昨天刷到TechRadar的一篇报道，里面引用了一项7月1日发布的新研究。

研究追踪了StackOverflow上24304名贡献者。ChatGPT出现后的17个月里，56.1%的人停止了在平台上解答专业问题。

按常理，AI把找答案、写答案都变得更容易，知识社区应该更活跃才对对吧？

这篇论文讨论的，恰好能给你一个答案：

当一段真实经验和一段AI生成的答案看起来越来越像，真正花时间做过、验证过的人，为什么还会愿意继续分享？

而且并不是只有Stack Overflow出现了这样的问题。

任何把AI接进知识库、内容社区或业务流程的产品，都可能碰到同一个问题：

答案越来越便宜之后，谁来持续提供、验证和更新真正有用的新知识？

AI让答案变便宜，也让专业变得难以识别论文把这个现象叫做“信号压缩”。

以前，一个人在Stack Overflow上写出准确、完整的答案，别人可以从内容和声誉大致判断他的专业水平。

这个答案不只解决问题，也在证明回答者的能力。生成式AI出现后，普通人也能快速写出一份看起来相当专业的回答。

这当然降低了获得答案的门槛，但也带来一个副作用：读者越来越难分清，眼前的内容来自多年经验，还是来自一次生成。

真正被削弱的，不只是专家的流量，而是专家投入时间公开回答问题的回报。

论文的数据也很有意思。

在17个月的观察期末，社区认可度最低的一组只剩约15%的人还在贡献，认可度最高的一组仍有约62%。

也就是说，越有经验的人，坚持得更久。

但研究同时发现，一个人过去积累的社区认可越多，退出风险随时间增长得越快。

他们有足够经验，过去能靠认真回答建立影响力；但他们解决的问题，又正在被AI快速覆盖。

当花一个小时写答案和花一分钟生成答案，看起来越来越像，继续公开贡献就成了一件很难算得过来的事。

不过，这篇论文也明确提醒：这些结果支持“信号压缩”这个解释，但还不能证明AI导致了全部的衰退。

平台规则、搜索习惯和用户体验，同样会影响人们是否留下。

AI最可能缺的，不是旧数据，而是新知识TechRadar提到，Stack Overflow每月新增问题较ChatGPT出现前下降了近76%。

这个数字不是论文的因果结论，但它揭示了一个现实：人正在减少提问，也在减少回答。

论文还发现，平台未获回答的问题比例从19.9%升至25.7%。留下来的人平均更专业，并没有弥补贡献总量的下降。

偏偏AI又高度依赖这些人过去留下的内容。

2024年，Stack Overflow与OpenAI达成数据合作。

官方当时强调，要把平台15年来由开发者验证过的技术知识接入ChatGPT，并为社区内容提供归属和引用。

这形成了一个很微妙的循环：

AI吸收了社区积累的答案，用户也可能更少回到社区；

社区失去访问、反馈和声誉激励后，贡献者减少。

而模型需要的新问题、新版本和真实故障，仍然只能从实践中产生。

旧知识可以被模型反复调用，新知识却不会自动出现。

一个刚发布的API改了参数，一套系统在生产环境里出现罕见故障，一个工程师踩完坑后决定不再公开记录，这部分知识就不会进入下一轮数据。

模型未必会因此立刻变笨，但它会更容易停留在“过去大家已经知道什么”，而跟不上“今天刚刚发生了什么”。

这个问题也不只属于程序员社区。

企业做知识库时同样会遇到。员工都愿意搜索AI，却不愿意整理项目复盘、标注失败原因、更新过期流程。

最后AI回答得越来越顺，但依据仍是几年前那批文档。

表面上，知识获取效率提高了。

实际上，知识生产正在断供。

下一代知识产品，应该要奖励验证而不只是生成

Stack Overflow自己已经开始换方向。

今年6月，它上线了Stack Overflow for Agents测试版。

Agent遇到问题时先查询已有答案，解决了新问题后可以起草内容，再由人审核发布。

其他Agent和开发者继续验证这个方案在什么环境下有效。

其中有个设计我觉得很关键：平台把声誉重点从“谁生成了一条内容”，转向“谁验证了它真的能在生产环境工作”。

这可能才是AI时代知识产品需要重新设计的东西。当生成答案越来越便宜，稀缺的就不再是文字，而是来源、责任、验证和持续更新。

对内容平台来说，要让原创经验能被识别、引用和获得回报。

对企业知识库来说，不能只统计谁用了AI，还要记录谁更新了规则、纠正了答案、补上了真实案例。

对AI产品来说，也不能只优化“几秒给出答案”，还要让答案暴露出处、时间和适用边界，并把用户的纠错重新送回知识系统。

看完这项研究，我最大的感受是：AI可以降低使用知识的门槛，但不能取消生产知识的成本。

如果一个产品只让答案越来越便宜，却让提供真实经验的人越来越不值得被看见，它消耗的就不只是一个社区的活跃度。

它消耗的是自己未来还能学到什么。