面对AI,两种鲁棒性

很多人最开始用AI时，会发现没有吹的那么靠谱。

幻觉、理解错误，编故事，很重的AI味，有时还在简单问题上反复犯错。

经历几次失败，有些人就放弃了，觉得技术还不成熟是人工智障。

但许多生产工具本来不是通过几个对话回合就能稳定上线的。

只有逐渐它放进真实工作，才会识别哪些任务适合交给它，哪些环节必须由人把关，怎样提供上下文、拆分任务，或者通过工具和流程弥补模型的缺陷。

许多一开始解决不了的问题，在不断使用和调整之后，慢慢就可以解决了。

AI偶尔犯错，但使用者要用容忍AI不稳定，才有可能进入后续的良性人机协作状态。

AI刚进入工作流时，需要的是这种鲁棒性，即容忍AI本身存在缺陷的能力。

2

对不稳定的畏惧是一种问题，过度FOMO则是另一种问题。

类似情绪在开发者群体中尤其常见。

每出现一种新模型或工具，就担心自己落后，急着学习尝试，并投入大量时间。

但技术变化太快，很多今天看起来重要技能，只是某个阶段的过渡产物。

2025年，一家大厂当年做过一个可视化工作流产品，能让用户手工编辑工作流。

这产品当时做得很赞，我自己也氪过金，从搭建节点，到设置变量，再到在不同工具模型之间画连接线，可以把一个复杂任务拆成一张可执行流程。

在那个多数AI只能用来聊天的时期，这产品可以说非常前卫，网上还有不少付费课程教人来用。

它在当时的爆火并不难理解，因为当时模型上下文有限，Agent弱，很多任务无法依靠一个模型完成，人只能提前把路径画好，让模型按照预设步骤运行。

但后来上下文不断加长，Opus4.6问世，Agent能力持续提升，再后来Openclaw流行，harness开始成熟。

过去需要手工搭建的大量流程，开始可以直接放进上下文中完成。

一个工作流或者一个skill，逐渐被压缩成一段较长的提示词，再接上MCP、工具调用和触发条件就够了。

当时看起来还不错的一个产品，1年多时间就被模型吃掉了，这个产品今天早就转型了。

可想而知，当年投入大量时间学习可视化工作流的人，耗费大量的精力全部沦为了沉默成本。

或许有人会认为当初的尝试探索为理解AI积累了经验，但必须承认这只是一种自我安慰。

模型能力的继续增长，反而正在让一些更激进拥抱AI的人遭遇了更快的贬值。

3

一年多之前，踏上AI大模型竞赛的绝路说过，卷模型这事很可能是一条绝路。

因为开源和蒸馏大趋势无法改变，几条路线都是公开的，方向就在那，有资源的人用心做，性能迟早会上去，这行业很难有护城河。

卷人卷卡大概率会成为只有投入却很难带来股东回报的事。

今天的K3开源，基本让这个现象进一步坐实，大模型最终会成为一个造福人类的慈善事业。

这里再做个预测：

今天的很多AI应用侧探索，同样是绝路。

这类项目大体分两种：一种是充分利用A能力去Think different，搞些与AI本身未必有关的事儿；

另外一种是企图让目标用户在各自行业场景里用上AI，是换了一种打开方式的AI传教，就连交互方式都是一种套了壳的chatbot。

前一种至今看不到成熟影子，后一种令人捏一把汗。

因为后一种的初衷，仍是通过数据层或者约束侧来解决模型侧的平庸或者不稳定问题。

这是在做难题，极难的题。

这些应用面临的最大生存危机始终是自我定义问题。

即自己构建的究竟是一种怎样的长期能力，还只是一套临时补丁，或者只是模型厂商没盯上的边缘生意，要问问5年10年后这些能力还在不在还有没有意义。

有人看到harness火了就觉得agent在约束侧大有可为，skill不就是这么被神化的么。

实际上今天很多对话本身即agent，而且基本找不到没有多少chatbot是完全裸漏在外了。

模型成长的，除了上下文和推理，还有工具、数据、接口，所以说应用的竞争对手不是友商，是5.6sol和Fable。

没有人比模型厂更清楚模型差在哪约束需要做在哪。

一旦模型升级能够直接完成这些工作，复杂的应用层会迅速变薄。

更何况如今coding平权了，有idea有ip有数据的人都可以立刻出来卷死和被卷死。

AI应用为什么难，因为既想利用模型尚未成熟时出现的机会，又要警惕模型进步对自身产品的吞噬。

说白了就是想用自己的认知和Scaling赛跑。

做得太早，承担巨大的教育成本和工程成本；做得太晚，市场窗口已经关闭。

中间的窗口期极难把握。

4

说回个人也是一样，AI的变化太快，难点在无法保证自己的精力分配是长期且有意义的。

有些技术出现得很早，距离稳定可用还有很长距离。

此时投入大量时间，最后掌握的可能是一套很快被淘汰的操作方式。

有些技术成熟以后，已经能够显著解决真实问题。此时继续观望，又可能错过效率提升和认知积累的机会。

理想状态是一种“刚刚好”。

技术成熟到可以解决实际痛点时，就及时把它用起来，技术路线仍然混乱、产品形态频繁变化时，对投入规模保持克制。

但“刚刚好”本身又是一道难题。

一种可行的思路是，尽可能接触先进模型和Agent，持续探索人机协作流程，也用它们完成一些简易coding和自动化来测试能力边界。

AI值得认真了解、深入使用，接触能让人理解技术正在发生什么，知道它能力边界扩到哪里。

但对非全职Allin AI的人来收，务必慎重的参与AI化包括AI投资，也不要把所有精力和赌注都押向AI。

除了专职从业者，普通人在投资、职业规划和时间分配上，至少保留一定余地和安全空间。

既要有能力接受和容忍AI暂时不好用，也要有勇气承认自己没有追上每一轮热点的能力和运气。

前一种鲁棒性是让自己依旧留在牌桌上，理解一下市场温度，后一种鲁棒性避免把全部筹码押在某个短暂的技术噪音里。

离技术足够近，能够理解它、使用它，从中获得真实的效率提升。

同时保留一部分距离，让自己的时间和资产仍然能在其他方向上积累复利。