第八章：可能性认知

一个移动的目标

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会跃升一次——感知维度在增加（从文字到图像、语音、视频），推理深度在提升（从简单问答到复杂分析），行动能力在增强（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。如果你一年前试过某个任务觉得AI不行，今天再试结果可能完全不同。

这指向一个关键事实：AI的能力边界是移动的。

今年AI做不到的事，明年可能做得到了。今天看起来”不靠谱”的能力，半年后可能变得”相当靠谱”。

认知不跟着移动，你就会错过大量的可能性。

可能性认知的核心正在于此——知道AI能做什么，而且持续更新这个认知。

关于时效性的提醒

需要提醒：AI的能力边界在快速变化。

你现在读到的关于AI能做什么的描述，可能在你读到时已经过时。去年做不了的事，今年也许能做了。今年的水平，明年可能大幅提升。

所以，这一章的重点不是告诉你AI现在能做A、B、C——这些信息很快会过时。重点是帮你建立持续更新认知的方法。把可能性认知当作一个需要持续维护的资产，而非一次性获取的知识。具体怎么做，后面会展开。

需要说明的是，这种持续更新认知的需求，主要针对AI大模型——DeepSeek、豆包、Kimi、ChatGPT、Claude——这类需要你主动驾驭的产品。

相比之下，AI+产品——第一章光谱左边的三类——不需要你持续更新认知。嵌入型和增强型（AI电视、AI空调）在后台自动工作；交互型（智能音箱）虽然需要你发指令，但交互模式相对固定。智能音箱比去年更聪明了？不重要，你还是那样用它——因为产品设计者已经替你定义好了用法。

但AI大模型不同。它的能力边界直接决定你能用它做什么——边界移动了，用法也得跟着变。

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。“另一位用户更直接：“GPT是今年最懂我的人。”

这些反应有点夸张，但揭示了一个真实的趋势：很多人在与AI的长期互动中发现，它能做的事情远超最初预期。不只是回答问题、写东西，而是在某种程度上理解你的思维方式，记住你的偏好，给出符合你需求的建议。

这种发现只会发生在持续使用的人身上。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。

为什么持续更新认知如此重要？控制论有一个基本原理可以解释：没有信息，就没有控制。

你想控制一个系统，首先得知道它的状态——能做什么、不能做什么、当前在什么位置。恒温器需要温度传感器，导航需要GPS，投资需要市场信息。信息缺失或过时，控制就会失效。

对AI的使用也是如此。你对AI能力的了解，就是你控制它的信息基础。知道它能做什么，你才能给它合适的任务；知道它不能做什么，你才不会徒劳地尝试；知道它的能力在变化，你才能及时调整使用方式。

可能性认知本质上就是这样一种信息更新机制。它让你对AI能力的了解保持准确，而非停留在过去某个时点。信息准确，使用才有效。

一、边界在移动

能力边界在哪里移动

前面提到了AI能力扩展的三个方向。但知道规律是一回事，亲身体验是另一回事。很多人看过关于AI进步的文章，知道它越来越强——别人说AI能做某件事，跟你自己动手试过，认知深度差了一个量级。

跟踪能力边界的移动，不需要变成AI研究员。最直接的办法是定期实测：拿之前做不到的任务再试试，看看现在能不能做。偶尔翻翻主流AI工具的更新日志。留意你所在领域的人在用AI做什么新事——同行的实践往往比官方文档更实用。

不需要了解每个版本的所有细节，但需要保持一个习惯：每隔几个月，重新测试一次AI的能力边界。

过时认知的代价

若你的认知停留在某个历史时点，会怎样？

假设你的认知停在大模型刚出现的时期。AI在你眼里就是一个有趣但不靠谱的聊天机器人，不会想到用它来工作，也不会想到它可以处理复杂任务。后来出现的多模态、联网搜索、代码执行、Agent模式——这些可能性对你全部不存在。而每一次能力跃升之间，只隔了几个月。认知停留的时间越长，你错过的可能性空间就越大。

