你最近寫 code 的時候，有沒有一種感覺：

自己好像越來越依賴 AI 了？

以前遇到問題會去翻文件、看原始碼、debug 半天；現在很多時候，是直接把問題丟給 AI，看它怎麼解。

久了之後會開始偷懶——
文件不太想查了，原始碼也不太想看了，反正 AI 通常都能給個「看起來合理」的答案。

但有個問題我最近一直在想：

當大家都在用同一套 AI 工具，我們做出來的東西，會不會開始變得越來越像？

這其實不是一種直覺上的焦慮而已。

2026 年初，南加州大學（USC）有一篇研究，標題很直接：
〈當大語言模型讓人類思維變得更同質化〉。

他們做的事情也很單純：
讓一批人用 AI 輔助寫作，然後分析這些內容的「多樣性」。

結果是——AI 參與越多，文字風格越集中、思考路徑越接近，個體的差異被明顯削弱。

研究裡有一句話我覺得很值得記：

當同一套語言模型介入所有人的表達，語言風格、觀點，甚至推理方式，都會被拉向同一個平均值。

白話一點就是：
當大家都用同一個 AI，你的思考，很可能會慢慢變得跟別人一樣。

最近我還看到一個很有趣的對照。

GitHub 上有個小專案，叫 GuppyLM。
它不是那種幾千億參數的大模型，反而很小——小到可以在免費的 Colab 上幾分鐘訓練完。

它厲害的地方不在效能，而在於一件事：
讓你從頭到尾「看懂」一個語言模型是怎麼長出來的。

你可以自己餵資料、自己訓練、自己看輸出。
最後得到一個有點呆、有點可愛的小模型，會用很簡單的方式回答問題。

重點不是它有多強，而是這種「自己動手做」的過程。

當現在大多數人都依賴少數幾個大型模型時，這種從零開始理解的能力，反而變得很稀有。

在日常開發裡，這種變化其實已經慢慢出現了。

你可能也看過類似的狀況：

很多人開始很熟某些 AI 工具的用法，但一旦離開 AI，就不太確定該怎麼往下做。

以前我們會在意演算法、資料結構、系統設計；
現在有些人更熟的是 prompt 怎麼寫、哪個工具比較好用。

這不完全是壞事，畢竟工具本來就會改變工作方式。

但某些能力確實在變弱，例如：

• 長時間閱讀文件的耐心
• 從原始碼推理問題的能力
• 把模糊問題拆解成具體步驟的習慣

就像導航很方便，但用久了之後，方向感真的會變差。

這裡其實有兩個方向，可以稍微往下挖。

一個是模型本身的差異。

很多人會把不同 AI 模型當成「差不多的東西」，但實際上它們在設計上差很多——從 embedding 的做法、訓練資料，到最後怎麼對齊人類偏好，都會影響輸出的風格和推理方式。

這也是為什麼，有些模型你用起來會覺得比較保守，有些則比較發散，甚至在同一個問題上給出完全不同的解法。

如果你有興趣，可以找一些整理過模型差異的資料來看，會比較系統性地把這些差異拆開來理解。

理解這些東西的重點，不是讓你去選「最強的模型」，而是讓你意識到：
你現在的思考方式，其實正在被某一種模型的設計所影響。

另一個方向，是 AI 的「記憶」這件事。

很多人會直覺認為模型會「記住」東西，但實際上，多數長期記憶是透過像 RAG（Retrieval-Augmented Generation）這樣的機制，把外部知識在需要時再撈回來。

這也意味著，你看到的「AI 很懂你」，很多時候其實是檢索設計得好，而不是模型本身真的理解或記住。

如果對這塊有興趣，可以再看看一些實作面的整理，會更清楚這種「記憶感」是怎麼被做出來的。

那這代表我們應該少用 AI 嗎？

也不至於。比較像是——怎麼用，會變得很關鍵。

有幾個我自己覺得還不錯的做法：

1. 把 AI 當參考答案，而不是第一反應
先自己想一輪，再去看 AI 的解法，差異其實很有價值。

2. 偶爾刻意「不用 AI」
例如每週挑一個小問題，從查文件開始，完整走一遍。
不是為了證明什麼，而是讓基本功不要消失。

3. 試著理解工具背後在做什麼
不用到研究等級，但至少知道它大概怎麼運作、限制在哪。

我覺得這整件事最有趣的地方在於：

當整個產業都在往「更快產出」前進時，
真正拉開差距的，可能反而是那些還保留著「自己思考過程」的人。

不是不用 AI，而是沒有把思考外包給 AI。

如果你也有這種感覺，其實蠻值得聊聊的。