R

A02 信号坍缩·AI 让信号成本趋零

创建 2026-06-07 更新 2026-06-12 2 条双链 信号理论 专题 AI 整理

A02 信号坍缩·AI 让信号成本趋零

一个看起来还在正常运转的筛选系统——简历筛选、学术同行评审、内容平台的”优质内容”分发——其实赖以工作的那根弦，是某些信号”高能力者发出来便宜、低能力者发出来贵”的成本差。本节点要解决的问题是：当 AI 把”写一篇好文章 / 一份精致简历 / 一封流畅求职信”的边际成本压到趋近于零，这根弦会怎么断、什么时候断、断了之后哪些产品会逆向选择式崩溃。 视角是 Spence 信号理论的”分离均衡失效”——不是”AI 让招聘变难”这种现象描述，而是用一个 53 年前的微观经济学模型，预测哪类信号会先死、哪类活得久。

这一节是整个 0425 专题的机制底座：上游 A01 信号理论概念谱系与语义 给出”信号为什么能 work”的原理，本节给出”AI 为什么让一类信号停止 work”的病理，下游 A03 凭证经济学与 AI 时代的凭证贬值 给出”那活下来的信号长什么样”。

§0 为什么是”信号坍缩”这个框架，而不是”AI 让招聘内卷 / 信息过载”

读者脑子里大概率装着两个默认框架，都会把判断带偏，先拆掉：

默认框架一：信息过载 / 噪声淹没。 “AI 生成内容太多了，淹没了真正好的东西。” 这个框架把问题归因为数量，于是开出的药方是”更好的过滤器 / 更强的排序算法 / 更聪明的 AI 检测器”。它错在哪：噪声框架假设信号本身还有效，只是被埋了——把检测做好就能挖出来。但信号理论说的是更狠的事——不是好信号被埋了，是这个信号类别本身失去了区分能力。一封 AI 写的完美求职信和一封高能力者写的完美求职信，在文本层面无法区分，因为它们就是同一个东西。这不是”挖出来”能解决的，再强的检测器也无法从两份相同质量的文本里读出发送者的真实能力——因为信号和能力的关联已经断了（§4 详述检测军备竞赛为何注定失败）。

默认框架二：能力贬值 / 技能过时。 “AI 让写作能力不值钱了。” 这个框架混淆了能力和能力信号。会写好文章这件事，作为一种生产力，可能确实部分被 AI 替代了（这是人力资本问题）；但本节点谈的是另一件事——“写好文章”作为一种别人据以判断你能力的凭据失效了（这是信号问题）。两者可以独立发生：哪怕写作能力依然重要，“一篇好文章”也不再能证明作者有写作能力，因为任何人都能让 AI 代写。

为什么必须用 Spence 框架。 Spence(1973) 的分离均衡有一个唯一的存在条件——单交叉条件（single-crossing condition）：高类型发送信号的成本必须严格低于低类型（$c_H(e) < c_L(e)$）。信号能否区分人，不取决于信号”好不好看”、“信息量大不大”，只取决于这个成本差是否还存在。AI 攻击的正是这个、且只有这个变量：它把所有人发送该信号的成本同时压到趋近于零，于是 $c_H(e) \approx c_L(e) \approx 0$，分离条件失效，均衡从分离塌回混同（pooling）——这就是”坍缩”二字的精确含义。用任何别的框架，你都会把药方开错。

[!note] 本节点的判断主轴（一句话） 还把”可被 AI 廉价伪造的东西”当能力信号的人和产品，正在被混同均衡淹没——而且淹没的方向是反直觉的：受伤最重的是高能力者，不是低能力者。

§1 坍缩的微观机制：从分离均衡塌回混同均衡

把 Spence 的分离均衡条件写下来，坍缩就一目了然。设信号为 $e$（一篇文章、一份简历、一封求职信），高类型成本 $c_H(e)$，低类型成本 $c_L(e)$。分离均衡要求存在一个门槛 $e^*$，使得：

  • 高类型愿意发：发送 $e^$ 的工资收益 > 成本 $c_H(e^)$
  • 低类型不愿模仿：模仿 $e^$ 的收益增量 < 其额外成本 $c_L(e^)$

