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。