G01 信号-验证机制代际谱系总图

人类在信息不对称下区分”真高手”与”装高手”的工具，并不是一条单调进化的科技树，而是一部反复”建墙—翻墙—再建更贵的墙”的军备史。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”的边际成本压到趋近于零，信号-验证机制将如何代际重组？ 框架名：成本差谱系（cost-differential genealogy）——用 Spence 的”高能力者发信号的成本更低”这一条充要条件作为唯一的纵轴，去贯穿每一代信号的兴起、坍缩与替代。这是一篇问题陈述，不是答案陈述：我赌的是”信号会重组而非消亡”，但我必须先证明这条主轴在每一代都成立、且在每一代都有反例。

§0 为什么是”成本差谱系”而不是”技术进步史”

读者脑中最容易冒出的默认框架是技术决定论的进步史：“口碑 → 学历 → 作品集 → 链上凭证，一代比一代精确、可信、抗伪造。” 这个框架是错的，而且错得危险——它会让 Rick 在面试桌上说出”AI 时代用区块链凭证就解决了信号问题”这种会被秒拆的话。

我拒绝它，换上成本差谱系框架，理由有三：

信号的可信度从来不来自技术本身，而来自”成本对高能力者更低”这一不对称（Spence 1973 的单交叉条件 $c_H(e) < c_L(e)$）。学历可信不是因为学校教了真本事（幻觉：人力资本论与纯信号论在经验上不可区分，Huntington-Klein 2021），而是因为低能力者拿同一张文凭的成本更高。技术变的是”成本差落在哪里”，不是”是否需要成本差”。
每一代信号都内生自己的坍缩。Spence 自己就证明了信号均衡并非帕累托最优——纯信号成本是社会浪费（QJE 1973）。一旦某信号普及，门槛被抬高（凭证通胀），成本差被磨平，信号信息含量趋零。坍缩不是外来冲击，是机制自带的熵增。
代际之间不可通约（Kuhn 意义）。从”熟人口碑”到”标准化学历”不是同一把尺子变精确了，而是换了一套不可通约的范式——验证的主体（村庄→国家/大学→平台/雇主→密码学协议）、可观测量、造假手段全都换了。用进步史的单一坐标轴去量它们，本身就是范畴错误。

所以本节点的纵轴只有一根：成本差落在何处、被什么磨平、新成本差在哪里重建。横轴是时间，但时间上的每一步都要回答”这一代的成本差是什么 / 它怎么被磨平 / 反例是什么”。

§1 四代谱系总图（成本差的迁移轨迹）

graph LR
    subgraph G0["G0 前现代 · 熟人口碑"]
        A0["成本差：长期声誉<br/>难以伪装"]
    end
    subgraph G1["G1 工业现代 · 标准化凭证"]
        A1["成本差：学历/执照<br/>低能力者考取成本更高"]
    end
    subgraph G2["G2 数字平台 · 作品集与轨迹"]
        A2["成本差：公开作品<br/>+ 平台评分/历史"]
    end
    subgraph G3["G3 AI 后 · 高成本可验证信号"]
        A3["成本差：实时/链上/<br/>不可回溯的 track record"]
    end
    G0 -->|"规模化失灵<br/>陌生人社会"| G1
    G1 -->|"凭证通胀<br/>成本差被磨平"| G2
    G2 -->|"AI 让生产成本趋零<br/>作品信号坍缩"| G3
    G3 -.->|"军备竞赛<br/>新一轮通胀隐忧"| G3
    A0 -.对应.- G0
    A1 -.对应.- G1
    A2 -.对应.- G2
    A3 -.对应.- G3

