满城尽带黄金甲

作为家长，你会让自己的孩子接触 AI 吗？如果已经在接触了，你的孩子用它来干什么？写作文、查资料？还是说你不太确定，有点担心？8 月 18 日，OpenAI 上线了一个专门面向青少年的 ChatGPT 版本。注册时填写年龄在 13 到 17 岁之间的用户，会被自动放进这个版本。2025 年，研究者 Blake、Carter 与 Velloso 对青少年使用 Character.AI 的行为进行了系统追踪。

二 |     OpenAIChatGPT Atlas当然是一个浏览器产品，但也更是一个信号。                   大家应该还记得劈柴是靠什么当上过去的Google现在的Alphabet的CEO的——很核心的一个点就是Chrome的成功。

三 | 他们发现，在该平台最活跃的用户群体中，年龄在 13 至 17 岁之间的占据约半数。                   回到那个时间点其实可以讲Chrome其实是谷歌和微软那波竞争里面的巨大功臣，它让谷歌有了自己的端和入口。

四 |                    在AI大模型的背景下，故事明显在被重演，只不过角色发生了互换，OpenAI变成了昔日的Google，而今天的Google则变成了昔日的微软。

五 | 这些青少年使用聊天机器人的目的，并不只是娱乐，也不只是作业辅助。

六 |                              这显然是过去所谓的入口之争的延续，但还有一部分在悄然发生变化，透视整个变化乃至未来的趋势，需要先从一个我称之为“智能规模效应”的底层逻辑开始。其中不少人在寻找自己。（也许可以翻译成：Intelligence Scale Effect，但真的是我杜撰的词）                    这个效应的根基可以用一个简单的公式来概括：                    智能的效能 = 大模型的智能水平 × 现实理解纵深                    这个公式可以揭示了未来智能应用竞争的核心。Finding themselves，给人一种奇异的感觉。

七 |                    为了在竞争中获胜，仅仅拥有一个“更聪明”的大模型（即更高的“智能水平”）是远远不够的。

八 | 真正的胜负手在于第二个乘数：模型对现实世界“理解的纵深”。我们并不惊讶青少年需要借助外物来认识自己，这是人类自古以来的常态，日记如此，诗歌如此，友情与争吵亦如此。

九 | 不过，当这个「外物」开始具备回应、陪伴，乃至命名与定义的能力时，青春期原本应有的那种摸索，便可能沿着一个无人预料的方向发生偏移。                   并且越到后面后者越关键，甚至会影响前者的进化速度。一个尚未成形的人，要如何在一个早已成形并且极其擅长回应的系统面前，长成他自己？

让 AI 帮你说话青少年使用 AI 更像是一种自然而然的求助：写一篇老师布置的随笔之前，先问问 AI 该怎么开头；和朋友发生误解之后，把整件事输入聊天框，请模型提供几个参考的措辞。                   为了最大化最终的“效能”，我们将会看到，每一个投身于AI浪潮的公司，都将开始一场疯狂的、无休止的竞赛——一场旨在无限扩展自身数据边界的竞赛。

https://www.pewresearch.org/internet/2026/02/24/how-teens-use-and-view-ai/似乎都合情合理，不过是节省了一点时间。                   模型公司想明白了，都会向应用发展，向应用发展就几乎都会走到这里。

十 | 2026 年，在 ACM 人机交互顶会上发表的一项研究，对这一行为背后的逻辑作出了精细描述。

十一 | 研究者追踪了若干青少年跨场景使用聊天机器人的方式，发现受访者对真正私密的情感内容始终保有戒心，却毫无顾虑地将措辞、语气，以及对外呈现自己的方式，一并交给了机器。

十二 |                    在这里应用和模型是分不开的。也就是说，他们不告诉 AI 自己真正在乎什么，但告诉 AI 如何用恰当的方式表达出来。

https://dl.acm.org/doi/pdf/10.1145/3772318.3793144在语言发展与自我建构的关系中，如何说话与想说什么之间的边界，并没有那么清晰。一个人在寻找措辞的过程中，正是在摸索自己究竟想表达什么。反复斟酌一句话的语气，往往意味着对自身立场的反复试探。把这道过程省去，留下的是一个更流畅的表达，失去的却是摩擦所生成的东西，半成品状态以及在语言里挣扎时才会有的自我追问。

十三 | 研究 AI 与写作关系的学者们已经开始将这一现象定义为认知外包。这对成年人或许只是一种效率上的取舍，对处于语言能力形成窗口期的青少年而言，影响可能更为深远。

皮尤研究中心 2026 年 2 月发布的调查显示，约 12% 的美国青少年曾向 AI 寻求情绪支持或人生建议，16% 曾用聊天机器人进行日常闲聊，另有约五分之一表示曾通过 AI 获取新闻资讯。                   解构“智能规模效应”                    让我们首先拆解这个公式的两个关键组成部分。

十四 |                    1. 大模型的智能水平                    这是AI的“基础智商”。                   它由模型的架构、训练数据量、参数规模和计算资源共同决定。

