夜雨聆风
用起来，才有后面所有的事。
所有AI公司都在做同一件事：让AI更容易用。更简单的界面，更低的注册门槛，更自然的交互方式，更好的新手引导。这件事的目标，通常被描述为「让更多人用上AI」。
这个描述是对的，但不完整。降低门槛，不只是让更多人用上AI，而是启动了一个循环：使用→发现→反馈→优化→更多人用。降低门槛，是这个循环起动的条件，不是终点。
理解这个，会改变你对AI易用性、AI科普、以及AI使用深度的基本认识。
· · ·
一、为什么用起来是一切的前提
1.不用，什么都不发生
任何人真正开始使用AI之前，关于AI的一切判断，都是基于描述形成的——别人的描述，文章的描述，广告的描述。这些描述，可以告诉你AI能做什么，但无法传递在使用里才会出现的东西：那个第一次发现AI真正解答了你的问题的时刻，那个在深度对话里突然看见一个新因果连接的感受，以及那个意识到「原来我的这个问题AI可以帮我想」的认知重组。
这些体验，只能通过使用来产生，无法通过阅读来获得。而这些体验，是用户真正开始理解AI，真正开始用AI满足自身需求的起点。
所以「用起来」不只是量的问题。让更多人用，是质的前提。只有用起来，才有理解，才有真实的需求，才有对AI公司有价值的反馈信号，才有后续所有的事情。没有用起来，后面的因果链根本无法启动。
2.AI是需要用才能理解的产品
大多数产品，可以通过说明书来理解。你不需要先买一台洗碗机，才能理解洗碗机能做什么。说明书写清楚了，你读了，你知道了。
AI是例外。关于AI的描述，和使用AI的体验，之间有一条真实的鸿沟，无法通过更好的描述来弥合。
原因在于，AI的价值，有相当大的一部分，存在于内隐知识里。内隐知识，是那些只有在使用中才能被感知到、无法被文字完整表达的理解。什么样的提问方式能激发AI最好的推论？如何识别AI的回应是在做流畅的相关性包装，还是在真正推进因果理解？在什么状态下和AI对话，产生的内容质量最高？这些判断，都是内隐的，需要通过大量真实使用才能形成。
这意味着，对AI的真实理解，没有捷径。描述可以帮助用户更快地进入使用，可以帮助用户更快地建立框架，但无法替代使用本身。用起来，是理解的必要条件，不只是开始的第一步。
3.用户的需求，在使用之前往往看不见
这里有一个在产品历史里非常罕见的现象：用户的需求，在开始使用AI之前，往往不以清晰的形式存在。
「我需要一个随时可以进行跨学科因果对话的伙伴」——这个需求，在AI出现之前，从来没有被满足过，所以从来没有被清楚地感知过。用户可能感到过某种模糊的渴望，想要更深地理解一件事，但找不到合适的对话者。这种渴望，很难被准确地表达为一个需求。
AI在改变这件事。通过使用，用户发现了自己之前不知道自己有的需求：对深度对话的需求、对随时可用的对话伙伴的需求、对跨学科知识整合的需求。这些需求，不是在使用之前就有、然后被AI满足的，而是在使用的过程里被创造和发现的。
「用起来才能知道自己需要什么」——这不是普通产品的情况，但对AI来说是真实的。这就是为什么降低门槛让用户用起来，不只是满足已知需求，而是启动了需求发现的过程。
用起来是一切的前提，因为AI的价值存在于内隐知识里，无法通过描述完整传递；因为AI是第一个需要用才能理解的产品；以及用户的很多真实AI需求，在使用之前并不以清晰的形式存在，需要在使用里被发现。
· · ·
二、两种门槛，性质完全不同
1.操作门槛：可以被产品设计解决
第一种门槛，是操作层面的：用户不知道从哪里进入，界面太复杂，注册流程太繁琐，或者需要付费才能体验基本功能。
这类门槛，是产品设计问题，有相对清晰的解决路径。更简单的界面、更低的注册成本、更好的新手引导、免费的基础功能。这些都是有效的手段，而且效果可以被测量：操作门槛降低，用户数量增加。
过去几年，主流AI公司在这个方向上做了很多工作。ChatGPT的对话式界面，让AI对大多数人变得直觉可用。国内各家AI产品的免费策略，让尝试AI的成本接近于零。这些努力，产生了真实的效果。AI用户数量的快速增长，很大程度上来自操作门槛的持续降低。