第二条是关键——它靠 $c_L > c_H$ 撑着。AI 做的事，是把 $c_L$ 砸到地板。 写一封定制化求职信，人工需要 30–60 分钟（这是低能力者尤其负担不起的成本）；LLM 把它压缩到 10 秒（来源：Galdin & Silbert 2025, Making Talk Cheap, arXiv:2511.08785，用 Freelancer.com 实证数据）。一旦低类型的模仿成本 $c_L \to 0$，第二条不等式翻转——低类型模仿高类型变得无利不图的”无利”消失了，模仿成为最优策略。

于是均衡从分离塌回混同：所有人都发送同样漂亮的信号，接收方（雇主、审稿人、平台）从信号里得不到任何类型信息，贝叶斯信念不更新。这正是 A01 信号理论概念谱系与语义 里 pooling 均衡的定义——信息含量为零、高类型被低类型搭便车。

阶段成本结构均衡信号信息含量谁受益
AI 之前$c_H \ll c_L$分离高高类型（信号区分出他）
AI 之后$c_H \approx c_L \approx 0$混同趋零低类型（搭便车）/ 无人

实证落地不是理论推演：Galdin & Silbert(2025) 的结构模型反事实推断显示，LLM 引入后最高能力五分位工作者录用率下降 19%，最低五分位上升 14%，市场”显著更不唯才是举”。Cui, Dias & Ye(2025, arXiv:2509.25054, Signaling in the Age of AI: Evidence from Cover Letters) 的双重差分研究测得：AI 求职信工具引入后，求职信的信息含量下降 51%（文本-岗位对齐度与回调率的相关性），雇主随即转向依赖求职者既往工作记录。

§2 坍缩不是均匀的：哪些信号先死、哪些活得久

不是所有信号都在 AI 面前等速崩塌。判别一个信号”还能不能用”，看一个量——AI 复制该信号的成本是否趋零。据此可以排出一条死亡顺序，这是本节点对 PM 最有操作性的判断：

信号类型AI 复制成本坍缩程度机制
求职信 / 自我陈述≈0（10 秒生成）已坍缩纯文本，无外部锚点
简历措辞 / 文笔流畅度≈0已坍缩同上；36% 求职者承认列尚未掌握的技能（HR Dive 引 Multiverse 2024）〔原始报告未直接核实〕
一篇”好文章” / 博文≈0已坍缩LinkedIn 长文 54% 可能为 AI 生成（来源：行业测算，2025）〔待核实方法论〕
学术论文的引言/讨论文本低大幅坍缩Paper mill 工业化：收割数据集→AI 生成→批量投稿（来源：Science/AAAS）
跨年的 commit 历史 / 公开发表记录高（需时间机器）抗坍缩时间不可逆，无法回溯伪造
ship 过的真实产品 + 第三方时间戳高抗坍缩App Store 审核记录是第三方证明，用户行为数据无法伪造
实时面试的即时追问应答高抗坍缩信号生成窗口压到无法预先 AI 准备

这条线索的内在逻辑：纯文本、单点、无外部锚定的信号先死；带时间维度、有第三方背书、需要实时生成的信号活得久。 后三类是 A04 AI 不能伪造的信号 的主题，本节只标出它们为什么属于”抗坍缩”类——因为 AI 攻击的是单交叉条件里的成本差，而这些信号的成本结构里有一项 AI 砸不动：时间的不可逆性和第三方公证。AI 能在一次会话里生成一个看起来完整的 GitHub 仓库，但它无法回溯性地制造跨越数年、含早期拙劣版本和迭代轨迹的 commit 历史。

[!warning] failure scenario（本节判断在哪失效） “抗坍缩”是当下判断，不是永久豁免。① 一旦 AI agent 能自主、长期、持续地维护一个真实账号（每天提交、回应 issue、跑真实工作流），跨年记录的”时间机器壁垒”也会被攻破——届时需要的是真人身份绑定 + 行为活体检测，而非记录本身。② 实时面试的壁垒已在被侵蚀：远程环境下的代理考试（Discord/Telegram 付费枪手）尚难完全检测（来源：HackerEarth 2026）。所以本节给的不是”安全清单”，是”当前成本排序”——排序本身会随 AI 能力滑动。

