R01 评估一个信号的 AI-可伪造性
R01 评估一个信号的 AI-可伪造性
问题：当生成式 AI 把”写一篇好文章 / 做一份精致简历 / 出一段漂亮代码”的边际成本压到趋近于零时，一个产品经理（或求职者）如何事前判断”我正在依赖的这个信号，还值不值得依赖”？本节给出一个可打分的评估框架——把任意信号拆成「AI 生产成本 × 可伪造性 × 区分力」三轴，落到一张评分表，再用 Spence 的成本单交叉条件解释为什么这三轴会同步崩塌。这不是答案，是一把尺子；尺子读出的数字会随模型变强而单向漂移，本节最后会论证这一点。
本节点是整个 0425 专题在”操作台”上的第一件工具。前面的 E01 招聘与简历筛选信号坍缩剖解、E02 内容平台与学术评审信号坍缩剖解 给的是诊断（什么坏了），本节给的是可复用的检验程序：拿到一个具体信号，跑一遍打分，得出一个”该不该把产品/职业押在它上面”的判断。
§0 为什么是「三轴打分」而不是「真假二分」
读者脑中的默认框架往往是二分的：这个信号是真的还是假的 / AI 能不能伪造它。这个框架在 AI 时代是错的，会让你做出灾难性的产品决策。
错在两处。第一，“能不能伪造”是个布尔判断，但真正的世界是连续的——几乎任何信号 AI 都”能”参与生产，问题是伪造它的相对成本差有没有被抹平。第二，把”信号”和”伪造”对立起来，遗漏了第三个变量：哪怕一个信号永远不会被伪造，如果它对所有人都同样容易获得（区分力为零），它作为信号也一文不值。
正确的框架来自 Spence 的奠基条件（Spence, 1973, “Job Market Signaling”, Quarterly Journal of Economics, 87(3): 355–374，已核实）。一个信号能”分离”高低能力者，唯一的充要基础是成本单交叉（single-crossing）：
$$c_H(e) < c_L(e) \quad \forall e > 0$$
高能力者发出同等强度信号的成本严格低于低能力者。信号的价值不在”难造”，而在”对低能力者比对高能力者更难造”。AI 的破坏力恰恰在这条不等式上——它不一定把 $c_H$ 和 $c_L$ 都压到零，而是把两者之间的差拉平。一旦 $c_H(e) \approx c_L(e)$，分离均衡坍缩成混同均衡，信号的信息含量归零。
所以评估”AI-可伪造性”不能只问”AI 能不能做到”，必须问三件事，缺一不可：
- AI 生产成本（绝对值）：AI 复刻这个信号要花多少 token / 美元 / 分钟？
- 可伪造性（成本差被抹平的程度）：AI 把 $c_L$ 拉到接近 $c_H$ 的程度——即”低能力者借 AI 之力，模仿高能力者输出”的难度下降幅度。
- 区分力（剩余信息含量）：抹平之后，这个信号还能不能把人分开？分离均衡是否还在？
三轴打分，而非真假二分。这是本节框架与”AI 检测器”思路的根本分野——检测器问”这条具体内容是不是 AI 写的”（一场注定失败的军备竞赛，见后），本框架问”这类信号作为筛选机制还成不成立”（一个产品/制度设计问题）。
§1 三轴的精确定义与代理指标
每一轴都要可操作、可观测，否则打分会沦为主观印象。
轴一 · AI 生产成本（Cost_AI，0–4 分，分越高越安全）
衡量”AI 单独把这个信号复刻到以假乱真所需的资源”。代理指标：
| 分值 | 含义 | 代理观测 |
|---|---|---|
| 0 | 一次 prompt、秒级、零美元 | 求职信、八股文、标准化简历摘要 |
| 1 | 几轮 prompt + 轻量人工拼接 | 一篇看似有观点的博客、课程作业 |
| 2 | 需调用工具 / 多模态 / 几小时 | 一份能跑的小项目 demo、一张设计稿 |
| 3 | 需真实外部交互 / 持续多日 | 一段有评审记录的 PR、一场录播讲解 |
| 4 | AI 无法独立完成（需真人实时/物理/时间在场） | 现场追问、跨年 commit 史、上线产品的第三方时间戳 |
轴二 · 可伪造性（Forge，0–4 分，分越高越危险）