过时的认知让你错过机会。面对一个问题，你想AI做不了这个，但实际上AI已经能做了。因为错误的认知，没有尝试，没有利用，白白错过。

这种错过是静默的。你甚至不知道自己错过了什么。在旧的认知里安稳地待着，不知道外面的世界已经变了。

更新太慢是普遍现象

遗憾的是，大多数人的认知更新速度远远慢于AI能力的进步速度。

这有几个原因。

一是信息过载。关于AI的信息太多了，每天都有新发布、新工具、新进展。普通人没有时间和精力跟踪所有这些，很多人选择不看，停留在某个过去的认知里。

二是实际体验有限。不少人知道AI在进步，但没亲手用过最新工具。看过一些新闻、听过一些讨论，认知停留在抽象层面，很难转化为知道能做什么的具体理解。

三是认知惯性。人们倾向于维持已有印象。一旦形成”AI就是这样”的判断，改变它需要克服心理阻力。新信息往往被忽略或纳入旧框架，而非更新框架本身。

四是负面经验的放大。有些人早期试用AI时体验不好——AI给了错误答案，没完成任务，令人失望。这种负面经验会固化成”AI不行”的印象，阻碍后续尝试和认知更新。

虽然AI能力在飞速进步，大多数人的认知却在缓慢地移动。这个差距意味着：大多数人低估了AI当前的能力。

二、如何保持更新

边界在移动，认知也需要跟上。

关注进展

第一步是关注AI领域的进展。

不是说要读学术论文、追踪每个技术细节。那是专业人士的工作。

你需要的是概览级别的了解：又出了什么新东西、AI又能做什么了、有什么重要突破。

怎么获取这种概览？

选择几个可靠的信息源。可以是科技媒体、专注AI的公众号或播客、某些KOL的更新。不需要太多，两三个就够了。关键是及时、准确、有筛选地报道重要进展。

定期而非实时。不需要每天追新闻。每周花一两个小时浏览最近的进展，就足以保持大致了解。实时追踪会消耗太多时间，而且大部分信息是噪音。

关注能做什么而非怎么做。不需要理解GPT-5的技术架构，只需要知道它比GPT-4多了什么能力。关注能力变化，不是技术细节。

动手尝试

关注进展是必要的，但不够。真正的理解来自动手尝试。

看十篇关于AI的文章，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。从前者到后者，需要实际操作。

怎么动手尝试？

定期探索。给自己设个习惯，比如每周花半小时探索AI的新功能。不是为完成什么任务，纯粹是探索——试试新功能、问问新问题、看看它能做什么。

带着任务尝试。拿一个你工作中的实际任务，试试让AI帮你做。不管成功还是失败，你都会学到东西。成功了，你知道它能做这个；失败了，你知道它的局限。

推边界。不要只做你知道AI能做的事，也要尝试你不确定它能不能做的事。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。你可能会惊喜，也可能会确认局限。无论哪种，都是有价值的信息。

记录边界

一个特别有价值的习惯是记录AI的边界。

边界是什么？就是AI在哪里成功、在哪里失败的分界线。

大多数人只关注AI的成功。看，它能做这个！但失败同样重要，甚至更重要。失败告诉你边界在哪里，成功只是确认你已经知道的。

怎么记录边界？

当AI做得很好，记下来：它做了什么任务？给了什么提示？为什么做得好？

当AI失败，也记下来：它在什么任务上失败了？是什么样的失败——完全做不了，还是做得不够好？失败的原因是什么——是任务太难，还是提示不清楚，还是根本超出能力范围？

积累一段时间后，你会建立起一个能做与不能做的地图。这个地图比任何文章告诉你的都更准确，因为它是你自己的、具体的、基于实际体验的。

而且，这个地图会随时间更新。以前AI做不了的事，现在可能能做了。你会注意到边界在移动，认知保持新鲜。

三、工具组合的艺术

可能性认知不只是知道一个AI能做什么，还包括知道多个工具组合能做什么。

每种工具的长短处

每一个AI工具都有其擅长和不擅长的。

以几个代表性工具为例。ChatGPT/GPT-4是通才型选手，对话、写作、创意、代码、分析都能做，但实时信息和精确计算是弱项。Claude处理长文本、跟随复杂指令表现突出，却无法生成图像。Midjourney专攻视觉创作，艺术风格惊艳，但别指望它精确控制画面细节或生成文字。专用工具如Cursor（编程）、Descript（音视频）在各自领域极强，代价是只能做那一件事。