§3 双重价值落点：产品层的坍缩与求职层的坍缩

本专题的特殊之处在于，信号坍缩同时砸向 Rick 的两个身份——他要设计的产品，和他自己求职发出的信号。两条线机制相同，处方各异。

3.1 产品层：依赖 UGC 质量做信号的产品，面临根本设计挑战

凡是”用内容质量当能力/价值信号”的产品，都在坍缩射程内。三个同构的重灾区：

简历筛选 / 招聘平台。 产品的核心假设是”申请材料质量 ∝ 候选人质量”。这个假设被 AI 直接证伪。后果已量化：64% 招聘人员察觉”千篇一律”的 AI 简历激增、筛选工作量反而上升（来源：Resume Genius 2025）；平均招聘周期从 31 天延至 44 天（来源：2025 Job Market Year-End Review）。PM 的设计含义：筛选信号必须从”申请材料”迁移到”不可廉价伪造的替代信号”——任务测试、流程可见性、既往工作记录验证。这正是 Galdin/Silbert 实证里雇主自发的反应（转向工作记录）。

学术同行评审。 产品（期刊/会议）的核心假设是”通过评审的论文质量 ∝ 研究质量”。坍缩证据触目惊心：2,100+ 篇论文因 AI 生成内容被撤稿（来源：Frontiers in Research Metrics, 2025）；NHANES 数据集相关论文 2023 年 4,926 篇→2024 年 7,876 篇，ChatGPT 普及是关键时间节点（来源：Science/AAAS）。最锋利的一刀来自 Ansari(arXiv:2602.05930, 2026) 对 NeurIPS 2025 的审计——53 篇被接收论文含 100 条 AI 幻觉引用，每篇经 3–5 名专家审阅，无一察觉。这是 幻觉 在信号系统里的复合武器化：多重验证启发式被同时绕过。

内容平台。 产品假设是”高互动/高质量内容 ∝ 优质创作者，可据此分发与变现”。坍缩证据：仅 41% 美国人相信网上内容是准确的人类撰写（来源：2025 Edelman Trust Barometer）；78% 表示难以分辨人类与 AI 内容；Reddit 帖子 AI 比例 2021–2024 增长 146%。

[!note] 三个重灾区的共同病理 简历筛选 / 学术评审 / 内容平台，表面上是三个不相干的产品，底层是同一台机器：都把”内容质量”当作”主体能力/价值”的代理信号。AI 切断了这个代理关系。这就是为什么本专题值得独立成库——它不是”AI+招聘”或”AI+学术”的应用题，而是一个横切多个产品品类的设计原理失效。对照 p306 - 数据飞轮与反馈回路设计：那里讲的是”用户行为→数据→更好产品”的正向飞轮；这里讲的是它的暗面——当反馈回路的输入信号（UGC 质量）被 AI 污染，飞轮会逆向选择式自毁（Akerlof 柠檬市场的信息版：低质 AI 内容驱逐高质人类内容→平台均质化→信任崩塌→优质创作者退出）。这是对 p306 的显式升级：p306 假设飞轮输入是诚实的，本节点处理输入被廉价伪造时飞轮如何反噬。

3.2 求职层：Rick 需要发出 AI 不能伪造的信号

这是本节点必须落到 Rick 自身的地方——他正在求职，而他求职用的传统信号正在他眼前坍缩。

Rick 的旧信号清单里，哪些已经不值钱了？一封文笔流畅的求职信（坍缩）、一份措辞精致的简历（坍缩）、“我会写作”这个标签本身（坍缩——见 写作 vs AI PM 的职业决策，写作天赋作为差异化信号，在 AI 时代的折价正是本节点机制的个人版）。但 Rick 手里恰好握着几样抗坍缩资产，且它们恰好是 §2 表里”活得久”那几类：