这是核心轴，直接对应单交叉条件被破坏的程度。它不是”AI 能否生成”，而是**“低能力者用 AI 模仿高能力者输出后，二者成本差 $c_L - c_H$ 缩小了多少”**。
| 分值 | 含义 | 判据 |
|---|---|---|
| 0 | 成本差完全保留，AI 帮不了低能力者更多 | AI 对高低能力者的增益相同甚至更利于高能力者 |
| 2 | 成本差部分抹平，低能力者获益更大 | AI 把”看起来够好”的门槛拉到所有人可及 |
| 4 | 成本差被抹平至消失，混同均衡 | 雇主/评审无法从信号区分类型 |
判定关键：问 AI 把谁抬得更高。 若 AI 把低能力者的输出抬到与高能力者难分（雪中送炭），Forge 高；若 AI 只是把高能力者抬得更高、低能力者依然力不从心（锦上添花），Forge 低。Galdin & Silbert（2025, arXiv:2511.08785，“Making Talk Cheap: Generative AI and Labor Market Signaling”，已核实）用 Freelancer.com 数据给出这条轴的实证锚点：LLM 引入后，定制化求职信的支付溢价消失——这正是 Forge=4 的现实样本。其结构模型反事实推断更尖锐：最高五分位工作者录用率下降 19%，最低五分位上升 14%。市场没有变得更高效，而是变得显著更不唯才是举。〔注：该实证基于零工平台，能否外推至正式雇佣关系仍待检验——见 §4 边界。〕
轴三 · 区分力（Sep，0–4 分，分越高越安全）
抹平之后剩下多少分离能力。代理指标：信号与真实能力（事后绩效）的相关性残值。
| 分值 | 含义 | 判据 |
|---|---|---|
| 0 | 信号与真实能力相关性≈0 | 持证/不持证者绩效无差异 |
| 2 | 相关性显著下降但未归零 | 信号还能粗筛，不能精筛 |
| 4 | 相关性几乎不受 AI 影响 | 信号生产本身嵌入了真实能力 |
Cui, Dias & Ye（2025, arXiv:2509.25054，“Signaling in the Age of AI: Evidence from Cover Letters”，已核实）量化了这一轴的塌陷：AI 求职信工具引入后，求职信的信息含量下降 51%（文本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作为替代信号。Sep 从高位掉到中位，市场用脚投票换了信号源。
§2 复合分与可用评分表
把三轴合成一个”AI-可伪造性指数”。最简单且最稳健的合成不是加权平均，而是取决定项——因为三轴是”短板逻辑”：任何一轴塌陷，信号即失效。
复合判定规则
- 安全（仍可依赖）：Cost_AI ≥ 3 且 Forge ≤ 1 且 Sep ≥ 3
- 观察（需补强）：上述三条满足两条
- 坍缩（停止依赖）：Forge ≥ 3 或 Sep ≤ 1（任一触发）
注意 Forge 与 Sep 的”任一触发即坍缩”——这是单交叉条件的直接推论：成本差被抹平（Forge 高）等价于分离失效（Sep 低），两者是同一枚硬币。把它们都列进规则是冗余校验，防止单轴打分失误。
评分表（可直接复制使用）
| 信号 | Cost_AI (0–4) | Forge (0–4) | Sep (0–4) | 复合判定 | 替代/补强方向 |
|---|---|---|---|---|---|
| 标准化简历 / 求职信 | 0 | 4 | 1 | 坍缩 | 转向工作记录、现场追问 |
| ”好文章” / 博客观点 | 1 | 3 | 1 | 坍缩 | 转向公开发表的持续判断记录 |
| 名校学历 | 4 | 1 | 2 | 观察 | 信号本身难造，但区分力被凭证通胀稀释 |
| 一次性项目 demo | 2 | 3 | 2 | 坍缩 | 转向有 commit 史的持续项目 |
| 已合并 PR（含评审记录） | 3 | 1 | 3 | 安全 | 维持；防刷 star/付费贡献 |
| 跨年 commit 历史 | 4 | 0 | 4 | 安全 | 时间不可逆，AI 无法回溯制造 |
