只要拿着手机查三分钟 AI，超过六成的人就觉得自己有底气在诊室里当面反驳医生

只要拿着手机查三分钟 AI，超过六成的人就觉得自己有底气在诊室里当面反驳医生。 面对读了十年医学院、看了几万张片子的专业人士，近半数人甚至觉得挂在墙上的执业执照已经没什么分量。 这种突然蔓延的底气，到底是从哪来的？ 是大模型真的在一夜之间把普通人武装成了跨领域专家？ 还是人类社会用了上百年建立起来的专业信任体系，正在被一台看不见的机器悄悄解构？ 一项针对 15,428 名成年人的跨行业调查，把这种现象定义为专业衰退。 调查数据显示，64% 的受访者在用 AI 核对过后，敢于直接挑战医生、教师、经济学家甚至企业高管的专业判断。 在 18 到 34 岁的年轻群体中，这个比例高达 70%。 超过半数的人在听取专家建议前，习惯先让聊天机器人筛查一遍，再决定是否认可。 46% 的人明确表示，那些象征行业权威的专业凭证与执业资质，在自己眼里的声誉已经大不如前。 为什么一个连基础因果关系都难以厘清的普通人，一旦连上大模型，就会瞬间产生一种自己能够俯视专家的幻觉？ Use.AI 联合创始人伊霍尔·赫拉西莫夫（Ihor Herasymov）点破了这背后的核心错位。 AI 普及自信的速度，远远快于普及知识的速度。 它能让任何人以零边际成本生成极其尖锐的提问，却根本没有赋予这个人评估答案优劣的认知能力。 支配这种群体性幻觉的，是一台深刻重塑现代社会分工的底层机器。 质询成本与裁判成本的结构性脱钩。 在经济学中，1973 年诺贝尔经济学奖得主迈克尔·斯彭斯（Michael Spence）提出了著名的信号理论。 医学博士学位、教师资格、行业准入执照，本质上是人类社会为了克服严重的信息不对称，用高昂的时间与筛选成本筑起的信誉信号。 因为普通公众无法在短时间内看懂复杂的病理机制，制度才设立了严苛的准入门槛，让执照替公众完成底层的信任背书。 过去要质疑一个权威，你必须先付出极高的认知成本。 你得在图书馆里翻阅大量文献，熟记复杂的专业术语，理解各项诊疗指南背后的适用边界。 这个艰苦的学习过程本身，就是一道天然的认知过滤器。 它在让你获得提问能力的同时，也让你对这门学科深不见底的复杂性产生敬畏。 大模型的出现，彻底击穿了这道门槛。 它把组织一套看似专业、逻辑严密的话术成本直接降到了零。 你只需要输入几句日常口语，算法就能在两秒钟内输出一份引经据典、结构工整的质询清单。 但它提供给你的，仅仅是知识在语言层面的表面符号。 1958 年，哲学家迈克尔·波兰尼（Michael Polanyi）在《个人知识》中提出了默会知识的概念。 人类能够知道的，永远远多于人类能够用语言清晰表述的。 外科医生切开病灶时指尖感受到的细微阻力，教师在课堂上捕捉学生眼神闪烁时的直觉，面对罕见并发症时的临场概率权衡。 这些深植于专业人士肉身与数十年实践经验中的隐性智慧，从来无法被完整编码进任何公开数据集。 AI 给普通人制造的巨大认知陷阱，恰恰在于将生成文本的流畅度，错认成了理解世界的能力。 提问的门槛消失了。 但识别虚假关联、权衡决策风险、在混乱现实中承担后果的代价，从未减少半分。 1999 年邓宁与克鲁格发现的心理机制，在算法的催化下被赋予了前所未有的杠杆。 当一个缺乏专业训练的人，手里突然握住了一把能自动生成行业行话的算法工具。 他极容易误以为自己已经站在了整座知识大厦的顶峰。 专业凭证与行业权威的声誉损耗，并没有降低真实世界的运作难度。 它只是把人类对专业深度的敬畏，替换成了一种被算法喂饱的廉价掌控感。 真正的专业，从来不取决于谁能在屏幕前以多快的速度调出一串冷门术语。 它深植于面对复杂现实与生命抉择时，那份只有经历过漫长训练才能具备的审慎、权衡与终极责任。 当算法让每个人都能轻易扣动质疑的扳机，谁来为那些被廉价推翻的专业判断承担最终的代价？