本文来自微信公众号： APPSO ，作者：发现明日产品的
5年后，互联网上来自AI的流量将是人类的1000倍，人类不再是冲浪的主要用户，甚至就是赛博世界的零头。
这是Cloudflare在最近财报会议的预测，并非耸人听闻，此时此刻，AI的访问量已经正式超过了人类网民。
没有人认真想过将来那片牧场还长不长草。
据测算，语言模型的训练将在2026年到2032年间耗尽人类公开的文本数据。高质量语言数据的枯竭甚至可能提前至2026年，比公开文本整体耗尽还要早两年。
Stack Overflow的沉没
Stack Overflow曾是程序员世界的集体大脑。
从2008年建站到2014年鼎盛期，每月能吸引逾20万个新问题，形成了一座庞大的人类智识档案馆。
任何一个debug到凌晨三点的工程师都懂得那种感觉：用精准的报错信息搜索，第一条结果几乎永远是Stack Overflow上某个五年前的问答，答案还带着七八十个人的投票与反驳。
而自2022年底，ChatGPT出现后的两年间，Stack Overflow的月提问量从逾20万跌至不足5万，几乎回到2009年——也就是平台刚刚上线时的水平。
问题干涸了，人们不再去那里，因为他们去问AI了。
根据Stack Overflow自己2025年的调查，84%的开发者每天都在使用AI工具。
与此同时，46%的开发者不信任AI输出的准确性，他们最大的顾虑并非AI给出错误答案，反而是给出的东西「看起来正确，但就差一点」，看着很像专家的答案，这种情况很容易让人放松警惕，也对最后把关审核的人提出了更高的要求。
甚至有约35%的开发者表示，他们有时访问Stack Overflow，是为了修复、理解或调试AI制造的问题。
通过对24304名活跃贡献者在ChatGPT推出后17个月里的行为轨迹进行分析，研究者也发现那些在平台上技术最精湛、声誉最好的用户，反而更容易离开该平台。
这使得平台上无人回答的问题比例从19.9%升至25.7%，整体真实贡献量下降了约35%。
事情逐渐离谱，Stack Overflow的知识训练了AI，AI带走了Stack Overflow的提问，开发者再回到Stack Overflow，寻找修复AI的办法。
但如果没有源源不断的新问题，之前的那些答案也会逐渐过时。
五年前的答案或许依然可以解决五年前的问题，却未必知道今天刚刚发布的框架、刚刚出现的漏洞，以及一个从未有人遇见的新bug。
模型可以给出答案，却不能替人类预见下一个问题。
搭便车，或者，公共知识的悲剧
经济学有一个经典命题叫做「公地悲剧」。在共享牧场里，每个牧人都有动机多放一头牛，因为收益是私人的，消耗是公共的，最终牧场被过度使用，走向崩溃。
以往，人们分享知识是因为存在一种隐性的社会契约：你贡献，别人也贡献，整个共同体因此受益，而你也通过这种参与获得某种声誉、认可或者学习的反馈，这是一个正向的循环。
Stack Overflow的投票机制、答案排名，都是在激励参与。维基百科的编辑文化，也是如此。
可是，AI正在加速「专家贡献者的离开」。
当一个工具能以接近零成本给出足够好的答案，「分享专业知识」的边际效益就迅速萎缩了。
一个工作了20年的数据库架构师，写一篇PostgreSQL调优的深度文章要花整整三个小时，而任何人只需问一句话，就能得到一篇AI综合的类似内容。那他为什么还要写？
你或许会说，因为热爱啊，因为乐于助人啊。确实有这样的人。但人的时间是有限的，当「分享」的反馈越来越少，评论减少，引用减少，读者减少，坚持下去所需要的内驱力会越来越强，而能够持续供给这种内驱力的人，在任何群体里都是少数。
这带来的变化可能是有价值的知识进入企业内网、付费社群和私密聊天；也可能是人类减少知识生产，AI因此在更匮乏的数据上训练，知识质量下降，最终整个系统陷入螺旋式衰退。
计算机科学版本的近亲交配
互联网在过去三十年建造了一座人类知识的大教堂，砖瓦来自无数个在BBS上认真回答问题的陌生人，来自不眠不休维护维基词条的志愿者，来自在论坛里争得面红耳赤的工程师和研究人员。
AI从那座教堂里学会了说话。
现在，教堂的访客越来越少，新的砖瓦越来越少。AI开始用自己的回声填补沉默，以至于已经有研究者在谈论知识的「惯性化」：
更新停止，AI在消费一座正在缓慢老化的遗产，然后把老化的遗产再生成一次，再老化，再生成。
2024年7月，曾任职于Google DeepMind的研究科学家Ilia Shumailov等人在《自然》期刊发表了一篇广受关注的论文。
AI models collapse when trained on recursively generated data
论文指出：大型语言模型、变分自编码器等系统，在被反复用自身生成的内容训练时，性能会出现退化。早期是稀有模式消失，晚期是整体输出趋向单调，漂移到平均值附近，带着奇异的离群点。
美国一些主流科学媒体在报道中引用了一个传神的说法：「用AI生成的文本来训练AI，是计算机科学版本的近亲交配。」
AI生成内容大量涌入互联网，当这些内容反过来成为训练语料，反馈循环中的误差会持续叠加，导致模型与真实世界的分布之间产生越来越大的偏差。
谁来给AI种下一茬草？
假设15年之后，AI已经在大多数知识领域达到「专家级」水平。
那个时候，谁还有足够的知识储备，去辨别AI的答案是否正确？
监督AI需要人懂AI在做什么。但培养「懂这件事的人」的过程本身已经被AI接管，下一代人将依赖AI学习，依赖AI工作，依赖AI判断，最终也依赖AI监督AI。
有人会说根本不需要监督，就像不需要验算计算器给你的结果一样。可我们清楚计算器只是在执行确定性的算术逻辑。
然而，AI不是计算器。当AI的复杂度彻底超越了人类个体的认知极限，我们对它的信任，就从理性的验证无奈地退化为了盲目的信仰。
世界经济论坛2026年的一篇文章指出，AI能力越强，人类的有效监督就越弱，因为人类承担的认知工作越来越少，对那个工作的第一手掌握也随之消退。
未来，我们是否需要像要求飞行员定期手动飞行一样，定期要求AI用户独立完成高难度的认知任务，建立某种能力审计机制，确保人类判断力不在不知不觉中萎缩？
人类有一种非常顽强的倾向，就是在某种工具极大降低了某类知识的门槛之后，反而衍生出新的、更高层次的需求。
AI的加入，或许会逼迫知识生产走向「不可被替代」的深水区。
但这需要一个前提，认知劳动的价值被看见，被承认，被某种方式回馈给创造者。
我们需要给答案提供更多出处，更重要的是，也给下一代保留不依赖AI独立学习和犯错的机会。
人类文明的集体智慧不是一个已经下载完成的数据包。它由集体记忆、集体注意力和集体推理组成，需要活着的人持续争论、修正和补充。
AI可以增强其中的一部分，但如果人的参与本身萎缩了，这三个要素就失去了活的源头，剩下的只是一个越来越精致的回声腔。
AI可以蒸馏一切过去的知识，却无法凭空创造一群愿意为未来负责的人。
我们一直在说，模型需要算力需要Token，但还有一个很重要的需求——那些走进真实世界、发现新问题，并愿意把答案公开留下来的人。
最好的知识库，不一定是提供了最权威最正确的答案，但它会永远有人回来修改，不断更新。
AI在狂奔，可知识牧场不会因为牛跑得更快，就自动长出下一茬草。