| 现场实时追问表现 | 4 | 0 | 4 | 安全 | 时间窗压缩 + 即时质疑 |
| 已上线并持续维护的产品 | 4 | 0 | 4 | 安全 | 第三方时间戳 + 真实用户数据 |
| 公开发表的持续判断记录 | 3 | 1 | 3 | 安全 | 连续性是内生成本，单篇可造、长河难造 |
[!note] 跨域呼应 · Zahavi 残障原理与”内生性成本” 为什么”跨年 commit 史”和”上线产品”是 Forge=0？借生物学家 Amotz Zahavi 的残障原理（1975, “Mate selection—a selection for a handicap”, Journal of Theoretical Biology, 53(1): 205–214，已核实；后由 Grafen 1990 博弈论形式化）：孔雀尾巴之所以可信，正因它昂贵到低质量个体负担不起，且这种昂贵是内生于个体本身、无法外包的。AI 时代的抗伪造信号必须具备同构属性——成本不在”产出物”里（产出物 AI 都能造），而在时间的不可逆性里。commit 史的成本是”过去几年真实地、有迭代痕迹地存在过”；这不是一次会话能制造的产出物，而是一种只有真身能负担的残障。Spence 的 $c_L > c_H$ 在这里变成 $c_{\text{伪造}} = \infty$：你需要一台时间机器。这把 Zahavi 从生物学搬进了 AI 招聘——它解释了为什么”难造”要往”嵌入真实时间/真实交互”的方向找，而不是往”内容更复杂”的方向找（内容复杂度 AI 追得上，时间连续性追不上）。
§3 判断主轴：90% 的人评估信号 AI-可伪造性时会搞错的四件事
这一节是本框架的命门。每一条都给出 症状 → 为什么会错 → 正确做法 → 真实反例。
错位一：把”AI 能生成”当成”信号已坍缩”
- 症状：看到 ChatGPT 能写出像样的求职信，立刻断言”简历这个信号死了”；同时因为 AI 也能生成代码，断言”GitHub 也死了”。
- 为什么会错：混淆了 Cost_AI（绝对成本）与 Forge（成本差被抹平程度）。AI 能生成 ≠ 成本单交叉被破坏。GitHub 上的一次性代码确实坍缩（Forge=3），但跨年 commit 史的成本差完全保留（Forge=0），因为 AI 能生成今天的代码，不能生成”三年前那个拙劣的早期版本和此后的迭代轨迹”。
- 正确做法：永远分两步问——“AI 能不能生成这个产出物”（Cost_AI）和”AI 把低能力者抬得比高能力者更多吗”（Forge）。后者才决定坍缩。
- 真实反例：a16z crypto 的 Ben Wu（“Proof of Talent”, 2026-02-26，行业分析非同行评审，已核实）指出，AI 工具提升贡献量的同时，让训练有素的评估者更容易识别”表面繁荣”——大量孤立 PR 而无连贯思路。即 AI 反而抬高了”深度与连续性”这一信号的区分力。同一平台（GitHub），不同信号（单点产出 vs 连续轨迹），AI-可伪造性截然相反。
错位二：以为”加密签名 / 区块链”就等于”不可伪造”
- 症状：把”可验证证书（VC）+ 区块链”当成 Forge=0 的银弹。
- 为什么会错：可验证证书解决的是篡改防伪（这张证是不是真发的），不解决区分力（这张证还能不能分人）。如果颁发机构本身滥发（凭证通胀），链上记录得再牢，Sep 也是 0。Forge 低不代表 Sep 高——这是评分表里”名校学历 Forge=1 但仍只判’观察‘“的原因。
- 正确做法：把”不可篡改”和”有区分力”拆开评。VC 把 Forge 压到 0，但若信号源头泛滥，Sep 仍会塌。
- 真实反例：凭证通胀的实证——Caplan（The Case Against Education, Princeton University Press, 2018，已核实）估计约 80% 的教育个人回报来自信号而非人力资本；HBS/Accenture “Dismissed by Degrees”（2017，已核实）发现 67% 的生产主管岗位要求大学学历，而实际在岗者仅 16% 持有——51 个百分点的”学历缺口”正是 Sep 被通胀稀释的证据。学历这个信号 Forge 一直很低（难伪造），但 Sep 早在 AI 之前就被通胀蚀空。