没有工具是万能的。每个都有其能力边界，有其最擅长的场景。

组合的威力

工具组合的艺术在于：让A的长处弥补B的短处。

举个例子。你想做一个演示文稿。

用ChatGPT写大纲和内容——它擅长生成文字和组织结构。用Midjourney生成配图——视觉创作是它的强项。用Gamma或其他演示工具整合——排版和设计交给它。

单独用任何一个工具，你可能做不出好演示文稿。但组合起来，几小时内可以做出以前需要几天的东西。

再举个例子。你想分析一份复杂的市场报告。

用Claude处理长文本——它可以分析长达几万字的报告，总结要点。用GPT-4的代码能力处理数据——若报告有数据，让它帮你做图表。用联网功能查询相关信息——补充报告中没有的背景资料。

每个步骤用最合适的工具，整体效果远好于只用一个工具。

1+1>2的涌现

有时候，工具组合会产生涌现效应——组合的效果大于各部分之和。

这种涌现来自于：各个工具的能力在某个组合点上相互放大。

一个更具体的例子：内容创作者的AI工作流。

第一步用AI做用户调研——让ChatGPT分析你过去100篇文章的评论，提取高频问题和痛点。单独看，这只是数据整理。

第二步用AI做选题策划——把提取的痛点输入Claude，让它生成20个选题方向并评估每个方向的价值。单独看，这是方案生成。

第三步用AI做内容框架——选定选题后，让AI根据目标读者和痛点设计文章结构。单独看，这是大纲撰写。

第四步用AI生成初稿——把框架展开成完整文章。单独看，这是文本生成。

第五步用AI做内容优化——让另一个AI从读者视角审稿，指出晦涩、跳跃、不够有说服力的地方。单独看，这是文本审查。

单独看，每一步都只是”让AI做一件事”。但把这五步串起来，你得到的是一个从用户需求到成品内容的完整闭环。关键在于：每一步的输出成为下一步的输入，前面的准确性放大后面的效果。

用户调研越准确，选题越贴近真实需求；选题越精准，框架越有针对性；框架越清晰，初稿越不跑偏；初稿质量越高，优化的起点越好。环环相扣，最终产出的内容质量远超单独使用任何一个AI工具。

再举一个跨工具类型的例子：数据分析师的混合工作流。

用Python脚本（AI辅助编写）从多个数据源抓取数据，用ChatGPT清洗和标准化这些数据，用Claude分析数据背后的模式并生成洞察，用GPT-4把洞察转化成管理层能理解的叙事，最后用AI生成的可视化图表支撑叙事。

这个流程中，编程工具、文本分析、叙事生成、视觉呈现四种不同类型的AI能力协同工作。每一种都发挥其所长，弥补其他的短处。数据抓取需要精确的代码，AI写；洞察提取需要理解上下文，Claude擅长；管理层沟通需要清晰叙事，GPT-4来做。

识别和创造这种涌现效应，是工具组合的高级形式。它需要你对各个工具的能力有清楚的理解，能够看到它们之间潜在的协同关系。更重要的是，你要能设计出让各环节相互放大的流程——而不只是简单的任务堆叠。

四、两种陷阱

建立可能性认知的过程中，有两个相反的陷阱需要避免。

低估陷阱

低估陷阱是：认为AI做不了某件事，实际上它能做。

这种陷阱在日常中很常见：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，这些判断来自过时的认知或有限的尝试，而不是实际测试。

低估陷阱的根源通常有三个：判断基于一年前的AI而非当前版本；试过一两次没成功就下结论，但可能只是方式不对；对AI能力的理解停在抽象层面，没有具体体验支撑。

代价是错过机会。本来可以用AI解决的问题，你用老方法费力地解决，或者干脆放弃。

避免的办法说来简单：不确定AI能不能做，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，换个提示方式、换个工具、换个分解方法，再试一次，结果可能完全不同。

