接受 AI 的优势，也接受平台的不足。

真正成熟的人机关系，不是相信 AI 永远正确，也不是因为它犯错就否定它。

更重要的是，在一次次与 AI 共同研究、质疑、推翻和重建的过程中，我们有没有变成一个比过去更好的思考者。

---

写在前面：我为什么突然开始怀疑这个平台

最近一段时间，我一直在做跨行业、跨学科、长周期的深度研究。

研究范围越来越广，研究链条越来越长。

有些问题从城市更新进入组织能力，从组织能力进入产业工人，再进入企业边界、交易成本、人力资本、组织学习；有些问题从建筑生命周期进入数据、Authority、Evidence、治理，再进入商业模式。

AI 在其中承担了非常多的工作：

检索资料、阅读论文、寻找案例、构造假设、比较理论、形成框架、寻找反证、不断迭代。

很多时候，它的能力是惊人的。

如果把这些工作完全交给一个人，甚至交给一个传统研究团队，其中相当一部分研究密度，在过去可能需要数月甚至更长时间才能达到。

但研究时间一长，一个问题开始越来越明显。

有些分课题，明明已经跑了几天，甚至经历了很多轮研究，看起来每天都有新的资料、新的分类、新的概念和新的结论，可重新回到最初的问题时，却突然发现：

好像还在那里。

知识越来越多。

结构越来越复杂。

研究编号越来越长。

但母问题并没有真正前进多少。

于是那天早上，我问了 AI 一个非常直接的问题：

“我长时间在做跨行业深度研究，发现最近的几个分课题，研究方法都有瑕疵，跑多少天还是在那里转圈，是平台的能力底线还是降智？”

这是一个带有情绪的问题。

但它后来引出了一个比“平台有没有降智”重要得多的问题：

我们究竟应该怎样认识 AI？

怎样认识平台能力？

怎样认识研究？

又怎样认识一个人在与 AI 长期协作以后真正得到的东西？

今天再回过头看，我越来越觉得：

这是一个值得记录的认知转折。

---

一、先承认一个事实：AI 很强，而且这种强已经不需要再证明

如果今天仍然只是把 AI 理解成“一个更好的搜索引擎”，其实已经严重低估了它。

它可以在极短时间进入一个陌生专业。

它能够连续查找几十个来源，阅读论文、政策、案例和技术资料；能够进行多跳检索；能够比较不同解释；能够发现前后矛盾；能够提出假设，再主动寻找反证。

更重要的是，它正在从：

\[ \text{Answering} \]

走向：

\[ \text{Acting} \]

也就是所谓 Agentic AI。

AI 不再只是回答一次问题。

它开始能够自己拆任务、调用工具、访问资料、调整搜索路径、修改文件、执行程序、持续观察结果，并在比较长的时间跨度内完成一个目标。

METR 从另一个角度测量了这种进步。

他们不是问模型能答多少道题，而是问：

一个任务如果交给一个熟练的人类，需要多长时间完成，那么 AI 能够以 50% 成功率独立完成多长时间跨度的任务？

研究显示，从 2019 年以来，前沿 AI Agent 的这一“任务时间跨度”大约每 7 个月翻一倍。这意味着 AI 能独立完成的任务，正在从秒、分钟不断向小时、甚至更长时间延伸。METR 同时强调，这种指标并不能自动等价为真实工作场景中的全面可靠性。

到了 2026 年，微软甚至已经推出 SentinelBench，开始专门研究一种过去几乎没有必要研究的问题：

如果 Agent 不是运行几分钟，而是运行几小时甚至更久，它怎样监控一个会不断变化的外部环境？

微软在介绍这一基准时引用 METR 的趋势指出，Agent 的 50% 任务时间跨度已经从 2019 年的大约几秒发展到 2026 年的十几个小时级别。

所以，如果有人今天仍然说：

AI 只是一个会说话的搜索框。

这个判断显然已经落后于现实。

AI 能力的大幅进步是真实的。

而且这种进步还远没有结束。

---

二、但真正困难的问题，恰恰出现在 AI 已经“很聪明”以后

这听起来有一点矛盾。

AI 越强，为什么我们反而越来越容易遇到它的不足？

原因可能很简单：

因为只有 AI 足够强以后，我们才开始把真正困难的问题交给它。

过去，我们让 AI 写一封邮件。

现在，我们让它研究一个行业。

过去，我们问一个事实。

现在，我们让它运行三天，比较几条理论路线，寻找一个可能根本不存在唯一答案的问题。

任务发生了变化。

因此暴露出来的能力边界也发生了变化。

2026 年发布的 DeepResearch Bench II 非常值得看。

这个 Benchmark 不再只看模型有没有找到一个答案，而是选取了 132 个跨 22 个领域的专业研究任务，再从专家撰写的研究报告中拆出 9430 个细粒度评价标准，分别检查：

