关于大模型能力，公共讨论里充斥着两个极端："AI 不过如此"和"AI 已经无敌"。两个说法都错，因为它们描述的根本不是同一个系统。不同人群实际接触到的大模型能力差异极大，形成了一个认知漏斗——理解自己处在漏斗哪一层，比争论"AI 强不强"有用得多。
漏斗的四层结构
最底层是大多数用户：用免费聊天机器人，体验是"更聪明的搜索"或写作助手，得出的结论自然是"也就那样"。往上一层是部分专业人士：开始感受到效率提升，但还没进入深度工作流。再往上，少数工程、数学、代码领域的用户已经在用 Agent 压缩数周的工作量。最顶层拥有前沿系统深度访问权的人，接触的是多智能体协作、科研加速这类普通用户难以想象的场景。
这个判断可信的原因在于 LLM 能力依赖三个变量：问题复杂度、领域可验证性、访问权限。问"写一首诗"，各层用户的体验差异不大；把模型放进复杂代码重构或数学推导里，能力差异被指数放大。而顶级场景普通人根本接触不到——这就是认知断层的成因：不是观点分歧，是采样自完全不同的分布。
需要保持审慎的部分
对"顶层能力"的转述要有分辨力：人数比例、内部系统细节这类描述往往带作者个人判断，不能当已验证事实。稳妥的理解是：能力分布严重不均衡，顶层与普通用户之间出现了体验断层——这个结构性判断比任何具体数字都可靠。
断层的四个现实后果
公共讨论会失真：用聊天体验评价 LLM 的人和用它重构工作流的人互相无法说服。行业竞争加速分化：嵌入真实生产流程的人获得的是杠杆级收益，把它当聊天工具的人长期感觉不到变化。安全与治理压力上升：如果多智能体系统真能机器速度攻防、生成复杂代码，人类审查必然跟不上。个人机会成本巨大：停在大众体验层的人，损失的不是效率，是整个杠杆。
个人策略：从看热闹到找场景
破局的路径很具体。第一步诚实回答：我现在在漏斗哪一层？第二步是找一个"足够大的问题"——真实、复杂、结果可验证的任务（构建一个应用、分析一套数据、交付一个系统），把它整个交给模型承担。LLM 的价值释放条件不是模型变强，是你给它的问题足够大。
一个可操作的自测：列出你上周问模型的三个问题。如果全是"帮我写封邮件"级别，你还在用杠杆的末端；如果至少有一个是"帮我完成 X 的完整方案并交付"，你已经在杠杆的根部。判断标准不在模型侧，在任务侧。
最后提醒一层风险：进入深度工作流后，人对模型输出的验证责任感反而容易松懈——能力越强越要守住"关键结论必须可验证"的底线。断层是机会，但穿过断层的方式决定了它是杠杆还是负债。
评论0