夜雨聆风
AI 答得越专业，有时候越说明它没懂你的问题
你问 AI「为什么锅里的水烧开了还不关火会怎样」，它给你一份沸点与蒸发速率的热力学分析。答案没有错，但你要的只是「水会烧干」。这个细节，暴露了大模型一个被严重低估的认知盲区。
先说一个真实的现象。很多人在用大模型处理日常问题时，会遭遇一种奇特的「过度解释」：你问的是生活常识，它回的是教科书。你问「感冒了能不能洗澡」，它告诉你人体免疫系统的工作机制；你问「朋友突然不回消息是什么意思」，它开始讲社会心理学中的回避型依恋模式。答案听起来头头是道，但总有一种说不清的隔阂感——它没有在跟你说话，它在做报告。
它学会了「说得像专家」，但没学会「想得像人」
这背后有一个根本性的错位。大模型的训练数据里，解释性文本天然就是「技术性」的。互联网上关于「水为什么会沸腾」的内容，大多数是物理课笔记、百科词条、科普文章——这些文本的写作目的本来就是传递系统性知识。而一个妈妈在厨房里告诉孩子「水快烧干了赶紧关火」，这种口耳相传的常识，几乎不会出现在任何可以被爬取的文本里。
换句话说，模型见过的「解释」，大多数都是专业语境下的解释。它从来没有系统性地接触过人类用来传递常识的那种方式——那种方式往往是简短的、情境化的、甚至是不说理由只给结论的。「别这么做，会出事的」，这六个字背后可能积累了几代人的经验，但它对模型来说几乎是隐形的。
90%
互联网上的「解释类文本」来自专业或半专业语境，日常口语常识极少被书面化
因果推理有两种，模型只擅长一种
人类处理因果关系，其实走的是两条完全不同的路径。一条是「机制性因果」：A 导致 B，因为存在 C 这个中间机制，可以被验证、被量化、被写进论文。另一条是「经验性因果」：A 之后通常会有 B，我见过很多次了，不需要知道为什么，就是这样。前者是科学的语言，后者是常识的语言。
大模型在机制性因果上表现出色——它能把一个化学反应的步骤说得清清楚楚。但经验性因果对它来说是个陷阱。当你问一个需要经验性因果回答的问题，它会本能地把它转化成一个机制性因果问题来解答。不是因为它「想炫耀」，而是机制性解释在它的训练数据里占据了压倒性的优势，那是它学会的唯一一种「认真解释」的方式。
「
模型给出技术性答案，往往不是它在炫耀知识，而是它不知道还有另一种答案存在
」
更深的问题：它对「提问者是谁」几乎没有感知
人类在回答问题时，会自动校准。你的五岁侄子问你「为什么天是蓝的」，和你的物理学教授问你同一个问题，你给出的答案会完全不同。不是因为事实不同，而是因为你知道他们需要的是什么层次的解释。这种对「提问者意图和背景」的感知，是人类沟通中最基础的能力之一，我们几乎不会意识到自己在做这件事。
大模型在这一点上有结构性的短板。它能读懂你说了什么，但很难推断你的问题背后是什么情境、你是什么背景、你真正想要的是一个结论还是一个过程。于是它倾向于给出一个「安全的」答案——尽量完整、尽量准确、尽量覆盖所有可能的角度。这种策略在考试中是对的，在对话中却经常是错的。完整不等于有用，准确不等于贴切。
1提问者的背景和意图，模型几乎无法主动推断
2常识性问题往往需要「结论优先」，而非「机制优先」
3过度解释是一种隐性的沟通失败，但不会被算进错误率里
这不是 bug，但也不是无解
有意思的是，这个问题在很大程度上可以被「提问方式」本身缓解。当你在问题里加入情境信息——「我不是在学物理，我只是想知道…」「用最简单的话告诉我…」「假设我完全不懂这个领域…」——模型的回答质量会有明显的改变。它不是不会说人话，而是在没有明确信号的情况下，它默认你想要的是「专业版本」。
但这也反过来说明了一件事：我们现在和 AI 沟通的方式，本质上还是在迁就它，而不是它在真正理解我们。一个理想的对话系统，应该是它来主动感知你的意图，而不是你需要学会「怎么跟它说话才有用」。这个差距，才是当前大模型在日常交互中最核心的未解问题——不是知识量，不是推理速度，而是对「人在说话时真正想要什么」的感知力。
✦ 小结
大模型给出技术性答案，不是因为它在卖弄，而是它的训练数据里「专业解释」远多于「常识传递」，它学会了一种解释方式，却没见过另一种。真正的问题不在于它懂不懂，而在于它不太知道你需要哪种懂法。