信息召回、分析和表达。

结果是：

即便当时最强的 Deep Research 系统，能够满足的专家级评价标准仍然不到一半。

这个结果非常有启发性。

它并不是证明 AI “不行”。

恰恰相反。

它证明的是：

当评价标准从“有没有回答”提高到“有没有覆盖真正重要的证据、有没有做出足够好的分析、有没有形成专家级研究报告”以后，当前系统仍然存在明显能力空间。

所以那天我最后越来越确定的一点是：

\[ \boxed{\text{CAPABILITY FLOOR = REAL}} \]

能力边界是真实存在的。

承认这一点，并不是否定 AI。

就像承认一个极其优秀的人类研究者仍然有认知边界，并不是否认他的能力一样。

成熟的使用方式，从来不是假装边界不存在。

而是首先知道：

边界在哪里。

---

三、为什么我的研究甚至比 BrowseComp（浏览综合能力基准） 还难

这里还有一个很容易被忽略的问题。

我们经常会看到各种 Benchmark，说某个模型已经达到了多少分。

但 Benchmark 到底在测什么，非常重要。

OpenAI 的 BrowseComp 是一个非常难的网页研究基准。

它有 1266 个问题，很多问题需要在几十、甚至上百个网页中进行复杂搜索，拼接极其隐蔽的信息。

Deep Research 在这个测试上明显优于普通浏览模型。

但是 OpenAI 自己同时非常明确地指出一个重要限制：

BrowseComp 为了方便验证，刻意选择的是：

原则上存在一个唯一、稳定、简短正确答案的问题。

而现实用户的问题通常是开放式的。

OpenAI 因此也明确说，BrowseComp 上的表现与真实开放任务之间究竟能够多大程度相关，并不确定。

这句话对我非常重要。

因为我突然意识到：

我的很多研究任务，比 BrowseComp 更难的地方，并不是资料更难找。

而是：

根本没有一个预先存在的标准答案等着被找到。

我不是在问：

“这个答案藏在哪个网页？”

我实际上在不断问：

“这个问题到底应该怎么定义？”

“原来的研究对象是不是定义错了？”

“哪些证据是真的 Material Evidence，哪些只是信息更多？”

“现在形成的概念是真机制，还是我们为了理解现实而制造出来的概念？”

“成熟理论已经解释得很好，为什么还要创造新理论？”

“昨天的母命题是不是应该被推翻？”

“一个看来非常漂亮的框架，是不是实际上没有现实解释力？”

“这里究竟应该继续寻找证据，还是应该承认 UNKNOWN？”

甚至还要进一步问：

“是不是连问题本身都问错了？”

这时，研究已经不是：

\[ \text{Search}\rightarrow\text{Answer} \]

而变成：

\[ \text{Question Formation} \rightarrow \text{Evidence} \rightarrow \text{Interpretation} \rightarrow \text{Hypothesis} \rightarrow \text{Counterfactual} \rightarrow \text{Kill} \rightarrow \text{Reframe} \rightarrow \text{Question Formation Again} \]

也就是说：

形成研究问题、判断证据强弱、改变研究对象、改变理论结构，本身就是研究的一部分。

这类任务，对今天任何 AI 平台而言都更难。

---

四、More Agentic，不等于 Fully Reliable

这也是我对 AI 平台认知真正发生变化的地方。

AI Agent 越来越能够“自己做事情”。

但：\[ \boxed{ \text{More Agentic} \neq \text{Fully Reliable} } \]

自主性提高，并不自动意味着长期可靠性同步提高。

这两者不能混为一谈。

微软 2026 年对长周期委托任务的一项研究特别值得注意。

研究人员让模型对同一个信息对象进行连续多轮处理，结果发现，前沿模型可能产生稀疏但后果明显的错误，而且这些错误会随着连续迭代逐渐积累。

在他们设计的特定压力测试中，20 次委托迭代后，一些模型的信息保真度出现了明显下降。

但微软同时非常谨慎地指出：

这不是说 AI 没有实际价值。

实验是专门设计的长程压力测试；真实生产系统通常还会加入专用工具、验证机制、检索、记忆系统、编排以及人工监督，这些都会改变实际可靠性。

这正是我越来越认可的一种技术态度：

不要神化。

也不要因为发现局限就走向另一个极端。

Stanford 2026 AI Index 呈现的是同样复杂的画面。

一方面，Agent 能力在快速提升。

例如 OSWorld 这类真实计算机任务上的表现，在很短时间里出现了非常显著的跃升。

但另一方面，即使在结构相对明确的 Agent Benchmark 中，当前系统仍会出现大量失败；AI Index 同时提醒，很多传统 Benchmark 本身也越来越面临饱和、错误和评价失真的问题。

