认知公地悲剧：AI 如何瓦解专业能力的代际再生

论文信息

作者已接受稿(AUTHOR ACCEPTED MANUSCRIPT)

标题:认知公地的悲剧:AI如何可能扰乱专业专长的再生(The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise)

作者:Nolan Lovett,北约特种作战大学(NATO Special Operations University),比利时。ORCID: https://orcid.org/0009-0003-1982-830X

发表信息:Lovett, N. (2026). The tragedy of the cognitive commons: How AI could disrupt the regeneration of professional expertise. Human Resource Development Review. 在线优先出版。https://doi.org/10.1177/15344843261470602

稿件历程:2025年11月2日投稿至 Human Resource Development Review(稿件编号 HRDR-25-0324);2026年4月与2026年6月修订;2026年7月6日接受;2026年7月26日在线发表。本文档为作者已接受稿,即2026年7月6日接受的同行评议文本,尚未经 Sage 文字编辑、排版与分页;正式版本(Version of Record)可通过上述 DOI 获取,引用时应优先引用正式版本。

版权说明:本文是美国政府作品,由联邦雇员在履行公务期间完成。根据《美国法典》第17编第105条(17 U.S.C. Section 105),本文在美国不受版权保护。本版本免费提供;Sage 的作者存档政策亦允许在无禁运期条件下分享已接受稿,前提是免费获取并引用已发表文章。

免责声明:文中观点仅代表作者本人,不一定代表北约(NATO)、盟军特种作战司令部(Allied SOFCOM)、北约特种作战大学、美国作战部(US Department of War)或其下属机构的观点。作者说明:在本文研究与写作期间,作者同时为美国弗吉尼亚州诺福克市 Old Dominion University 的博士候选人。通讯邮箱:nlove002@odu.edu

摘要

人工智能正在重塑认知性工作,但人力资源发展(Human Resource Development, HRD)学术界的注意力一直停留在"组织培训挑战"这一层面,尚未考察专业专长如何在集体层面再生。本概念性论文提出认知公地(Cognitive Commons)框架,整合公地理论、HRD学术成果与分布式认知理论,用以解释:理性的AI采纳决策如何可能耗尽各专业赖以自我更新的共享专长池。该框架区分了内化掌握(Internalized Mastery,经长期实践形成的深层领域知识)与分布式掌握(Distributed Mastery,对人—AI系统的编排能力),并提出验证系绳(Validation Tether)概念:对AI的有效监督所依赖的专长,恰恰可能被AI采纳本身所侵蚀。早期的劳动力市场与临床证据表明,在高度暴露于AI的部门中,专长再生路径可能已受到扰动,但鉴于AI采纳时间尚短,最强信号来自领先部门而非所有职业。五个因素决定职业脆弱性,治理安排则可能在组织、专业协会与政策三个层面形成。本文将专长发展重新界定为集体管护(collective stewardship)而非组织优化,并阐述其对HRD理论与劳动力政策的启示。

关键词:认知公地(Cognitive Commons);人工智能;专长发展;人力资源发展(Human Resource Development);集体行动;系统思维

引言

1968年,Garrett Hardin 描述了这样一种情形:理性的个体各自独立地追求自身利益,将不可避免地耗尽所有人共同依赖的共享资源。他提出的公地悲剧(Tragedy of the Commons)在此后半个多世纪里塑造了人们关于环境保护、公共物品与集体行动问题的思考(Hardin, 1968)。今天,随着人工智能(AI)系统在各专业领域迅速接管认知任务,我们正面临一场与之平行的悲剧——尽管其出现的证据不断积累,人力资源发展(HRD)领域尚未将其识别为一个集体行动问题。本文借用 Hardin 的隐喻,取其结构而非其宿命论。Hardin (1968) 将公地耗竭呈现为理性个体行动近乎不可避免的结果,但后续研究——尤其是 Ostrom (1990, 2010) 关于持久性公共池塘资源制度的实证工作——表明,社群往往可以通过边界界定、监督、分级制裁与集体选择等治理安排来维持共享资源。因此,认知公地并非注定走向毁灭。悲剧框架所标识的是一个现有安排尚未应对的集体行动问题;而治理问题——后文将展开讨论——在于能否设计出相应的制度,以维持专业专长所依赖的再生路径。以下论证建立在一种证据地位的区分之上。辅助表现与独立能力之间的分离(dissociation)已得到实证确立:凡是在AI暴露之后测试无辅助表现的研究,都直接测量到了这种分离(Budzyń et al., 2025; Macnamara et al., 2024)。而本文所描述的职业层面的耗竭,则是基于这一分离现象与公地理论作出的结构性预测,而非已观察到的结果;本文将其作为一个可证伪的论述提出,用以说明当前激励将导向何方,而非宣称悲剧已经降临。

HRD领域正在努力应对AI对职场学习与专长发展的影响。该领域的研究关注AI如何改变培训交付方式与技能要求(Ardichvili et al., 2024; Chai et al., 2025; Ekuma, 2024; Khandelwal et al., 2024),以及应以何种伦理框架规范组织层面的AI采纳(Chang & Ke, 2024; Chen, 2024; Yorks & Jester, 2024)。这一新兴文献对负责任的AI实施、人类能动性以及HRD引导组织采纳AI的必要性提出了关切。

其中大量研究从劳动力再技能化(reskilling)与技能提升(upskilling)的角度界定AI带来的挑战,强调劳动者需要发展AI素养、提示工程(prompt engineering)、人—AI协作技能等新胜任力。Khandelwal et al. (2024) 描述了"现代基于AI的HRD系统如何利用机器学习算法,根据员工的独特需求与偏好定制培训项目"(p. 630),强调面向AI增强型工作的个性化学习。Ekuma (2024) 指出,AI采纳已"引发了HRD专业人员技能要求的范式转变",要求具备"数据分析、技术管理与数字素养方面的专长"(p. 215)。这一框架将HRD定位为通过胜任力发展干预来促进劳动者适应AI。

组织确实需要能够与AI系统有效协作的劳动者,再技能化举措也值得持续投入。然而,仅靠这些举措,并不足以应对AI采纳可能造成的更深层的结构性问题。Wiles et al. (2024) 的实验证据颇具启发性:在技能建构任务中提供AI辅助时,参与者在辅助期内表现显著更好,但这种表现优势并未迁移到随后的无辅助表现中。AI辅助下的生产率与独立于AI的专长并不是同一种能力,发展了前者并不会自动带来后者。

人因学研究者早在数十年前就认识到了这一悖论:Bainbridge (1983) 证明,自动化在提高对人类技能需求的同时,也减少了发展这些技能的机会;Hollnagel and Woods (2005) 将这一洞见扩展到了系统层面的分析。而这一文献尚未处理的问题是:当一个职业中的每个组织同时面临这一悖论时,会涌现出怎样的集体行动结构。在AI暴露程度最高的部门,组织已经在裁撤那些历来为专长发展奠定基础的初级职位(Brynjolfsson et al., 2025; Hampole et al., 2025),而这些扰动仍被解释为暂时性的劳动力调整,而非再生失败的信号。Ardichvili (2022) 曾警告,自动化造成的发展深层专长的机会十分有限,但该领域尚未建立起相应的框架,将此理解为一个需要在职业层面加以治理的集体资源问题。

要理解AI采纳如何创造出以组织为中心的分析所看不见的公地动态,需要整合长期以来彼此割裂的多个文献:来自环境研究与公共政策的公地理论、来自HRD与成人教育的专长发展研究、来自认知科学的分布式认知理论,以及系统思维。这一综合遵循 Jaakkola (2020) 提出的整合跨学科碎片化文献的框架,将这些领域桥接起来。概念性论文提供的是有别于正式理论建构的基础性概念发展,Rocco et al. (2022) 将这一过程描述为:在操作化与实证检验之前,对关键构念及其关系进行概念性发展(p. 127)。本文提出认知公地这一概念,用以指称一个职业内部深层人类专长的集体池——它是一种共享资源,其再生已不再能被视为理所当然。