  • 这个知识库本身就是一个 AI-proof 信号案例。它不是一篇文章（可伪造），而是跨年的、连续的、带迭代轨迹的判断记录——AI PM 知识图谱·总索引 下的多轮批判性同行评议、Rick 写作 SABCD 评级体系 的演进、本专题”用反对的声音建造”的改稿档案。AI 能生成一篇 0425 专题的文章，但无法回溯伪造”Rick 在 R1→R5 里把哪些 confirmation bias 砍掉了”的过程记录。这正是 §2 里”跨年的公开判断记录”那一行——时间不可逆，AI 砸不动。
  • ship 过的真实产品：博物馆 AI 导览 APP（见工作履历 Wiki 09 离职·Gap·AI 转型与作品集）——BUILD_COMPLETE、54 测试全绿、三套机制（记忆/Agent/主动引导）。这是 §2 表最后一类”复合型高成本信号”：结果证明（上线记录）+ 过程证明（从 0 到 1 决策）+ 第三方时间戳。
  • 实时面试的即时判断锐度：字节 AI PM 面试模拟与方法论沉淀 练的正是这个——在无法预先 AI 准备的窗口里，对追问给出有上下文理解的应答。HackerEarth(2026) 评”10 分钟现场追问”为最有效防 AI 信号的手段，“大多数依赖 ChatGPT 的候选人两个问题内即暴露”。

[!note] 给 Rick 的一句话操作建议 别再优化”简历措辞”和”求职信文笔”（那是在坍缩的信号上加杠杆）。把同样的精力投到三件 AI 砸不动的事上：让知识库持续可见地长（公开判断记录）、把作品集 ship 得更真（第三方时间戳）、把实时追问应答练到反射级（即时生成）。 这三件事，是 §2 那张表给 Rick 的私人版本。

§4 致命耦合点：90% 的人在信号坍缩上会搞错的四点

这一节是本节点的命门。每点带”症状→为什么错→正确做法→真实反例”四件套。

错点一：以为”AI 检测器”能堵住坍缩

  • 症状：产品决策会上有人说”我们上一个 AI 检测器，把 AI 内容筛掉就行了”。
  • 为什么错：检测器试图重建已经断掉的”信号↔能力”关联，但这是数学上做不到的——当 AI 文本和人类文本质量相同，没有任何特征能可靠区分发送者类型。这是分离条件失效的直接推论，不是工具不够好。
  • 正确做法：不要去检测信号真伪，而要换一个 AI 砸不动成本差的新信号（任务测试、实时追问、第三方公证记录）。
  • 真实反例：OpenAI 自家检测器只能正确识别 26% 的 AI 生成文本，人类文本误判率 9%，2023 年 7 月下线关闭（来源：OpenAI 官方）。截至 2025 年 9 月，“折磨短语”黑名单收录 7,500+ 词条——一场承认打不赢的追逐（来源：TechPolicy.Press 2025）。研究共识（Zhang 等《Watermarks in the Sand》, arXiv:2311.04378）：没有任何水印同时满足鲁棒性、不可伪造性、公开可检测性三条件。

错点二：以为受伤的是低能力者（坍缩的方向是反直觉的）

  • 症状：“AI 让滥竽充数的人混进来，但对真正强的人没影响。”
  • 为什么错：混同均衡里，搭便车的是低类型，被搭便车的是高类型——高类型原本靠信号区分出来拿溢价，现在溢价被低类型瓜分。损失集中在高能力端。
  • 正确做法：识别出”我（或我的优质用户/候选人）正是坍缩的最大受害者”，主动去重建一个低类型无法搭便车的新信号。
  • 真实反例：Galdin & Silbert(2025) 结构模型——最高五分位录用率降 19%，最低五分位升 14%。受害最深的是顶部能力者，与直觉相反（此反直觉结论需更多复现，作者本人亦提示）。

错点三：混淆”能力贬值”和”能力信号贬值”

  • 症状：“AI 让写作不值钱了，所以我不该再写。”
  • 为什么错：贬值的是”写作作为能力信号”（一篇好文章不再证明你会写），不是”写作作为能力”本身。能力可能依然稀缺且重要——只是需要换一种别人无法廉价伪造的方式去证明。
  • 正确做法：保留能力，更换信号载体——从”产出一篇文章”换到”持续公开的判断记录 + ship 的产品”（即 §3.2 给 Rick 的处方）。
  • 真实反例：a16z crypto(Ben Wu, 2026-02-26, “Proof of Talent”) 观察到——AI 工具提升了贡献量，但训练有素的评估者更容易识别”表面繁荣”（大量孤立 PR 无连贯思路）。深度与连续性的区分力不降反升。能力没贬值，伪造的能力信号被看穿了。

