当下大众对 AI 的认知,正在出现前所未有的撕裂

OpenAI 早期核心成员、特斯拉前 AI 负责人 Andrej Karpathy，提出了一套认知漏斗模型，用来解读当下一个值得警惕的现象：

同样基于大模型技术，但不同使用者，在不同权限、不同任务场景下，看到的 AI 完全是两种面貌。有人在日常工作里体会到 AI 的效率提升，也有人在复杂工程任务中见识到颠覆性的生产力。两群人都基于亲身实践得出判断，却很难形成共识。

一个很典型的例子：程序员聊 AI 可以快速写完一整套代码项目；非技术管理者试用免费版大模型写邮件，却碰到编造事实。两边的感受都是真实的，但他们各自使用的任务场景、模型版本完全不同，所以对话很难对齐。

Karpathy 明确提出三层约束：任务规模、模型能力分布、访问权限。大众用的免费公开版本、工程师使用的付费增强版本、实验室内部前沿版本，本身能力有差异；再加任务复杂度完全不一样，所以他们接触到的不是完全等同的系统。基于这三层约束，Karpathy 搭建了四层漏斗模型，解释这种认知分化现象，同时引出两个核心概念：AI 认知漏斗与智能体眩晕。这套分层只是定性观察模型，并非严谨的统计学结论，但它揭示的认知分层现象，具备很强的参考价值。

一、认知漏斗：四层人，四种 AI 世界

承接上面提到的三层约束，AI 呈现出什么样的能力面貌，不单单由模型本身决定，还由使用者的任务场景、实践深度、系统访问权限共同决定。

这一点也和大模型幻觉领域的权威研究结论相互印证：模型出错、产生失真的概率，和任务复杂度强相关。简单、事实共识充足的短任务，模型表现稳定；一旦切换到长链条、多步骤、缺少参考资料的复杂任务，不确定性会明显增加。沿着漏斗由上至下，参与的人越来越少，对 AI 的理解和体验也发生质的变化，我们逐层来看。

第一层：旁观者（无实践认知）

这部分人群几乎没有主动使用过大模型，对 AI 的认知全部来自新闻、短视频等二手信息。就像不少只刷网络热点的普通人，一会儿听闻 AI 无所不能，一会儿又看到 AI 频频出错，认知很容易走向两极：要么神话 AI 的能力，要么片面认定 AI 只是一个容易出错的噱头，缺少亲身体验形成的独立判断。

第二层：浅层使用者（工具认知）

也就是普通大模型的低频、浅层用户，例如市场员工、企业管理者，大多用免费版 AI 写宣传文案、草拟邮件、整理会议纪要，做一问一答式的简短任务。在这类场景下，大模型往往可以稳定输出有价值的结果，使用者能够切实感受到 AI 的实用价值。但因为很少把 AI 投入长周期、多环节的复杂任务，他们很少遇到严重幻觉、逻辑失真这类问题。网络上大量 “AI 能力有限” 的评价，大多来自把 AI 强行放到超出它适配边界的场景之后得到的体验，很多职场非技术专业人士，都停留在这一层。

第三层：深度实践者（眩晕认知）

当使用者跨过浅层问答，开始动手搭建智能体、交给模型多步骤长周期、可自主迭代的复杂任务时，就进入第三层，这也是唯一能够体会到智能体眩晕的圈层，多为程序员、算法、科研等技术从业者。后端工程师借助付费增强版模型搭建智能体，让 AI 自主走完需求拆解、编码、测试、修复 bug 整套开发流程，原本预估两周的原型，数小时就能落地。工程师亲眼看到，过去需要小型团队协作才能完成的工作，由 AI 自主推进完成。而当这套智能体给到不具备工程背景的业务同事使用时，对方只看到工具偶尔卡顿、局部出错，完全感知不到这套系统背后的生产力变化。当智能体连续自主执行几十步动作、持续试错调整方案时，长期依靠工程经验做判断的人，会产生强烈的认知失重。过去积累下来的项目评估标尺，仿佛瞬间失效。这种原有经验框架被冲击的感受，就是 Karpathy 所说的「智能体眩晕」。Karpathy 同时强调，进入这一层存在客观门槛：想要搭建并有效使用这类智能体，单纯依靠观念更新远远不够，必须持续进行工程实践、试错迭代，普通人很难直接跨越这道门槛。

第四层：前沿研究者（趋势认知）

只有少数研究者拥有访问实验室内部前沿系统的权限，他们可以搭建多智能体集群，让多个智能体分工协作，自主完成复杂数学猜想验证、大型系统仿真这类深度科研任务。在这类受限的实验室场景下，AI 自主探索迭代的产出速度，局部超过人类的审查与理解速度。但这属于特定环境下的现象，并不适用于普通产业场景。