怎么知道自己是否在低估？一个简单的检验：如果你经常说”AI做不到这个""AI肯定不行”，或者很少用AI尝试新任务，很可能陷入了低估。问自己两个问题：我上次测试AI的能力边界是什么时候？我说”做不到”，是基于实际测试还是基于假设？

高估陷阱

高估陷阱是相反的方向：认为AI什么都能做，实际上它有明确的局限。

高估的表现和低估不同——它不是拒绝尝试，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，认为AI可以替代专业人士的判断。这种心态往往来自两个方向的推波助澜：AI公司的宣传倾向于强调能力、淡化局限；你用AI做过几件简单任务效果不错，便以为它什么都行。

高估陷阱的后果比低估更直接。你把重要任务交给AI，结果出错，带来时间损失、质量问题，甚至更严重的后果。更隐蔽的代价是信任的崩塌——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。

避免高估，核心是理解AI的根本局限。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，不是真正的理解；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，把AI当助手而非权威。还有一个容易混淆的地方：AI做很多事情可以”够用”，但”够用”和”优秀”是两回事，别把前者误认为后者。

高估的自我检验也类似：你是否不加验证就相信AI的输出？是否把重要决策完全交给它？当AI出错时，你感到意外吗？如果答案是”是”，说明你对AI的期望偏高了。一个有用的追问：你记得上次AI出错是什么时候？你清楚它在你的领域有哪些具体局限？

期望的周期

技术咨询公司Gartner总结过一个规律，叫技术成熟度曲线（Hype Cycle）。几乎每一种重要的新技术都会经历类似的四个阶段。

第一阶段是期望膨胀期——新技术出现，媒体热炒，预言家说它将改变一切。期望值飙升，远超实际能力。

第二阶段是幻灭期——期望太高，现实追不上。人们开始发现局限和失败案例，“原来没那么神”的声音涌现。期望值暴跌，很多人完全放弃了这项技术。

第三阶段是复苏期——坚持使用的人开始找到正确用法。不是万能的，但确实有用。期望值回到合理水平。

第四阶段是生产力高原——技术进入主流应用，人们既不神化也不低估，只是把它当日常工具使用。

AI正在经历这个周期。2023年初是典型的期望膨胀期——“AGI要来了""程序员要失业了""AI将取代一切”。2024年出现了一些幻灭的声音——“其实它经常出错""没有想象的那么厉害""泡沫要破了”。

理解这个周期的价值在于：不要被周期的波动左右判断。期望膨胀期不要跟风高估，幻灭期不要盲目低估。技术的真实能力在曲线的中间某处，既不像最高点那么神，也不像最低点那么没用。

平衡点

正确的可能性认知在低估和高估之间找到平衡。它要求你准确且及时地知道AI能做什么，基于实际体验而非想象或过时印象；同时清楚它的局限，知道哪里需要人的监督和判断。更细致的一层是区分”能做”和”做得好”——AI能完成的任务里，有些它做得出色，有些只是勉强交差，能分辨这二者，使用才会精准。

可能性认知与用户能力

第三章划分的五个用户层级，核心差异之一就是可能性认知的准确程度。可能性认知越准确，用户能力乘数越高——低估让你错过机会，高估让你浪费时间。

【实操】如何校准你的可能性认知

知道要避免低估和高估是一回事，实际做到是另一回事。这里提供一套具体的认知校准方法，帮你建立准确的可能性认知。

第一步：预测-测试-对比

这是最基础的校准方法。对于你不确定AI能不能做的任务：

先做预测：尝试之前，问自己AI能完成这个任务吗？给出一个判断（能/不能/不确定），以及信心程度（1-10分）。
测试：实际让AI做这个任务。认真观察结果。
对比：对比预测和结果。你预测对了吗？信心程度合理吗？

