为何对AI的看法如此分裂：专家与公众之间的鸿沟

时间:2026-04-15 22:13 来源:生物行作者:泉水点击:次

AI正以前所未有的速度发展，但围绕其影响的观点却日益两极分化。根据斯坦福大学2026年AI指数报告，美国73%的AI专家对AI对就业的影响持积极态度，而公众中仅有23% 持同样看法——差距高达50个百分点。类似的分歧也出现在AI对经济和医疗保健的影响上。为何会形成如此巨大的认知鸿沟？本文基于《麻省理工科技评论》2026年4月13日的分析，探讨专家与公众体验AI的差异、“锯齿状前沿”现象（AI在某些任务上极其出色，在其他任务上却一塌糊涂），以及付费高级用户与免费普通用户之间的能力断层。核心信息：AI并非“单一技术”；不同人群接触到的AI能力截然不同，导致他们对同一技术的评价南辕北辙。

一、AI观点分裂的核心事实

调查对象	对AI对就业影响的积极看法	对AI对经济影响的积极看法	对AI对医疗影响的积极看法
美国AI专家（参加2023-2024年AI会议的研究人员）	73%	未单独报告	未单独报告
美国公众	23%	未单独报告	未单独报告
差距	50个百分点	显著差距	显著差距

其他关键不一致：

技术能力极不均衡：谷歌DeepMind的推理模型Gemini Deep Think在国际数学奥林匹克竞赛中获得金牌，但一半时间无法读取模拟时钟。
投资与回报认知分裂：AI被描述为“淘金热”，也被描述为“泡沫”；既“抢走你的工作”，又“连时钟都不会读”。

二、分裂的根源：专家与公众体验的“两个AI”

用户群体	使用场景	接触的AI能力	典型评价	付费水平
AI专家/开发者/程序员	代码生成、数学推理、技术研究	极其强大（Claude Code、GPT-4o、Gemini Deep Think等）	“进步令人震惊”、“AI正在改变我的工作流程”	愿意每月支付200美元获取最佳版本
普通公众	信息查询、文本生成、创意辅助、个人计划（如策划婚礼）	能力参差不齐（仍会犯愚蠢错误、无法读时钟、产生幻觉）	“AI不可靠”、“经常出错”	使用免费版本（能力滞后6个月以上）
中间用户	办公自动化、客户服务	有限、任务特定	有用但不颠覆	企业订阅

关键洞见：由于大型语言模型仍以惊人速度改进，付费使用最新模型的“高级用户”实际上在使用与“六个月前尝试免费版本的用户”截然不同的技术。这两群人根本不在讨论同一个AI。

三、“锯齿状前沿”：AI能力的极不均衡分布

任务类型	示例	AI表现	原因
有明确对错的技术任务	代码生成、数学证明、数据分析	优秀（可通过强化学习优化，有明确反馈信号）	训练目标明确；可自动验证；利润驱动，资源集中
开放式的通用任务	创意写作、情感理解、常识推理	参差不齐（有时惊人，有时愚蠢）	缺乏客观评分标准；评估困难
具体但非技术任务	读取模拟时钟、物理推理、规划婚礼	糟糕（即使顶尖模型也常失败）	训练数据中此类任务代表性不足；模型缺乏真正的物理理解
需要实时更新的任务	最新新闻、动态事件	不可靠（产生幻觉）	知识截止日期限制；检索增强生成仍在完善中

“锯齿状前沿”概念（由斯坦福教授Percy Liang等人提出）：AI能力边界不是平滑曲线，而是锯齿状——在某些任务上远远超过人类，在相邻任务上却远不如人类。这解释了为何专家和公众的体验差异如此之大。

四、为何AI专家更乐观？

原因	解释	是否合理
接触最前沿模型	专家使用付费、最新版本，体验AI的最强能力	是
专注于AI擅长的任务	编码、数学、数据分析正是AI进步最快的领域	是
理解技术轨迹	专家看到指数级改进趋势，推测未来能力将扩展到当前弱项	合理推测，但不确定
经济激励	AI公司员工、投资者、依赖AI的创业者有强烈动机保持乐观	可能存在偏见
忽略“锯齿”	可能低估AI在通用任务上的长期弱点	风险

五、为何公众更悲观/怀疑？

原因	解释	是否合理
接触免费/旧版模型	免费版本能力滞后数月甚至一年，体验较差	是
使用AI不擅长的任务	创意写作、规划、情感咨询正是AI的弱项	是
高调失败案例	模型产生幻觉、偏见、错误被广泛报道	是
对就业的恐惧	担心被自动化取代，而非看到协作机会	部分合理
媒体负面框架	新闻更关注AI风险（偏见、安全、失业）而非进展	是

六、这对AI政策与沟通意味着什么？

利益相关方	建议
AI公司	更透明地沟通模型能力边界（“能做什么”和“不能做什么”同样重要）；不要仅用基准测试分数营销
政策制定者	认识到公众担忧的合理性，但也要理解专家乐观的依据；制定政策应基于细致的能力评估，而非笼统的“AI好/坏”
媒体	避免极端框架（“AI救世主” vs. “AI终结者”）；报道能力差异和不确定性
教育者	帮助公众理解AI的“锯齿状前沿”，培养批判性使用能力（知道何时信任、何时怀疑）
企业	在部署AI时，考虑员工和客户的不同体验；提供培训以弥合鸿沟

七、常见误区澄清

误区	事实
“专家说AI好，所以AI肯定好。”	专家评价基于特定使用场景（编码、数学）。AI在其他场景可能仍然糟糕。
“公众说AI差，所以AI没用。”	公众体验可能基于过时或免费版本，或AI不擅长的任务。最新付费模型能力显著更强。
“AI要么全能，要么全不能。”	错误。AI能力是锯齿状的：在某些任务上超人类，在其他任务上弱于幼儿。
“AI进步是线性的。”	某些领域进步飞速，某些领域停滞。不能自动外推。
“高级用户代表所有人。”	每月支付200美元的AI高级用户与使用免费版本的用户生活在不同世界。

八、结论：两个现实，一个技术

AI领域最令人困惑的特征之一是：两种对立的观点可能同时正确。

现实A：AI在编码、数学、数据分析等任务上正在以惊人速度进步，对专家和高技能用户来说，它已经改变了工作方式。
现实B：AI在读取时钟、物理推理、可靠常识等任务上仍然糟糕，对普通用户来说，它经常令人失望甚至危险。

对决策者的启示：

不要问“AI是好是坏？” 而是问“AI在什么任务、对谁、在什么条件下有用？”
投资于评估基础设施，以绘制AI能力的“锯齿状前沿”。
支持AI素养教育，帮助公众理解何时信任AI、何时保持怀疑。

对个人的启示：

如果你只尝试过免费AI，请理解付费版本能力可能远强于你的体验。
如果你只使用AI编码，请理解普通用户的体验可能与你截然不同。
无论哪种情况，保持批判性思维，不要将AI神话化或妖魔化。

最终提醒：AI不是单一实体。它是一组快速发展的技术，在不同任务上表现出极不均衡的能力。分裂的观点反映了这种不均衡——而不是一方的“无知”或另一方的“偏见”。

免责声明：本文基于《麻省理工科技评论》2026年4月13日报道及斯坦福AI指数报告，仅用于教育和信息目的。AI能力正在快速变化，本文描述可能在6-12个月内过时。

主要参考文献：
Stanford HAI (2026). AI Index Report 2026.
MIT Technology Review (April 13, 2026). Why opinion on AI is so divided.
“Jagged Frontier” concept (Erik Brynjolfsson, Stanford).

(责任编辑：glia)