更进一步，2026 年的 OSWorld 2.0 开始把测试拉到真正的长周期现实工作流：108 个端到端任务，人类完成这些任务的中位时间约为 1.6 小时，有些 Agent 轨迹需要数百次工具调用。

即使最强系统，在严格的完整完成标准下仍然距离专业级可靠性很远。

研究者发现，失败已经不主要是最初那种“不会点按钮”，而越来越表现为：

忘记约束、遗漏中途到达的信息、没有恢复隐藏状态、猜测而不是询问、跳过验证。

这和长期研究中的体验何其相似。

---

五、长上下文，不等于长期记忆；信息都在，也不等于都被真正使用

这是另一个非常重要的认识。

现在很多模型支持极长上下文。

几十万 Token。

甚至更多。

于是我们很容易产生一种直觉：

既然所有历史都放进去了，模型就应该都记得。

但这两者并不是一回事。

早在 2023 年，《Lost in the Middle》就已经发现：

即使相关信息明确存在于长上下文中，模型能否正确利用它，也会受到这段信息所处位置的明显影响。

很多模型对上下文开头和结尾的信息利用得更好，而当关键信息埋在中间位置时，表现会明显下降。

RULER 又进一步扩大了问题。

它不再只做最简单的“针尖藏在草堆里”式检索，而是增加多信息、多跳追踪和聚合。

结果发现：

即使一些模型在简单 Needle-in-a-Haystack 测试上接近满分，随着上下文变长、任务复杂度增加，性能仍然可以大幅下降。

LongBench v2 则进一步把长上下文问题放入真实任务：

长文档、

多文档、

长对话历史、

代码仓库、

结构化数据。

它说明了同一件事情：

能够“放进去”，与能够“真正理解、推理并持续利用”之间，还有距离。

到了 2026 年，甚至已经出现了专门研究长期搜索中 Context Rot 的工作：上下文越来越多以后，即使资料没有消失，早先的目标、约束、证据和状态也可能逐渐丧失在后续搜索轨迹中的实际影响力。

所以：

\[ \text{Context Window} \neq \text{Working Memory} \]

进一步说：

\[ \text{Information Present} \neq \text{Information Effectively Used} \]

这对长期研究尤其重要。

---

六、这也解释了一个非常危险的研究幻觉：每一步都对，但最后走错了

长期研究最危险的地方，往往不是突然出现一个非常荒谬的错误。

那种错误反而容易发现。

真正危险的是：

每一步看起来都相当合理。

今天找到三篇论文。

合理。

明天根据论文增加两个变量。

合理。

后天发现一个案例，再建立一个子分类。

合理。

然后为了验证子分类，再增加一条研究支线。

也合理。

每一轮都有引用。

每一步都有解释。

每一次继续，都能说出理由。

于是研究不断产生：

新材料、

新概念、

新矩阵、

新编号、

新方法、

新 Evidence Gap。

整个过程看起来异常繁荣。

但很长时间以后突然回到母问题：

它到底解决了什么？

这时可能发现一个令人不舒服的事实：

\[ \text{Local Progress} \uparrow \]

并不意味着：

\[ \text{Global Progress} \uparrow \]