2.认知门槛：产品设计只能部分解决
第二种门槛，是认知层面的：用户打开了，也会打字，但不知道应该用AI做什么，不知道怎么问，才能得到有价值的回应，用了几次感觉没什么特别，然后放弃。
这类门槛，不能通过产品设计完全解决。界面再简单，也无法告诉用户在这个简单的界面里应该输入什么。新手引导再完善，也无法让用户在十分钟内建立起判断AI输出质量的能力。
认知门槛的本质，是用户缺乏一套关于AI的判断框架。用户不知道AI在机制上是什么，不知道什么样的使用方式能产生真实的价值，不知道如何识别AI的回应是真正有用的、还是只是听起来有用的。这个框架，需要通过理解和使用的积累来形成，没有捷径。
这就是为什么，大量用户在操作门槛降低之后开始使用AI，但很多人的使用停留在浅层：用AI写了几个文案，生成了几个图片或视频，问了几个可以用搜索引擎回答的问题，感觉AI「也还好」，然后不再深入。操作门槛被跨越了，认知门槛还在那里。
3.只降低操作门槛，带来的是低质量的大量使用
用户使用AI完成简单的、有标准答案的任务，这种浅层使用产生的信号，可以告诉AI公司「AI完成这类任务让用户满意」，但无法告诉AI公司「什么样的使用让用户在真正复杂的问题上获得了真实的价值」。
用户深度使用，带着真实的复杂问题进入长对话，持续进行追问，让AI在不确定的领域里提供有意义的判断。这个过程产生的信号，包含了关于AI能力边界的真实信息，包含了用户在什么地方遇到了真实的价值、在什么地方感到失望的真实反馈。
如果AI公司只降低操作门槛，吸引来大量浅层用户，得到的主要是低质量的信号，用这些信号来改进AI，改进的方向是让AI更容易回答简单问题，而不是让AI在真正复杂的问题上更有价值。这是一个次优的循环。
两种门槛性质完全不同。操作门槛可以通过产品设计来降低，效果立竿见影。认知门槛无法通过产品设计完全解决，需要用户建立判断框架。只降低操作门槛，带来的是大量浅层使用，产生低质量的改进信号，是一个次优的循环。
· · ·
三、循环是如何运转的
1.从用起来，到发现，到反馈
当用户真正用起来，哪怕是浅层的使用，一个循环就开始了。
第一步：用起来，产生体验。体验包含了描述里无法传递的东西——AI在哪里出乎意料地好，在哪里出乎意料地差，在哪里让用户感到困惑，在哪里让用户感到「原来还可以这样」。
第二步：体验产生反馈。不只是用户主动提交的满意度评价，更多是使用行为本身。用户在哪里重新生成了回应（说明第一次不够好），在哪里花了很长时间阅读（说明内容有价值），在哪里提前结束了对话（说明AI没有满足需求），在哪里展开了深度追问（说明遇到了真正有价值的方向）。
第三步：反馈进入AI公司的改进循环。这些行为数据，加上用户主动的反馈，告诉AI公司哪些能力需要被加强，哪些体验设计需要被改进，哪些使用场景值得被深化支持。
第四步：AI公司优化，让曾经需要技巧才能实现的使用方式，变成更自然、更容易的操作。原来需要精心设计提示词才能触发的AI能力，现在直接可用。原来需要多轮对话才能实现的任务，现在一步完成。
第五步：优化后的产品，降低了曾经需要认知门槛才能到达的使用深度，让更多用户可以进入更有价值的使用。循环回到第一步，但在更高的水平上。
2.这个循环的质量，由使用的深度决定
这个循环能运转，但运转的质量，取决于进入循环的使用质量。
如果进入循环的主要是浅层使用，循环产生的改进，主要是让浅层使用变得更顺畅，界面更简单，常见任务的完成效率更高。这是真实的改进，但它停留在表面。
如果进入循环的包含深度使用，那循环产生的改进，开始触及AI的真实能力边界——什么样的推论质量是用户真正需要的，什么样的对话深度能产生真实的认知价值，什么样的使用方式让用户感到自己的判断能力提高了。这是更有深度的改进，让AI在真正重要的维度上变得更好。
所以深度使用的用户，不只是自己获得更多价值，而是在为整个AI系统的质量改进贡献更高质量的信号。他们产生的数据，是循环里质量最高的燃料。
3.封装知识：循环的关键输出
这个循环最重要的输出，是知识封装。