要理解这场悲剧如何展开,必须认识到:AI时代的工作要求两种形式的专长——内化掌握(Internalized Mastery),即通过持续的刻意练习集中于个体心智之中的深层领域知识;以及分布式掌握(Distributed Mastery),即对分布于整个人—AI系统中的智能进行编排的熟练能力。这两种形式发挥互补功能,但公地耗竭同时危及两者。验证系绳(Validation Tether)解释了二者的相互依赖关系:有效的分布式掌握从根本上以内化掌握为基础,因为对AI产出的实质性验证,需要传统发展路径所建构的深层领域知识。这一概念基础使未来研究能够将这些构念操作化,运用成熟的理论建构框架发展可检验的命题(Lynham, 2002),并在具体专业情境中考察治理机制。本文分四个部分展开。第一部分界定认知公地,确立公地动态在何时、何地发挥作用,并整合来自劳动经济学、临床医学与实验心理学的证据。第二部分综合公地理论、HRD学术成果、分布式认知与系统思维,推导验证系绳:有效的分布式掌握依赖于可能被AI采纳侵蚀的内化掌握。第三部分将这些关系形式化为一个公地耗竭的整合模型。第四部分论证:HRD必须超越组织层面的专长优化,扩展至职业层面的公地管护。

认知公地(Cognitive Commons)构念

认知公地被定义为一个职业内部深层人类专长的集体池,涵盖一个由专业人员的分布式储备库——这些专业人员拥有内化的领域知识、隐性理解、稳健的心智模型,以及独立执行复杂认知工作、并自适应地应对算法参数之外新情境所必需的判断能力。这些专家对自动化系统的输出进行实质性验证,识别领域特定的错误,发现在情境中不恰当的建议,并察觉表面连贯的输出可能包含的细微缺陷。这一公地充当一种共享资源,在某领域中运营的所有组织都依赖它,即使它们并未直接雇用池中的每一位专家。

认知公地代表了人力资源发展(HRD)对专长进行概念化方式的一次重要扩展。尽管Swanson (1995)将HRD奠基于个体、流程和组织层面的专长发展,且学者们已在组织情境内广泛考察了专长发展(Cherrstrom & Bixby, 2018; Grenier & Kehrhahn, 2008),但该领域对专长作为一种存在于职业或社会层面的集体资源,给予的关注不足。认知公地框架表明,HRD不仅要系统性地思考组织系统(Yawson, 2013),还必须思考超越单个组织边界的整个专长生态系统的健康。

认知公地与相邻构念的区分

认知公地在若干促使我们提出新术语的方面区别于若干相邻构念。人力资本,无论是个体形式还是组织形式,都将专长定位于个人或企业之中(Becker, 1964);而认知公地是职业层面的,是一种没有任何单一行为者拥有的共享存量。实践共同体描述的是从业者借以学习的社会过程(Lave & Wenger, 1991);而认知公地描述的是由此形成的存量、其再生与耗竭,而非学习过程本身。劳动力产能指的是劳动者的可得性,可以通过招聘得以恢复;而认知公地指的是深层的、具备验证能力的专长——招聘可以对其重新分配,却无法按需再生。专业专长指称个体所持有的一种能力(Dreyfus et al., 1986; Ericsson, 2006);而认知公地指称此类能力的集体池,以及使其更新的发展系统。该构念之所以赢得一席之地,是因为它将注意力引向一种职业层面的"存量—再生"动态,而任何相邻术语都未能使这种动态可见。

为何这构成一种公地:三个决定性特征

公地理论对于理解受到AI高暴露行业中新兴动态威胁的专长尤为贴切,因为它捕捉到了三种结构性特征,这些特征使专长容易遭受集体行动失败。这些特征解释了为什么各个组织各自理性的决策会产生集体层面有问题的结果,尽管没有任何组织有意造成这样的结果。

第一,认知公地是集体依赖的。任何领域的组织都依赖从共享人才库中雇用专家,这就产生了搭便车问题:它们从可得的专长中获益,同时每个组织都有动机避免承担培养这种专长的成本,搭便车于他人的发展性投资。在医疗和金融等相互关联的领域,这一挑战更为严峻:在这些领域,更广生态系统中专长的存在——即使未被直接雇用——也至关重要。例如,金融机构的AI风险评估依赖人类专家进行验证,医院的患者安全取决于临床医生保持诊断技能,AI生成代码的可靠性则取决于程序员能否审查并识别缺陷。在这些领域,集体专长提供了监管能力、危机响应能力和知识溢出,使所有组织受益,无论它们是否直接雇用这些专家。这就造成了经济学家所称的公共品问题(Samuelson, 1954):集体专长可得性的收益是非排他的(所有组织都从全职业范围的专家能力中受益),而培养新专家的成本则由投资于长期发展路径的特定组织承担。

第二,该公地是非排他的。组织无法轻易阻止他人从其存在中获益。一个职业中深层专长的普遍可得性,为所有组织提供了抵御系统性失败的集体保险、监管监督能力和知识转移渠道,无论各组织自身对专长发展贡献几何。一家裁撤初级岗位并完全依赖AI的企业,仍然可以从该职业的总体专家能力中获益——无论是雇用由其他组织培养的经验丰富的从业者,咨询通过传统路径发展出专长的外部专家,还是依赖该职业所保有的领域专家的监管监督及其验证能力。这种非排他性制造了搭便车激励(Olson, 1965):理性行为者寻求从公地资源(全职业范围的专家池及其验证能力)中获益,却不通过对发展性基础设施的投资来为公地维护做出贡献。

第三,该公地会因再生机制被过度攫取而退化。组织从公地中攫取价值(通过部署依赖专家验证的AI,同时裁撤培养验证者的初级岗位)的速度,可能超过公地再生的速度。与渔场或森林等传统公地不同——在那些公地中,耗竭会通过渔获量下降或光秃的山坡显现出来——认知公地的退化通过代际就业模式显现,而非即时的资源稀缺。现有专家继续胜任地验证AI输出并处理例外情况,营造出一种稳定的表象,而再生机制正在受影响的行业中遭受破坏。这种侵蚀可以通过队列层面的劳动力市场分析来衡量——这些分析显示出初级职业岗位被系统性裁撤(Brynjolfsson et al., 2025; Hampole et al., 2025)——但组织和政策制定者通常将这些模式解读为暂时的劳动力市场调整(被自动化取代的劳动者会找到其他机会),而没有认识到它们可能代表的潜在的公地再生失败。可见症状与被认识的潜在动态之间的这一鸿沟加剧了治理挑战,因为驱动潜在耗竭的集体行动结构在很大程度上仍未得到承认,即使经验性指标已在领先行业中浮现。

因此,AI高暴露行业中正在浮现的模式,相当于Hardin (1968)过度放牧问题在公地上的翻版。每一家裁撤初级岗位的组织都攫取了100%的效率收益(薪资成本降低、培训费用免除、借助AI更快完成任务),同时将专长耗竭的成本分摊给所有依赖全职业范围专家可得性的组织。理性的算计有利于攫取而非贡献。投资于发展性基础设施的组织——无论是保留传统培养管道还是建设新的管道——相对于那些依赖从日益萎缩的人才库中雇用已训练好专家的组织,面临竞争劣势。市场力量奖励效率优化,惩罚那些为专长发展承担不成比例成本的组织,而这种发展的收益却由全职业共享。正如Ostrom (1990)通过对自然资源公地的大量实证研究所证明的,如果治理机制能够实现协调的管护,这类集体行动问题并不必然导致悲剧。认知公地目前在最脆弱的行业中缺乏充分的治理机制,尤其是那些缺乏强有力职业执照基础设施的行业。Ostrom所识别的对公地可持续性至关重要的治理机制——包括边界界定、监测、分级制裁和集体选择安排——在最脆弱的职业行业中仍然基本缺位。

