AI评审的真实瓶颈

过去数月，我高强度地运用AI处理各类工作。从最初的惊艳到如今的理性，经历了几次认知的转变。本文并非否定AI的能力，而是想如实记录实践中遇到的坑与观察，供同路人参考。

结论先行：AI在评审领域的上限，远低于大众预期。

很多人的第一直觉是——喂给AI的资料越丰富，它就越专业。于是我们疯狂往本地知识库塞入各类评审案例、行业标准、优秀范本，期待它像见多识广的老专家那样精准输出。

但现实恰恰相反。

当知识库规模膨胀到一定程度，我明显感觉到AI给出的评审意见变得“温吞”——并非不输出，而是锐度下降，标准模糊，判断趋于保守和中庸。

原因不难理解。不同场景、层级的评审标准差异巨大。顶尖水准与普通水准的评判维度全然不同。但对AI而言，这些案例在语义空间中的距离远比想象中近。检索系统召回内容时，它无法像人一样自动识别“此案例标准太低，不该作为参考”。

结果便是：低标准的内容拉低了高标准的判断。知识库变成了一锅粥，模型捞出的内容好坏参半，最终输出一个看似合理但缺乏深度的折中意见。

持续使用后，我逐渐意识到AI在评审任务上存在一些无法仅靠优化Prompt或增加数据解决的根本问题。

第一，标准切换能力极差。

资深人类评审面对不同级别对象时，能无缝切换评判体系。知道何时严格、何时宽容。AI做不到。虽然Prompt可写明标准，但效果不稳定。一旦上下文混入其他标准案例，输出就会被污染。它没有内在的“标尺”，标尺全靠外部给定——外部标尺有噪声，判断就会偏移。

第二，批判性高度依赖上下文，缺乏独立思考。

我观察到：若先让AI审过一批质量一般的材料（且意见温和），紧接着审一份本该严格对待的材料时，其批判性会显著降低。这说明AI的“严格程度”不是稳定属性，而是被上下文校准的浮动变量。它不是在做“判断”，而是在做“拟合”——拟合它看过的评审意见的平均水位。

这对人类难理解，但AI会。上下文窗口就是它的全部“记忆”和“性格”，变了就变了。

第三，缺乏真正的专业直觉。

浸润多年的专家看前几页就能判断：内容是否solid，作者是否真懂，核心贡献是否站得住脚。这种直觉来自经验内化。AI目前不具备。它能做逐条检查、模式匹配。能指出逻辑不连贯、表述不清，但很难说“整个方向有问题”。它擅长局部挑错，不擅长整体判断。

第四，“专业感”具有欺骗性。

AI输出意见格式工整、用词专业、逻辑自洽。非资深人士难辨真假。很多时候是“万能模板”式评论——放哪都说得通，但无针对性。这不是评审，是写八股。

说这么多问题，并非否定AI价值，而是需明确其有用边界。

AI擅长：格式规范性、逻辑链条初筛、文本清晰度优化、明确规则化检查。又快又好，省时。

但涉及核心判断——“行不行”、“贡献够不够”、“方向对不对”——其回答仅作弱参考，不可当结论。

我的策略调整为：让AI做初筛和体力活，省出精力自己做最终价值判断。把它当勤勉助手，而非信赖评委。

这件事让我重新思考：AI真正擅长什么，又在“伪装”擅长什么。

评审易高估AI，因其输出天然有专业感——条理清晰、术语准确、语气笃定。人类天然信任“看起来专业”，尤其在不确定时易被说服。

“输出形式的专业”和“判断内容的专业”是两回事。AI把前者做到极致，后者仍有鸿沟。

见不少人完全依赖AI评审决策，我感隐忧。并非意见必错，而是当无法独立判断其对错时，是用黑箱替代判断力。长期看，不是增强，是退化。

工具终归是工具，判断力仍是人的事。

AI能让你看得更快，不能替你看得更准。评审需要标准、品味、经验，人的不可替代性比想象中强。

至少目前如此。

以上为个人实践感受，欢迎同行探讨交流。