“知之为知之，不知为不知，是知也。”——孔子
孔夫子这话说的是诚实。但历史反复上演另一出戏：不知道边界在哪里的人，反而先把边界推倒了。
1939年，加州大学伯克利分校。统计学研究生乔治·丹齐格迟到了，黑板上留着两道题，他抄下来当作业。
几天后交上去，觉得“比平时难了一点”，但还是做出来了。几周后导师告诉他：那是统计学界两个悬而未决的公开难题。
丹齐格后来回忆，如果事先知道那是未解难题，他大概率不敢碰。
我信这句话。人的能力从来不是被难题挡住的，是被“这不可能”三个字挡住的。
人类突破极限，靠的是一群“不知道不可能”的人
1954年之前，运动生理学界有一种近乎共识的判断：一英里跑进4分钟，心脏会出问题。
1945年，瑞典人根德尔·哈格跑出4分01秒4，此后将近九年，这个数字像一堵墙，谁也没翻过去。
1954年5月6日，牛津大学医学生罗杰·班尼斯特跑了3分59秒4。当天逆风，风速一度逼近每小时25英里。
更值得玩味的是后面的事：六周后，澳大利亚人约翰·兰迪跑出3分57秒9，直接把班尼斯特的成绩又削掉一秒多。
墙倒之后，才发现墙本来就没那么厚。
2015年到2021年，NCAA一级联盟室内赛季每年跑进4分钟的男运动员大约30到38人；2023年，这个数字跳到了约97人。
不是人类的心肺在七十年里发生了突变，是“不可能”这个标签被撕掉之后，后来者不再在起跑线前先给自己判刑。
丹齐格和班尼斯特有一个共同点：他们本身就是顶级选手。丹齐格是伯克利统计学博士项目的学生，班尼斯特是世界级的中距离跑者。
能力是底座，不自我设限是杠杆。 缺了底座，胆子大是鲁莽；缺了杠杆，底座再厚也只是原地打转。
但我想往前再推一步。
AI正在制造一种新的“信息不对称”，方向恰好相反
过去，限制天才的是“被告知不可能”。今天，限制普通人的是“不知道自己可以”。
AI做的事情，本质上不是替你思考，而是把“这件事到底有多难”的判断权，从稀缺的专家手里，部分转移到你自己手里。
你不需要先读完统计学博士才知道黑板上的题能不能解，也不需要先成为运动生理学家才敢站上跑道。
哈佛商学院与波士顿咨询的合作实验覆盖758名咨询顾问，使用大语言模型后，完成任务的速度提升超过25%，人类评估的质量提升超过40%。
微软、埃森哲和另一家财富100强公司的随机对照试验汇总了近5000名开发者，使用AI编程助手的一组完成任务数增加了26.08%，而且经验较浅的开发者获益更大。
经验较浅的人获益更大。这句话值得读两遍。AI不是在拉大差距，它在某些场景下压缩了“资历”作为信息垄断工具的价值。
更硬核的信号来自基础研究。
2026年，中国团队依托国产大模型“书生-S2”，通过人机协同证明了困扰数学界三十余年的三维Ghys猜想，AI负责多支线推演和海量推导，人负责判断方向和校准直觉。
同年，DeepMind的AlphaProof Nexus系统在《整数数列在线百科全书》的492个开放猜想中解决了44个。
这不是“AI取代数学家”。这是一个数学家加上AI，开始做过去一整个团队才能做的事。
但我不打算把AI说成万能药
哈佛那项研究同时指出了一个被热闹叙事忽略的细节：当任务超出AI的能力边界，或者落在某些专家工作流的核心环节时，AI反而会拉低质量。
所以真正的分水岭不在于“用不用AI”，而在于你能否判断：眼前这件事，是当年黑板上那道“看起来像作业的未解难题”，还是一道看上去很难、实际上AI一碰就碎的伪难题？
丹齐格的幸运在于他误判了难度。AI时代的幸运在于，你可以低成本地反复试错，直到找到那个“你加上AI”恰好能越过的边界。
38岁的前媒体记者，没有IT背景，用AI写出了11万行代码，把一款杜比全景声音乐APP送上了TestFlight。一个大三学生用AI开发应用，月收入做到九万元。
这些数字放在五年前，属于“简历筛选阶段就会被扔掉”的创业计划。今天它们是真的。
AI没有让普通人变成天才。它做的是另一件事：让普通人在自己真正在意的问题上，获得一次“假装不知道它很难”的机会。
而历史上那些最大的突破，往往就始于一次这样的假装。
（周愚，知名商评人、财经评论员、前媒体人；专栏作家、资深策划人、投资人、某宝品类TOP3操盘手，多家媒体及机构邀约作者，倡导泛财经素养，全网同名同步更新，发表商业评论千万字，已委托版权，转载请注明出处）
热门跟贴