适用性:公地动态在何时何地运作

认知公地框架在三种结构性条件同时出现时适用。第一,AI必须执行那些在历史上充当相关专长主要发展情境的任务,具体而言,就是新手借以建构领域知识、隐性理解和心智模型的早期职业认知劳动与生产任务。在那些新手主要通过不受AI替代影响的具身实践来发展专长的职业中——例如护理或建筑行业——公地脆弱性较低。第二,这些发展路径必须难以在组织工作情境之外复制。在正规教育目前能够有效替代职场经验来建构相关专长的地方,公地脆弱性会得到缓和。第三,该职业必须展现出三种公地特征:对共享专长池的集体依赖、进入该池的非排他性,以及随着组织裁撤初级岗位而对再生失败的脆弱性。

该框架的结构性条件并不特定于任何国家情境。只要AI在具有以下特征的职业中替代了发展性认知劳动,公地动态就会发挥作用:劳动力市场具有渗透性、对共享专长存在集体依赖、发展路径依托组织而非教育。本文回顾的早期实证证据来自美国(Brynjolfsson et al., 2025; Hampole et al., 2025)、英国(Klein Teeselink, 2025)和德国(Engberg et al., 2025)的劳动力市场,这反映的是研究基础的现状,而非理论上的限制。这些动态在不同的制度安排下——例如强大的学徒制传统、受管制的劳动力市场或不同的职业执照制度——是否表现不同,是该框架所生成的一个实证问题,而非它所假定的边界。

该框架还假定了一种特定的职业形成文化模型,即专长通过层级制组织中的初级岗位就业而发展,并通过正式的证书授予机构来治理。这一模型主导着西方职业行业以及本文所回顾的证据基础,但它并未穷尽人类专长曾经或可以被传递的所有方式。学徒制传统、行会结构和基于社区的知识传递代表着替代性安排,它们可能展现出不同的公地动态,或对AI替代具有不同的脆弱性。

公地动态的适当分析单位是职业,而非国家经济。一个职业的公地脆弱性取决于AI在该领域中替代历史上建构专长之特定认知劳动的程度,而非取决于总体劳动力市场状况。软件工程展现出的公地脆弱性与管道工不同;在软件工程内部,后端基础设施开发与前端开发也可能不同,取决于AI最容易替代哪些任务。这种职业特异性产生了可检验的预测:在AI暴露指数更高、早期职业发展路径历史上集中于组织而非教育情境、三种公地特征最为显著的地方,各职业应表现出更大的公地扰动。

这些边界条件也澄清了该框架所排除的内容。它不处理面临整体去中介化的职业——即AI消除了该职业赖以存在的协调或转译功能,而非耗竭其专长管道;这些代表着一种需要单独分析的不同现象。该框架还假定AI系统在重要领域中继续需要人类监督才能可靠运行;如果AI实现了完全自主的可靠性,集体行动问题就从专长耗竭转变为劳动力替代,这是一种性质上不同的挑战。

若干反向动态与五个结构性因素,决定了满足这些条件的各职业之间脆弱性的差异。反向动态会缓和公地耗竭。AI采用可能创造出部分补偿被裁撤岗位的新发展路径;要求积极参与临床的协作式AI工作流程已经提高而非降低了诊断准确性(Everett et al., 2025)。更广泛地说,总体劳动力市场证据是混合的:有研究记录了适应能力(Manning & Aguirre, 2026)、各职业与劳动力市场状况之间可再培训性的显著异质性(Hyman et al., 2025),以及在丹麦生成式AI采用的头两年中,劳动者收入和记录工时上的零效应(Humlum & Vestergaard, 2025)。这些发现表明,耗竭机制并非普遍存在的。

该框架识别出决定一个职业公地脆弱性的五个因素。第一,任务可替代性:AI能够在多大程度上执行那些历史上为新手提供发展性经验的特定认知任务。在AI替代高可替代性任务的地方——如常规信息综合、标准文档制作和基础数据分析——发展路径面临的扰动大于AI起增强而非替代作用的地方。第二,监管强度:对有记录的人类专长和受监督实践有严格要求的职业——如医学、法律和工程——面临部分抵消公地耗竭的制度压力,即使市场力量有利于AI替代。第三,安全关键性:专长失败会产成立即可见的灾难性后果的职业,会形成抵制实质性验证能力退化的问责结构。第四,职业协会实力:拥有能够执行发展性标准的强大职业协会的职业,具备其他职业所缺乏的公地管护制度基础设施。第五,工作模块化:职业工作在多大程度上可以被拆分为离散的AI兼容任务,而非需要跨整个工作流程的整合性领域判断。

这五个因素产生了关于公地脆弱性差异的可检验预测。软件工程、金融分析和法律研究表现出高任务可替代性、相对于医学较低的监管强度,以及便于AI替代的工作模块化,使它们处于较高脆弱性类别。医学和工程表现出更高的监管强度和安全关键性,形成了制度性反压力,这意味着退化动态较慢但并非不存在。这一分析对HRD学术研究和治理注意力应集中于何处具有直接启示。该框架并非将认知公地视为关于专长普遍退化的主张,而是将注意力引向公地动态作用最强的特定职业、情境和条件。研究和治理干预应首先瞄准高脆弱性职业,而跨脆弱性水平的比较研究则可以对该框架的预测进行实证检验。目标不是泛泛地抵制AI采用,而是以保全发展性基础设施的方式治理AI——即在那些公地动态使这种保全最为紧迫的职业和情境中。AI采用所扰动的再生机制,通过组织的发展性管道运作:初级岗位招聘为在逐步复杂的任务上进行受监督实践创造了机会,新手通过这些实践发展出深层专长所特有的隐性知识、模式识别和判断力(Dreyfus et al., 1986; Ericsson, 2006)。这种职场学习在产生专业专长方面压倒正规培训(Eraut, 2004; McCall et al., 1988),其运作机制正是Lave and Wenger (1991)所称的合法的边缘性参与。对职业与技术教育的系统综述证实了这一模式:此类项目改善了初次就业,但对长期收入没有可衡量的影响(Lindsay et al., 2024),这表明是职场发展情境而非教育准备驱动了专长的形成。这一再生系统在当今大多数职业领域有效运转;问题在于,领先行业中的扰动模式是否预示着将更广泛扩散的动态。内化掌握(Internalized Mastery)得以形成的发展路径,不可还原为暴露或任务时间。深层专长通过对逐步复杂问题的脚手架式投入而发展,在这一过程中,从业者与困难搏斗,监控并修正自己的推理,并依据证据反复纠正有缺陷的假设(Ericsson, 2006; Mezirow, 1991; Rind, 2022)。认知上的挣扎并非要被工程化消除的偶然摩擦;它正是图式、诊断性判断和元认知控制得以建构的机制。那些消除挣扎而非为从业者搭建脚手架穿越挣扎的辅助,可能使绩效保持完好,却阻断了绩效本应标示之能力的发展。

