2026 年初我对 AI 的结构性认知，本文留待一年后印证

本文描述了我在 2026 年初，对 AI 技术的结构性认知。

以下的结构性认知，自 2024 年开始建立，沿着稳定的方向迭代，中途没有颠覆性的变化。我的观点不一定对，随时可以被事实推翻重构。

首先，我对于文生图、文生视频、文生音乐、文生代码缺乏了解，不在此文范围内。我唯一确定的是，由于代码的表达精确，语料丰富，结果可验证，文生代码代表着 AI 赋能的最高水准，无法线性外推到其他领域。

而我对于 AI 技术的理解，基于这是一个概率机器的前提。

AI 作为概率机器，赋能的多少主要取决于命题的收敛和开放。

需要 AI 计算的命题越收敛，越能发挥最大公约数的概率优势，在语料充分的基础上 AI 交付质量越高，达到 8-9 分也不意外。（满分 10 分）

当 AI 开始计算开放性命题的时候，个性化的开放性命题不存在大概率的解法，于是 AI 进行抽卡，提交 1-6 分的交付。除非该命题的容错率很高，否则命题越开放，越个性化，AI 交付质量越低。

因此，我保持过去三年的观点，AI 无法在开放性命题上达到 8/10 分，也就是准专家水准。

作为产品专家，当我面对开放性命题的时候：

1. 根据不同的命题，分析关键约束，收集关键约束必须的背景信息

2. 根据我的个人风格，对完整的背景信息进行计算，输出答案

3. 答案上线后回收市场反馈，重复以上两步

AI 无法做到 1，很难做到 3。

一方面，在千变万化的个性化命题下，准确判断千人千面的关键约束并主动收集信息，对 AI 来说超纲了，严重缺乏背景信息。

另一方面，开放性命题背后的信息量过于巨大，难以完整输入，一旦压缩成文本就会丢失大量的关键信息。

没有一个天才可以在关键信息残缺不全的基础上，做出正确的判断。

因此，对普通人来说，AI 可以极大地赋能收敛性命题，但在开放性命题下获益很少。

对聪明人来说，可以在开放性命题中拆分出来一些收敛环节，让 AI 去做自己做擅长的收敛性任务，这种方法有多少获益，不是由人类或者 AI 的智力决定的，而是由开放性命题的环境决定的。

我在跟 Gemini 聊这件事的时候，它有一句话的总结很精辟：

人类负责消除歧义，AI 负责在较少歧义的环境下执行。

这么做，意味着 AI 的交付无法达到准专家以上的水准，“消除歧义” 正是专家的价值所在。

我对此的理解是：大多数时候 AI 可以提升效率，但不能提升胜率。

因为胜率大多数时候与效率无关。

怎么理解 “胜率” 呢？在商业社会中，最终你赚到了更多的钱，这就是胜率。追求胜率可以不在乎短期利益，长期来看终究会赚到更多钱，也就是在商业竞争的关键链路上具备更强的竞争力。

现在很流行的一句话是：“AI 可以把一个人变成一支团队。” 各大中小公司已经有几十万支这样的团队了，这几年他们从零开始做出来了什么有意思的东西吗？

互联网行业堕落到今天这个鬼样子，关键约束难道是行业缺人，或者效率不高吗？

胜率大多数时候与效率无关。

目前还没有演化出来 AI 对效率的提升可以提升胜率的可复制的范式。以后可能会有，God knows。

这里的想象空间是，AI 把一个人变成一支团队后，消除了组队的摩擦力，更多灵感兑现为服务，填充更多的需求「空隙」。这么想倒是没错，但「空隙」的商业回报微薄，而大家都在翘首以盼长出来一些大东西。

至少到现在为止，「低成本换低回报」是最典型的 AI 范式。仅在少数情况下，低成本带来了量产的规模，再用规模带来的概率命中，产出极少数中等回报的案例。

究其原因，大多数情况下效率并不能提升胜率，量产 70 分并不能提升胜率（而是技术通胀），不具备稀缺性的产出并不能提升胜率。影响胜率的因素是：

• 在决策层面，高质量完成重要的开放性命题

• 在商业竞争的关键链路执行上，具备八九十分的竞争优势

但开放性命题不是 AI 的长板，效率水涨船高的技术通胀也不能直接带来竞争中的身位领先。未来我们将看到大量 AI 提高效率的进展，但对 AI 提高胜率这件事，目前进展缓慢，甚至缺乏头绪。

或者更直接点说，技术赋能收敛命题抬高了整个行业的下限，决定上限的依然是追求小概率成功的开放性命题。

希望在一年后的 2027 年复盘时，能看到效率转化为胜率，这方面积极的信号。更重要的是，胜率继续转化为更繁荣的市场交易，这样才能推动经济上行，每一个人都会从中受益。

如果市场交易不仅没有更繁荣，反而因为裁员潮而减少了消费，经济体里的每一个人都会因为通缩而受损。

附录：怎样定义收敛命题和开放性命题？

在我的理解中，收敛性命题意味着逻辑推导的关键变量已知。

示范：中国人口最多的前 5 个城市是？

比如我特别喜欢的那句话：“人类负责消除歧义，AI 负责在较少歧义的环节下执行。” 这里的歧义，指的就是不确定的关键变量组合。

开放性命题有两种情况。

第一种是「关键变量未知」。比如我做旅行攻略的时候，不同的目的地情况会触发不同的决策分支，在看到目的地信息之前，我无法预判分支怎样展开，但很多关键变量恰恰是在执行过程中不断浮现的。

第二种是「关键变量的组合太多」。一旦无法先验，计算出茫茫多的组合一个个后验是不可能的。按照大概率计算的结果必然套路和平庸，追求小概率的符合心意又成了抽卡。抽卡可以抽到一些碎片化的灵感，继续组装为高质量的关键变量组合那就（在概率上）不可思议了。

第一种情况，需要人类与 AI 快速对齐大量的实时信息，这很难……语言的边界也是语言模型的边界。

第二种情况，如果希望超越套路与平庸，往往依靠专家直觉，直接指定某一套关键变量组合，在此基础上推导出方案。这也是所谓的 “创造力”。创造力可以通过逻辑的后验，却无法用概率计算出高质量的关键变量组合。一旦无法先验，则概率机器无法计算出小概率的成功。

综上，商业上的核心竞争力，做什么，怎么做，往往是开放性命题。在开放性命题做对之后，再用收敛命题来提高生产效率。

互联网行业现在面对的问题是，高强度竞争十年之后，“提高生产效率” 并不能创造很大的商业价值，但拓展新需求和新市场，“做什么，怎么做” 的开放性命题又不在概率计算的射程以内。以至于「提高生产效率的体感澎湃」和「商业价值的原地不动」形成鲜明的反差。节约人力成本并不能改善互联网企业的经营现状，更多给老板带来 “我依然奔驰在潮流之巅” 的情绪价值，最终会导致更大的通缩危机。

点击【阅读原文】，可见犬校最近一年的好帖索引。