AI 正在製造新的「資訊窮人」？

AI 最殘酷的地方，不是它不給窮人答案。

恰恰相反，它給每個人答案。

它給學生論文框架，給職員郵件模板，給創業者商業計劃，給普通人法律解釋、投資建議、職業規劃。答案第一次如此廉價、如此充足、如此像真的。

但問題也在這裡：當答案人人可得，真正稀缺的就不再是答案，而是判斷答案的能力。

新的資訊窮人，不是被擋在 AI 之外的人，而是已經拿到答案，卻沒有能力判斷答案、也沒有條件把答案帶入真實機會的人。

一、AI 時代的資訊差

網路時代的資訊窮人，是那些被排斥在網路之外的人。解決方案看起來清晰：接通網線，普及設備，提高識字率。搜尋引擎時代稍微複雜，你需要學會提煉關鍵詞、篩選來源、判斷可信度，最好還懂一點英文。但門檻是可見的，也是可量化的。

AI 時代的資訊差，結構完全不同。

大型語言模型不是搜尋引擎，它直接替你生成結論。你不需要再去「找」答案——答案會被組織成流暢的段落、清晰的步驟、自信的語氣，主動送到眼前。從表面上看，門檻大幅降低了。但這裡藏着一個冷酷的結構：當答案變得廉價，錯誤也同樣變得廉價；而辨別「這個答案是否可信」的能力，反而比以往任何時候都更稀缺、更值錢。

歷史上每一次通用技術的擴散，都遵循同一個邏輯：新技術先獎勵那些已經擁有互補資本的人。印刷術讓識字者先受益；電腦讓懂辦公軟體、懂編程的人先受益；網路讓英語能力強、檢索技能熟練的人先受益。AI 的互補資本包括教育背景、專業知識、批判性思維、組織授權、付費能力，以及最難被量化的那一樣——判斷力。

新技術很少先獎勵最需要它的人。它通常先獎勵最能利用它的人。

二、先分開的，是通向 AI 的路

2026 年 4 月，AI 研究機構 Epoch AI 與民調公司 Ipsos 發布了一項針對約 5000 名美國成年人的問卷調查。三輪問卷問的是一個看似普通的問題：過去一周，你使用過哪些 AI 服務？但答案呈現出來的，並不是簡單的產品偏好，而是一張收入、入口和分發交織在一起的地圖。

Claude 的周活躍用戶中，約 80% 來自年收入 10 萬美元以上的家庭；Meta AI 用戶中，這一比例只有 37%。反過來，Meta AI 用戶中約 32% 來自年收入 5 萬美元以下的家庭，而 Claude 用戶中，這一比例僅為 7%。

這些數字之所以重要，不是因為它們證明了「有錢人用高級 AI，窮人用免費 AI」。那是最淺的一層讀法。更值得追問的是：不同的人，為什麼會在日常生活中遇見不同的 AI？

一個人讓 AI 給冰箱裡的剩菜配一份晚餐，替照片調亮背景，把一條短信改得更得體。另一個人讓 AI 整理客戶訪談、比較供應商報價、挑出報告里的薄弱假設。兩者都在調用同一種技術。但一種調用止於便利，另一種調用進入了收入、職位和談判權的循環。

差異並不只在用戶身上，也在入口身上。Claude 的使用路徑需要主動搜尋、比較產品、理解能力差異、選擇付費，再將工具嵌入工作流——每一步都在篩人。Meta AI 的路徑則幾乎相反：它被內置在社交平台里，免費、低摩擦，用戶往往在刷動態、發消息或看照片的間隙被動遇見。

這不是一個關於品味的市場，而是一個關於分發的市場。用戶看似在選擇工具，工具的價格和入口也在選擇用戶。

來源：epoch.ai

三、然後分開的，是使用 AI 的場景

在普通辦公室里，AI 的到來很少以「裁員通知」的形式出現。它先接管會議紀要、郵件草稿、表格整理、客戶分類和匯報初稿。對管理者而言，這些自動化釋放出時間，讓他們去做判斷；而對新人和基層員工來說，這些自動化拿走的，恰恰是他們證明自己、練習判斷、進入更高層級工作的入口。

數據比這個場景更冷：Financial Times 與研究機構聯合開展的英美勞動力 AI 追蹤調查（2026 年 2—3 月，覆蓋英美逾四千名受訪者）顯示，最高薪資檔的勞動者中有 63% 在普通工作日使用 AI，而最低兩檔的比例分別只有 17% 和 16%。這不是一條緩和的坡，這是一道懸崖。

更關鍵的發現在於驅動因素。這份職場調查的回歸分析揭示，薪資對 AI 使用率的影響，在控制其他變量後幾乎消失——真正在起作用的是四個因素：年齡、資歷、行業，以及培訓。其中培訓的效應最大：一家提供了正式 AI 培訓的公司，員工的日均 AI 使用率比未培訓的同類公司高出 37 個百分點。即便只是非正式指導，也有 24 個百分點的提升。