错位三：用”AI 检测器”代替”信号重设计”
- 症状：信号坍缩了，第一反应是上 AI 检测工具，把 AI 生成的内容筛掉，幻想恢复信号。
- 为什么会错：检测器是在错误的层面打仗。它问”这条内容是不是 AI 写的”，但你真正要的是”这个筛选机制还成不成立”。检测器是一场结构上无法赢的军备竞赛。
- 正确做法：不要修内容层，要换信号层——把依赖”内容质量”的信号，换成依赖”时间/实时/第三方时间戳”的信号（评分表右栏的”替代方向”）。
- 真实反例：OpenAI 自家 AI 文本检测器只能正确识别 26% 的 AI 文本、误判 9% 人类文本，2023 年 7 月下线关闭（已核实）。Christianson（Patterns, 2024, PMC11573885，已核实）系统论证 AI 检测工具高假阳性、高假阴性且歧视非母语者；学界共识（强水印不可能性，正确出处为 Zhang 等 Watermarks in the Sand, 2023, arXiv:2311.04378〔已核实，见 E02 grounding；原引 arXiv:2308.00862 经 WebFetch 确证为误植（实为 Shoker 等《CBM for AI: Workshop Proceedings》2023），已核实(2026-06-12)，勿沿用〕）：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。检测器修不好坍缩的信号——这正是本框架要在”信号设计层”而非”内容鉴别层”评估的根本原因。
错位四：忘了打分会随时间漂移，把今天的快照当永久结论
- 症状：今天给某信号打了 Forge=1，就把它当成长期安全资产，写进产品/招聘流程后不再复评。
- 为什么会错：三轴中至少两轴（Cost_AI、Forge）是模型能力的函数。模型每升一代，Cost_AI 下降、Forge 上升。今天的”安全”是有保质期的快照。
- 正确做法：给每个信号的打分标”评估日期 + 评估时模型代际”，并设复评触发器（如每次主流模型大版本更新后重跑）。把 AI-可伪造性当成一条单调上升的曲线而非常数（见 §6）。
- 真实反例：NHANES 公开数据集相关论文从 2023 年 4,926 篇暴增到 2024 年 7,876 篇（Science/AAAS，已核实），ChatGPT 普及是关键时间节点——“用公开数据写一篇能过审的论文”这个信号的 Forge，在一年内从中位跳到高位。任何静态打分都会被这条曲线甩在身后。
§4 产品 PM 视角补盲：依赖内容质量做信号的产品，正在被釜底抽薪
跳出”工程/招聘”视角，看产品与商业模式层的三个看走眼点：
(1) 商业模式盲点 · UGC 质量即护城河的产品面临根本设计挑战。 任何把”用户生产的内容质量”当作核心信号的产品——内容平台的”优质创作者识别”、知识社区的”高质量回答排序”、电商的”真实评价”——其信号机制与简历筛选、学术评审同构：都依赖”好内容难产 → 难产即信号”。AI 抹平难产成本后，这条护城河漏水。产品的应对不是”上 AI 检测”（错位三），而是重设信号源：从”内容本身”转向”内容背后不可伪造的行为轨迹”（账号年龄、跨时间互动连续性、真实交易时间戳、线下核验）。这正是本框架对内容型产品的直接启示——评分表的逻辑可整体搬到”我的产品在用什么做信号、那个信号几分”。
(2) 用户心理盲点 · 信号坍缩前用户已先感知”信任崩塌”。 41% 的美国人相信网上读到的是准确的人类内容、78% 表示难分人类与 AI（2025 Edelman Trust Barometer，行业报告〔来源未经同行评审，作”据称”〕）。用户对”满屏 AI 味”的反感会先于信号机制的客观失效到来——这意味着产品要管理的不止是信号的真实区分力，还有用户主观的信任体感。一个 Forge 还没到 4 的信号，可能因用户”觉得都是 AI 写的”而提前失去说服力。