公地脆弱性的经济基础

从经济学视角看,认知公地(Cognitive Commons)代表了人力资本投资中的一种市场失灵。Becker(1964)的开创性工作区分了企业专用型人力资本(仅对当前雇主有价值)与通用型人力资本(可跨企业转移)。企业有明确的动机投资于专用型资本,却系统性地对通用型资本投资不足,因为受过培训的劳动者可能跳槽到竞争对手那里,使投资企业无法获得全部回报(Becker, 1964)。这就形成了经济学家所称的培训投资正外部性:社会回报超过私人回报,因为当劳动者更换雇主时,部分收益会外溢到其他企业。构成内化掌握(Internalized Mastery)的深度专长是典型的通用型人力资本。金融分析师的领域知识、医生的诊断能力或软件工程师的架构理解,都可以跨企业转移。传统人力资本理论预测,对这类通用型培训将出现长期的投资不足,因为企业承担全部培养成本,而收益却分散到可以雇用受训劳动者的竞争对手那里。劳动经济学家已经记录到,尽管存在这种市场失灵,仍有一些培训投资发生,因为劳动力市场的不完善(工资压缩、信息不对称、买方垄断势力)在特定条件下可以使通用型培训投资在私人层面是理性的(Acemoglu & Pischke, 1998; Stevens, 1994)。AI的采用将这种投资不足问题转变为一种再生挑战。经典人力资本理论假设,尽管投资不足,一些培训仍会发生,因为企业需要受训劳动者来完成任务,而工作本身提供了发展机会。这就形成了一个再生系统:追求私人目标(填补职位、完成任务)的组织产生了集体收益(全行业的专长储备池)。AI消除了这种生产性活动,造成了二阶市场失灵:不仅是培训投资不足,而是消除了那种使专长发展作为就业副产品自然发生的生产性活动。先前的均衡并非治理的产物,而是偶然对齐的产物。组织维持发展性人才管道,并非因为它们认识到对行业负有任何管护义务,而是因为它们需要初级岗位劳动者来从事初级岗位工作。初级劳动力在运营上的必要性是隐藏的治理机制:公地再生是正常业务运营的副产品,而非集体意志或制度设计的产物。AI使这一潜在的集体行动问题显现出来。

AI暴露行业的早期扰动:再生失败的最初信号 上述这些公地特征造成了对集体行动失败的脆弱性,而这种失败已不再只是理论层面的。在AI暴露程度最高的职业中,对再生机制的可测量扰动可能正在出现。生成式AI的广泛采用是一个极晚近的发展,大多数组织的实施始于2022年末。大多数职业的传统招聘模式并未出现可测量的扰动。此处呈现的证据捕捉的是高度AI暴露行业的一个特定子集中的早期动态。Brynjolfsson et al. (2025)分析了一家覆盖超过2500万美国劳动者的薪资服务提供商的工资单数据,每月采用350万至500万劳动者的分析样本,考察了生成式AI广泛采用之后按年龄和AI暴露度划分的就业趋势。他们的发现在AI暴露程度最高的职业中揭示出一个鲜明的模式:22至25岁的劳动者在2022年10月至2025年9月之间经历了16%的相对就业下降,即便在控制了企业层面的冲击之后依然如此。相比之下,同一时期这些职业中35-49岁劳动者的就业增长了8%以上。在AI暴露程度较低的职业中,所有年龄组的就业增长大致相当。换言之,这种年龄特异性模式反映的是特定行业中的AI采用,而非更广泛的宏观经济趋势。Hampole et al. (2025)使用5800万份LinkedIn档案进行的补充分析强化了这一队列特异性模式,表明年龄特异性的就业下降反映的是发展性岗位的系统性消除,而非暂时性的劳动力市场调整。这些就业模式反映了AI扰乱公地再生的两种彼此不同却又相互强化的机制。第一种机制是岗位的直接消除:当AI系统自主执行初级岗位任务时,组织得以彻底取消这些岗位。劳动力市场证据主要捕捉的是第一种机制;22-25岁劳动者16%的就业下降代表的是那些干脆不复存在的岗位。第二种机制是"无内化的增强":即便初级岗位仍然存在,这种机制也会运作。使用AI的初级劳动者达到了历史上需要多年经验才能达到的生产率水平,使组织能够以更少的初级岗位员工完成同样的工作。更关键的是,那些被雇用的员工在发展出AI编排的熟练度的同时,跳过了内化掌握得以形成的认知挣扎。这种机制更难被察觉,因为就业数字可能看起来很健康,而再生质量却在悄然退化。Brynjolfsson et al. (2025)的数据有效地捕捉了机制1,但无法探测机制2,这凸显了为什么在定量劳动力市场分析之外,考察发展性经验的质性研究必不可少。

Brynjolfsson et al. (2025)进一步表明,就业下降集中在AI主要是自动化工作而非增强人类判断的职业,即AI系统独立执行那些曾经提供学习机会的任务的领域。有若干局限需要说明。数据跨度不到生成式AI广泛采用的三年,代表的是早期而非成熟的动态。这些模式集中在AI暴露程度最高的职业,并不能刻画专业就业的普遍状况。该证据并未表明存在广泛的验证失败或全行业的专长崩溃。更多实证证据记录了AI采用削弱独立能力的三条路径。第一,严重依赖AI辅助的从业者表现出可测量的独立绩效下降。Budzyń et al. (2025)发现,采用AI辅助检测系统的内镜医师与基线相比独立准确性下降;Natali et al.'s (2025)的跨专科综述记录了在AI采用下独立诊断绩效下降的一致模式。Rinta-Kahila et al.'s (2023)的组织案例研究记录了一家会计师事务所中类似的自我强化的技能侵蚀循环。第二,AI辅助下的绩效不会迁移到无辅助情境。Wiles et al. (2024)发现,经过AI辅助训练后,在无辅助评估中没有显著优势;Kumar et al. (2025)和Bangerl et al. (2025)发现,AI辅助创意任务中技能迁移有限,且在需要领域判断的任务上效应最为明显。Daley(2025)通过数学建模得出了结构上相同的预测:当预期AI辅助将持续存在时,理性的劳动者会对人力资本投资不足。第三,那些仍保有验证能力的劳动者已经不在行使这种能力。Niederhoffer et al. (2025)发现,40%的受访全职员工在过去一个月中收到过存在实质性缺陷的AI生成内容,接收者平均每次要花近两个小时来处理每一个此类实例;Benzing et al. (2025)发现,60%的员工表示对AI输出有足够信心,因而不会常规检查其准确性。随着从业者放弃有纪律的验证习惯,实质性验证文化得以代际传承的条件,也随正式的发展路径一同被侵蚀。认知公地如今在专业领域的大部分地区依然健康且运转正常。问题在于,如今在领先行业中可见的扰动模式,是否代表着某种动态的早期预警信号——如果不加应对,这种动态将更广泛地蔓延,并最终损害那个世代以来一直维系着专业专长的再生机制。

