5 月札记（上）：那些 AI 替代不了的和大量替代的

最近对于 AI 的收敛命题，开放命题有一些新的理解。

如果一件事在概率上是有「大概率」「标准化答案」的，答案符合大多数人的认知，这就是 AI 的长板。即便今天计算不好，随着技术发展，迟早也能计算准确。

然而概率机器计算开放性命题的困境是什么呢？

是一件事本来就没有标准答案。

不同的逻辑线，得出不同的答案。哪一个答案最符合提问者的心意，就要对齐提问者的逻辑线。

在海量语料面前，AI 可以对齐普天之下的标准答案。但 AI 并不了解我，概率机器并不能对齐我的最佳答案。

为此，行业用各种工程思路拆分和收敛任务，尽量逼近 “我的最佳答案”。这些努力有着严格的约束条件，并非万试万灵，因为对于我这个人，我所处的环境，AI 掌握的语料远远远远不足。我向 AI 输入这些信息的带宽太窄了，远远低于人类在现实相处中的信息交换带宽。

AI 可以在通用语料的基础上理解人类，却无法在缺乏个性化语料的基础上理解一个人以及他身处的环境。不过这倒不是什么问题，大部分时候用户对于「对齐」的要求是不高的——他心里并没有一个精确的意象。用户内心对答案的标准是模糊的，AI 对这个答案进行模糊匹配，两全其美。这种模糊匹配的结果并不是高质量答案，但用户此时也未必需要高质量答案，或者他意识不到还有更高质量的答案。

主动收集大量的个性化约束，给出对齐用户个性化场景的更精确的答案，是人类专家存在的意义。

把自己内心复杂的意象精确地表达出来，是专业创作者存在的意义。

与之相反的是，适配简单模糊意象的答案，通常称之为大路货，也是目前绝大多数的 AI 交付——因为绝大多数的提问本身是简单模糊的，提问者没有能力将其具体化，得到大路货回答便很满足。

一旦内心意象越是复杂精确，则交付的标准越高，AI 对齐 “我” 也就越发困难。简单意象和复杂意象的差距，就像是捏泥巴和建筑工程之间的差距。复杂的意象只能先分解为单元，AI 完成单元任务以后再进行组装——这件事仅在少数情况下是有效的，少数有效实践是不能线性外推的。

然而越是复杂精确的意象，价值越高。越是简单模糊的意象，价值越低。

比如我经常遇到的情况是，AI 回答我不熟悉的领域时，觉得 AI 讲得真是太好了。AI 回答我的专长领域时，往往觉得正确而笼统甚至颇多破绽。这时回想起自己不熟悉领域的，只能三言两语提问的 AI 交付，恐怕也是类似的大路货，谁能指望大路货创造高价值呢？

因为在专长领域里，我有化模糊为精确的能力，有在开放性命题的多条逻辑线中找到 “我就喜欢” 的能力。AI 对齐我的逻辑线需要补充大量的上下文进行约束，输入成本指数级增长。如果不耐烦或者没能力支付如此高的约束成本，只能对 AI 交付的大路货照单全收。

大路货毕竟是大路货，AI 在模糊意象上对齐和满足人类，本身是低价值的服务，仅仅提高了通用知识传输的效率。高价值的产出必然是比通用知识更高维度，高成本，个性化场景的专属解决方案。

几点容易被忽略的常识是：

• 你作为小白有一个模糊的要求，AI 按照模式匹配和概率补全，模糊匹配上了这个要求，这是低价值的，因为价格是由竞争决定的。如果相似的模糊要求人人都能被 AI 满足，这只能证明技术水位水涨船高，而不是你创造了更大的价值。

• 你有一些低于 60 分的能力，在 AI 赋能下拉到了六七十分，这依然是低价值的。重复一次，价格是由竞争决定的。人人都能被 AI 赋能快速拉到六七十分的能力，在竞争中依然是廉价的。

• 高价值的产出，是在竞争中达到至少前二十分位的产出。这意味着并非 “人人都能”，而是只有少数人，比如说 5% 的人能做到，从而在竞争中获得更高的价格。 

那么怎样才能用 AI 做到高价值的产出呢？

之前流行过一个观点：“在顶级的算力支持下，AI 的上限取决于你能问出一个多么好的问题。” 我对这句话的理解是，当你内心的意象足够复杂而精确，AI 对齐意象的结果才有可能高深而精妙。

提高产出的价值，首先取决于人类智力的边界。只有当你能充分理解复杂时，才有可能构建复杂。如果只有对 70 分复杂的理解，却线性外推到 80 分 90 分都在射程以内，不不不，你无法真正理解自己从未感知到的事物。提问者掌控何等复杂而精确的意象，才能拿到何等质量的 AI 交付。

其次取决于复杂的意象是否能分解为单元进行精准表达——此处的边界不是技术的边界，而是语言的边界。

综上，高价值产出并不取决于意愿或者技巧，而是认知水平与任务环境。

如果不具备高价值产出的条件，简单模糊的 AI 对齐虽然大大提升了你的能力与效率，与此同时，还有几千万人的能力和效率提升到了近似水平，竞争反而更激烈了。当你欣喜自己的 50 分一夜间提高到了 65 分时，过去 10-60 分的所有人全都在 AI 赋能下一夜间提升到了 60-70 分。

当一个（在某方面）无知的你向大模型抛出一个模糊问题时，注定得到一些套路化的回答。模糊的逻辑线只能对齐模糊的交付，任何善用 AI 的人都可以得到类似的交付。

当一个在工作领域平庸的你向大模型抛出一个普通问题时，注定得到一些套路化的回答。平庸本身意味着你只掌握了一些专业规范与技能，并不具备足够的独特性与复杂度，任何具备这些专业经验的人都可以得到类似的交付。

当你在专长领域构建了相当复杂的意象，复杂到语言不能充分和准确地表达时，你会比过去更理解 AI 的边界。（大语言模型怎样才能对齐语言无法准确描述的事物呢？）

以上也是我的工作缺乏 AI 赋能场景的原因。工作中完全没有重复性任务，绝大部分任务指向复杂而精确的意象，在诸多考量因素之间进行权衡。这些考量因素包含大量的 “体感”，大量的历史上下文，强烈的个人风格，以至于既无法以语言的形式输入 AI，也无法拆解为单元任务再组装起来。在这方面看过许多 “天街踏尽公卿骨” 的民间幻想，觉得你们这些专家迟早和我们这些普通人被 AI 平等地碾压过去，我微微一笑。

不过，我这种情况当然是极少数，以大多数人工作任务的重复性和复杂度，大概率能找到 AI 显著提效的链路。即便如此，AI 的边界对每一个人依然是存在的，边界在于你能理解怎样的复杂，AI 对于这种复杂对齐到怎样的程度。既不是 “信仰坚强的人才能掌握 AI 的力量”，也不是 “厉害的人才能发挥 AI 真正的力量”。这些宗教语言只能证明在下行时代，焦虑是如何摧毁理智。

内容来自“用思考交换思考”的古典产品论坛「犬校」。©2017-2026

点击【阅读原文】，可见犬校最近一年的好帖索引。