AI时代的分层：为何有人越用越强，有人却愈发迷茫？
朋友圈中，关于AI的讨论日益两极化。
有人称："ChatGPT彻底改变了我的工作方式，效率提高了5倍。"
也有人疑惑："我在用AI，为何与高手的差距越来越大？原因何在？"
这背后隐藏着一个关键的事实：
AI并不会拉大人与人之间的差距。它只会加剧原有的差异。
今天我们深入探讨这句话的内涵。
去年，我遇到了两位从事产品开发的朋友，他们都利用ChatGPT进行用户调研。
第一位朋友的做法较为简单：
他将100条用户反馈提交给GPT，询问："请总结痛点。"
GPT给出了一个列表：
虽然这些都正确，但全属泛泛之谈。
因为每个产品都会收到类似的抱怨。
另一位朋友则采取了不同的方法：
他首先仔细阅读了反馈，并标记出那些不符合预期的抱怨——那些令他感到惊讶的内容。
接着，他向GPT提问：
"如果用户抱怨‘加载慢’，但实际上95%的请求在200毫秒内完成，那么真正的症结是什么？"
GPT提出了八种可能性：
他带着这八个假设回到数据中验证。最终发现：
真正的问题在于用户在等待期间没有任何反馈，空白页面导致焦虑感增强。
他改进了加载动画。投诉率下降了40%。
你能看出区别吗？
前者将AI当作‘总结工具’，得到了普遍存在的表面共识。
后者视AI为‘思考伙伴’，借助其扩展假设空间，将模糊现象分解为多个可验证的可能性。
最重要的是——后者明白真正的痛点藏在‘异常’之中。
这不是ChatGPT教会的。这是他在无数次实践中积累的经验。
AI时代，最珍贵的不是‘会用工具’，而是明确应解决的问题。
明确了方向，并不意味着找到了正确的切入点。
在字节跳动时，我常听到一个词：XY问题。
用户提出X（表象问题），实际上想解决的是Y（根本问题）。
举例来说。
一位工程师来找我："推荐系统的召回率太低，如何优化召回算法？"
这是X问题。
我追问："为何认为召回率低？"
他回答："因为用户留存率下降。"
我又问："留存率下降，是因为推荐不够精准，还是过于精准？"
他一时语塞。
我们查看数据后得出结论：
推荐过于精准。
用户浏览到第十条时，已看完所有感兴趣的内容，后续内容重复或无趣，于是离开。
真正的问题不是召回率，而是内容多样性。
如果他直接让ChatGPT优化召回算法，GPT会给出：
但这都在解决错误的问题。
AI会放大你的问题理解能力。
这就是为什么，同样使用ChatGPT，一些人越来越清晰，另一些人则愈发迷茫。
即便找到了正确的问题，也不保证你能解决它。
这里的‘能力’并非‘技能’，而是结构匹配能力——能否将问题拆解为可执行的步骤，并匹配合适的工具和方法。
我见过许多人，尽管问题看得很清楚，却不知从何入手。
例如，一位创业者对我说：
"我知道我的产品需要一个增长引擎，但不知道如何搭建。"
他的问题很清楚。但他缺乏增长的结构化框架：
这些东西，ChatGPT都能提供。
但如果他没有结构化思维的基础，看到的只是术语，而非实际操作指南。
AI会放大你的结构能力。
这也是为何许多人在AI的帮助下写出的代码是能运行的垃圾——因为他们缺乏架构能力，AI只是加快了功能堆积。
而真正的高手，会先设计架构，再让AI生成模块。
到了这一步，才是大家最关心的——如何有效运用AI。
但若前面几层基础未打好，这一层就会徒劳无功。
我见过一个极端案例。
一位从事量化交易的朋友，花费两周时间让GPT-4编写了一个回测框架。
代码漂亮，逻辑完整。
然而，他连续三个月亏损。
为何？
因为他的策略本身就有误——他采用的是‘均值回归’逻辑，但交易的资产具有趋势性（如NVIDIA）。
AI使一个错误的策略高效实现。
工具使用的效率无法弥补方向上的错误。
反之，如果方向正确、问题明确、结构合理，AI的加速效果将是指数级的。
我现在每天用AI处理的任务：
这一切的前提是——我知道自己想要什么。
最后，我想强调一个容易被忽视的问题：结构能力的空转。
什么意思？
有些人学习了许多框架、方法论和分析工具。
他们的Notion里全是模板，他们的Obsidian里全是知识图谱。
但他们从未真正用这些工具解决过实际问题。
这就是结构能力的空转——看似精通，但从未验证。
AI会加速这种空转。
因为AI可以生成：
但如果这些东西从未在现实世界中遭遇过挑战、试错或得到反馈——
它们只是精致的幻觉。
真实世界的反馈是唯一的校准器。
这也是我所有项目坚持的原则：
每个决策都要写决策日志。三个月后，回头验证。
不是为了‘复盘’，而是让现实告诉我，我的判断是否准确。
这是对抗‘结构幻觉’的唯一方法。
回到开头那句话：
AI不会拉大人与人之间的差距。它只会放大原有的差距。
现在你应该能理解了。
AI是一面镜子。
但如果你没有这些，AI只会让你更快地迷失。
有些人利用AI放大解决问题的能力。有些人则放大了结构幻觉。
更糟糕的是——后者往往意识不到自己在空转，因为AI生成的内容看起来都很‘对’。
如果你想在AI时代不被拉开差距，最重要的不是‘学会用AI’，而是：
每周记录一件‘不符合预期’的事情。
那些让你感到‘咦，怎么会这样’的异常，往往蕴含着真正的痛点。
做决策日志。
每次做出重要决策，写下来：
三个月后，回头验证。
不要只停留在脑海里或文档上。
去做，去尝试，去获取真实的反馈。
学习新框架时，先问自己：
我能用这个框架解决什么具体问题？
如果回答不出来，别学。
AI时代，最珍贵的不是‘会用工具’，而是明确自己在解决什么问题，并验证是否真正解决。
这一点，AI无法帮助你。
只有现实世界才能告诉你。
关于作者
刘飞，AI基础设施从业者，专注于AI时代的认知升级与决策系统研究。
这是『认知文明』系列的第三篇。如果你对此感兴趣，欢迎关注我的公众号。
本文约3,200字，预计阅读时间7分钟