(3) 合规边界盲点 · 抗伪造信号的”实时/监控”手段有伦理与法律天花板。 评分表里 Sep=4 的”现场实时追问”很强，但其工程实现（KYC 身份核验、虚拟机检测、击键/眼动监控）对深色肤色、残障人士存在系统性误报（HackerEarth 2026 行业报告明确指出，已核实为该报告观点）。EU AI Act 对招聘类高风险 AI 系统的义务原定于 2026 年 8 月 2 日生效（已核实为 Act 原始草案时间表）；但”Digital AI Omnibus”递延提案（2026-05-07 达成政治共识）可能将就业类高风险规则推迟至 2027 年 12 月 2 日——若 Omnibus 未在 2026-08-02 前正式通过，则按原时间表生效〔递延状态流动中〕。即”信号越抗伪造，越往实时/监控靠，合规成本越高”——这是抗伪造信号的内在张力，PM 选型时不能只看 Sep 分数，要把合规成本计入。
边界声明（failure scenario）：本框架的核心实证（Galdin & Silbert）来自零工市场，其”顶部能力者受损最深”的反直觉结论能否外推到正式雇佣、外推到非招聘的产品信号场景，尚待复现。本框架在”信号与真实能力相关性可观测”的前提下成立；当真实能力本身因 AI 而快速变化（Wang, 2025, arXiv:2511.00068 指出学术市场中信号与能力的关联需重建），三轴打分的”Sep”分母都在动，框架的稳定性下降。这是本节最大的赌注。
§5 对手框架回应
对手一 · “AI 让市场更公平了”（普惠论）。 接受：AI 求职工具确实提升了底层求职者的回复率，技术层面确实降低了门槛、扩大了参与。边界：Galdin & Silbert 的反事实证据显示，门槛降低的代价是信号信息含量崩溃——市场对”谁更有能力”变得更瞎，而非更亮。普惠了”参与机会”，损害了”匹配效率”。本框架坚持：评估信号要看 Sep（区分力），不能因 Cost_AI 下降（人人可及）就欢呼。
对手二 · Bryan Caplan 的极端信号论：“学历 80% 是信号，AI 不过是加速其本就该有的崩塌”。 接受：Caplan 对凭证通胀、教育军备竞赛的批判有羊皮纸效应等实证支撑（Hungerford & Solon, 1987，已核实），AI 确实加速了”纯信号”的贬值。边界：本框架引入 Huntington-Klein（2021, “Human Capital versus Signaling is Empirically Unresolvable”, Empirical Economics, 60(5): 2499–2531，已核实）的”识别失败”论作为对 Caplan 的反制——人力资本与纯信号在经验上无法被数据区分，任何”信号占 X%“的精确估计（包括 Caplan 的 80%）都建立在不可识别的假设上。所以本框架不打”这个信号到底几成是真能力”的官司，只打”AI 把成本差抹平了多少”——后者可观测，前者不可识别。这是刻意收窄战场以求可操作。
对手三 · Rick 未读框架引入 · Luhmann 的系统信任理论（破 echo chamber）。 社会学家 Niklas Luhmann 区分”人际信任”（personal trust）与”系统信任”（system trust，对货币、专家、制度的非人格化信任）〔Luhmann Trust and Power，概念引入，未逐句核实原文〕。本框架隐含一个被 Luhmann 戳破的盲点：我们默认”修好信号 = 恢复信任”，但 Luhmann 指出现代社会的信任本就是对系统（学历制度、平台评分、同行评审）的信任，而非对个体真实能力的验证。AI 坍缩的不只是某个信号，而是整套系统信任的承重墙——当 53 篇 NeurIPS 接收论文含 100 条 AI 幻觉引用而 3–5 名专家无一察觉（Ansari, 2026, arXiv:2602.05930，已核实），坍缩的不是”某篇论文的信号”，是”同行评审作为系统”的信任。这逼问本框架的盲点：三轴打分修的是单个信号，但用户/雇主失去的可能是对整个验证系统的信任——单点修补无法回收系统级信任，这是框架的认识论边界。