代	主导信号	成本差落在哪	验证主体	内生瓶颈	反例（破线性进步）
G0 熟人口碑	声誉、师承、当面观察	长期一致行为难伪装	村庄/行会共同体	不可规模化、出村即失效	在小共同体里，G0 至今优于任何后代信号（熟人推荐内推转化率远高于盲投）
G1 标准化凭证	学历、执照、职称	低能力者考取的机会/心理成本更高（Spence）	国家、大学、认证机构	凭证通胀（Caplan：~80% 回报来自信号而非技能）	学历崩盘后，“羊皮纸效应”仍证明文凭层仍有残余信息；G1 没有被 G2 取代，是叠加
G2 作品集与轨迹	作品集、GitHub、平台评分、公开发表	做出真东西、积累真历史的时间成本	平台、社区、雇主	AI 让”做出像样的东西”成本趋零 → 坍缩	刷 star / 买好评早于 AI 就存在，G2 信号从来不纯净
G3 AI 后高成本信号	实时面试、链上凭证、不可回溯 track record、ship 过的产品	时间不可逆 + 实时不可预备 + 密码学不可伪造	密码学协议、实时交互、第三方时间戳	新一轮通胀隐忧 + 覆盖面有限 + 监考偏见	链上凭证覆盖面窄、实时监考有肤色/残障偏见——G3 不是终点而是新战场

这张图的读法：箭头不是”升级”，是”成本差被磨平后被迫迁移”。每一次迁移都伴随上一代信号的坍缩，但上一代很少彻底消失——G1 学历至今仍是 G2/G3 的默认底座。这是叠加，不是替代。

§2 G0→G1：从口碑到凭证——规模化逼出标准化信号

前现代社会的信号是熟人口碑：一个铁匠的手艺、一个学徒的勤勉，由共同体长期观察、口耳相传。成本差非常实在——你无法在一个所有人都认识你十年的村庄里持续伪装能力。但它有一个致命瓶颈：出村即失效。陌生人社会（城市化、工业化、跨地域劳动市场）让”我认识他爹”这条验证链断裂。

Akerlof 的柠檬市场（QJE 1970, 84(3): 488–500）精确刻画了这个断裂的后果：当买方只知道平均质量分布、无法识别个体，逆向选择会让高质量者退出、市场崩溃。劳动市场是同构的——雇主无法事前观测求职者真实生产率。

G1 的解法是 Spence 的标准化凭证（QJE 1973, 87: 355–374）：用学历这种”低能力者考取成本更高”的可观测信号，重建分离均衡。注意 Spence 的关键假设——教育不一定真正提升生产率，信号可以是纯粹的筛选工具。成本差从”熟人的长期观察”迁移到”考取文凭的机会/心理成本”。

[!note] 跨域呼应 · Kuhn 范式不可通约从 G0 到 G1 不是”同一把尺子变精确”，而是范式切换（Kuhn）。G0 的验证主体是共同体的集体记忆，可观测量是”日常行为的长期一致性”；G1 的验证主体是国家与大学，可观测量是”一纸标准化证书”。两者不可通约——你无法把”村里都说他靠谱”翻译成 GPA。Kuhn 提醒我们：当一个领域的”反常”（陌生人社会让口碑失效）积累到临界，发生的不是渐进改良，而是整套话语、工具、权威的格式塔切换。用”进步”描述这个切换，遮蔽了 G1 同时丢掉了 G0 的优点（语境厚度、对软性品质的捕捉）。

反例（破线性进步）：在小共同体内部，G0 至今优于 G1。Rick 的求职现实就是证据——内推/熟人推荐的转化率远高于盲投简历。这不是怀旧，是成本差结构使然：在熟人网络里，推荐人用自己的声誉做抵押，这个成本差比一纸学历更难伪造。G1 没有消灭 G0，只是在 G0 失效的”陌生人尺度”上补位。

§3 G1→G2：凭证通胀逼出作品集与轨迹

G1 的内生瓶颈是凭证通胀（credential inflation）。信号论的冷酷预测：当越来越多人获得某信号，门槛被抬高，形成军备竞赛——社会总信号成本上升，但信息含量不增。Bryan Caplan 在《The Case Against Education》（Princeton University Press, 2018）给出极端估计：约 80% 的教育个人回报来自信号（身份认证），仅约 20% 来自人力资本积累；高中文凭稀缺时是有效信号，普及后大学学位成为最低门槛，未来研究生学位将成新门槛。