错点四：把坍缩当”过载”，开错药方

  • 症状：“内容太多了，我们需要更强的排序/过滤算法。”
  • 为什么错：过载假设好信号还在、只是被埋；坍缩说的是信号类别本身死了。排序算法只会把”质量相同的 AI 内容和人类内容”排成同一档——它无法从相同质量里读出不同能力。
  • 正确做法：重建信号源，而非优化信号过滤。三个重灾区各有路径：招聘转向任务测试/流程可见性；学术转向自动引用核查；内容平台转向溯源基础设施（C2PA/SynthID）。
  • 真实反例：C2PA 2025 年 Adobe、YouTube、Google Pixel 开始采用，但覆盖率不足、元数据可被去除（来源：C2PA 进展报告）。溯源是对的方向，但部署速度与 AI 普及速度之间存在巨大时间差——这是 failure scenario，不是已解决问题。

§5 产品 PM 视角补盲：工程之外的三个看走眼点

跳出”工程/经济模型”视角，补三个 PM 容易看走眼的盲区：

用户心理模型盲点——信任的崩塌是非线性的。 信号坍缩在用户侧不表现为”信息含量下降 51%“这种连续量，而表现为一个临界点后的信任雪崩：用户一旦发现平台上”优质内容”可能是 AI 刷的，他们不是把信任打个折，而是把整个类别的信任清零（41% 才信网上内容是人写的）。PM 要警惕的是这个非线性——你的留存指标可能在临界点前看起来都好好的。

商业模式盲点——坍缩攻击的是变现地基。 内容平台、招聘平台、教育/认证产品的变现，本质都是”我帮你筛出优质的那一个并收费”。信号坍缩直接掏空这个价值主张。凭证类产品尤其危险：Caplan(2018, The Case Against Education, Princeton UP) 估计约 80% 教育回报来自信号而非人力资本——如果文凭信号也开始坍缩（AI 暴露岗位学历要求 2019 年 66%→2024 年 59%，来源：PwC 2025 AI Jobs Barometer），整个凭证经济的定价基础松动。

合规边界盲点——重建信号的手段本身有合规雷。 §2/§4 给的”实时评估”处方，落地时撞上监管：自动化摄像头监考对深色肤色、残障人士存在误报（来源：HackerEarth 2026 明确指出）；EU AI Act 对高风险 AI 系统（含招聘用 AI）的义务于 2026 年 8 月 2 日生效。PM 不能为了反 AI 坍缩而堆一个有歧视效应、踩监管线的”反作弊系统”——那是用一个问题换另一个问题。

§6 对手框架回应：接受 + 边界

对手立场一（人力资本论 / Becker 学派）： “教育和能力信号坍缩没那么严重，因为信号本来就附带真实人力资本积累——写一篇好文章的过程提升了真实写作能力。” 接受：对。Spence 模型的极端假设（信号纯筛选、不提升生产率）从来站不住，混合模型（信号 + 人力资本）更接近真实。Huntington-Klein(2021, Empirical Economics 60(5): 2499–2531) 甚至证明人力资本论与纯信号论在经验上无法被区分（识别失败）。 边界与赌注：但这恰恰加重而非减轻问题。如果一个信号同时承载”筛选”和”能力培养”两重功能，当 AI 砸掉它的筛选功能时，能力培养功能也一并被外包给了 AI——用户不再经历那个提升能力的过程。所以坍缩不只是”信号失效”，是”信号 + 培养”双失效。我赌的是：在能区分信号与人力资本之前，PM 决策不能等——可观测的录用质量已经在恶化（19% 降幅），这是要立刻应对的现实。

对手立场二（Bryan Caplan 式极端信号论）： “信号坍缩是好事——它会逼垮浪费社会资源的凭证军备竞赛，让我们回到真才实学。” 接受：对一半。Caplan 说得对，纯信号成本是社会浪费（Spence 自己也证明信号均衡未必帕累托最优）。坍缩确实在拆掉一些虚高的凭证门槛。 边界：但坍缩拆掉旧门槛后，市场不会自动跳到”真才实学”，而是先坠入混同均衡的真空期——逆向选择、信任崩塌、招聘周期拉长（31→44 天）。从旧信号死到新信号建立之间的时滞，本身就是巨大的社会成本。“回到真才实学”是终局假设，PM 要管理的是那段没有可靠信号的真空。

