我们聊的AI，不是同一个AI

最近很多人来找我聊AI。

不是聊技术，是来聊焦虑的。FOMO、不安、"是不是要被淘汰了"这类问题。说法两极：一部分人觉得AI无所不能，另一部分人用了一段时间之后，觉得这东西笨得要命，被吹过头了。

同一个工具，感受差这么远，通常最后会归结到两件事：版本不对，或者没用对场景。

这两个解释都没错，但都没说到底。

AI大神Andrej Karpathy刚刚发了一篇帖子，把这个现象解剖得很清楚。

他说现在AI理解的鸿沟，来自两种完全不同的用户。

第一种：用免费版或者老版本试过一次，AI在短视频里闹了个笑话，就把这个印象定格了。他们说的AI，是那个连"走路还是开车去洗车"都答不好的语音助手。

第二种：付钱用最顶级的模型，在编程、数学、研究这些域里重度使用。这群人看到的是另一个东西，把你以为要做一周的任务，一个小时跑完。Karpathy说这群人有一种"AI Psychosis"，因为他们目睹的进步速度，已经很难用正常语言跟别人描述了。

两群人说的不是同一个AI，但用的是同一个词。所以永远没有交汇点。

这个诊断是对的。但我觉得还没说全。

就算两群人都升级到付费的最新版本，这个鸿沟也不会消失。

因为真正的分水岭，不是版本，不是钱，是你有没有能力把一个模糊的目标拆成可以执行的步骤。

能拆解需求的人，AI是放大器。你知道自己要什么，你能把它切成足够小的子任务，AI就能一块一块给你做好。你不满意，你知道哪里不对，你能继续拆，继续调。整个过程你是在驾驶座上的。

不能拆解的人，AI是一面镜子。你给它一个"帮我把这件事搞定"，它能给你一个看起来完整的答案，但那个答案是不是你真正需要的，你自己也说不清楚。说不清楚，就只能靠感觉判断好坏。感觉不对，结论就是：AI很笨。

其实不是AI笨。是需求本身就没说清楚。

这背后有一个技术原因，很少人讲清楚过。

AI为什么在编程、数学这些域进步最快？不只是因为公司把资源押在这里，而是因为这些域有一个特殊的性质：结果可以被客观验证。

代码能跑，或者不能跑。测试过了，或者没过。这是hard truth，没有模糊地带。

这个性质让强化学习能发挥最大效果。AI改一个版本，跑一遍，结果对了就保留，错了就丢掉，循环下去。训练信号是清晰的，模型就能沿着正确方向快速进化。

写作不是这样。一篇文章好不好，一个创意有没有说服力，这个判断没有办法变成一个数字。没有清晰的验证标准，强化学习就没有锚点，AI只能无限逼近"平均水平的好"。合格，但不会让你觉得被击中。

所以AI在不同域的能力，本来就不是均匀分布的。在可验证的域，AI越来越像一个可以信任的同事。在无法验证的域，AI更像一个很勤快、但品味一般的助理。

这个不均匀，反过来照在用户身上。

如果你的工作本质上是可验证的，比如写代码、做数据、跑模型，那么你接触到的AI，是那个正在快速进化的版本。它的进步你能感知到，因为结果摆在那里，好就是好，差就是差。

如果你的工作本质上是无法量化或验证的，比如做创意、写策略、做判断等，你接触到的AI，进步就要模糊得多。不是AI没有进步，是你很难找到一个清晰的标准说"这次比上次好在哪里"。时间久了，感觉就是：差不多，还行，但没什么革命性的变化。

两个人在说同一个时代的AI，但他们站的地方，决定了他们能看见什么。

所以这个鸿沟，科普是填不平的。

你没办法告诉别人"去学会拆解需求"，因为拆解需求本身是一种长期训练出来的思维方式，不是看一篇文章能得到的。

你也没办法让一个做创意工作的人，通过升级版本来感受到那种"AI Psychosis"，因为他们的工作域，本来就不在AI进步最快的地方。

真正让AI发挥作用的催化剂，是judgement和taste。

AI能给你十个方案，但哪个是对的，它不知道。它不知道你的客户上周在会议室说了什么，不知道你们公司今年在赌哪个方向，不知道那个创意看起来完整但感觉就是差了一口气。这些判断，需要的不是更多数据，是经验沉淀出来的直觉。

Taste也是同理。AI可以生产无数个"合格"的东西。合格和好之间有一道沟，那道沟叫品味。品味来自大量真实的审美积累，来自被某个好东西打动过的记忆，来自长年浸泡形成的那种"不对，再来"的感知。这个东西不在任何训练数据里。

讽刺的地方在这里：AI在可验证的域最强，进步最快。但真正让AI产生价值的，是那些不可验证的东西-你的判断力，你的品味，你对"这个对不对"的感知。

驾驶座上坐的那个人，靠的不是比AI跑得更快。是知道终点在哪里，知道哪条路走得通，知道什么时候该叫停。

那些觉得AI笨的人，可能是在等AI帮他们完成一件自己还没想清楚的事。那些把AI用得飞起的人，通常是那种就算没有AI，也能把问题想清楚的人。

AI放大的，是你已经有的东西。