AI发展回望(三十)对AI的认知偏差：短期与长期的错位
未来学家罗伊·阿马拉曾归纳出一条后来广为人知的"阿马拉定律"：
"We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run."
翻译成中文便是：人们常常高估某项技术的短期效应，却低估它的长期影响。
阿马拉长期执掌美国未来研究所。这句话并非能够精准预见未来的科学法则，却精准刻画了许多新技术融入社会的真实轨迹。
互联网如此。
智能手机如此。
新能源汽车如此。
今天的人工智能。
很可能也是如此。
我们首先高估了AI短期内取代人类的速度
ChatGPT横空出世后许多人预言：
程序员将很快失业。
医生将很快被淘汰。
教师将不再必需。
公司只需几个人配合AI。
就能完成过去数百人的工作量。
几年过去AI确实改写了许多工作。
却并未像部分人设想的那样一夜之间清空所有办公室。
原因很朴素，真实工作并非一张考试卷。
它涵盖混乱的数据，含糊的责任，复杂的人际互动，随时出现的例外，以及犯错后必须有人兜底的后果。
AI可以撰写一份病情摘要，但它无从知晓患者此刻的神情，也无需为遗漏的风险担责。
AI可以产出程序代码但它未必懂一家运营十年的软件系统中那些从未写进文档的历史遗留。
因此我们高估了模型能力转化为真实生产力的节奏。
我们高估了更大的模型可以解决一切难题
过去几年每次新模型发布总会出现类似的声音：
参数更多，上下文更长，榜单名次更高，推理能力更强。
似乎只要下一代模型问世今天所有AI难题都会自然消解。
但我们已经看到。
模型可以在高难度数学考试中表现惊艳，却仍可能误读一个钟表。
可以生成一篇完整的医学分析，却可能弄错一个否定词。
这被称作AI能力的"锯齿状边缘"：
某些难题应对自如，某些人类认为简单的问题，却仍然起伏不定。
斯坦福2026年AI指数显示，前沿模型已可达到竞赛数学的极高水准，但在真实计算机任务中，智能体仍约有三分之一的作业无法完成。
所以AI并非一个平滑攀升的"电子人类"。
它更像一片起伏不定的新大陆。
有些峰顶已超越人类，有些地方却仍是深谷。
我们高估了AI产品立刻盈利的能力
这一轮AI投资体量极大。
GPU，数据中心，电力，模型公司，应用公司。
几乎所有企业都忧虑自己错过下一次工业革命。
然而使用AI与真正借助AI获取稳定收益并非同一回事。
企业或许购置了模型，推出了助手，开展了几十个试点。
最后却发现：数据未经梳理，流程未做改造，员工不愿使用。
节省的时间难以量化，错误还增添了审核成本。
AI不会因为接入一个接口就自动把一家传统企业蜕变为智能企业。
它需要重新设计工作流程，重新划分人与机器的职责，重新建设数据和评估体系。
这往往比购置模型缓慢得多。
我们还高估了今天所见的每一家AI公司
浪潮涌起时所有船只似乎都在上浮。
一家公司只要贴上"AI"标签便可获得投资。
一款产品只要接入大模型便能宣告自己被重新发明。
然而当模型能力趋于标准化，推理价格持续走低，开放模型日益增多，许多产品的技术门槛会迅速降低。
今天看似独树一帜的功能，明天或许只是操作系统里的一个按钮。
所以AI浪潮终将退潮。
一些公司会倒闭，一些估值会缩水。
一些昂贵项目会被证实毫无价值。
一些所谓的"AI创新"，最终不过是寻常软件功能。
这不是AI失败而是泡沫在剥离。
那么AI浪潮何时会退潮？
无人能给出确切日期。
因为所谓"退潮"或许不是某一天骤然发生，而是几个过程逐步浮现：
资本不再为所有AI故事买单，企业开始索取真实回报。
用户不再因"使用大模型"就感到新奇。
模型公司开始合并和淘汰。
基础模型数量减少，价格继续下行。
AI从新闻头条逐渐退回软件和工作流程深处。
真正的退潮标志不是大家不再使用AI。
而是大家不再反复标榜自己正在使用AI。
就像今天。
很少有公司宣传我们的业务使用了互联网。
因为互联网已成为默认基础设施。
AI真正成熟以后同样会如此。
然而我们低估了什么？
我们低估了AI成本下降的速度
模型日益强大，价格却越来越低。
斯坦福2025年AI指数显示，达到GPT-3.5水平的推理成本，在2022年11月至2024年10月之间下降超过280倍；同期，硬件成本平均每年下降约30%，能效平均每年提升约40%。
这意味着许多今天看似不值得使用AI的任务。
几年后或许便宜到可以忽略。
过去AI只用于处理最关键的问题。
未来它或许持续阅读每一封邮件，核查每一份文档，监测每一台设备，参与每一个软件流程。
技术真正改变世界往往不是能力初次显现之时。
而是它便宜到几乎人人触手可及之时。
我们低估了AI渗透所有职业的深度