实证侧的”成本差磨平”证据很硬。哈佛商学院《Dismissed by Degrees》（HBS/Accenture/Grads of Life, 2017，分析 2600 万职位广告）：67% 的生产主管岗位招聘要求大学学历，但实际在岗者仅 16% 持有——51 个百分点的”学历缺口”，说明学历早已与岗位真实需求脱钩，沦为筛选惰性。

G2 的解法是把成本差迁移到作品集与公开轨迹：GitHub commit 历史、设计作品集、平台评分、公开发表。成本差变成”做出真东西 + 积累真历史的时间成本”。比一纸文凭更贴近真实能力，因为它展示的是输出而非资质。

接受 + 边界 · 对手立场（Araki & Kariya 2022）：我接受文凭并未均匀贬值这一反驳。Araki & Kariya（European Sociological Review, 2022, 38(6): 904–919，基于 26 个 OECD 国家、91,217 人 PIAAC 数据）区分了两种现象：低层次高教扩张时是”凭证通胀”（对所有持证者一律贬值）；高层次高教扩张时是”去凭证化”（高技能持证者仍保持回报）。我的边界：这说明 G1 不是整体坍缩，而是分层坍缩——底层凭证先失效，顶层凭证仍有残值。所以 G2 的兴起更准确地说是”在 G1 失效的中低端补位”，而非全面取代。这正是反线性进步的关键——代际更替是局部的、分层的，不是整体的。

反例（confirmation-bias 砍除）：我一度把 G2 的作品集当成”比学历更纯净的信号”的正面案例。这是 bias。补入反例：刷 star、买好评、雇枪手代写作品集，早于 AI 时代就存在。a16z crypto 的 Ben Wu（“Proof of Talent”, 2026）指出，游戏化的 GitHub 贡献（paid contributions、刷 star）从来就污染着开源信号。G2 信号从来不纯净——它只是把造假从”伪造一纸证书”变成了”伪造一段历史”，门槛更高但并非不可逾越。

§4 G2→G3：AI 让生产成本趋零，作品信号坍缩

这是本谱系的断裂点，也是整个 0425 专题的命门。Spence 框架的全部可信度系于一条：高能力者发信号的成本低于低能力者（单交叉条件）。AI 从根上破坏它——它把原本代价高昂的信号（精心撰写的求职信、科研论文、作品集）的边际生产成本压缩至趋近于零，抹平了成本差本身。低能力者可以零成本模仿高能力者的输出，分离均衡崩溃为混同均衡，信号信息含量归零。

这不是理论预测，是已被实证量化的现象。三个领域同步坍缩、机制相同：

招聘市场。Galdin & Silbert（Making Talk Cheap: Generative AI and Labor Market Signaling, arXiv:2511.08785, 2025）用 Freelancer.com 数据 + 结构性计量模型证明：LLM 把定制化求职信的成本从 30–60 分钟压到 10 秒，消除了书面申请的成本差异；引入前雇主愿为定制化申请付溢价，引入后溢价消失。反事实推断：最高五分位工作者录用率下降 19%，最低五分位上升 14%——市场变得显著更不唯才是举。Cui, Dias & Ye（arXiv:2509.25054, 2025）用 DiD 估计补刀：求职信信息含量下降 51%，雇主响应是转向依赖求职者既往工作记录。

学术同行评审。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 名专家审阅仍无一察觉（幻觉：完全捏造占 66%）。论文工厂工业化——2,100+ 篇论文因 AI 生成内容被撤稿（Frontiers in Research Metrics, 2025）。同行评审这套依赖”写作质量代理研究质量”的信号系统，结构性崩溃。

