，Epoch AI Data Insight ↗
• Gartner 的 RACI 分析（“被解雇的不是 AI，而是签字认可其输出的人”）：Wade McDaniel, Robots in Your RACI，经 SCDigest 逐段转述 ↗。Gartner 官网原文 403，本文按二手转述引用
• 未取得原文、因此不作具体引用：麦肯锡《Rethink management and talent for agentic AI》与《The State of AI in 2025》、MIT NANDA 报告全文、德勤《2026 年全球人力资本趋势》
• 只有传闻/演绎、本文一律不用：“互联网行业 35 岁裁员率 42%“（仅见微博帖文，查无原始来源与发布机构）；“应届生需求减半”（仅见于文章标题，正文无该数字出处）；“90% 员工偷偷买 AI”（把 MIT 原文的”90% 以上的公司”误读为”90% 的员工”）
• 七篇原始推文的链接（mp.weixin.qq.com）在本站抓取时均返回微信验证页，无法读取正文；本文所用内容为用户导出的全文文本
• 软件/硬件研发招聘量占比下降 1 个百分点以上、投递人数占比反升约 0.5 个百分点、要求本科以上比例提高 1—4 个百分点；NLP 岗要求硕博 35.8%、深度学习岗 45.5%：北大国发院 × 智联招聘《AI 大模型对我国劳动力市场潜在影响研究：2024》，北大公共治理研究所 ↗、报告全文（北大国发院官方账号） ↗
• 企业能力要求排序（名校硕博 23.5% 第 6、AI 项目实习 18.7% 第 8）、AI 岗位需求分布（AI 应用开发 53.9%、算法工程师 25.4%）、薪酬分化：前程无忧 51job《2027 届校招 AI 人才市场洞察》，澎湃新闻 ↗、经济观察报 ↗
• 2025 年前三季度前端开发 +39%、测试工程师 +36%、运维工程师 +11%；算法岗 56% 要求本科、34% 要求硕士及以上：智联招聘《2025 年人工智能产业人才发展报告》，21 世纪经济报道转载 ↗
• 中国 AI 岗位初级岗位占比稳定在约 7%（与美国对比）：腾讯研究院 × 劳动经济学会数字经济专委会《2026 年 AI 职业新趋势大数据研究报告》，基于近 1 亿条招聘数据。注：官方 PDF 未获取，本文所见为报告摘要二传，如需正式引用建议向腾讯研究院核对原报告
• 实习经历排第 1（38.9% 归因”有相关实习经历”、78.4% 有过实习）：智联招聘《2024 大学生就业力调研报告》，教育部学生服务与素质发展中心就业平台转载 ↗。注：属毕业生自我归因，非企业端权重排序
• 2024 年计算机类招生计划 43.5 万、扩招主力为”其他高校”（13.04%）、开设计算机科学与技术院校 995 所：转引自 36 氪／智谷趋势《高薪神话破灭，这个最火的专业，要凉了？》 ↗（引易度排名、阳光高考、软科数据，属媒体转引，非一手）
• 华为”天才少年”不限学校、不限专业、不限学历：快科技转述华为招聘公告 ↗；DeepSeek Harness 负责人崔添翼”不存在硬性学历门槛""高考生可申请实习”：都市快报，齐鲁晚报转载 ↗；DeepSeek 2026-06-25 招聘公告加分项含开源贡献：电子工程专辑转述 ↗
• 两项容易被混用的 AI 就业研究，口径不同：其一，Brynjolfsson, Chandar & Chen《Canaries in the Coal Mine?》（Stanford Digital Economy Lab, 2025-08 ↗）基于 ADP 薪资面板：22—25 岁在最高 AI 暴露度职业中相对就业下降 16%，软件开发者 22—25 岁较峰值下降近 20%；限定是”AI 替代劳动”应用中下降、“AI 增强劳动”应用中增长。其二，企业层面口径（采用生成式 AI 的企业 vs 未采纳企业）为初级员工规模六个季度累计下降约 7.7%（Hosseini & Lichtinger, SSRN 工作论文，DOI: 10.2139/ssrn.5425555 ↗）。两者分母与识别策略都不同，不可互相替代
• 未核到，因此不写入正文：“预训练/算法研究 vs Agent/应用 学历门槛高低”的对比数据；“非博士不要”的规模证据；DeepSeek”招本科生做算子研究员”公告原文（该岗位名不存在）；“开源贡献者平均薪资高 20%—30%“（无一手来源）；中国技术招聘中开源贡献权重排序的规模调查；教育部”不再公布具体专业就业率”的明确官方文件（实际是 2023 年起改为”毕业去向登记制度”，口径变化而非停发）
• 只有传闻/个例、无规模数据：“第一学历非 985/211 在大厂算法岗简历筛即被刷""算法方向需要顶会顶刊论文”（均出自媒体对个别受访者的采访）；“AI 岗位要博士学位”（相关表述均来自媒体对猎头的采访）
• 本文不指名任何公众号与作者：批评对象是现象与观念的普遍形态，而非具体文本或动机。凡本文标注为”工艺”的描述，均对应多个样本中反复出现的模式，不针对单篇