理性组织为何会耗竭公地:过度放牧机制 上述过度放牧机制通过经济学家所称的负外部性(Pigou, 1920)运作:每个组织从AI采用中获取私人的效率收益,而专长再生减少的成本却分摊到所有依赖集体专家供给的组织身上。当我们考察组织在消除发展性基础设施之后打算如何满足其对深度专长的持续需求时,公地悲剧便清晰可见。理性的组织这样推理:"我们不需要昂贵的初级岗位和漫长的发展路径。当我们需要深度专长时(用于验证、危机管理或全新情境),我们会从劳动力市场上雇用有经验的劳动者。"这种基于市场的占有策略之所以对单个组织有效,恰恰是因为它在公地上搭便车。今天可供雇用的资深专家之所以存在,是因为其他组织在5-20年前做出了发展性投资:雇用初级岗位劳动者,在漫长的学习曲线中督导他们,提供逐步复杂化的工作,并承担受训劳动者可能跳槽到竞争对手那里的风险。因果之间的时间延迟掩盖了公地的耗竭。如果组织从2023年开始消除初级岗位,资深劳动者的劳动力市场看起来依然健康,因为它反映的是2003-2020年间的发展性投资。被放弃的发展性投资的影响,要到2030-2045年才会在资深劳动者的供给上显现,而那早已在造成短缺的组织决策之后很久。搭便车问题之所以出现,是因为没有任何单个组织的决策会对全行业的专家供给产生有意义的影响。当一个组织在一个拥有数十万劳动者的行业中取消初级岗位时,对集体专家能力的影响显得微不足道。然而,当许多组织以同样的方式推理时,总体效应可能十分严重,尽管每一项单独决策看起来都是理性且无关紧要的。这一搭便车问题被本文所称的"人力储备悖论"(Human Reserve Paradox)进一步放大。组织需要将专长储备起来,以应对超出AI能力的验证、危机管理和全新情境。但当成本由它们各自承担、而收益却分散到整个生态系统时,它们缺乏足够的经济动机去维持这种储备。传统经济模型无法为认知公地合理定价,因为它的价值一直保持潜在,直到危机揭示出它的缺席。就像保险一样,它的价值只有在需要时才显现;但与保险不同的是,不存在任何市场机制可以把公地维护成本在受益者之间内部化。当所有组织都以同样的方式推理时,再生机制不断被侵蚀,而对日益萎缩的储备池的占有却有增无减。

理论综合

理解认知公地需要整合一直彼此脱节的文献:公地理论、HRD与成人教育学术、分布式认知以及系统思维(Jaakkola, 2020)。每一支文献都是必要的,但没有一支是充分的。前述各节分别运用了每一支文献。本节要识别的是它们的结合会产生什么。公地理论提供了上文所展示的分析词汇:存量-再生的区分、集体行动失败、搭便车动态以及治理设计原则(Hardin, 1968; Ostrom, 1990)。应用于专长,公地理论揭示了为什么表面上的稳定掩盖着危机:专家存量看起来稳健,而再生机制却在被侵蚀。公地理论本身无法解释的是,为什么这一特定公地如此脆弱。自然资源公地在停止开采后会再生。专业专长则不会,因为其发展要求是特定的、不可替代的。这种特异性正是HRD与成人教育学术所提供的内容。HRD建立在心理学、经济学和系统学的基础之上(Swanson & Holton, 2009),但该领域主要将这些基础应用于组织边界之内(Swanson, 1995)。正如再生分析所确立的,专长通过非正式工作场所学习(Eraut, 2004; Blume et al., 2010)、合法的边缘性参与(Lave & Wenger, 1991)、转化学习(Mezirow, 1991)以及持续的刻意练习(Ericsson, 2006)而发展。经济基础的分析表明,AI为何会把对这些路径的长期投资不足转变为对发展机制本身的消除。HRD学术具体说明了正在被耗竭的内容是什么;公地理论解释了驱动这种耗竭的集体行动结构。任何一方单独都无法同时把握这两个维度。

系统思维提供了把前述各支文献连接为一个预测性框架的分析架构(Senge, 1990; Yawson, 2013)。公地分析中居于核心的存量-再生区分,是系统动力学中的一个存量-流量概念。偶然对齐的论证描述的是结构性耦合:组织的招聘需求与专业专长的再生,通过初级劳动力在运营上的必要性而耦合在一起,而AI使它们解耦。六节点因果链(图1)将这些关系形式化,使那些阻碍个体行动者认识到自身对再生机制的集体影响的强化反馈回路和时间延迟变得可见。分布式认知研究对该框架的前提提出了最直接的挑战。如果认知能力可以分布在人-AI网络之中(Hutchins, 1995),那么集中于个体的专长为何还重要?Hutchins的海军导航分析表明,有效的协调需要人类理解分布式系统在做什么以及为什么这样做,而不仅仅是如何操作它们。结合近期关于人-AI伙伴关系中交互记忆的研究(Bienefeld et al., 2023; Woolley & Gupta, 2024)加以延伸,这揭示了本文所称的验证系绳(Validation Tether):对不透明的AI系统进行有效编排,需要足够独立的领域理解,以识别系统何时在其能力边界之外运作(Hollnagel & Woods, 2005)。分布式认知非但没有削弱这一论证,反而识别出内化掌握即便在AI增强的工作中仍然必不可少的机制。只有当这些文献结合起来时,认知公地才作为一个可识别的现象浮现出来。公地理论识别集体行动结构;HRD学术具体说明脆弱的发展性内容;系统思维揭示使耗竭在危机之前一直不可见的跨尺度动态;分布式认知确立了为什么正在被耗竭的专长仍然不可或缺。AI削弱专长形成的机制,最好被理解为重新分配,而非简单的消除。AI不只是移除认知工作;它还重新分配认知工作,把努力从建立内化掌握的生成性挣扎,转向构成分布式掌握(Distributed Mastery)的编排、比较与评估(Clark & Chalmers, 1998; Hutchins, 1995)。这种重新分配究竟是在建设还是在侵蚀专长,取决于工作如何被设计。当AI辅助保留从业者自己的尝试、并要求他们评估、质疑和论证时,新的认知工作本身就可以具有发展性;而当它提供绕过这种努力的现成产出时,增强就会削弱内化掌握的形成(Rind, 2026)。耗竭机制是有条件地而非普遍地运作的证据(Everett et al., 2025; Hyman et al., 2025; Manning & Aguirre, 2026)强化了这一点:对HRD而言,问题不在于AI是否削弱了专长,而在于它在何种设计条件下建设专长、又在何种条件下侵蚀专长。

验证系绳：为何分布式掌握依赖于内化掌握的根基

验证系绳（Validation Tether）体现了有效的 AI 编排对独立领域理解的根本性依赖。这一机制通过一种关键的不对称性运作：AI 系统可以执行看似正确的任务，但人类需要深厚的领域知识，才能识别出表面连贯的输出中何时包含实质性错误。这种验证系绳体现在两个截然不同的验证层面上。表层验证（surface validation）包括发现明显错误、检查逻辑连贯性以及评估总体合理性。这种能力可以通过与 AI 系统本身的训练和经验而发展起来。工作者学会发现格式不一致之处、识别无意义的输出，并辨别违反基本约束的回答。

表层验证是重要的质量控制手段，但对于专业工作而言则显得不足，因为错误往往隐藏在貌似合理的表象之下。实质验证（substantive validation）要求识别特定领域的错误、辨别在技术上正确但于具体情境中并不恰当的建议，以及察觉表面连贯的输出中可能包含的细微缺陷。这种能力从根本上依赖于构成内化掌握（Internalized Mastery）的内化领域知识、稳健的心智模型和默会理解。金融分析师需要深厚的市场知识，才能识别出算法生成的风险评估在数学上正确却包含有缺陷的假设。医生需要临床专业知识，才能识别出 AI 的诊断建议虽然符合症状模式却忽略了患者个体因素。软件工程师需要架构理解，才能察觉 AI 生成的代码虽然可以正确执行却会造成维护问题。这种依赖性反映了关于人类知识结构的一个长期观察。哈耶克（Hayek, 1945）指出，具有经济后果的知识在很大程度上是分散的，与特定的时间和地点情境紧密相连，无法被任何集中化的表征所捕获。波兰尼（Polanyi, 1966）提出了与之平行的认识论主张：人类的所知超出了可以被言说的范围。验证系绳正是这一洞见在人机系统中的应用。表层验证作用于 AI 能够言说的内容；实质验证则需要言说所无法捕获的默会的、情境性的知识。因此，AI 编排恰恰依赖于 AI 自身无法传授的那种专长形式。实证证据表明，当 AI 产生貌似合理却存在缺陷的输出时，表层验证是不够用的。Vicente 和 Matute（2023）发现，接触到有偏差的 AI 建议的参与者，会在自己随后的判断中重现这些偏差，