内容平台。仅 41% 的美国人相信网上读到的是准确的人类内容；78% 表示难分辨人类与 AI 内容（2025 Edelman Trust Barometer）。依赖 UGC 质量做信号的产品——简历筛选、学术评审、内容平台——面临同一个根本设计挑战：它们的核心信号机制被 AI 釜底抽薪。

[!warning] 判断主轴 · 90% 的人会在这里搞错的三个点

症状为什么会错正确做法真实反例
”AI 时代信号会消亡” 把”某代信号坍缩”误当”信号机制消亡” 信号会重组迁移到新成本差，不会消失 G2 坍缩后 G3 立刻兴起，雇主转向 track record（Cui et al. 2025）
“AI 让市场更公平，人人零成本竞争” 直觉上”工具普及=机会平等” AI 抹平成本差伤的恰恰是高能力者，因为他们原本靠成本差脱颖而出顶部五分位录用率降 19%，底部升 14%（Galdin & Silbert 2025）
“用区块链/AI 检测就能恢复信号” 把技术方案当万能解检测是输不掉的军备竞赛 OpenAI 自家检测器仅识别 26% AI 文本、人类误判 9%，2023.7 下线

症状	为什么会错	正确做法	真实反例
”AI 时代信号会消亡”	把”某代信号坍缩”误当”信号机制消亡”	信号会重组迁移到新成本差，不会消失	G2 坍缩后 G3 立刻兴起，雇主转向 track record（Cui et al. 2025）
“AI 让市场更公平，人人零成本竞争”	直觉上”工具普及=机会平等”	AI 抹平成本差伤的恰恰是高能力者，因为他们原本靠成本差脱颖而出	顶部五分位录用率降 19%，底部升 14%（Galdin & Silbert 2025）
“用区块链/AI 检测就能恢复信号”	把技术方案当万能解	检测是输不掉的军备竞赛	OpenAI 自家检测器仅识别 26% AI 文本、人类误判 9%，2023.7 下线

接受 + 边界 · 对手立场：我接受”信号坍缩规模未必全面”这一反方。Galdin & Silbert 基于的是 Freelancer.com 零工市场，能否推广至正式雇佣关系仍待检验；宏观就业数据（2024–25）尚未显示全面工作消失，主要是任务重新分配。我的边界与赌注：即便规模存疑，现象的存在性已无争议——争议只在量级与因果方向，不在”是否发生”。对 Rick 这种正在投递的求职者，等”学术界达成规模共识”再行动，等于在信号坍缩期裸奔。我赌的是：在依赖内容质量做信号的赛道（写作、设计、咨询、内容产品），G2 信号的折价是结构性的、不可逆的。

§5 G3 的内生瓶颈：新一轮通胀，不是终点

进步史叙事最大的诱惑，是把 G3 写成”终于找到了 AI 不能伪造的终极信号”。这是我要砍掉的最后一个 bias。G3 的三类高成本信号各有其内生瓶颈：

G3 信号类型	为何 AI 难伪造	内生瓶颈（failure scenario）
实时/现场评估	把信号生成压到无法预备 AI 输出的窗口 + 即时追问	远程代考（Discord/Telegram 雇枪手）难检测；自动监考对深色肤色、残障者误报（伦理问题，HackerEarth 2026 明确指出）
链上可验证凭证	密码学签名 + 不可篡改；伪造需控制颁发方私钥	覆盖面窄（主要在高端科技/金融）；中小企业与非正式经历难纳入；元数据可被去除
公开 track record / ship 过的产品	时间不可逆——伪造跨年的 commit 历史、真实用户反馈需要”时间机器”	仍可被刷量污染；过程可见性本身也开始受 AI 污染（Wang, arXiv:2511.00068, 2025 称”effort laundering”）

关键判断：G3 不是逃出了军备竞赛，而是把战场换到了”时间不可逆性”和”密码学不可伪造性”上。但只要某类 G3 信号普及，凭证通胀的逻辑就会重新启动——这正是 Chen & Meng（When AI Levels the Playing Field, arXiv:2603.05565, 2026）两阶段模型的警告：AI 导致雇主筛查能力下降，触发学历/凭证要求上涨而任务复杂性不变。谱系图右下角那条自指向 G3 的虚线箭头，就是这个隐忧——G3 内部已经在孕育下一轮通胀。