§6 结论：可伪造性会随模型变强而单调上升
本框架最重要的输出不是某个静态分数，而是一条趋势判断：在三轴中，Cost_AI 单调下降、Forge 单调上升，二者都是模型能力的函数。换言之——
任何依赖”产出物质量”的信号，其 AI-可伪造性（Forge）都会随模型变强而单向上升，没有回头路。今天打分”安全”的信号，明天可能”观察”，后天”坍缩”。
这条曲线的证据是历时性的：求职信信号在 LLM 普及后两年内从有效（有支付溢价）变为无效（溢价消失）；公开数据集论文的 Forge 一年内跳级；AI 内容网页从 2022 年 12 月的 185 个涨到 2024 年的 15,000+（Frontiers / Science，已核实数量级）。
但这条曲线有渐近线。Forge 趋向 4 的信号，是”成本嵌在产出物里”的信号（内容、代码、设计稿）；Forge 守在 0 的信号，是”成本嵌在时间/实时/第三方时间戳里”的信号——这些是 AI 在结构上无法逾越的（它造不出过去，也无法在实时质疑中冒充理解）。所以本框架给出的单一最重要的行动指令是：
把你押注的信号，从”产出物质量轴”迁移到”时间不可逆 + 实时不可代 + 第三方可验证”轴。 前者是被模型曲线追杀的资产，后者是渐近线之外的避风港。对产品：重设信号源，别修内容层。对求职：别再优化”更好的简历/文章”，去积累 AI 造不出的东西——跨年的公开判断记录、ship 过且在维护的产品、能在现场实时追问下站住的真实理解。
[!note] 落到 Rick 自身 · 这个知识库本身就是一个 Forge=0 的信号 Rick 正在求职。值得点破的是：Rick 用来求职的最强信号，恰恰是这套知识库本身，而非任何一份简历或单篇文章。 用本框架给它打分——单篇笔记的内容 AI 能写（Cost_AI 低），但”跨越数月、22+ 节点、5 轮对抗式同行评议、有完整修订日志和改稿档案的连续判断记录”，AI 造不出（Forge=0，Sep=4）：它的成本嵌在时间连续性、真实迭代痕迹、以及”在面试桌/选型会撞过墙后回来沉淀”的不可伪造的个人轨迹里。这正是 Zahavi 残障原理的人格化——这个库是 Rick 负担得起、而”借 AI 速成的转型者”负担不起的”昂贵展示”。同理，博物馆 AI 导览 APP（已 BUILD_COMPLETE、54 测试全绿、有上线轨迹）是 Sep=4 的”ship 过的产品”信号。求职策略的推论很直接：少在”更精致的简历”（Forge=4 的死资产）上花力气，多把这个库和作品集做成”可被第三方实时追问、有时间戳、有连续判断”的活信号。 把本框架的评分表对着自己的求职信号跑一遍，就是 R01 对 Rick 最直接的用法。
§7 PM 决策启示
- 面试怎么用：当被问”AI 时代你怎么证明能力”，不要罗列证书，直接搬出三轴框架——“我评估任何能力信号都看 AI 生产成本、可伪造性、区分力三轴，并主动把自己的信号往 Forge=0 的时间/实时轴迁移”，然后用本知识库 + 作品集作为活样本。这本身就是一次 Sep=4 的现场演示。
- 选型怎么用：评估任何”依赖 UGC/内容质量做信号或排序”的产品（含自家产品）时，把评分表整体套上去，定位信号正落在曲线的哪一段，提前规划信号源迁移，而不是等坍缩后上检测器。
- 复现怎么用：本节是 0425 专题”复现指南”的入口工具。拿到任意信号 → 三轴打分 → 复合判定 → 查替代方向。后续 R02 设计一个抗 AI 的产品信号机制、R03 构建个人 AI-proof 求职信号组合 给出迁移的具体施工法。
§8 与已有节点的关系
- 对照 E01 招聘与简历筛选信号坍缩剖解：E01 做诊断（简历这个信号怎么坏的），本节做工具化——把 E01 的个案抽象成可对任意信号复用的评分程序。不复述 E01 的实证细节。