AI未必率先取代一个完整职业，它更可能拆解一个职业，逐项改写其中的任务。
医生不会骤然消失，但医生查阅病历、撰写记录、检索指南、整理科研数据的方式会改变。
教师不会骤然消失，但备课、批改、个性化辅导的方式会改变。
程序员不会骤然消失，但编写代码、排查错误、阅读旧系统的方式已在改变。
最终受到波及的不是几个所谓"容易被替代的职业"。
而是几乎所有运用语言、知识、规则和数据的工作。
2024年，已有78%的受访机构报告在业务中使用AI；到2025年，这一比例进一步攀升至88%。AI的普及速度已快于早期的个人电脑和互联网。
短期看它只是提升某些任务的效率。
长期看它会重新定义：
一个岗位究竟需要多少人。
一个人能够管理多少事务。
一个组织应当如何运转。
我们低估了AI对普通人能力的放大
过去一个普通人想开发软件需要学习多年编程。
想制作视频需要专业团队。
想阅读外文资料需要掌握语言。
想分析大量数据需要统计和计算机功底。
今天这些门槛正在降低。
AI不会让所有人自动变成专家。
但它会让一个有经验、有判断力的人。
获得过去只有团队才能拥有的部分能力。
这对年轻人重要。
对中小企业重要。
对资源匮乏的医院也重要。
它或许能缩小一部分能力差距。
也可能让真正懂行业的人，第一次把自己几十年的经验迅速转化为产品、文章、系统和知识。
我们低估了人机关系发生改变的程度
今天我们把AI当工具。
打开它问一个问题，得到答案，然后关闭。
然而当AI拥有长期记忆，能够调用工具，持续运行Agent，再融入机器人以后，它就不再只是一次性的工具。
它会越来越像助手，代理人，同事，甚至一个代表你行动的数字分身。
它或许熟知你的习惯，替你筛选信息，代表你处理事务，辅助你做决定。
此时人类面对的问题就不再只是AI回答得准不准。
而是哪些决定可以托付给AI？AI代表谁的利益？它掌握我们多少信息？
我们会不会逐渐丧失自己完成任务的能力？
这些影响今天尚未完全显现。
却可能比某个模型的榜单分数更加深远。
我们低估了AI对社会结构的重塑
工业革命扩展了人的体力。
互联网扩展了信息传播。
AI直接扩展的是认知能力。
当认知可以被复制，按Token计价，通过网络随时调用以后。
知识工作的供给方式会发生根本变化。
未来最稀缺的或许不再是写出一份文档。
而是提出正确问题判断结果是否可信，决定应当追求什么目标，承担最终责任。
拥有真实世界的经验，以及理解人的情感和价值。
AI越强这些过去容易被忽视的人类能力反而越重要。
这一次AI浪潮会不会像以往的AI泡沫一样落幕？
会有泡沫破裂。
会有公司倒下。
会有投资退潮。
会有公众失望。
甚至可能再次出现一段"AI寒意"。
但我认为，这一轮AI 不会重归实验室。
因为它已经跨过了一个关键门槛：
它开始被普通人直接使用，开始进入企业工作流。
开始连接工具，开始产生真实收入。
也开始成为各国基础设施和战略竞争的一部分。
这一轮AI或许不再像一场烟花，亮过即逝。
它更像互联网泡沫：
大量公司曾倒下，大量投资曾蒸发。
然而互联网并未消失。
它只是从一种被过度炒作的新技术，变成了整个社会的底层结构。
AI很可能也会经历同样的过程：
泡沫会破技术会留下。
浪潮会退海岸线却已被永久改写。
写在最后
回望整个《AI的来时路》。
我们从科幻小说启程。
走过两次AI寒冬。
见证神经网络重新崛起。
见证GPU、互联网和Transformer交汇。
见证ChatGPT将AI带到普通人面前。
又认识了Token、参数、RAG、微调、Agent和机器人。
写到今天我认为，面对AI。
最危险的既非乐观也非悲观，而是极端。
把AI视为无所不能的神，会令我们轻易交出判断和责任。
把AI视为一场转瞬即逝的炒作，又可能让我们错失一次真正的时代转变。
更为合理的态度是：
在短期降低期待，踏实解决真实问题。
在长期提高警惕，认真思考它将如何改变人类。
我们或许高估了AI在明天早晨能够完成什么。
却依然低估了它在未来十年、二十年，将怎样改变工作、教育、医疗、社会，甚至人类对自身的理解。
AI的浪潮终究会退去。
然而当潮水退下。
我们看到的将不会是原来的世界。
下一篇我们将为《AI的来时路》写下终章：
我们为何必须理解AI？
不是为了让每个人都成为工程师。
而是因为当一种技术开始重新定义工作、知识、权力和人的价值时。
理解它已不再只是技术人员的事。
若你只记住一句话
我们高估了AI立即取代人类、解决所有问题的短期能力。
却可能低估了它在成本持续下行、长期进入所有行业以后，对人类社会产生的结构性改变。
知而后行，行而求知。
从手术室到机房，从临床到系统。记录一名麻醉医生关于医疗AI、医院信息化与持续成长的探索。
—— 医路智行录