当足够多的用户探索了一种有价值的使用方式，AI公司可以把这种使用方式内化进产品，让不掌握这种方式的用户，也能轻松获得同样的效果。
这是一个真实的知识民主化过程：少数深度用户发现的高价值使用方式，通过AI公司的产品优化，变成了所有用户都可以轻松访问的功能。深度使用产生的探索成果，被封装进产品，惠及所有人。
每一次这样的封装，都降低了下一个层次使用的认知门槛。原来需要对AI有深度理解才能做到的事，现在变成了直觉可用的功能。操作门槛降低了，用户不再需要在低层次的操作上消耗认知资源，可以把这些资源投入到更高层次的探索。
循环是真实的：用起来→发现→反馈→优化→更多人用起来。循环的质量由使用的深度决定，深度使用贡献高质量的改进信号。循环最重要的输出是知识封装：深度用户探索的成果，被内化进产品，惠及所有用户。
· · ·
四、封装之前的地带，永远存在
1.功能封装不能穷尽AI的价值空间
这里有一个值得单独说清楚的判断：无论AI公司把多少使用方式封装成功能，总有未被封装的地带。
原因在于，AI的能力空间是开放的，没有人有完整的地图。功能封装，封装的是已知的、已被发现的、可以被标准化的使用方式。新的、高度个性化的、只有在特定个人处境里才有价值的使用方式，无法被预先封装。因为它们可能还没有被发现，或者太个性化无法被标准化。
能进入这个未封装地带的人，是那些有足够认知框架进行开放性深度探索的用户。他们不依赖封装好的功能，而是知道如何和AI进行有深度的对话，在没有路径的地方自己找路。
2.认知门槛不会降到零
操作门槛，可以趋近于零。打开AI，直接说话，不需要任何学习——这个方向，AI产品正在持续推进，而且会越来越接近。
认知门槛，不会降到零。
判断AI输出质量的能力，识别AI在哪里真正有用的能力，以及在没有路径的探索里找到方向的能力——这些能力，无法被封装进产品，只能存在于用户自己的判断框架里。
操作越来越容易，并不降低判断的价值；恰恰相反，当所有人都能轻松操作AI，只有那些能判断AI输出结果质量的人，才能真正从AI获得差异化的价值。
这是一个在工具历史里反复出现的规律：工具越容易使用，使用工具的技术门槛越低，使用工具的判断能力就越重要。傻瓜相机让人人都能拍照，但摄影师的眼睛无法被封装。
3.因果理解，是持续探索无人区的条件
对于那些想要持续探索无人区的人，条件是什么？
不是技术背景。技术背景让你理解AI如何运作，但不会自动让你理解AI能在真实问题里产生什么价值。
不是更多的使用时间。浅层使用一万小时，产生的是对浅层使用的熟练，不是对深度探索的能力。
真正的条件，是因果追问的习惯，加上判断框架的积累。因果追问，让你不满足于AI给出的答案，坚持追问直到因果机制清晰。判断框架的积累，让你能够识别AI的回应是在真正推进理解，还是只是在流畅地生产相关内容。
这两者，都是可以被培养的，但都需要真实的积累。
功能封装不能穷尽AI的价值空间，因为AI的能力空间是开放的。认知门槛不会降到零，因为判断能力无法被封装进产品。工具越容易使用，判断门槛越显著。持续探索的条件，是因果追问的习惯和判断框架的积累，不是技术背景或者使用时间。
· · ·
结语：起点之后，还有很长的路
降低AI使用门槛，是这一切的起点。让更多人用起来，启动循环，让用户在使用里发现自己的需求，让这些发现通过反馈进入AI的改进，让改进再次降低使用门槛。
但起点之后，还有很长的路。
用起来，只是第一步。从浅层使用进入深度使用，需要跨越认知门槛——建立关于AI的判断框架，学会识别什么样的使用产生真实的价值。这一步，无法通过产品设计来替代，需要用户自己走。
有足够的因果追问能力，能在没有路径的地方自己找路，发现那些还没有被发现的价值。这一步无人区探索，更长，也更少人走到这里。
用起来、深度使用、无人区探索，这三个层次之间的距离，不是技术距离，而是认知距离。AI公司可以持续降低前两步之间的距离，但第三步和第二步之间的距离，永远存在，因为探索意味着进入未知，而未知无法被提前设计成路径。
这个因果循环，降低操作门槛只是起点。