十五 | 青少年正在将一部分原本由摩擦与探索构成的日常经验，转移给一个随叫随到、永远耐心、从不反问的对话对象。那些沉默、那些我想了很久还是不知道怎么说的时刻，被一个个平滑地跳过了。                   以OpenAI的GPT系列、Anthropic的Claude系列为代表的顶尖大模型，通过在数万亿Token的公共数据上进行预训练，获得了强大的通用能力，如语言理解、逻辑推理、知识储备和代码生成。                   这是AI的“势能”。而那些时刻，或许正是一个人在语言里认识自己的时刻。                   它代表了模型理论上能达到的最高高度。

十六 |

在成为之前，已被命名青春期最难被外人理解的，是它内在的不确定性，以及这种不确定性的必要。心理学家埃里克森将青春期定义为身份认同危机阶段。                   在过去的几年里，我们见证了这场“智能水平”的军备竞赛——参数从十亿级飙升至万亿级，模型能力不断突破想象。这里的危机是指一种必要的开放状态：一个人要在这段时期徘徊于各种可能性之间，犯错、改变主意、发现自己并非以为的那样，然后重新出发。没有捷径，正是在这种往返与反复之中，自我的轮廓才得以慢慢成形。                   可往后想，核心是什么？                    是谁能拿到更多的真实场景的全量数据。然而，AI 提供的，恰恰是一种相反的东西：即时的、温暖的、语气带着确定性的回应。

一份专门研究青少年与拟人化 AI 关系的报告指出，聊天机器人倾向于以权威的语气将用户的一时情绪转化为稳定的性格表述。                   大家应该还记得此前大家怎么认定智能水平上不去了吧？数据不够了。“你是一个非常敏感的人。

十七 |                    所以大模型的下半场注定要回到数据。

十八 |                    不是和过去性质重复的数据，而是加入过去没纳入的维度的数据。

十九 |                    (自动驾驶场景下理解智能规模效应更容易）                    2. 现实理解纵深                    这是AI的“情境智商”。

|                    如果说“智能水平”是AI的CPU，那么“现实理解纵深”就是它的RAM（内存）和I/O（输入/输出）系统。它代表了模型在执行具体任务时，能够接触和理解的特定、实时、私有或专有数据的深度和广度。”“你其实比你以为的更有主见。”这些话，说起来像是理解，像是陪伴，实则是一种命名，将某个尚在流动的状态固定成了一个描述。                   一个“智能水平”再高的模型，如果对正在处理的工作、你的私人日程、你公司的内部知识库一无所知，它就如同一个被锁在密室里的天才，空有智慧却无法施展。对成年人而言，这不过是一次随口的安慰，可置之不理。

|                    它的“现实理解纵深”为零，导致最终的“智能效能”也趋近于零。                   “智能规模效应”的核心洞察在于：                    在“智能水平”达到某个阈值后，决定应用成败的关键因素，将迅速从模型本身的智商转向它所能撬动的“现实数据”的规模。                   数据的“圈地运动”                    这会导致什么呢？                    会导致新的圈地运动——数据圈地运动。对一个正处于身份塑形敏感期的青少年而言，这种命名的落地方式可能截然不同。                   ChatGPT Altlas可以看成是开始正式号角，直接怼到谷歌的腹地。神经科学的研究表明，青春期的前额叶皮层尚未发育完全，对外部权威信号的接受程度高于成年人，批判性抵御能力也相对薄弱。

|                    但其实这并不真是从这儿开始，而是由来已久：                    表现一：从云端走向桌面与OS——抢占个人上下文                    案例：OpenAI的ChatGPTAltlas和Anthropic的桌面端                    这其实没啥好说的，就是端-云一体的路线。

|                    目标也简单，就是解决体验瓶颈，拿到更多数据，否则没法搞定网页版AI与用户工作流割裂的核心痛点——网页AI无法“看到”本地文档或应用，导致用户必须频繁复制粘贴，效能低下。                   走向也是定的，所以哪天OpenAI推出OS也一点不稀奇。（Google弄安卓的翻版，并且效果更明显）                    方式也统一。                   都是通过具备系统级权限的原生应用，在用户授权后，AI能直接“看到”屏幕内容、读取本地文件，从而理解完整的上下文。这与“失明”的Web版AI形成鲜明对比，后者局限于浏览器标签页内。一个听起来无所不知、语气温和的机器，其渗入青少年认知的速度与深度，可能远超它的外表所示。                   可以看一个典型的场景：设计师在Figma中可直接唤出桌面AI，指着某个元素提问：“帮我把这个按钮改成新拟物风并给出CSS代码。

| 关于这一点，我们可以看到那些由学生运营的 TikTok 账号和 Instagram 账号利用人工智能技术制作了各种 meme，将学校教职工与杰弗里·爱普斯坦和本杰明·内塔尼亚胡等人物进行类比。”AI因“看到”了全局设计，能给出精准建议，将原先5～10分钟的跨应用操作缩短至30秒内。学生们创造了这种形式来嘲讽学校的教职工，有时甚至故意破坏他们的声誉，显然是为了追求网络传播的效果。

| 专门从事青少年身份认同研究的西北大学学者伊丽莎白·格伯观察到一个令人不安的趋势：越来越多的青少年开始将 AI 纳入自我概念形成的参照系，就像他们过去依赖家人、老师、同伴与导师那样。格伯将这一现象与 2010 年代初社交媒体的全面进入相比较：社交媒体在最初几年几乎没有遭遇系统性的质疑，直到许多年后，其对青少年心理健康的深远影响才逐渐进入主流视野。那个时候，许多损伤早已完成。