然而現實是：截至 2026 年初，只有 14% 的員工表示曾接受過僱主提供的正式 AI 培訓，三分之二的人完全沒有接受過任何形式的培訓。

AI 培訓不是技術問題，是分配問題。誰被選中接受培訓，誰就被允許進入生產力增長的軌道；誰沒有，工具就只是屏幕上一個沒有被授權打開的圖標。

AI 在消費端是一個應用，在職場端是一種權限。而權限，從來不是平均分配的。

四、最後分開的，是判斷 AI 的能力

設想一個應屆畢業生剛剛進入一家諮詢公司。他用 AI 生成了一份行業分析報告的初稿，結構完整，數據充足，語氣自信。他的上司——一個在這個行業做了十年的人——掃了一眼，指出其中兩個數據引用的原始來源存在方法論缺陷，第三個結論的因果關係推導有問題。上司不是因為比他更努力，而是因為他擁有那層底座——知道哪裡容易出錯，知道哪種流暢是真的流暢，哪種流暢是機器在填空。

這正是職場調查數據里那個反直覺發現的真實含義：AI 在工作中的最重度使用者，不是最年輕的員工，而是已經在當前崗位工作了 2 到 10 年的人。AI 使用率與資歷的關係，在控制年齡之後依然顯著。這不是因為年輕人不想用，而是因為 AI 的價值，高度依賴於使用者本身已有的判斷能力。

經驗是 AI 最重要的互補資本，而經驗不能被訂閱。

AI 降低了「聽起來懂」的成本，卻沒有同等降低「真正懂」的成本。甚至有一個更危險的後果：越是缺乏底座的使用者，越容易對 AI 的輸出照單全收；而越是照單全收，判斷力就越難生長。代理人替你判斷的時候，你在消費智能，不是在積累它。

諾貝爾經濟學獎得主、MIT 教授 Daron Acemoglu 對此毫不客氣：使用 AI 工具需要一定程度的教育、抽象思維、量化能力和對技術的熟悉度。「AI 要增加不平等，這幾乎是確定的，」他說。

新的資訊窮人就在這裡浮出形狀：他們不是沒有 AI 的人，而是有 AI、有入口、有答案，卻缺乏判斷答案的訓練；有工具、有場景，卻沒有把工具產出變成機會的權限；每天消費智能，卻從未積累過智能。

五、平權效應的邊界

多項實驗研究發現，在可控條件下，AI 往往對低技能者的提升幅度更大——對呼叫中心員工、初級寫作者、入門級諮詢顧問都是如此。這不難理解：頂尖專家從 AI 那裡獲得的邊際增益有限；一個從未能負擔專業服務的人，第一次用 AI 讀懂一份合約，這本身就是一次質的躍遷。

但這裡有一個關鍵區別需要指出：實驗研究測量的是「使用之後的提升」，而現實數據測量的是「誰實際在使用」、「誰被允許使用」、「誰使用之後能把結果變成機會」。兩組數據都沒有說謊，它們測量的是完全不同的事情。

一項技術可以在實驗室里縮小差距，同時在現實世界裡擴大差距——如果採用本身是不平等的，如果場景本身是不平等的，如果判斷力本身是不平等的。

AI 擁有平權的技術特性，卻運行在不平等的社會結構里。這兩點同時為真，才是問題的真實形狀。

六、技術會普及，紅利不會同時到達

印刷術出現之後，識字者先受益了幾個世紀。電腦普及之初，它放大的是那些已經會用辦公軟體和寫代碼的人的能力。網路的早期紅利，流向了懂英語、會檢索、有時間和動機去套利的人。在每一次技術浪潮中，「這次不同了」的聲音都很響亮，而結構性的分流往往需要幾十年才慢慢變得可見。

AI 的分流速度可能更快，分叉可能更深。因為它影響的不是某一類任務，而是幾乎所有依賴判斷和語言的工作。而這恰恰是最難被標準化、最難被重新分配的那類能力。

有人認為差距最終會收窄。經濟史學家、牛津網路研究院教授 Carl Benedikt Frey 持這種看法，他的依據是歷史：電腦普及帶來的不平等，在幾十年後隨著使用門檻下降而逐漸消解。這個類比不是沒有道理。

問題在於，即便接受這個樂觀的歷史類比，Frey 自己也承認了關鍵的限定條件：「這取決於差距需要多長時間才能閉合。如果是十年或二十年，那就更令人擔憂。」

十年或二十年，不是一個可以輕鬆等待的時間尺度——對於那些在這段時間裡需要找工作、談薪資、積累經驗的人而言，尤其如此。

結語

這是一個奇特的歷史時刻：我們第一次擁有了一種技術，它能讓所有人都感覺自己正在變得更聰明。

這種感覺，往往就是終點。

問題是，在一個真正由判斷力決定輸贏的時代，把感覺當終點，可能是最昂貴的一種錯誤。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。