Rick 未读对手框架引入（破 echo chamber）：

  • Diego Gambetta《The Sicilian Mafia: 信任与信号》 — 社会学家 Gambetta 研究黑手党如何在无法用语言可信传递信息的环境里建立信任：靠昂贵的、不可伪造的行为承诺（你必须先做一件无法挽回的事来证明你是自己人）。这逼问本节点的盲点：抗 AI 坍缩的信号，未必是技术性的（区块链/水印），可能是社会性的不可逆承诺——公开赌上声誉的判断、一旦发表就无法收回的立场。Rick 的公开判断记录恰好是这类信号。
  • Erving Goffman《日常生活中的自我呈现》 — Goffman 的”印象管理”区分了”给出的信号”（你刻意呈现的）和”流露的信号”（你无意中泄露的，更难伪造）。这给信号坍缩一个全新切口：AI 让”给出的信号”全面坍缩，于是市场价值会转移到”流露的信号”——实时追问下的应激反应、长期记录里无意暴露的判断惯性。这正解释了为什么 §2 表里”实时面试""跨年记录”抗坍缩——它们承载的是难以表演的”流露信号”。

§7 跨域呼应：Akerlof 柠檬市场作为坍缩的终局形态

调度一个跨域资源并具体展开它在本节点的作用——信息经济学里的逆向选择（Akerlof 柠檬市场），它告诉我们信号坍缩的终点长什么样。

Akerlof(1970, QJE 84(3): 488–500) 的二手车市场：卖方知道车的真实质量，买方只知道平均分布，于是买方只愿出平均价→高质车退出→均价下降→市场逆向螺旋→崩溃。把”车”换成”内容/候选人/论文”，把”质量私有信息”换成”AI 让质量信号失效”，就是信号坍缩的完整剧本：

  1. AI 让低质内容能伪装成高质（信号坍缩，§1）；
  2. 接收方无法区分，只能按平均质量定价/分配信任（混同，§1）；
  3. 高质生产者（被搭便车）得不到溢价，退出（§4 错点二的方向性）；
  4. 平均质量下降，进一步压低定价，逆向螺旋（柠檬市场）；
  5. 极端情况：市场对”内容质量”这个信号的信任完全消失（41% 信任率正在逼近这个临界）。

这个呼应改变了本节点的判断：信号坍缩不是”招聘/学术/内容各自的麻烦”，而是同一个逆向选择螺旋在三个市场同时上演。它也给出处方的方向——Akerlof 自己开的药是”反向信号”（保修、品牌、第三方认证），对应到 AI 时代就是 §2/A04 AI 不能伪造的信号 里的不可伪造信号。链入 0117社会学（信任的社会建构）：逆向选择不只是经济现象，是社会信任基础设施的侵蚀。

§8 PM 决策启示：面试 / 选型 / 复现三类落地

面试怎么用。 当被问”AI 对内容/招聘/教育产品的冲击”，不要答”AI 让内容变多、要做好过滤”（错点四）。答：“这是 Spence 分离均衡向混同坍缩——AI 把信号成本差砸到零，受伤最重的是高能力端（19% 降幅）。产品该做的不是检测真伪（数学上做不到，OpenAI 检测器已下线为证），而是迁移到 AI 砸不动成本差的新信号。” 这一句话同时展示了经济学框架、反直觉数字、和可落地处方——正是 §3.2 里”实时追问下的流露信号”。

选型怎么用。 评估任何”靠 UGC 质量做信号”的产品/功能时，先问一句：这个信号的 AI 复制成本是否趋零？（§2 那张表）。趋零的（求职信、纯文本评分）别投入资源加固，会坍缩；不趋零的（第三方公证、时间序列、实时生成）才值得做地基。这是一个比”AI 能不能做这个功能”更前置的判断。

复现怎么用。 如果要做一个抗坍缩的筛选/分发系统，复现路径是：① 砍掉纯文本信号的权重；② 引入至少一类时间维度信号（历史记录/迭代轨迹）；③ 引入至少一类第三方公证（时间戳/可验证凭证）；④ 在合规边界内（避开 §5 的歧视/监管雷）引入实时生成环节。这四步对应 A04 AI 不能伪造的信号 的五类机制。