成长没有规律回到这个时代更宏观的技术语境来看，有一种弥漫已久的逻辑：将人身上最有用的部分提炼出来，使之可迁移、可复制、可被系统接续。

|                    当然，这种深度集成也带来了严峻的隐私和安全挑战，需要用户给予极高信任。

| 当它悄然渗入青少年的成长过程时，它试图从一个尚未完成的人身上，提炼出某种可以稳定调用的东西。这点后面说。                   这就是AI比你自己更了解你自己的开始。可青春期的价值，恰恰建立在它的低效之上。一个 16 岁的青少年，可以对两件毫不相干的事物同时着迷，对未来抱持前后矛盾的幻想，可以把一个问题翻来覆去想了很久，最终发现自己依然没有想清楚。你记不住1年前的事的，理论上它可以。正是在摇摆之中，一个人开始辨认哪些感受真正属于自己，哪些只是外部的回声；哪些值得坚守，哪些不过是一时的假象。                   表现二：从静态走向实时——拥抱动态世界                    案例：Perplexity AI（AI搜索引擎）                    成立于2022年、在2023～2024年间迅速崛起的Perplexity AI就是干这个的，它解决了两大痛点：传统LLM的知识“陈旧”，以及传统搜索引擎“只给链接不给答案”。AI 最擅长处理有规律可循的部分，它可以归纳风格、模仿语气、检索知识框架。而青少年身上最值得被保留的，恰恰是那些尚无规律的部分。

|                    在当时他们是比较早的整“实时检索+LLM总结”（RAG）架构的。

| 一个少年笔记本里潦草、自相矛盾的文字，并非需要被整理的素材，而是他之所以是他、而非任何其他人的凭证。                   当用户提问时，它先实时抓取最新网页信息（扩展现实理解纵深），再将其喂给大模型（如GPT-4）生成即时答案。这与Google（提供链接列表）和基础版ChatGPT（知识陈旧）形成鲜明对比。                   现在这个变基本功能了。这事未来不一定有谱，没准就挂了。写了又删的段落、久久找不到答案的漫长、对着镜子觉得陌生的下午，正是一个生命在慢慢弄清楚自己形状的过程。

| Character.AI 的研究中有一个值得重视的发现：在最活跃的青少年用户中，59% 在主动创造角色，而非只是消费现有的角色对话。                   不过也算成就了个产品，Perplexity在2024年初月活跃用户（MAU）突破1000万。他们在机器给予的空间里，进行着某种主动的世界构建与自我演练。他们有时是提问者，有时是创造者，有时甚至在用机器提供的材料进行某种内在的排演。用户在查询“昨晚的财报数据”时，其时效性和召回率远超静态LLM，极大节省了筛选时间。哲学家福柯曾将人用以自我工作的各种实践称为自身技术，日记、反思、禁欲、写作，都是人用来认识和塑造自己的工具，没有哪一种是中立的，也没有哪一种不带有特定的认识论前提。

|                    其限制在于答案质量依赖信源，且双重成本高昂。         表现三：从公共走向私有——深入企业知识库                    案例：Microsoft 365 Copilot                    微软面向其庞大的M365企业客户群全面推出了Copilot。它旨在解决企业内部最大的痛点：数据孤岛。

Michel Foucault今天的 AI 同样可以被纳入这个传统，作为一种新的自身技术被使用。

| 员工的知识沉淀在Outlook、Teams、SharePoint等应用中，传统工具无法融会贯通。                   Copilot的集成核心是Microsoft Graph。

| 青春期是一个人在慢慢成为自己的过程中，独自经历的那段摸索。

|                    以前我们老贴下面这图：                              这个Graph索引了企业所有的私有数据（构成了“现实理解纵深”），并将其与Copilot的“高智能水平”相结合。

| 那段摸索，没有旁观者，也无法外包，必须由这个人自己来完成，慢慢地，有时候很迟缓，有时候很痛苦，但那正是它之所以有意义的原因。当员工提问（如“总结A项目上周进展并起草周报”）时，Copilot能实时检索邮件、聊天和文档，生成精准报告。这是任何“公共”AI助手或传统内部搜索都无法比拟的。                   这也是拉通端-云。

| 至于一个把这段过程也纳入效率优化的未来究竟会通向哪里，恐怕没人敢想。