上一篇说医药为什么早早拿到诺奖：因为那行有裁判，算出来的结构跟实验室里测出来的能对上。
现在把问题反过来问。我们这两年一直在问「AI 还能用在哪儿」，很少问「AI 应该用在哪儿」。差两个字，差得远。
前一个问题有个特点：它永远有答案。只要一件事能被自动完成，就总能找出理由把它自动完成。于是清单越拉越长——医疗、教育、金融、写代码、做 PPT、给狗写生日祝福。我们正在把「能够自动完成」当成了「值得自动完成」。
这两件事的区别，在医药那边看得最清楚。AI 进医药不是因为它酷，是因为那儿卡着一个真瓶颈：候选分子太多，人筛不过来。更要紧的是，AI 在那儿说了不算——它提出一个分子，最后还得进实验、进临床、进监管。模型说有效不算有效。
所以那是一种挺健康的关系：机器出答案，现实来判卷。
顺便说一句，就算在这种地方，也远没有到吹的程度。今年八月《Nature Reviews Drug Discovery》上有篇综述，作者是 Bender 那几位，原话大意是：AI 方法开发了一大堆、跑分也刷了一大堆，但真正能看到的临床影响「令人失望地有限」。问题已经从「模型能不能预测」变成了「这些预测能不能改善真实世界里的决策」。
现在看另一头。我们把 AI 大量用在了一件性质完全不同的事上：生产更多信息。
这里有个不对称，是整件事最要命的地方——生产一篇东西的成本正在趋近于零，而读它的人，一天还是二十四小时。
人的时间没有变多。阅读速度没有变快。判断力也没有升级。变的只有一件事：往里倒东西的那根管子，突然从手动改成了泵。
我想特别说一下，最危险的不是假信息。假的还好办，它有源头、有形状，被抓住就完了。真正难办的是没有明显错误、但也没有任何新东西的内容：语法干净，结构工整，观点正确，每句话都挑不出毛病，读完什么也没剩下。它只是把互联网上已经说过一万遍的话，用一个新的顺序再说一遍。
而 AI 最擅长的，恰恰就是这件事——把已有的信息重新组合成一个看起来合理的答案。
到底有多少？今年八月皮尤做过一次统计，抽了 2021 年 1 月到 2026 年 7 月之间的 49 次网页存档、49 万个英文页面。结果是：2026 年 7 月这一批里，约 10% 的网页有明显的 AI 写作痕迹；如果只看 ChatGPT 上线之后才出现的页面，这个数字是 35%。
这个数字得小心着用。皮尤用的是一个 AI 检测模型，而我在前面几篇里说过，检测这条路早就输了——OpenAI 自家的分类器 2023 年 7 月就下线了，现在专门给 AI 文本去味的工具，就是拿着检测器的判据反着改的。所以 10% 和 35% 更像下限，不像上限：被磨得最像人话的那批，恰恰是检测器抓不到的那批。
不过我也不打算拿这个数字去证明「互联网已经被淹了」。不需要证到那一步。只要那个不对称成立——生产的边际成本塌了，消费的能力一动没动——剩下的事就是时间问题。
《史记·魏世家》里有一段。秦国打败了魏韩赵三国的军队，段干子劝魏王割南阳给秦国求和，魏王听了。苏代反对，说了一句话：
且夫以地事秦，譬犹抱薪救火，薪不尽，火不灭。
我想说的是魏王不傻。割地在当下是划算的：不割，明天秦军就到城下；割了，换来的安宁是真的。每一次割地都是一个合理的决定。它唯一的问题是，柴就是火的燃料。
今天这事儿的形状一模一样。你被信息淹了，于是找 AI 帮你筛、帮你总结、帮你挑重点——那一刻确实划算，确实省了时间。只是你省下的那点时间，跟你顺手又生成、又转发、又喂回去的那一摞比起来，不成比例。
于是有了最荒诞的一幕：你想逃离信息茧房，而你逃出去坐的那条船，本身就是造垃圾和运垃圾的工具。
所以「AI 好不好」是个没用的问题，就像问「电好不好」。该问的是另外四句：
我们为什么要在这里用它？它解决了哪个过去解决不了的问题？它多出来的价值在哪儿？以及——如果不用它，这件事会不会反而更好？
最后这句几乎没人问。
如果一个人从前一天写一篇没人看的文章，现在 AI 让他一天写一百篇，这算不算进步？从生产效率算，算。从别人那头算，他只是更高效地给所有人制造了垃圾。