[!note] 跨域呼应 · 残障原理（Zahavi）为何不会失效 Zahavi 残障原理（J. Theoretical Biology, 1975）：孔雀尾巴之所以可信，正因其代价高昂——低质量个体负担不起。这与 Spence 模型几乎同构、独立发展。它对 G3 的启示是结构性的：真正抗 AI 伪造的信号，必须是”对低能力者代价不成比例地高”的信号。链上凭证、实时追问、跨年 track record 之所以候选，不是因为技术先进，而是因为它们重建了 Zahavi 式的成本不对称。但 Zahavi 本人对其普遍性的主张被认为过度外推（Penn et al. 2020, Biological Reviews）——不是所有信号都需”代价高昂”才可信。这恰是边界：G3 的某些信号（如基于内在生理诚实的实时反应）可能不靠”贵”而靠”无法预备”取胜，这是与残障原理不同的诚实机制。

§6 产品 PM 视角补盲：双重价值

本谱系对 Rick 有双重价值，必须显式落地，否则就是空谈理论。

产品层：任何”依赖内容质量做信号”的产品，都站在 G2→G3 的断裂带上。简历筛选平台、学术评审系统、内容社区、UGC 评分——它们的核心机制（用内容质量代理能力/真实性）正在被 AI 抽空。PM 的设计应对不是”加个 AI 检测器”（输不掉的军备竞赛），而是把信号迁移到 G3 的成本差上：流程可见性（让申请过程而非成品成为信号）、任务化实时测试（p306 - 数据飞轮与反馈回路设计的反馈回路在此显式升级——不是收集更多内容数据，而是收集”AI 不能伪造的行为数据”，如实时交互轨迹、跨时间一致性）、第三方时间戳/链上凭证。

求职层（独特资产）：Rick 正在求职，本知识库/作品集本身就是一个 AI-proof 信号案例。Rick 需要发出 AI 不能伪造的信号——而他手里恰好有三类 G3 资产：(1) ship 过的产品（博物馆 AI 导览 APP，BUILD_COMPLETE，54 测试全绿，三套机制）——这是复合型高成本信号，含结果证明 + 过程证明 + 第三方时间戳；(2) 公开发表的持续判断记录（本 0425 专题、0411 Agent 专题等的跨时间一致输出，按 Rick 写作 SABCD 评级体系自评留痕）——伪造它需要时间机器；(3) 实时面试分析锐度——古典 PM × AI 直觉的现场判断力，无法事先用 ChatGPT 预备。Rick 的不公平优势恰恰是：当 G2 信号（漂亮简历）坍缩时，他的 G3 资产（track record + 实时锐度 + ship 记录）的相对价值不降反升。

§7 PM 决策启示

面试怎么用：被问”AI 时代怎么证明能力”，不要答”用区块链凭证”（会被秒拆）。答这张谱系——信号机制在做代际重组，我的应对是把自己的信号迁移到 AI 不能伪造的成本差上：ship 过的产品（第三方时间戳）、持续公开判断记录（时间不可逆）、实时现场推理（不可预备）。30 秒讲清”为什么我不焦虑 AI 抹平简历”。
选型怎么用：评估任何”依赖 UGC 质量做信号”的产品赛道时，先问”它的信号成本差落在哪一代？AI 是否正在抹平它？“——这是判断一个内容/招聘/评审产品是否站在坍缩带上的 30 秒筛子。
复现怎么用：设计信号机制时，套 Zahavi 检验——“这个信号对低能力者的代价是否不成比例地高？AI 能否零成本模仿？“过不了这一关的信号，正在或即将坍缩。