- 对照 p306 - 数据飞轮与反馈回路设计：p306 讲”数据飞轮如何越转越强”，本节是其对偶的病理面——当飞轮的输入（用户内容/信号）被 AI 污染、区分力归零，飞轮转的是噪声而非真信号。本节为 p306 补一道”飞轮输入信号 AI-可伪造性体检”的前置闸门：飞轮再好，喂进去的信号 Forge=4 也只会加速放大噪声。这是对 p306 的纠偏式补缺，非复述。
- 对照 0117社会学：本节调度 Luhmann 系统信任理论（§5），把”信号坍缩”升级为”系统信任承重墙坍塌”，将社会学的信任分析锚进 AI 能力验证问题。
- 升级对照 幻觉：本节的”AI 检测器军备竞赛”（错位三）与 幻觉 的不可根除性同源——幻觉引用之所以骗过同行评审，正因检测发生在错误的层面；本节把这条洞察从”内容真伪”推广到”信号设计”。
§9 关联节点
核心（必读）
- E01 招聘与简历筛选信号坍缩剖解 — 本节工具化的诊断来源
- E02 内容平台与学术评审信号坍缩剖解 — 系统级信任坍塌的实证
- R02 设计一个抗 AI 的产品信号机制 — 信号源迁移的施工法
- p306 - 数据飞轮与反馈回路设计 — 对偶病理面：被污染的飞轮
- 幻觉 — 检测军备竞赛的同源洞察
- 博物馆 AI 导览 APP — Rick 自身的 Sep=4 活信号
- AI PM 知识图谱·总索引 — 总入口
延伸（可选）
- 0117社会学 — Luhmann 系统信任锚点
- 0114认识论 — 区分事实/推测/赌注
- ChatGPT — 成本坍缩的时间节点标记
- Agent — AI 生产成本下降的能力来源
- Rick 写作 SABCD 评级体系 — 自评工具，本身亦是 Forge 低的输出框架
- AI概念滥用反思 — AI 生成内容须经批判性同行评议
- Polanyi 默会知识与提示工程的认识论张力 — 默会知识为何 AI 难伪造
- R03 构建个人 AI-proof 求职信号组合 — 落到 Rick 求职的信号组合
修订日志
- R0（2026-06-07）：首稿。建立三轴框架（Cost_AI × Forge × Sep）+ 可用评分表 + 复合判定规则；§3 四错位判断主轴；§5 三对手回应（普惠论 / Caplan / Luhmann）；§6 单调上升趋势结论；E03 落到 Rick 自身知识库作为 Forge=0 信号案例。事实接地：Spence 1973、Zahavi 1975、Galdin & Silbert 2025、Cui Dias Ye 2025、Caplan 2018、Huntington-Klein 2021、OpenAI 检测器下线、NeurIPS 幻觉引用审计均经简报核实；EU AI Act 招聘高风险义务日期经 WebSearch 核实（原定 2026-08-02，受 Digital AI Omnibus 递延提案影响，状态流动）；Edelman 信任数据标〔据称/未经同行评审〕；Luhmann 原文未逐句核实，标概念引入。
- 2026-06-12 内审修复：对齐标签矛盾——§水印不可能性原引 arXiv:2308.00862（本节点原未标核实状态，而 S03/README 标〔待核实〕，台账不一致）实为误植；按 E02 grounding 已确证的正确出处更正为 Zhang 等《Watermarks in the Sand》(2023, arXiv:2311.04378)，并标注误植 ID 勿沿用。
- 2026-06-12 内审·arXiv 联网核实：WebFetch 实测 arXiv:2308.00862，确证其实为 Shoker 等《Confidence-Building Measures for Artificial Intelligence: Workshop Proceedings》(2023)，与”水印不可能三角”无关——误植判定坐实；§正文内联注从”待核实，勿沿用”升级为”已核实(2026-06-12)，勿沿用”。同步 WebFetch 确证正确出处 2311.04378 = Zhang 等《Watermarks in the Sand: Impossibility of Strong Watermarking》。清了 1 个误植 / 存疑 0 个。