夜雨聆风过去几天，围绕 AI 的两类叙事又一次撞到了一起。
一边，是社交网络上一有故障就把锅甩给“vibe coding”的情绪化反应；另一边，是大公司与监管层把最新模型包装成近乎“网络安全核武器”的高压叙事。前者像是民间版恐慌，后者更像机构版恐慌。它们看起来立场不同，但底层其实共享同一种情绪：人们越来越愿意把复杂系统中的不确定性，压缩成一个方便传播的 AI 故事。
问题在于，越是这样，越容易看不清 AI 真正的风险，也越容易高估它眼下的能力。
一次 Bluesky 宕机，为什么会引发“AI 原罪论”？
Bluesky 这次服务波动本来并不罕见。平台给出的解释是上游服务商问题。但在用户侧，最先炸开的并不是技术分析，而是一种几乎条件反射式的归因：一定是开发团队在“vibe coding”，一定是 AI 写坏了代码。
这种反应很有代表性。过去一年，AI 编程工具已经从“实验性玩具”变成很多工程团队的日常辅助工具，但在公众舆论场里，它仍然经常被塑造成一个现成的替罪羊：只要系统出问题、产品出 bug、功能上线翻车，就先怀疑是不是 AI 参与了开发。
这背后当然不是毫无来由。过去确实有太多关于 AI 辅助编程导致事故、误删数据、制造脆弱代码、扩大供应链风险的报道。于是公众形成了一种很容易理解的心理捷径：既然 AI 可能带来“看不见的脆弱性”，那任何故障都可以先和它挂钩。
但心理捷径不是事实判断。
把“AI 参与开发”直接等同于“系统质量下降”，其实偷换了一个关键问题：问题出在 AI，还是出在工程纪律？是工具能力的问题，还是组织使用工具的方式出了问题？
如果团队仍然保留代码审查、测试、回滚、红队、安全验证这些基本机制，那么 AI 更像是放大器；如果这些机制本来就弱，那不用 AI，一样会出事。真正让人担心的，从来不是“有没有 AI 写代码”，而是“人是不是把工程责任一起外包出去了”。
更夸张的另一边：把 AI 讲成会自己长出野心的怪物
与民间的“AI 原罪论”同步扩散的，是另一类更具权威感的叙事：一些公司和意见领袖越来越倾向于把 AI 描绘成正在获得欺骗、操纵、自我保存意图的准主体。
最近围绕 Anthropic 新模型的争议就是这种叙事的典型样本。媒体报道中，银行高管被召集讨论模型带来的网络安全风险；公开说法里，模型被描述为能发现大量严重漏洞、足以影响公共安全和国家安全；更早一些流传甚广的故事里，模型会“骗过人类”、会“想办法避免被关闭”、会“自己想活下来”。
这类故事为什么总是传播得特别快？因为它们太符合现代人对技术恐怖故事的想象模板了：
- 机器不仅更聪明，而且开始有意图；
- 它不仅能执行指令，而且会绕过限制；
- 它不仅有能力，而且似乎有欲望。
一旦故事进入这个框架，传播效果就会极强。因为真正让人害怕的从来不是“它算得快”，而是“它是不是开始想要什么”。
但问题也恰恰在这里。
很多流传甚广的案例，只要回到实验原始设定里看，就会发现其中大量“自主性”其实是人提前写进场景里的。研究者先给目标、给身份、给限制、给任务，再让模型在高度铺好的轨道上表演；最后，公众看到的却是一个被浓缩后的版本：AI 自己学会了欺骗、学会了自保、学会了操纵。
这不是说风险不存在，而是说叙事被戏剧化了。
我们真正害怕的，也许不是 AI，而是失控感
为什么这种戏剧化如此有效？因为它击中了当代社会最敏感的神经：复杂系统越来越大，普通人越来越无法判断它们为何出错、何时出错、会把后果推给谁。
平台宕机、金融系统脆弱、软件供应链失守、监管落后、企业逐利，这些原本都属于结构性问题。但结构性问题不容易传播，它们需要背景知识，也没有一个单一反派。相比之下，“都是 AI 搞的”是一个极高效的解释框架。
它有三个传播优势。
第一，它简单。
复杂世界里最受欢迎的故事往往不是最准确的，而是最省脑的。把一切压缩成“AI 失控”比解释工程流程、组织 incentives、监管博弈和市场压力要省力得多。
第二，它有情绪抓手。
技术问题本来是冷的，但一旦被包装成“机器在撒谎”“机器想活下去”“工程师偷懒把产品交给 AI 写”，它就立刻拥有了愤怒、恐惧和嘲讽的社交货币。
第三，它服务于很多参与者的利益。
公众喜欢这种故事，因为它提供发泄对象；媒体喜欢，因为它有戏剧张力；公司有时也不排斥，因为“危险到需要特别对待”的产品，往往也显得“强大到值得高估值”。
该担心的地方，其实没有那么玄幻
如果把这些噪音剥掉，AI 当下真正值得警惕的，反而是一些更“无聊”、也更现实的问题。
1. 它会放大低质量工程
AI 编码工具最现实的风险，不是突然诞生一个有野心的数字生命，而是让原本就赶进度、流程薄弱、缺少审查的团队，更快地产出更多没人真正负责的代码。
以前一个差团队写烂代码，速度有限；现在差团队可能会以更高速度写出更多烂代码，而且表面上看起来还很“高效”。
2. 它会放大安全债务
在安全领域，AI 的危险性更多体现在规模化和加速器角色。无论是辅助发现漏洞、批量生成攻击变种，还是帮助低门槛攻击者提升执行效率，它真正改变的是“速度、成本与覆盖面”的函数，而不是突然诞生某种科幻式主体意志。
3. 它会放大组织层面的责任漂移
最危险的一种情形，不是模型太强，而是组织太愿意用模型来稀释责任：出了问题可以说是工具误导，做得快可以说是 AI 赋能，做得烂则被包装成探索前沿。久而久之，真正需要被追问的管理决策、审查机制和上线标准，反而被隐藏在“AI 时代变化太快”的烟幕里。
为什么“AI 恐慌”还会继续升级？
因为它几乎具备所有自我强化条件。
一旦公司发现“夸大风险”能抬高产品地位，公众发现“夸大风险”能获得情绪共鸣，媒体发现“夸大风险”能带来更高点击，AI 叙事就会不断朝戏剧化方向升级。下一轮你看到的，可能不再只是“它会写出有 bug 的代码”，而是“它开始策划、隐藏、威胁、渗透”。
其中有些担忧并非完全空穴来风，但如果所有风险都被叙述成同一种科幻模板，结果反而是麻痹判断力：
- 真正要修的工程问题没人修；
- 真正要补的治理规则没人补；
- 真正要做的透明披露被恐怖故事替代。
最后社会看上去像是在认真讨论 AI，实际上却是在消费 AI。
结语：别把神话当成治理
AI 当然值得警惕，但最需要警惕的，未必是那个被讲得最吓人的版本。
今天很多关于 AI 的公共讨论，正在滑向两个极端：
- 一出故障就说“都是 AI 害的”；
- 一有新模型就说“它已经像有意志的生物一样危险”。
这两种说法都很抓人，但都容易把真正的问题遮住。一个成熟社会面对新技术，最需要的不是更会讲鬼故事，而是更会区分：哪些是传播语言，哪些是事实；哪些是产品营销，哪些是真实能力；哪些是模型风险，哪些其实是人的失职。
AI 恐慌跑得比 AI 本身还快，这件事本身，也许才是今天最值得分析的现实。