漏斗模型揭示出核心事实：所有人使用的底层大模型技术同源，但每个人亲眼看见的 AI 能力，完全不一样。下层使用者很难想象上层场景里的 AI 潜力；上层实践者，也很难向下传递这种颠覆性体验，认知鸿沟就此固化。

二、眩晕本质：不是 AI 太强，是旧时代经验，难以适配新的智能形态

前面我们看到，只有第三层的深度实践者才会遭遇智能体眩晕。很多人容易产生误解，认为这种眩晕代表 AI 即将超越人类。

Karpathy 对这个现象的解读恰恰相反：眩晕，是我们过去的经验体系，不再适配这种能力不均衡的 AI。

大模型能力分布并不平滑：在结果可验证、对错标准清晰的任务，例如代码、数学，模型能力提升很快；但在需要复杂常识判断、价值权衡、人情逻辑的任务中，能力短板明显，幻觉问题难以根除。这种局部强、整体不稳的特点，打破了人类长久以来对能力的固有认知。我们习惯假设一项能力会均衡同步提升，而大模型并不遵循这个规律。

传统工程、项目管理，大多遵循线性逻辑：投入的人力、时间越多，产出成果越多。在原型开发这类标准化、可验证场景中，智能体带来了局部改变：单人搭配智能体，在部分场景可以完成过去小型团队的工作量。这不只是单纯提速，在这些场景里，项目评估逻辑、人力投入的估算方式都会受到冲击。

工具本身已经普惠，但驾驭工具存在隐性门槛：需求拆解、边界设定、流程管控、风险校验、结果复盘。

人人可用 AI，但不是人人能驾驭 AI。未来个人和企业之间的差距，不再是能不能拿到 AI 工具，而是有没有管控、使用 AI 的能力。

市场上很多宣传过度美化 AI 落地效果，掩盖了真实产业边界。AI 降低的，只是代码编写这类重复性开发门槛，并没有降低商业落地的专业门槛。即便在原型场景，AI 也无法全自动高质量交付，全程需要人类做需求定义、问题排查、逻辑校验与质量收尾。普通人可以快速生成简单 Demo 原型，但稳定、安全、可运维、可商用的生产级系统，依然高度依赖专业工程思维。

盲目相信 “零代码创业、人人逆袭”，是当下常见的 AI 认知误区。很多宣传声称普通人不用写代码，就能搭建完整应用。但现实中，缺少需求拆解、错误排查能力的普通人，很难独立跑通完整项目。

三、破局之道：跳出认知漏斗，从容应对智能眩晕

既然认知分层带来鸿沟，智能体眩晕也会冲击旧的经验判断，那么个人与企业该如何应对？认知分层不是宿命，眩晕也不是无解困境。真正会被时代淘汰的，不是不会使用 AI 的人，而是死守旧经验、拒绝更新认知框架的人。

个人与组织，可以通过四个方向的持续实践，跳出漏斗带来的认知局限。

1. 跳出浅层思维，训练长链条任务能力

告别一问一答式的碎片化使用，学会给 AI 设定多环节、阶段性、可闭环的复杂任务。从单纯提问的使用者，升级为任务设计者，这是突破第二层认知局限的第一步。

2. 建立刚性校验机制，抵御 AI 不确定性

大模型本身带有结构性缺陷：幻觉、漏洞、逻辑偏差无法被彻底根除。无论 AI 输出内容看起来多完美，人类终审、人工校验、风险排查必须永久保留。校验能力，是智能时代重要的职业护城河。

3. 从工具思维，升级为系统思维

工具思维：把 AI 当成一次性问答工具。系统思维：人定义规则、划定边界、设计流程，让智能体在约束下完成工作。

未来值钱的，不只是 “会用 AI”，而是会管 AI、会控 AI、会设计 AI 工作链路。

4. 组织建立风控体系，规避集体认知眩晕

眩晕不只是个人感受，企业同样会出现集体层面的经验失效、判断偏差。企业必须区分原型测试与生产落地，不盲目追逐效率、仓促上线，建立 AI 使用的边界规范与审核机制。

四、时代总结：真正拉开差距的，是认知迭代速度

顺着前面四层漏斗、眩晕成因、落地对策继续往下看：认知漏斗呈现的，是不同实践深度带来的自然差异，它不是隔绝人群的高墙，而是技术迭代形成的能力阶梯。

智能体眩晕，不是 AI 超越人类的预兆，而是人类固有认知跟不上技术跃迁的阶段性阵痛。

大模型不均衡的能力特征，决定了它永远存在短板与不确定性。它在自动化、结构化领域拥有巨大生产力，但在价值判断、取舍决策层面，无法替代人类。

AI 工具会持续全民普惠，但系统架构、风险管控、逻辑校验、认知更新，依然是人类核心能力。

技术从不淘汰人，停滞的认知才会。

持续更新自己的判断框架，主动驾驭智能、约束智能、校准智能，我们就能跳出分层禁锢，让 AI 成为能力延伸，而非时代焦虑。