§8 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：显式升级。p306 讲”用数据反馈回路构建产品护城河”；本节点指出在信号坍缩时代，反馈回路收集的数据类型本身需要换代——从”内容质量数据”（已被 AI 污染）升级到”AI 不能伪造的行为/时间数据”。这是对 p306 的纠偏+深化，不是复述其飞轮机制。
对照审阅瓶颈专题（信号 vs 验证）：本节点是其纵向时间维度展开。0418 做横向辨析（信号≠验证），本节点回答”这对区分在代际上如何演化”——验证主体从共同体→机构→平台→密码学协议的迁移，正是 0418 区分的时间投影。
对照机制设计专题（信息不对称）：本节点是其机制谱系化。0421 讲 Akerlof 柠檬市场的静态机制，本节点把”信息不对称如何被各代信号工具应对”铺成时间轴。
对照自我民族志专题（作品集信号）：本节点把作品集定位为 G2 信号，并指出其在 G2→G3 断裂带上的坍缩与残值——0423 谈作品集”怎么做好”，本节点谈作品集”在谱系中处于何处、何时失效”。
对照失败考古学专题（失败）：本节点的每代反例与 failure scenario，是 0416 失败分析法在信号机制上的应用——代际更替的驱动力恰恰是上一代信号的系统性失败（凭证通胀、信号坍缩）。

§9 关联节点

核心（必读）

p306 - 数据飞轮与反馈回路设计 — 信号坍缩时代反馈回路的数据换代
Rick 写作 SABCD 评级体系 — Rick 的 G3 信号（持续判断记录）的质量自评工具
幻觉 — AI 幻觉引用是学术信号坍缩的核心机制
AI PM 知识图谱·总索引 — 本专题的总入口

延伸（可选）

Agent — Agent 自动化进一步压低信号生产成本
ChatGPT — 生产成本趋零的时间节点标志
0117社会学 — 凭证通胀、文凭社会学的学科锚点
范式 — Kuhn 不可通约性，代际切换的理论支撑

修订日志

R1（2026-06-07）：首稿。建立成本差谱系四代框架（G0 口碑→G1 凭证→G2 作品集→G3 高成本信号），落定反线性进步立场（每代带反例 + failure scenario）；接入 Kuhn 不可通约（G0→G1）与 Zahavi 残障原理（G3）两处跨域呼应；判断主轴三件套（信号消亡误判 / 公平性误判 / 技术万能误判）；对手立场接受+边界（Araki & Kariya 分层坍缩、Galdin & Silbert 规模存疑）；confirmation-bias 砍除（G2 作品集从不纯净）；双重价值落到 Rick 自身 G3 资产；与 0418/0421/0423/0416/p306 升级对照。待 R2 grounding pass 复核 arXiv ID。
2026-06-11 P3.4 校链：§8 升级对照中 0418/0421/0423/0416 的纯文本提及恢复为真 可读名 链（四专题已确认入库）。
2026-06-12 内审修复：修断链——0418 总览/0421 总览/0423 总览/0416 总览 四个数字式链实为死链，改为相邻专题真实 basename（[_审阅瓶颈系统化专题·总览](/kb/专题-评测与度量/_审阅瓶颈系统化专题-总览/) 等，别名保留）。
2026-06-12 内审·arXiv 联网核实：清掉 R1 遗留的”待 R2 复核 arXiv ID”。本节点独有的 arXiv:2603.05565（§5 Chen & Meng）经 WebFetch 确证存在——Xupeng Chen & Shuchen Meng《When AI Levels the Playing Field: Skill Homogenization, Asset Concentration, and Two Regimes of Inequality》(2026-03-05)，两阶段/两类不平等模型、含 endogenous education + employer screening，与”AI 触发凭证要求上涨”引述吻合，标已核实(2026-06-12)。其余四个 arXiv ID（2511.08785/2509.25054/2602.05930/2511.00068）已在 E01/E02/S03 等节点经 WebFetch 确证，G01 沿用无误。清了 1 个 / 存疑 0 个。