若你经常预测不能但实际能——你倾向于低估，需要调整。若你经常预测能但实际不能或质量差——你倾向于高估，需要调整。若你信心总是很高但经常预测错——你需要更多谦逊。

长期做这个练习，你会发现自己的偏差模式，然后有意识地校正。

第二步：边界测试法

不要只测试你觉得AI肯定能做或肯定做不了的任务，要有意识地测试边界地带。

找那些你觉得可能能做但不确定的任务来测试。这些边界地带的测试最有信息量，因为它们会帮你精确定位AI的能力边界。

例子：

你知道AI能写简单的邮件，但能写需要委婉措辞的敏感邮件吗？测试一下。
你知道AI能做数据分析，但能处理你行业特有的复杂数据吗？测试一下。
你知道AI能生成代码，但能在你的项目架构中写出符合规范的代码吗？测试一下。

每次边界测试，都让你的能力地图更精确。

第三步：建立个人能力清单

花一些时间，建立一个你自己的AI能力清单：

【AI在我的工作领域能做什么】

✓ 肯定能做好的：
- （列出具体任务）

? 能做但需要修改/监督的：
- （列出具体任务）

✗ 目前做不好的：
- （列出具体任务）

⏳ 上次更新时间：____

每隔一两个月，回顾这个清单。把做不好的任务再测试一遍——AI可能已经进步了。这个清单是你个人的、持续更新的可能性地图。

第四步：同行对比法

找一两个也在使用AI的同行，交流彼此的发现：

“你用AI做过____吗？效果怎么样？”
“我发现AI在____方面特别强/特别弱，你有同样的感觉吗？”
“你有什么我可能不知道的用法？”

别人的经验可以快速扩展你的认知边界。你可能发现：有些你没尝试过的用法，别人已经证明可行；有些你以为可行的用法，别人踩过坑。

第五步：定期刷新认知

给自己设一个提醒，每隔1-2个月做一次认知刷新：

回顾最近AI领域有什么重大进展
把你清单中做不好的任务重新测试一遍
尝试1-2个你从来没尝试过的新用法
更新你的能力清单

这个习惯确保你的认知不会停滞，始终跟上AI的进步。

五、正确的态度

保持好奇，也保持务实

面对AI，一个健康的态度是：好奇但务实。

好奇意味着愿意探索、尝试、更新认知。不因过去的经验停止学习，不因一次失败放弃尝试。对AI进展保持关注，对新的可能性保持开放。

务实意味着不盲目、不狂热、不抱不切实际的期望。清楚AI的局限，保持判断和验证的习惯。把AI当作工具，而非魔法。

好奇让你不会低估，务实让你不会高估。两者结合，是正确的态度。

一个有用的比喻

一个有用的比喻是：把AI当作有能力但需要监督的下属。

这个比喻包含几层意思。

AI有能力——它确实能做很多事情，别小看它。就像能干的下属，可以承担大量工作，你应该充分利用。

AI需要监督——它会出错，需要你检查把关。再能干的下属，也需要管理者审核重要工作。不能完全放手，得保持关注。

AI是下属而非上司——它为你工作，不是你为它工作。你来定义任务、判断结果、做最终决策。AI执行你的意图，不是你执行它的建议。

AI也不是神——它并非无所不能的超级智能，有明确的局限，有做不到的事。不必把它当神来崇拜或恐惧。

这个比喻帮助你建立健康的关系模式：利用AI的能力，但保持自己的主导地位；信任AI做事，但保持监督和判断。

持续学习的心态

可能性认知不是一次性建立的，而是持续更新的。

AI的能力在变，你的认知要跟着变。今天你知道的，明天可能就过时了。

这意味着你需要一种持续学习的心态。最重要的一条是接受自己不知道的事很多，而且会越来越多——这不是焦虑的理由，而是学习的前提。一旦接受了这一点，把学习当作日常习惯而非偶尔的突击就顺理成章了。你面对的环境在持续变化，静止的认知会让你落后。

保持在移动边界上

可能性认知和问题敏感度不同。问题敏感度指向内——你对世界的观察和理解，这种东西变化缓慢，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会移动一次。

所以可能性认知需要持续更新。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。时间长了，你对AI能力边界的感知会越来越准。

最容易掉进的坑，一个是低估，一个是高估。低估让你错过机会，高估让你承受损失。好在两者都有简单的解药：动手试。试了才知道行不行，比任何人的说法都可靠。

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。