局部进展越来越多，

整体进展却可能越来越慢。

AI 并不需要犯一个“大错”，也可能产生这种结果。

只要每一轮相对于上一轮发生一点点目标漂移、问题漂移、概念扩张和证据重心偏移，长时间累积以后，就足以让整个研究偏离原始方向。

因此，AI 的能力边界很多时候并不是一道突然出现的墙。

它更像长期航行中的：

微小航向误差。

十公里看不出来。

一千公里以后，已经不在同一个地方。

这也是为什么我后来越来越强调：

回到母命题。

不是因为子问题不重要。

而是因为必须不断重新问：

这条研究支线还在为母问题服务吗？

---

七、但真正让我重新认识 AI 的，并不是它的不足

如果文章写到这里，很容易得到一个非常普通的结论：

AI 很强，但也会犯错，所以人要监督 AI。

这当然没错。

但我认为这远远不是这段经历真正有价值的地方。

真正让我重新认识 AI 的，是另外一件事：

AI 可以不断参与对它自己此前结论的拆解。

昨天，它和我一起建立了一个理论。

今天，我可以问：

这个理论真的有必要存在吗？

有没有成熟理论已经解释了？

是不是只不过重新命名？

有没有证据支持？

有没有反例？

它能够提出什么可证伪预测？

如果把这个理论整个删掉，现实解释力是否下降？

如果没有下降：

删掉。

一个研究框架花了几天才建立起来。

依然可以 Kill。

一个判断昨天还被认为非常重要。

找到更强证据以后：

可以降级。

一个曾经写得非常漂亮的概念：

可以直接退出研究主线。

我要特别强调：

这并不等于 AI 拥有和人一样的自我反思。

AI 没有人类意义上的“自我”。

更准确的说法是：

AI 让我们第一次拥有了一种成本极低、调用频率极高的 外部认知镜像。

它能够把已经形成的思考重新变成研究对象。

拿出来。

拆开。

攻击。

寻找反例。

重新搜索。

重新组合。

再判断。

这件事情对人的价值，可能比我们想象的大得多。

---

八、人其实非常难这样持续解剖自己

人会反思。

但真正持续、系统、高频率地反思自己的核心判断，并没有想象中那么容易。

因为人的思想从来不只是思想。

它同时和很多东西绑定：

专业经验。

身份。

地位。

自尊。

过去的成功。

过去公开发表过的观点。

投入过的时间。

团队关系。

组织利益。

甚至与“我是谁”绑定。

如果一个人研究了半年，建立了一套自己非常满意的理论。

现在有人告诉他：

也许它没有必要存在。

这不是简单的信息更新。

它意味着：

半年投入怎么办？

过去说过的话怎么办？

已经写完的文章怎么办？

自己的判断是不是错了？

因此：

沉没成本会进入认知。

身份会进入认知。

利益会进入认知。

情绪也会进入认知。

所以人经常并不是在纯粹判断一个命题是否正确。

而是在不知不觉中维护：

“过去的我为什么是正确的。”

AI 在这里提供了一种非常特殊的价值。

它可以一次又一次，不厌其烦地问：

为什么？

证据是什么？

还有其他解释吗？

你是在证明这个命题，还是在保护这个命题？

如果完全反过来，会怎样？

如果不允许使用你已经形成的理论名称，现实还能不能解释？

如果把这个概念删除，损失什么？

它不一定每次都问得对。

但这种不断外部化的认知压力，本身就很珍贵。

我越来越觉得：

AI 对知识工作的重大贡献之一，可能并不是答案生产。

而是：

\[ \boxed{ \text{Low-cost Cognitive Opposition} } \]

一种低成本、可持续的认知对抗能力。

---

九、接受平台不足，并不是降低标准

这是我这次认知变化中非常重要的一点。

过去很容易落入两个极端。

第一个极端：

AI 已经这么强，所以它应该最终替我找到正确答案。

第二个极端：

AI 会循环、会遗忘、会漂移，所以这个平台不可靠。

现在我越来越认为：

这两个判断都过于简单。

成熟的 AI 使用者最终必须接受一个表面矛盾、其实完全可以同时成立的事实：

AI 可以极其强大。

AI 又可以并不完全可靠。

两件事情完全不矛盾。

一个顶级研究者也会犯错。

一个世界一流工程师也不能保证每一次工程决策正确。

复杂系统本来就不存在：

\[ 100\% \text{ Capability} = 100\% \text{ Reliability} \]

所以真正值得研究的问题已经不再是：

“AI 靠不靠谱？”

这个问题太粗糙。

应该变成：

在哪种任务上可靠？

在多长时间范围内可靠？

在什么证据结构下可靠？

什么层级的判断可以交给 AI？

什么责任不能外包？

什么结果必须重新验证？

什么任务必须定期回到原始目标重新对齐？

这其实已经从：

模型能力问题

变成了：

人机认知分工问题。

NIST 的 AI Risk Management Framework 其实也是类似思想。

它没有假定一个 AI 系统通过一次测试就永久“可信”。

它把 AI 风险管理设计成持续过程：

\[ \text{Govern} \rightarrow \text{Map} \rightarrow \text{Measure} \rightarrow \text{Manage} \]

