大模型抹平信息差以后，我开始怀疑知识创作与分享的意义

原创

袁立志
袁立志

减熵实验室

2026年11月2日 10:16
上海

去阅读

作者：袁立志

上周去给一家金融科技企业做年度培训，主题是关于AI的。培训开始时，我谈了最近的一点感慨：大模型正在迅速抹平信息差，知识创作与分享是否还有意义？

这些年，我在很多场合做过知识分享，有线上的，也有线下的，都是围绕互联网、数据、人工智能、自动驾驶等数字产业相关的法律话题。我的习惯是，每次分享前都做非常充分的准备，争取每次都能带给听众一点儿真知灼见。ABC我不讲，别人讲过的东西我不愿意讲，我自己以前讲过的东西也不愿意重复讲。这当然不容易做到，但也正是这种不容易，会激发我的分享欲，让我每次站上讲台时，都充满分享的激情。

但是，现在这种激情减退了不少。主要原因是大模型大幅抹平了信息差，许多知识变得唾手可得，要给听众带来大模型提供不了的真知灼见，越来越难了。当我站上讲台，我会怀疑：我将要分享的内容，听众是否可以通过大模型自己研究获得？是否有必要专门坐在这里听我讲？如果知识的生产变得轻而易举，分享的意义是否只剩下仪式感？想到这些，我感到非常沮丧。

以前有一句话，叫做“天下文章一大抄”，说的是大多数人文社科的文章都是在重复或借鉴别人的观点，少有创新。即便如此，还是有不少人，不屑于拾人牙慧，不甘于述而不作，以六经注我的雄心，自出机杼，推陈出新，使人类智识持续增益，不断精进。之所以有这样的雄心，说到底无非就是“不相信”：不相信前人已经通晓了所有知识，不相信我不如前人，不能发前人之所未发。

谁曾想，现在天上掉下个大模型！以区区数年的时间，便已吞食人类几千年积累的各种知识，以人类难以理解的方式化于万亿参数之中，可轻松写代码、做文章、解难题……面对庶几通神的大模型，前人的“不相信”，正在变成今人的“不自信”：对自己生产出来的知识是否还有价值不自信，对自己还能不能生产出有价值的知识不自信。各种专业知识的生产者，正在面临前所未有之变局。

怎么办？

要回答这个问题，先得看清大模型到底是怎么工作的。众所周知，大模型的工作模式是根据输入词元预测下一个词元。每次预测时，它都会把词表中十几万个词元的概率全部计算一遍，再依据概率分布做出选择。下一个词元的概率通常呈幂律分布——极少数词元占据绝大部分概率质量，其余十几万个词元趋近于零，如同陡峭的山峰拖着一条细长的尾巴。

按照信息论，预测即压缩，压缩即理解，理解即智能。为了更好地预测下一个词元，大模型将训练语料里包含的各种知识压缩进万亿参数。压缩就是信息编码，在不断改进信息编码（压缩）方式的过程中，大模型被迫理解了信息中蕴含的规律。大模型理解的规律越多越深刻，编码就能压缩得越短，进而预测得越准。这就是大模型能够产生智能的原因。

看清这个原理，就能找到专业知识生产与分享的新价值锚点。

其一，大模型生成的内容结构性地趋向平庸，而人类能够正确地选中长尾。概率分布的头部词元承载着语料中的共识，一味偏向头部，输出的就是共识性知识，正确但可能平庸。平庸并非来自每个词元都常见，语法本身就要求大量词元选自头部；真正的平庸，是在每一个分布平坦的岔路口都选择了惯例的方向，一直走老路，汇集起来就是一堆陈词滥调。

那么调高“温度”呢？“温度”会压平概率分布、抬高长尾词元的相对份额，但改变不了排序。长尾里的大多数是垃圾，随机采样的“与众不同”多半只是噪声。

与大模型相比，人类知识生产者的价值在于，凭借判断力，在关键岔路口选中那条极不寻常却正确的路，带来真正的信息增量。

其二，语料之外，还有大模型未曾掌握的知识。语料文本只是世界的有损投影，更何况还有大量知识从未进入语料。某个人从未写下的独特经历，一个尚在脑中没有外化的想法，当下正在发生而尚未被记录的事件，特定场景下人的即时感知与互动……这些都没有被训练进大模型的参数里，也暂时没有被输入给它。