即使在 AI 辅助被移除之后也是如此。关键在于，80.7% 的参与者察觉到了 AI 建议中的错误，表明表层验证在起作用。但他们仍然继续遵循错误的建议，这说明"察觉问题"与"推翻算法建议"需要的是不同的认知能力。表层验证发挥了作用；实质验证却失灵了。参与者知道有什么地方不对，却无法说清楚是什么、为什么，因而无力推翻算法的输出。Dell'Acqua 等人（2026）在精英顾问群体中记录了同样的模式。在 AI 能力边界之内的任务上，生产力提升得以实现；但在边界之外的任务上，绩效反而下降——而这正是实质验证变得至关重要的时刻。这些顾问无法可靠地区分哪些情况下 AI 辅助会提升绩效、哪些情况下会降低绩效。这种辨别能力需要深厚的领域理解，使从业者能够评估一个给定的问题落在 AI 系统能力包络线之内还是之外。实质验证不仅取决于从业者知道什么，还取决于他们如何看待"知道"本身。认识论信念（epistemic beliefs）——即从业者关于知识的本质、来源与正当性所持有的假设（Hofer & Pintrich, 1997）——决定了他们是会审视 AI 的输出还是顺从于它。这一区分在前面提到的 Vicente 和 Matute（2023）的结果中已经显现：大多数参与者察觉到了有缺陷的建议，但仍然顺从了它，把系统当作权威，而不是当作需要核查的主张来源。将 AI 输出视为权威的从业者倾向于不加审视地接受流畅的答案，而具有更成熟认识论取向的从业者则会在接受之前进行核实、交叉参照和质疑（Rind et al., 2026）。因此，实质验证除了认知前提之外还有一个认识论前提：使错误可以被识别的领域知识，以及

促使从业者去查看的认识论立场。这加剧了发展层面的隐忧，因为那些侵蚀领域知识的枯竭路径，同时也移除了从业者学习质疑权威、用证据检验主张的学徒制情境。验证系绳对公地动态具有决定性的影响。追求 AI 采用的企业会裁撤入门级岗位，而这些岗位恰恰提供了内化掌握赖以发展的刻意练习、渐进复杂度和认知挣扎。有效的分布式掌握（Distributed Mastery）恰恰需要那种内化掌握的根基才能可靠运转。在未能获得深厚领域知识的情况下培养出 AI 编排熟练度的工作者，在常规任务上获得了生产力，却失去了防止非常规任务出错的实质验证能力。当 AI 在其能力边界之外运作时，他们无法识别，因为他们缺乏进行这种识别所必需的领域理解。这种相互依存意味着公地耗竭会同时威胁两种形式的专长。通过消除通往内化掌握的发展路径，企业正在破坏有效的分布式掌握所依赖的根基。悲剧在于，企业需要的正是它们正在摧毁的东西：那种使工作者知道何时信任 AI 输出、何时修改它们、何时将其完全推翻的深厚专长。没有实质验证能力，AI 采用的增加悖论性地提高而非降低了组织风险，因为工作者在部署 AI 的能力上信心日增，却在失去识别 AI 失败所必需的领域知识。

公地耗竭的整合模型

前述分析汇聚为一条六节点因果链，描述了 AI 采用何以能够在没有任何组织有意为之的情况下造成集体专长的耗竭。前三个节点刻画了发展路径被侵蚀的机制。第一，AI 采用通过机制 1 消除入门级岗位：组织直接移除了发展性角色，因为 AI 能够自主履行这些职能。第二，AI 辅助使仍在职的初级工作者无需经历认知挣扎即可获得生产力，即机制 2，通过"无内化的增强"削弱专长的形成。第三，两条路径都使相继各代从业者群体中内化掌握的形成减少，而在组织核算账面上却表现为效率提升。后三个节点刻画的是系统性后果。第四，内化掌握的枯竭会削弱验证系绳，因为未通过传统路径发展出深厚领域知识的工作者，缺乏进行实质验证所必需的基础性理解。第五，随着 AI 采用规模扩大，验证能力的退化会增加系统性风险，因为本应在 AI 出错时抓住错误的人类监督功能变得越来越不可靠。第六，系统性风险在危机事件将其揭示出来之前一直保持潜伏状态，因为即使实质验证不断被侵蚀，表层验证仍在继续运转，维持着组织对"AI 采用表现良好"的信心。图 1 以可视化方式呈现了这条六节点因果链。

图 1 认知公地耗竭的因果链

这一整合模型阐明，公地耗竭通过两种相互叠加、同步发生的失效模式运作。存量耗竭（stock depletion）是指拥有深厚内化掌握的从业者总数下降，这是世代更替动态的结果：新的从业者世代进入职业领域时，并未走过曾为其前辈铸就专长的传统发展路径。功能退化（functionality degradation）是指名义上拥有高级头衔或多年经验的从业者，其领域专长比上一代同行更为浅薄，因为即便是入门级入职者，也越来越多地培养的是 AI 编排的熟练度，而非底层领域的功底。这两种失效模式在时间尺度上是不同的：存量耗竭可以通过跨越 10 到 20 年的世代分析在数量上测得，而功能退化则可能在更短的时间尺度上以验证错误率的形式显现。表 1 给出了构成该框架的六个核心构念的操作性定义，以及它们各自的关键区分属性。

注：各构念按照其在认知公地框架中的功能加以定义。内化掌握与分布式掌握被呈现为分析上可区分的两种专长形式，二者可以在个体从业者身上共存。验证系绳指的是这两种形式之间的结构关系，而非一种可训练的倾向。

对人力资源发展（HRD）理论与实践的启示

认知公地悲剧（The Tragedy of the Cognitive Commons）要求对 HRD 的范围、方法与理论基础进行根本性的重新概念化。本节概述三个亟需关注的关键领域：衡量公地健康状况、设计治理机制，以及重新构想 HRD 教育。

对 HRD 理论的具体贡献

本框架对 HRD 理论作出三方面贡献。第一是分析层次上的贡献：它将 HRD 对专业知识的论述从个体层面和组织层面，推进到专业知识被集体持有与更新的"职业层级生态系统"，延伸了国家层面 HRD（National HRD）对系统层级能力的关注（Garavan et al., 2021; McLean, 2004）。第二是发展性贡献：它阐明了 AI 的采用如何可能破坏专业知识得以再生的、基于工作场所的发展路径——威胁并不在于任何单一的培训决策，而在于发展基础设施本身的累积性侵蚀。第三是治理贡献：它将 HRD 定位为该发展基础设施的潜在守护者，而不仅仅是培训干预的提供者，从而提出一个问题：各职业如何监测并维持其专业知识公地的健康（Ostrom, 1990）。这三者共同将 HRD 的对象从个体能力，重新界定为产生个体能力的集体系统。

衡量与监测公地健康

首先，我们迫切需要开发可观察的公地健康与耗损指标。HRD 学术研究记录了 AI 对特定人群与流程的影响。Ekuma（2024）的系统综述指出了关键缺口，强调缺乏考察 AI 对 HRD 流程与结果持久影响的纵向研究，并呼吁开展跨时间追踪这些效应的研究（p. 218）。然而，当前研究大多考察组织层级的结果（培训有效性、员工绩效、技能发展），而非职业层级的专业知识生态系统健康。我们不应再问"组织在培训中使用 AI 的有效性如何？"，而必须问"该职业是否维持了足够的发展基础设施，以便在一代又一代从业者中再生深层专业知识？"。方法论上的范本已经存在，包括 Hampole 等人（2025）基于简历数据的任务层级 AI 暴露度测量、Vicente 与 Matute（2023）区分任务完成与实质性验证能力的实验范式，以及 Macnamara 等人（2024）对认知技能侵蚀的分析。

