成为分布外的一个点

你和同事都学会了用 AI。写方案、做 PPT、查数据，效率翻了好几倍。然后老板发现——你们俩也没什么区别了。

这就是问题所在。当所有人都掌握了同一种工具，工具带来的优势就消失了。你并没有被 AI 淘汰，你被另一个同样会用 AI 的人淘汰了。

在分布内做到最好，是一件很危险的事

上个月 WAIC 世界人工智能大会上，人大和西湖大学联合成立的"未来人类联合研究院"执行院长郭放说了一句话，让我想了很久：

“成为分布外的一个点，而非分布内的可替代点。”

这话听着像学术黑话，其实说的是一个很朴素的道理。

统计学里有个概念叫"分布"——大量数据聚集的规律。比如人的身高，绝大多数在 160 到 180 厘米之间，这就是分布的"均值"附近。AI 的运行方式就是在学习这种分布：从海量数据中归纳模式，预测最可能的输出。所谓"标准答案"，说到底就是分布的均值。

问题来了——过去两百年，我们的教育系统干的就是一件事：把人训练成分布内最好的那个点。标准课程、标准考试、标准答案，一路筛选下来，最"优秀"的人就是最符合统计规律的人。

学得最像标准答案的人，拿最高分。而那些偏科、走弯路、想法奇怪的孩子，被认为是"需要纠正"的。

换句话说，我们花了几十年把自己变成 AI 最擅长模仿的对象。

清华大学的蒋黛兰在论文里写得更直接：科学史上所有真正的突破，都是"反统计"的。达尔文在加拉帕戈斯群岛，没有研究那些最典型的雀鸟标本，而是盯上了喙部形状异常的几只。那些异常——也就是偏离分布中心的点——才是进化的线索。

芝加哥大学的修大成在同一个论坛上也说了句狠话：“淘汰你的不是 AI，是善用 AI、具备独立判断力的人。“注意他的措辞，不是"会用 AI 的人”，是"有判断力的人”。

怎样成为分布外的那个点

“分布外"不是让你故意当奇葩。它指的是一种可以培养的思维习惯。

第一，关注异常，别只盯着均值。

蒋黛兰举了一个医疗领域的例子。FOP，一种罕见病，发病率是两百万分之一。AI 几乎一定会误诊——不是因为它不够聪明，而是因为训练数据里这类病例太少，统计模型根本"看不见"它。

但一个有经验的好医生会注意到"不对劲”。他不一定知道这是什么病，但他能觉察出这个病人的症状跟常见病例对不上。这种对异常的敏感，是 AI 的死穴。

达尔文能发现自然选择，不是因为他比同时代的人更懂数据，而是因为他愿意花时间看那些"不正常"的东西。

第二，提问比回答值钱。

芝加哥大学 Booth 商学院的 Ryan Bedell 说，企业最看重的四类能力是：复杂问题拆解、真实表达沟通、落地执行、跨人群协作。你看，没有一条叫"能给出正确答案"。

飞马科技风投合伙人 Bill Reichert 干脆列了教育的"十大转变"，第一条就是"从寻找答案转向提出问题"。

想想你上学的时候，课堂上的节奏永远是老师提问、学生回答。答对了表扬，答错了扣分。从来没有人因为"问了一个好问题"而得高分。

这跟几十年的学校训练完全相反。我们从小被教育要答对，从来没人教我们怎么问好。AI 能给出所有标准答案的时代，提出好问题本身就是创造。斯坦福大学专门开发了一套系统，不考学生能不能答对题，而是给学生的"提问质量"打分。问题从低阶的"记忆"到高阶的"创造"逐级递进。你能问出更深的、更有想象力的问题，你的思维层级就更高。

第三，判断力是最后的护城河。

Microsoft 做了一项研究，发现一个反直觉的事实：对 AI 信心越高的人，批判性思维越低。反过来，对自身判断力越有信心的人，批判性思维越强。

这不是在说 AI 不好用。它说的是——你越依赖，你就越不会想。

我见过太多人把 AI 生成的内容直接粘贴出去，连看都不看一眼。前阵子帮同事审一份 AI 写的方案，第一页就有个明显的数据错误——年份对不上。同事说"我没看，它写的应该没问题"。这不叫善用工具，这叫放弃思考。

说白了，最危险的不是不会用 AI 的人，是对 AI 的话深信不疑的人。

写在最后

《史记·货殖列传》里，司马迁写了一句话：“用贫求富，农不如工，工不如商。“他的意思不是农和工没有价值，而是在那个时代，它们已经不再是获取财富的最优路径。

今天的情况有点像。在 AI 擅长的领域里做到最好——背最熟的课本、写最标准的代码、做最规范的分析报告——你还是在"农"和"工"的赛道上。AI 可以做得比你快、比你稳、不知疲倦。

太史公要是活在今天，大概会加一句：工不如问，问不如断。

成为分布外的一个点，不是要你变奇葩。而是提醒你——你的价值从来不在于跟别人像，而在于跟别人不一样。