至少在目前，人类仍然掌握着大模型训练数据和输入数据的入口开关。人类可以决定喂给它什么、不喂给它什么，大模型还不能自主“觅食”。版权保护、商业秘密、反爬虫、数据安全以及信息化水平等因素，也在客观上限制着大模型获取数据的能力。大模型消化和接收的数据在全局和总量上远超任何人类个体，但在局部，人类个体可能握有独家的数据优势，并据此创造出大模型无法生成的知识。

其三，大模型蕴藏的知识不会自动流出，需要人去“激发”。大模型掌握的规律潜藏在参数里，参数无法被人类直接阅读和理解，必须通过适当的设置和提示词引导它生成内容。

最著名的例子是，推理能力早已存在于参数之中，研究者却在两年后才发现，激发它的钥匙仅仅是提示词里加一句“让我们一步步思考”。能力先于认知，不符合直觉，但经常发生。

这说明，使用者的水平就是大模型输出的上限。懂得越多、理解越深刻的人，越能用大模型创造出高价值的知识内容。运用得当，大模型是人类知识生产的加速器和放大器。

其四，人机协作生产出来的知识，还需要适当的人以适当的方式传播，才能抵达需要它的人。

受时间、成本、注意力、专业分工等因素影响，知识在不同人群和个体中的分布高度不均匀。互联网出现时，很多人预言它将大幅缩小人类的信息差，但一些研究提示，数字鸿沟非但没有缩小，反而可能有所拉大；大模型的普及，或许会进一步放大这种分化。尤其是即时的、面对面的知识分享，承载的远不只是信息本身，还有即兴的交锋、现场的互动，以及“本人在场”的真实性见证，这些都是文本无法替代的。

举一个例子，来印证上面四个锚点。

上周末我参加了一场活动，主办方请来高志凯发表主题演讲。高志凯讲到鱼钩与长矛理论、中美之间不可避免的和平、高志凯线以及他与印度学者的交锋等，妙语连珠，精彩纷呈。

鱼钩与长矛是高志凯最著名的原创分析框架：长矛是真正具备实质杀伤力的硬实力威胁，鱼钩是诱骗、试探、舆论陷阱与虚假信号；博弈的关键在于分清二者，不被诱饵带偏，集中力量应对真正致命的长矛。如果就同样的问题问大模型，它有可能给出类似的建议，但在高志凯的理论被大模型吸收之前，大模型大概率不会将“鱼钩”与“长矛”联系起来，形成如此生动形象的理论提炼。同理，“不可避免的”通常与“战争”搭配，“不可避免的和平”则是一个让人耳目一新的表达。

当然，这些观点原本是长尾，传播后就可能被大模型吸收为中心。人类的优势不在守住某个具体观点，而在持续生产下一个长尾的能力。

高志凯曾担任领导人的翻译，做过执业律师，还曾在华尔街投行工作。他在中印、中菲领土争议中提出了“高志凯线”；面对印度学者“中国在国际上没有朋友”的质疑，他反击“至少印度需要把中国作为朋友，否则无法成为联合国常任理事国”。这些充满机锋的观点，估计与他独特而丰富的人生经历有关，这正是他独有而大模型所缺乏的数据集。

在参加周末的活动之前，我其实已经看过高志凯的很多观点，但现场听下来，仍然被深深折服。折服不仅来自于其博学，还有即兴的机锋和在场感。这恰恰印证了知识分享的不可替代。

最后想说的是，我这篇文章也是人机协作的成果。我的近期经历和感受都是真实独特的，想法和观点是我自己琢磨的，绝大部分文字也是我手敲出来的，但大模型帮我优化了文章结构，修正了我对大模型工作原理的论述。你能读到这里，说明人机协作完成的知识生产与分享，仍然有意义。