公地框架在三个不同的证据层级上提出主张，研究者在后续研究中应加以区分。有实证依据的主张立足于所综述研究的已发表证据：劳动力市场数据显示，在 AI 暴露度高的职业中出现了特定于某些届次的早期职业就业下滑（Brynjolfsson et al., 2025; Hampole et al., 2025; Klein Teeselink, 2025）；实验与临床证据表明，AI 辅助带来的是依赖使用权（access-dependent）而非可迁移的绩效提升（Wiles et al., 2024; Budzyń et al., 2025; Kumar et al., 2025; Bangerl et al., 2025）；行为证据记录了对 AI 输出主动验证的普遍减少（Niederhoffer et al., 2025; Benzing et al., 2025）。有间接证据佐证的、经理论推导的主张包括：这些动态产生了类似公地的集体行动失灵——其依据是 Ostrom 关于公地治理的实证研究以及人力资本理论关于培训投资外部性的框架；以及有效的分布式掌握（Distributed Mastery）依赖于内化掌握（Internalized Mastery）的基础——其依据是分布式认知理论以及关于验证能力的实证证据。需要直接实证检验的外推性预测包括：专业知识耗损将表现为连续各届从业者实质性验证能力的可测量下降；耗损效应将依上文所述的五因素框架在不同职业间呈现差异；在职业协会与政策层面施加的治理机制能够缓和耗损轨迹。表 2 针对每一构念提出了指标、方法与数据来源，构成一个可以直接检验该框架各项预测的研究议程。由此映射可以引出四项研究优先事项。第一，需要开展纵向届次研究，追踪 AI 采用时期内的专业知识发展与验证能力，从入职到职业生涯中期持续跟踪特定的职业届次，同时记录每一届次获得或被剥夺的发展机会。第二，比较性实地研究应考察身处 AI 密集型与 AI 稀疏型组织情境中的从业者，在特定领域评估任务上的实质性验证能力是否存在可测量的差异，可借鉴 Vicente 与 Matute（2023）以及 Macnamara 等人（2024）开发的实验范式。第三，在高风险领域开展验证失败审计，可以确定 AI 生成输出的错误率是否随时间上升——若内化掌握正在侵蚀，这种上升正是可以预期的。第四，应将职业协会作为治理行动者加以研究，考察实施监督式实践要求或发展基础设施标准的协会，是否比未实施者产生了更好的公地健康结果。

表 2:认知公地健康的拟议指标——一项研究议程

注：上述指标作为研究议程提出，并非经过验证的测量工具。每一行列明了构念、主要的操作化路径、适当的方法，以及可用于监测公地健康的代表性数据来源。该框架预测：随着 AI 采用深化，内化掌握与验证系绳强度将与分布式掌握发生背离，这使构念间比较成为关键的证据目标。建议采用遵循 Vicente 与 Matute（2023）的错误检测范式，作为验证"验证系绳强度"最直接的方法。

质性研究应探索不同职业阶段的专业人士如何体验这场再生危机，以及相互竞争的专业知识发展形式之间的张力。当组织优先追求 AI 辅助的生产率时，职业生涯中期的从业者是否发现自己的内化掌握被闲置？早期职业的专业人士是否难以获得能够构建深层领域知识的发展机会？Ardichvili（2022）提出了关键问题：当"一个人的学习与实践共同体不仅由人类、也由人工同事组成"时，学习如何发生；以及"当学习者与同事群体中包含人工主体时"，如何"促进社会性学习与偶发性学习"（p. 93）。现象学研究（Van Manen, 1990）可以捕捉管理相互矛盾的发展要求的鲜活经验，以及人类导师与实践共同体的缺席如何影响专业知识的发展轨迹。从系统视角看，研究应建模那些加速或减缓公地耗损的反馈回路与时滞；跨专业领域的比较研究则可以识别自然实验——即政策干预或职业协会行动改变了耗损轨迹的情形。

治理机制与集体行动

前文回顾的反向动态表明，在某些情境中，无需协调一致的治理，对 AI 采纳的适应性反应也会自发出现。保留发展性参与的工作流程设计（Everett et al., 2025）、劳动者的适应能力（Manning & Aguirre, 2026），以及不同职业和劳动力市场条件下可再培训性的异质性（Hyman et al., 2025），都表明消耗机制是有条件地运作的，而非普遍存在。因此，下文讨论的治理安排应被理解为关于"在何处、以何种方式进行干预可能是必要的"的假设，而非普遍适用的处方。这些问题也延伸到发展路径本身：本文分析的初级岗位再生机制是否是唯一可行的形式，还是诸如复兴的学徒制、AI 中介的导师制或分布式认证等替代安排能够出现并履行同样的功能，本身就是一个开放的经验问题。此类安排是否必要、应在何种层面运作、以及通过何种制度载体得以维持，这些问题是该框架提出而非回答的经验问题。该框架指出了治理安排可能形成的三个层面：组织层面、专业协会层面和公共政策层面。每个层面针对集体行动结构的不同面向，且每个层面都值得进行经验研究，而非一刀切地推行实施。

组织实践是最直接的层面，也是人力资源发展（HRD）从业者最容易触及的层面。显示出前景的实践包括：分阶段引入 AI，在引入 AI 辅助之前保留发展阶段；认知储备实践，即在开展 AI 增强型工作之前，规定人类独立表现的最低时限；以及限制 AI 的学习空间，让职业生涯早期的专业人士在没有算法辅助的情况下进行刻意练习。Choudhuri 等人（2025）对 860 名开发者的调查发现，从业者在指导和身份认同核心任务中抵制 AI 辅助，这表明劳动力的偏好可能会自然地保留某些独立认知参与的领域。Danry 等人（2023）的实验研究发现，将 AI 的解释以问题的形式呈现，而不是直接提供因果解释，可以提高参与者在会话内的逻辑辨别准确性。要求在接触 AI 输出之前进行主动推理的设计，反过来可能支持独立判断。Everett 等人（2025）关于医生与 AI 协作的试验发现，将工作流程设计为要求临床医生主动参与 AI 推理，而不是被动接受 AI 输出，能够保持甚至提高诊断表现。组织如何设计 AI 整合，与是否采用 AI 同等重要。

专业协会层面是 Ostrom（1990）的治理研究最直接适用的尺度。她的实证研究识别出长期存续的自组织公地制度所具有的八项设计原则：清晰界定的边界、收益与成本的比例对等、集体选择安排、监督、分级制裁（在自组织安排中通常以声誉或同伴后果的形式运作，而非国家强制）、冲突解决机制、对组织权利的承认，以及地方规则在更广泛体系中的嵌套。她的核心发现是，这些安排是通过地方性的试验和适应而涌现的，而非通过外部强加（Ostrom, 1990, 2010）。对于"认知公地"而言，这意味着一种多中心（polycentric）的路径：不同领域的专业协会试验这些原则的不同组合，观察结果，并推广成功的安排。医学、法律和工程领域的协会拥有能够支持此类试验的制度基础设施。而技术和金融分析等领域的协会能力较弱，该框架预测，公地动态将在治理试验最不发达的地方表现得最为尖锐。