§9 与已有节点的关系（升级对照，不复述）

  • 对照 p306 - 数据飞轮与反馈回路设计（深化 + 纠偏）：p306 假设反馈飞轮的输入信号是诚实的——用户行为忠实反映用户偏好。本节点处理它的暗面：当输入信号（UGC 质量）被 AI 廉价伪造，飞轮会逆向选择式自毁（柠檬市场螺旋，§7）。这是对 p306 隐含假设的显式升级——不复述飞轮机制，只补”输入被污染时飞轮反噬”这一缺口。
  • 对照 写作 vs AI PM 的职业决策（机制化 + 个人落地）：那个节点是 Rick 对”写作天赋作为差异化信号在 AI 时代折价”的现象级个人决策；本节点给出这个折价的机制（写作作为能力信号坍缩，§4 错点三），并把它一般化到所有内容信号。不复述 Rick 的决策过程，只补”为什么会折价”的经济学底层。
  • 对照 AI概念滥用反思（同源主张的另一面）：那里讲”AI 生成内容须经批判性同行评议”；本节点用 NeurIPS 2025 案例（53 篇接收论文 100 条幻觉引用无一被察觉，§3.1）证明——当评议者自己也被坍缩淹没时，“经同行评议”这个信号本身也在坍缩。这是对该主张的反向补缺：评议不是坍缩的解药，评议本身也是坍缩的受害者。

§10 关联节点

核心（必读）

延伸（可选）

  • Agent — AI agent 自主维护记录将攻破”时间机器壁垒”（§2 failure scenario）
  • ChatGPT — 坍缩的时间节点标记（NHANES 论文 2023→2024 跃升）
  • Rick 写作 SABCD 评级体系 — Rick 抗坍缩资产之一：公开的写作质量判断框架演进
  • AI PM 知识图谱·总索引 — Rick 抗坍缩资产之核：跨年连续判断记录
  • 09 离职·Gap·AI 转型与作品集 — Rick 抗坍缩资产之 ship 证据（博物馆 AI 导览 APP）
  • 字节 AI PM 面试模拟与方法论沉淀 — Rick 抗坍缩资产之实时追问应答训练
  • AI概念滥用反思 — 评议本身也是坍缩受害者
  • 0117社会学 — 信任的社会建构与逆向选择
  • AI PM 岗位 JD 分析与面试问题反推 — 求职层信号迁移的落地工具

修订日志

  • R1（2026-06-07，起草）：建立”分离均衡塌回混同”的机制底座；六模块骨架完整落地；判断主轴四件套（§4 四个致命耦合点，每点症状→为什么错→正确做法→真实反例）；Akerlof 柠檬市场跨域呼应展开（§7）；接受+边界两处（Becker 学派 / Caplan）+ 两个 Rick 未读对手框架（Gambetta / Goffman）；与 0418/0421/0423/0416/p306 的升级对照（其中 p306 为显式升级）；双重价值落点（产品层三重灾区 + 求职层落到 Rick 自身资产）；事实接地：Spence/Akerlof/Caplan/Huntington-Klein 经济学事实及 arXiv 论文已标作者+年份+ID，无法核实方法论的行业数字已标〔待核实〕。

[!note] 待核实项（grounding pass 重点） ① “LinkedIn 长文 54% 可能为 AI 生成”——行业测算，方法论未核实。② “36% 求职者承认列尚未掌握的技能”——HR Dive 引 Multiverse 2024，原始报告未直接核实。③ Galdin/Silbert”最高五分位录用率降 19%“反直觉结论需更多复现（作者本人提示）。

  • 2026-06-11 P3.4 校链：原待核实项 ④（0418/0421/0423/0416 同级标题待核对补双链）已结案——四相邻专题确认已入库；本节点正文对它们的提及为纯文本叙述，无需补链；§4 内部双链（A01/A03）经核验为真实 basename，无死链。
  • 2026-06-12 内审·arXiv 联网核实：§水印不可能性原引 arXiv:2308.00862 经 WebFetch 确证为误植（该 ID 实为 Shoker 等《Confidence-Building Measures for AI: Workshop Proceedings》2023，仅把水印列为六项措施之一），已订正为正确出处 Zhang 等《Watermarks in the Sand》(arXiv:2311.04378, 2023，已核实)。上方待核实项 ①②③ 均为行业数字/复现需求，非 arXiv，不动。清了 1 个误植 / 存疑 0 个。