而且明确强调，测量和风险管理需要随着知识、方法、风险以及使用环境的变化不断更新。

这可能也是我们理解 AI 平台最成熟的方式：

可靠性不是一个标签。

可靠性是一种持续治理状态。

---

十、我开始重新理解“研究成果”到底是什么

这次反思最后慢慢超出了 AI。

它开始让我重新理解：

研究到底是在生产什么？

传统意义上，我们非常容易把研究成果理解成：

一篇论文。

一份报告。

一个理论。

一个框架。

一个结论。

一个模型。

当然，这些都很重要。

对于工程、商业和现实决策而言：

结果尤其重要。

一个系统是不是能运行，

一个商业模式是不是赚钱，

一个政策是不是改善现实，

一个机制是不是产生真实效果，

最终都必须由结果验证。

所以，我绝不是想说：

过程比结果重要，因此结果可以不重要。

恰恰相反。

现实世界仍然必须：

\[ \text{Outcome Verified} \]

但是对于一个长期研究者而言，还有另外一层东西经常被低估。

今天认为正确的一个理论，

三个月以后可能被反证。

今天非常满意的一张框架图，

两年以后可能只剩一条关系还成立。

今天找到的一个最佳实践，

环境变化以后可能立刻失效。

今天所谓“正确答案”，

很可能只是当时证据条件下最合理的判断。

如果一个研究者的全部价值都来自这些静态结果，那么研究资产的折旧速度可能比想象中更快。

但在研究过程中，还有另外一种东西在不断积累。

---

十一、真正复利的，是判断能力

长期研究留下来的东西包括：

什么问题值得问。

什么问题看似重要，其实是假问题。

什么证据足以改变结论。

什么只是信息更多，却没有提高判断质量。

什么时候应该继续搜索。

什么时候继续搜索只是逃避判断。

什么时候应该建立理论。

什么时候应该优先使用成熟理论。

什么时候应该继续验证。

什么时候必须 Kill。

什么时候 Evidence Gap 是真正重要的缺口。

什么时候缺一份数据根本不会改变判断。

什么时候应该明确写：

UNKNOWN。

什么时候应该写：

NO JUDGMENT。

什么时候应该承认：

现在不能得出结论。

什么时候应该：

回到母命题。

这些东西不会因为某一个结论被推翻就消失。

恰恰相反。

每一次真正发生过的：

错误、

失败、

反证、

推翻、

路径修正，

都会进入下一次判断。

于是我开始越来越愿意把研究写成：

\[ \boxed{ \text{Research} = \text{Knowledge Production} + \text{Judgment Formation} } \]

前者在生产知识。

后者在生产：

研究者。

长期看，第二项甚至可能更加重要。

因为：

一篇研究报告只能解决一个时期的一个问题。

而一个真正形成了判断力的人：

可以解决未来很多还没有出现的问题。

所以我越来越认可一句话：

研究最大的产品，不一定是研究成果。

研究也在生产研究者本人。

---

十二、AI 时代，这一点会变得更加重要

因为未来一个趋势已经越来越清楚：

“得到答案”的成本，会越来越低。

过去花一天搜资料。

未来可能一分钟。

过去花一个星期做行业梳理。

未来可能几个小时。

过去一个研究团队才能完成的初步 Evidence Map，

未来一个人加 AI 就可以完成。

于是，当“答案生产”的边际成本不断下降以后，

真正稀缺的东西就会发生变化。

未来更加重要的问题可能不是：

“你知不知道？”

而是：

“你为什么相信？”

不是：

“AI 给了什么答案？”

而是：

“你有没有能力判断这个答案是否值得相信？”

不是：

“你搜到了多少信息？”

而是：

“什么信息足以改变你的决策？”

不是：

“你是否形成了一套完整理论？”

而是：

“如果出现反证，你敢不敢把它推翻？”

知识生产能力越来越廉价。

于是：

\[ \boxed{ \text{Judgment} } \]

反而越来越稀缺。

---

十三、不确定性，也必须重新理解

这又带出了另外一个非常重要的问题。

过去，我们通常天然把“不确定”理解成负面状态。

不知道。

没结论。

证据不足。

所以自然产生一种心理冲动：

赶紧把 UNKNOWN 消灭。

AI 又特别容易强化这种冲动。

因为：

只要继续问，

它通常还能继续回答。

继续生成原因。

继续提出假设。

继续增加机制。

继续找到论文。

继续找到案例。

继续制造一个看起来越来越完整的解释。

于是一个极其危险的现象出现了：

语言仍然可以继续，但证据已经停止。

模型还在回答。

不等于知识仍在增加。

报告还在变长。

不等于判断仍在变好。

研究还在继续。

不等于问题仍值得继续。

所以我越来越认为：

真正成熟的研究能力之一，就是保护 UNKNOWN。

UNKNOWN 不应该被当作研究失败。

它可以是一个极其严肃的研究结果。

有些时候：

\[ \boxed{ \text{No Judgment} } \]

