AI 无法成为你的“实习生”

我用 Codex 编写了一个自动填表程序。将一家三口的护照信息录入 Excel，使其自动识别字段并填充至申根签证表，仅需几秒钟，逐项核对后，零错误。

这正是 AI 最擅长的地方：处理那些重复、机械且无需任何判断的任务。

接着我让它处理签证照片——尺寸为 35×45mm，排版至 6 寸相纸以便打印。

初版尚可，我开始添加指令：强调尺寸、分辨率及裁切。结果第二版更差。持续修改后，它在比例、边距和像素之间反复横跳，就像一个被训斥得不知所措的人，每一次修改似乎都在重新理解，而非基于前一轮的进展。

许多人将此归咎于“AI 还不够智能”，但微软研究院和 Salesforce 去年发表的联合研究给出了另一种解释：测试 15 个主流模型，单轮完成率约为 90%，而拆分为多轮对话后平均降至 65%。更重要的是——一旦模型在某一轮偏离方向，无论你如何继续对话，都很难将其拉回正轨。

研究者为这一现象命名：迷失在对话里。

这就是“AI 实习生”这一比喻最大的误区。实习生犯错后，你指出问题，他会基于原有基础进行修改——从 80 分到 85 分再到 90 分，呈线性收敛，最终受限于其能力上限。AI 的工作方式并非如此。你以为是在给予反馈，其实它是在解一道越来越复杂的方程：变量越多，解越不稳定。你以为是在调教它，实际上它是在平衡所有历史指令的综合压力，每前进一步，都会对之前已稳定的部分造成扰动。

你给它增加一个约束，它就在其他地方松动一颗螺丝。

这里存在一个我们普遍相信的错觉：与 AI 互动越久，它就越懂你。这种直觉源于人类协作经验，合乎情理——但 AI 没有记忆，没有情绪，也没有“吸取教训”的机制。每一轮对话，它都在重新权衡，而非积累。

我们将“多轮对话”的体验解读为“协作关系”，但实际上它更像：每次你说一句话，它就重新洗一次牌。

因此，最常见的用法——“把任务丢给 AI，不断提出要求，直到满意”——恰恰是最低效的。

AI 擅长：有明确输入、固定规则且单轮可判断的任务。

AI 不适合：需要在反馈中持续校准、最终对齐一个模糊目标的过程。

后者，是专业人士花费数十年才掌握的技能。这并非因为难，而是因为其本质不是“执行”，而是“判断”——而判断，是从错误中生长出来的，而非从指令中读出来的。

最终我放弃了让 AI 处理签证照片，改为手动完成。

让 AI 快速带你从 0 到 80%，然后由你亲自接手。因为最后那 20%，不是靠增加一条指令就能解决的。

那 20%，是经验。