第八章：可能性认知

停在过去的判断

ChatGPT刚发布时，很多人试用后的判断是：“有意思，但不太靠谱，用处有限。”

这个判断在当时合理。早期大模型确实问题不少——会一本正经地胡说八道，知识有截止日期，推理能力有限。

但很多人的认知停在了这个判断上。

AI的能力每隔几个月就跃升一次——感知维度从文字扩展到图像、语音、视频，推理深度从简单问答到复杂分析，行动能力从输出文本到调用工具、执行多步骤任务。而且跃升往往是突然的：某个版本更新后，之前做不到的事忽然可以做了。

2024年底，ChatGPT发布用户年度报告，社交媒体上出现了一波有趣的反馈。一位用户感叹：“我，被AI看到了。而且看得那么透彻。“另一位更直接：“GPT是今年最懂我的人。“有点夸张，但揭示了一个真实趋势：持续使用的人发现AI能做的事远超最初预期。停留在”它只是个聊天机器人”的认知里，永远不会体验到这种可能性。

这指向可能性认知的核心：AI的能力边界是移动的，你的认知也需要跟着移动。

---

动手试

保持认知更新，最有效的方法不是读文章、听播客，而是动手试。

看十篇关于AI进步的报道，不如自己试一次。因为”知道AI能做什么”和”理解AI能怎么帮我”是两回事——前者是抽象知识，后者是具体体验，中间隔着实际操作。很多人以为自己了解AI，其实了解的是别人描述的AI。

这里有一个容易被忽视的现象：同样一个AI工具，不同人用出来的效果天差地别。差别不在技巧，在于你带着什么问题去用。一个对领域痛点敏感的人，第一次用就可能发现有价值的用法；一个不知道自己要解决什么的人，用了十次也只是”玩玩”。可能性认知不是抽象地知道AI能干什么，而是在你的具体场景里，发现AI和你的专业知识可以怎样结合。

所以，带着真实任务试。拿你工作中正在做的事让AI帮忙，不管成功失败都有信息量。然后推边界——不只做你知道AI能做的事，也尝试你不确定的。问一个你觉得可能太难的问题，让它做一个你觉得可能做不到的任务。边界地带的测试最有价值，因为那里是认知更新最快的地方。还有一点：以前试过AI做不到的事，过几个月再试试，你可能会惊讶。

时间长了，你会建立起一张个人的”能做与不能做”地图。这张地图比任何文章都准确，因为它基于你自己的具体体验，而且每次重测都在刷新。这一章不会列出”AI现在能做A、B、C”的清单——这类信息几个月就过时。真正持久的是动手试的习惯本身。

---

低估与高估

建立可能性认知的过程中，有两个相反的陷阱。

低估是认为AI做不了某件事，但实际上它能做。

这种陷阱很常见。你觉得内容太复杂AI理解不了，觉得创意工作AI肯定做不好，觉得专业领域AI插不上手。但多数时候，这些判断来自过时认知或有限尝试——基于一年前的AI版本，或者试过一次没成功就下了结论。

低估的代价是错过机会。本来可以用AI解决的问题，你用老方法费力地做，或者干脆放弃了。而且这种错过是静默的——你甚至不知道自己错过了什么。

一个简单的自检：如果你经常说”AI做不了这个”，问自己一个问题：这个判断是基于实际测试，还是基于假设？

高估是相反方向：认为AI什么都能做，但实际上它有明确局限。

高估的表现不是拒绝尝试，而是盲目信任——把重要任务全权交给AI不做检查，对AI输出的事实不加验证。这种心态一部分来自AI公司的宣传（倾向于强调能力、淡化局限），一部分来自以偏概全（做过几件简单任务效果不错，便以为它什么都行）。

高估的后果比低估更直接：出错带来实际损失。更隐蔽的代价是信任崩塌——一旦发现AI表现不如预期，有些人会从”什么都能做”一步跳到”什么都不可靠”，从高估滑入低估。

AI确实有根本性的局限：它会产生幻觉，编造看似合理但错误的信息；它的知识有截止日期；它做的是模式匹配而非真正理解；它不能承担责任。知道这些之后，保持验证就成了自然的习惯——重要内容要核实，敏感决策要自己拿主意。

还有一个容易混淆的地方：“能做”和”做得好”是两回事。AI能完成很多任务，但有些做得出色，有些只是勉强交差。能分辨这二者，使用才精准。

两个陷阱的共同解药很简单：不确定就试一下。尝试的成本很低——几分钟的事——但机会成本可能很高。一次失败也不等于做不到，换个方式再试一次，结果可能完全不同。

---

不同于问题敏感度

可能性认知和问题敏感度的培养节奏很不一样。

问题敏感度指向内——你对世界的观察和理解，变化缓慢，沉淀越久越深厚。可能性认知指向外——AI能做什么、不能做什么，这条边界每隔几个月就移动一次。

所以问题敏感度靠长期积累，可能性认知靠持续更新。不是焦虑地追逐每一个新工具，而是保持一种探索的习惯：偶尔关注AI领域的进展，遇到新任务时想想能不能用AI试试，把成功和失败的经验都记住。

好奇但务实，信任但验证——大概是和AI相处最健康的姿态。

下一章讨论想象力公式的第三项：连接能力。知道了问题在哪里、知道了AI能做什么，接下来的关键是把两者对接起来。