本身就是最正确的判断。

因为没有足够证据的时候，

不判断，比制造一个判断更高级。

---

十四、但更重要的是：不确定性并不只代表风险

这里还有一个更深的认知变化。

我们习惯把不确定性和风险放在一起。

确实如此。

UNKNOWN 可能意味着：

原来的判断错了。

商业模式跑不通。

机制不存在。

理论会被证伪。

新的证据会推翻当前结论。

这是：

\[ \text{Downside Uncertainty} \]

但另外一面经常被忽略。

UNKNOWN 还可能意味着：

我们还没有找到真正决定结果的变量。

原来的问题定义错了。

三个看起来毫不相关的现象，其实来自同一个更底层机制。

原本很小的市场背后，其实存在一个更大的需求结构。

原本认为只是例外的现象，可能代表一个正在出现的新规律。

原本失败的路径，可能暴露了一个过去没有人真正解决的现实问题。

这是：

\[ \text{Upside Uncertainty} \]

所以：

\[ \boxed{ \text{Uncertainty} \neq \text{Negative} } \]

不确定性更准确的定义可能是：

尚未展开的可能世界。

其中一些世界是坏的。

一些是好的。

一些意味着我们错了。

一些意味着机会比我们原先想象得更大。

真正优秀的研究，并不是尽快把这些可能性压缩成一个让自己安心的答案。

而是：

不断排除不成立的世界，同时保留那些仍然值得继续探索的可能世界。

这是一种完全不同的研究心态。

---

十五、于是我开始重新理解 AI 平台

回到最初那个问题：

“是不是平台降智了？”

今天我不会再轻易这样问。

不是因为平台没有问题。

而是因为这个问题已经不够精确。

更准确的问题应该是：

这是模型本身的能力边界？

是长上下文利用问题？

是长期 Agent 轨迹漂移？

是检索过程中证据权重失衡？

是研究方法本身造成了循环？

还是我自己没有及时停止一个已经没有信息增益的研究方向？

甚至还可能是：

这几种因素同时存在。

这与人的工作其实一样。

一个项目失败，我们也不能简单归因：

“这个人能力不行。”

真正的分析必须拆开：

任务难度，

目标定义，

能力，

流程，

组织，

信息，

激励，

工具，

环境，

监督，

反馈。

AI 也一样。

平台不是一个神秘的整体。

它同样是一个复杂系统。

---

十六、真正成熟的平台认知，是既不神化，也不失望

所以现在，如果再让我评价 AI，我越来越不会问：

AI 到底行不行？

这个问题已经过于粗糙。

我更愿意连续问：

它在哪里明显比我强？

在哪里我必须怀疑它？

什么工作最适合被它放大？

什么判断不能外包？

什么结果必须真实验证？

什么长期任务必须设置重新归位机制？

怎么让它不断挑战我的思考，而不是不断确认我的思考？

怎样让 AI 帮我看到自己的盲点，而不是替我制造更高级的确定性幻觉？

这时，AI 的定位也开始发生变化。

它不再只是：

工具。

它也不是：

权威。

甚至不完全只是：

助手。

我现在更愿意把它理解成：

一种能够持续扩大观察范围、搜索空间、假设空间、反证能力和认知迭代速度的外部认知系统。

它会犯错。

会遗忘。

会漂移。

会循环。

会非常认真地研究一个实际上并不重要的问题。

也会在某一刻提出一个让我重新思考几个月研究的问题。

这些情况都真实存在。

不需要为了认可它的优势而否认缺点。

也不需要因为看到它的缺点，就否认那些巨大优势。

成熟本身可能就意味着：

同时容纳这两个事实。

---

十七、AI 真正改变的，也许不是答案，而是人与知识的关系

这是我最后觉得最值得记录的一层。

最初使用 AI 时，我希望：

更快得到答案。

后来，我希望：

得到更好的答案。

再后来，我开始希望：

获得过去我一个人很难拥有的研究能力。

但现在，我越来越觉得：

AI 对我最大的改变，也许不是它让我拥有了多少答案。

而是：

它让我越来越难轻易相信一个答案。

包括它给我的答案。

也包括：

我自己的答案。

这是非常重要的变化。

因为人最危险的状态，并不是不知道。

而是：

非常确定地知道一个错误的东西。

真正的研究成熟，也许并不是知道得越来越多。

而是在知道越来越多以后，仍然能够保持：

可修正性。

我可以今天认为 A。

明天出现更强证据以后认为 B。

而不需要花大量精力证明：

“其实昨天的 A 也没有错。”