公共政策是治理的第三个潜在层面，也是与 Daley（2025）从劳动经济学角度提出的问题最相关的层面。Daley 的形式化模型识别出原则上可以缓减公地消耗的结构性杠杆：对维持发展性基础设施的组织给予补贴；在评估专业产出时奖励质量而非数量的指标；以及在 AI 密集型工作中维持人类监督的安排。在任何给定的职业情境中，这些杠杆是否必要、是否充分，都是一个经验问题。在公地脆弱性高且适应性反应不足的地方，可能的政策应对强调投资而非禁止：在 AI 替代消除了专业知识传统上赖以形成的生产性活动的职业中，提供培训投资补贴；为保留发展性人才管道的公司提供税收抵免和配套资金；为试验治理安排的专业协会提供竞争性拨款；设立自愿性的分级认证，认可经过证明的内化掌握（Internalized Mastery）而不限制 AI 辅助执业；以及提供研究经费，以识别哪些再生机制——传统的或新兴的——能够在 AI 整合的工作中取得成功。在安全关键型监督已受基于风险的监管约束的领域，现有监管工具可以扩展以承认"验证系绳"（Validation Tether），但新的监管要求既不是该框架建议的首要响应，也不是第一阶响应。这些仍然是关于制度设计的假设，而非政策建议。该框架的贡献在于识别此类干预可能在何种条件下是必要的，而不是指定应当采用哪些干预措施。

治理安排还必须承认，分布式掌握（Distributed Mastery）是一种合法且有价值的的专业知识形式，需要其自身的发展性基础设施和标准。公地治理的目标不是抵制 AI 采纳，也不是将前 AI 时代的发展路径恢复为唯一合法的模式。其目标是确保该专业以功能相称的比例维持两种形式的专业知识，使一支从业者队伍拥有足够的内化掌握，为有效的分布式掌握提供所需的实质性验证基础。自愿性的分级认证可以同时认可展现出内化掌握的从业者和具备 AI 辅助能力的从业者，从而实现市场和客户的差异化，而不限制执业。继续教育要求可以规定定期进行无 AI 的表现评估，以确保主要依靠 AI 辅助工作的从业者保持实质性的验证能力。治理设计的挑战在于：创建既能奖励和要求对内化掌握的投资、又不污名化构成分布式掌握的 AI 协作技能的结构。

关于培训与公司绩效的系统层面观点（Garavan et al., 2021）与 McLean（2004）提出的"国家人力资源发展"（National HRD）概念相汇合——后者是一个将个人学习、组织发展与国家竞争力联系起来的整合性框架。认知公地框架将这种汇合从理论观察提升为紧迫的政策关切。各国依赖国内的专业知识储备来履行危机时期无法外包的职能，包括关键基础设施、医疗保健和网络安全。国防工业基础说明了其中的利害关系：生产国家安全能力的私营企业与商业雇主从同一个民用专业公地中招募人才，而软件工程或网络安全等领域的公地消耗会直接制约国家维持技术优势的能力。如果一个国家的专业公地因缺乏治理的市场动态而侵蚀，而战略竞争对手却通过学徒制投资、培训补贴或其他激励结构维持发展性基础设施，其结果将是一个跨世代不断累积的结构性能力缺口。比较国际研究可以考察拥有深厚学徒制传统的国家与依赖市场化专业发展的国家在应对 AI 采纳时有何不同，从而识别出既能保持再生能力、又不阻碍创新的治理模式。

重新构想 HRD 教育与专业发展　HRD 教育如今正通过教学设计中的生成式 AI 应用（Chai et al., 2025）、负责任的 AI 培训框架（Chen, 2024）以及技术能力发展（Ekuma, 2024），为专业人士进入 AI 整合的工作场所做准备。这些是必要的能力，但如果 HRD 要担当专业知识生态系统的管理者，这些能力是不够的。当前的 HRD 研究生教育通常将绩效范式与学习范式呈现为可以通过精心设计加以调和（Swanson & Holton, 2009）。认知公地揭示了这两种范式有时会朝真正矛盾的方向拉扯，专业人士需要为这种张力做好准备。除了 AI 工具熟练度之外，HRD 专业人士还需要：关于专业知识生态系统和集体行动挑战的系统思维；分布式认知素养，包括熟悉专业知识如何在人-AI 网络中分布（Hutchins, 1995; Clark & Chalmers, 1998; Woolley & Gupta, 2024）；评估其所在领域公地健康指标的诊断能力；以及用于推理"组织绩效利益与专业层面的公地需求相冲突"之情境的伦理框架。最关键的是，HRD 从业者需要战略影响力能力，以便在短期效率压力面前倡导长期的发展性投资，让不可见的公地价值被组织决策者看见。

结论：在悲剧发生之前认识公地

认知公地的悲剧并非形而上学意义上的不可避免，但在当前的激励结构和理论框架下，它是结构上可预测的。日益汇聚的经验证据表明，在受影响的行业中，再生机制正面临断裂：在 AI 暴露程度高的职业中，22 至 25 岁的劳动者经历了就业下降，而经验丰富的劳动者保持稳定——这正是公地通过再生渠道被阻断而消耗所预测的队列模式。Ardichvili（2022）曾警告说，自动化限制了发展深厚专业知识的机会，但该领域一直缺乏一个框架，将其理解为一个需要专业层面治理、而非组织层面培训解决方案的集体行动问题。若不加以干预，组织对竞争压力的应对将耗尽所有组织都依赖的共享专业知识。通过取消初级岗位，组织将效率置于首位，同时将知识衰减的成本社会化。这导致系统性脆弱性加剧：故障之所以发生，是因为验证者缺乏实质性监督所要求的内化掌握，也因为自动化工作中 meaningful agency（有意义的能动性）的丧失。

随着退休者离开而没有足够的继任者，专家池不断缩小，独立验证和危机管理的能力随之下降。HRD 可以在应对这一挑战中发挥核心作用。该领域拥有跨越学习、发展和组织系统的理论基础。HRD 与塑造发展性投资的组织决策者、以及能够协调集体行动的专业协会都保持着关系。该领域连接着成人教育对"人类如何学习复杂能力"的关切，与管理学对组织效能的关注。但拥抱公地管理职责，要求承认一些令人不安的现实，这些现实挑战着该领域的基本假设和专业定位。有时，有效的 HRD 实践无法调和所有利益相关者的利益。有时，服务于长期的集体需求意味着倡导对组织而言并非最优的投资。有时，我们的理论基础（绩效与学习、个体与集体、效率与韧性）朝真正矛盾的方向拉扯而无法调和。批判性 HRD 学者早已认识到这些张力（Bierema & Callahan, 2014; Fenwick, 2004），但认知公地使所有 HRD 从业者都无法回避它们，而不仅仅是那些持批判立场的人。这要求 HRD 将其使命扩展到组织边界之外，涵盖专业层面的专业知识生态系统。该领域必须发展出能够在搭便车激励存在的情况下仍促成集体行动的治理机制，培养从业者去应对真实的张力而非假设虚假的和谐，并倡导同时维持分布式掌握和内化掌握的发展路径。

这些要务将不仅塑造 HRD 领域，还将塑造人类与人工智能在组织和社会中的未来关系。公地悲剧并非不可避免。Ostrom（1990）证明，只要有适当的治理，公地是可以存续的——往往通过源于地方试验而非中央设计的安排来实现。维持公地首先需要认识到公地的存在，理解威胁它的集体行动挑战，并协调能够克服搭便车激励的应对。对于认知公地，HRD 可以催化这种认识，为理解做出贡献，并为协调提供参考。这个领域诞生于为组织效能服务而发展人类能力的使命。如今，它可以扩展其范围，将集体专业知识视为一种值得管理的资源。问题在于，HRD 是否会迎接这一挑战，还是继续囿于那些已无法恰当描述我们所处世界的假设之中。