这种能力极其珍贵。

---

十八、一个人很难每天几十次推翻自己，但 AI 让这件事第一次变得可规模化

这也许是 AI 最容易被忽略的一种生产力。

以前所谓“反思”，通常是一种低频活动。

一个项目结束以后反思。

一个阶段结束以后总结。

一年以后复盘。

但在 AI 辅助研究中，

理论上我们可以把反思变成：

实时过程。

提出命题以后马上攻击。

形成框架以后马上找反例。

形成判断以后马上做反事实。

找到支持证据以后主动找反证。

每完成一个研究支线以后重新问：

它有没有改变母命题？

如果没有：

为什么继续？

这种认知迭代速度，是过去非常难实现的。

所以 AI 也许不仅提高了：

\[ \text{Knowledge Productivity} \]

它还可能提高：

\[ \boxed{ \text{Self-Correction Productivity} } \]

自我修正的生产率。

如果这是成立的，那么它的意义可能比单纯节省多少小时更加深远。

---

十九、所以，我现在更看重研究中的“成长资产”

今天再重新评价这些长期研究，我越来越不会只问：

最终发表了多少文章？

形成了多少理论？

完成了多少报告？

这些当然重要。

但我也会问：

经过这几个月以后，

我判断 Evidence 的能力是不是提高了？

是不是比以前更敢于 Kill 一个自己投入很多的方向？

是不是更能区分 FACT、INFERENCE、HYPOTHESIS 和 UNKNOWN？

是不是更少被漂亮概念吸引？

是不是更快发现研究开始进入循环？

是不是更愿意返回现实问题？

是不是越来越能区分“信息很多”和“证据足够”？

是不是越来越能够接受“不知道”？

如果这些能力提高了，

那么即使某一个最终结论后来被推翻，

研究仍然没有白做。

因为研究过程中形成了一种可以进入下一轮问题的能力。

这就是：

\[ \boxed{ \text{Growth Asset} } \]

它不像一篇报告那么容易展示。

却可能拥有更长的半衰期。

---

二十、结果仍然重要，但结果与成长不是二选一

所以我要特别把这件事情讲清楚。

说“研究过程中的成长很重要”，绝不意味着：

研究结果不重要。

这不是一句“过程比结果重要”的安慰话。

如果是现实项目：

钱有没有赚到，

项目有没有成功，

系统有没有运行，

政策有没有产生效果，

工程有没有真正解决问题，

这些都必须看结果。

不能因为过程很努力，就宣布成功。

但是长期研究存在另外一个时间尺度。

单次研究看：

\[ \text{Outcome} \]

非常重要。

长期看：

\[ \text{Outcome} + \text{Capability Growth} \]

可能才是完整收益。

因此，更准确的表达不是：

“过程比结果重要。”

而是：

“结果决定这一次研究解决了什么；成长决定未来还有多少问题你有能力解决。”

这两者不是冲突关系。

而是不同时间尺度上的价值。

---

二十一、这可能也是 AI 时代人真正应该守住的位置

随着 AI 越来越强，一个很自然的问题会出现：

如果 AI 能搜索、

能推理、

能写作、

能编码、

能研究，

人还剩下什么？

我现在越来越不愿意把答案写成某一个固定能力。

因为技术还会继续发展。

今天认为人独有的某一种技能，明天 AI 可能又取得明显进步。

更稳健的答案可能是：

人必须越来越承担对整个认知过程的最终责任。

不是每个答案都亲自生产。

而是决定：

什么问题值得解决。

什么证据可以进入判断。

什么风险能够接受。

什么时候应该继续。

什么时候应该停止。

什么时候应该让 AI 做。

什么时候必须由人接管。

什么结果可以影响真实世界。

什么结果现在只能继续保持为假设。

这是一种：

\[ \boxed{ \text{Epistemic Responsibility} } \]

认知责任。

AI 可以极大放大认知能力。

但放大能力之后，

最终仍然需要有人承担：

判断的责任。

---

结语：最后真正被改变的，是研究者自己

所以，当我今天再回头看那句：

“是不是平台的能力底线还是降智？”

我觉得真正有价值的已经不是答案。

答案当然重要。

平台确实存在能力边界。

长上下文确实不等于稳定利用全部历史。

长周期 Agent 也确实存在可靠性和轨迹漂移问题。

Benchmark 与真实开放研究之间同样存在距离。

这些都是真实问题。

也必须继续被技术解决。

但比这些更加重要的是：

我对 AI 的期待发生了变化。

一开始，我希望 AI 帮我更快找到答案。

后来，我希望它帮我找到更好的答案。

再后来，我开始意识到：

也许它最大的价值之一，是让我越来越难轻易相信自己的答案。

这不是退步。

恰恰相反。

一个人开始真正能够说：

“我不知道。”

“这里没有足够证据。”

“昨天的判断可能错了。”

“这个理论没有必要存在。”

“这条研究支线应该结束。”

“这个问题可能本身就问错了。”

同时又不会因此失去行动能力，

我认为，这才是研究真正成熟的开始。

---

AI 给我们的，可能是一种前所未有的知识生产能力。

但它也迫使我们学习另外一门以前没有如此重要的能力：

如何与一个极其聪明、极其高效，却又并不永远可靠的认知系统长期相处。

不神化。

不轻视。

不盲从。

也不因为一次失败就否定它。

知道它强在哪里。

知道它弱在哪里。

让它做它擅长的事情。

同时守住最终判断。

接受它的局限，

也接受自己的局限。

然后利用两者之间不断产生的摩擦，

逼迫自己的认识继续前进。

---

也许 AI 最深刻的意义，从来就不是替人类消灭不确定性。

恰恰相反。

它可能让我们第一次能够以如此低的成本，

持续面对自己的不确定性。

而不确定性并不只意味着危险。

它意味着错误的可能。

也意味着新的可能。

意味着旧理论可能倒下。

也意味着新的世界可能打开。

真正成熟的研究者，并不是拥有越来越多永远正确的答案。

而是拥有越来越强的能力：

面对复杂世界，仍然保持判断；

面对新的证据，仍然能够修改自己；

面对未知，既不急于制造答案，也不因此停止行动；

面对 AI，既充分使用它的力量，也不把自己的判断交出去。

最终，一次研究最重要的成果，也许是一份报告。

也许是一个新的理论。

也许是一项现实决策。

但如果把时间拉得足够长，

我越来越相信，

还有一种成果更加持久：

研究本身改变了研究者。

AI 最后真正帮助生产的，

也许不仅是更多内容、更多报告、更多答案。

而是：

\[ \boxed{\text{A Better Thinker}} \]

一个比昨天更好的思考者。

---

后记：我现在怎样重新理解“AI 平台”

今天，我已经很难再用“好不好用”“聪不聪明”“有没有降智”这样的单一尺度评价一个 AI 平台。

我更愿意把平台能力拆成几个不同的问题。

它能够看多远？

能够连续工作多久？

能够记住多少？

能够真正使用多少已经存在的信息？

能够多稳定地保持一个目标？

能够在什么情况下知道自己不知道？

能够接受多少来自人的纠正？

能不能真正回到此前的错误并重新审查？

面对一个没有唯一答案的问题，它是在继续制造答案，还是能够帮助我们维持必要的不确定性？

这些问题没有一个能够只靠一个 Benchmark 回答。

而且答案还会随着模型、工具、上下文架构、Agent 编排以及使用方式不断改变。

所以，对 AI 平台真正成熟的认知，也许本来就不应该是一个固定结论。

它也应该是一种：

\[ \boxed{ \text{Continuous Evaluation} } \]

持续评价。

就像研究本身。

---

写给自己的最后一句话

认可 AI 的优势，并不要求我否认它的不足。

接受平台的不足，也并不意味着降低对结果的要求。

真正值得争取的，不是一个永远不会犯错的 AI。

至少在今天，更现实也更重要的是：

人与 AI 在不断发现错误、纠正错误、形成新判断的过程中，能不能共同构成一个比单独的人、也比单独的 AI 更强的认知系统。

如果答案是可以，

那么我们今天面对的，

可能就不只是一次工具升级。

而是一种新的学习方式、

新的研究方式，

以及最终——

一种新的成长方式。

---

资料说明

本文关于当前 AI 能力与边界的事实判断，主要交叉参考了 DeepResearch Bench II、OpenAI BrowseComp、METR Time Horizon、Microsoft SentinelBench 与长周期委托可靠性研究、Lost in the Middle、RULER、LongBench v2、OSWorld/OSWorld 2.0、Stanford AI Index 2026 与 NIST AI RMF 等公开研究。它们共同支持的并不是“AI 不可靠”这样一个简单结论，而是更细致的判断：能力快速增长是真实的；不同任务上的可靠性差异也是真实的；长上下文、长轨迹、开放式研究以及现实执行仍然是重要的前沿难题。