AI引发的真正震荡，或许并不首先来自失业、效率或技术替代，而在于它同时击穿了人类认知中的两条底线：
我们希望世界是可以理解的，也希望自己在这个世界中具有不可替代的优越性。
前者提供确定感，后者维持自我认同。
而人工智能恰好卡在一个令人极度不适的位置：它复杂到难以被普通人的直觉充分理解，却又强大到开始进入写作、设计、编程、分析、判断和创造等长期被视为“人类专属”的领域。
它既不像传统工具那样边界清晰，也尚未成为一种可以被社会稳定定义的新主体。它介于工具与代理、统计系统与智能存在、现实能力与未来想象之间。
结果是，人们原本应当连续渐变的认知光谱，被迅速撕裂为两个极端：
一端将AI神化为无所不能的文明跃迁工具；另一端将它妖魔化为不可控制的失业机器和毁灭力量。
真正困难、也最接近现实的中间地带，反而被挤压成了真空。
一、技术黑箱与叙事真空，共同制造了认知极端
对绝大多数人而言，AI的内部决策过程呈现出明显的黑箱特征。
人们能够看到输入和输出，却难以直观理解模型为什么生成这个答案、为什么在相似问题上得出不同结论，也难以准确判断它什么时候可靠、什么时候会产生严重错误。
面对无法解释的系统，大脑通常不会长期停留在“我不知道”这一状态。
因为“不知道”意味着不确定，而不确定会持续消耗心理资源。为了迅速恢复秩序感，人们会主动用熟悉的叙事填补认知空白。
乐观者填入的是“全知全能”：
既然我无法理解它的上限，那么它或许最终可以解决一切问题。
悲观者填入的是“失控毁灭”：
既然我无法理解它的机制，那么它最终可能脱离人的控制并反噬人类。
两种判断看似截然相反，实际上共享同一个心理起点：
对复杂黑箱的不耐受。
真正接近现实的判断是：AI是一类具有强大模式识别、生成、推理和工具调用能力的概率系统；它在不同任务中表现差异巨大，拥有明确适用范围，也存在幻觉、偏差、上下文缺失、责任不清和现实锚定不足等问题。
但这种判断不够戏剧化。
它需要讨论条件、概率、边界和具体场景，不适合被压缩成一句口号，也很难在社交平台上形成强烈情绪。
传播系统天然偏爱两种表达：
“AI将解决一切”；
“AI将毁掉一切”。
而“它在某些条件下非常强大，在另一些条件下并不可靠”缺乏足够的冲突和情绪颗粒度，往往活不过第一轮转发。
于是，技术黑箱提供了空白，传播叙事完成了极端填充。
二、人并不是先理解AI，再形成态度
人对AI的立场，很少完全产生于技术理解之后。
更常见的顺序是：
先判断AI会如何影响自己的位置，再寻找技术证据支持这一判断。
资本方和技术布道者看到的是杠杆效应。
对他们而言，AI意味着更低的人力成本、更高的规模化效率、更快的产品迭代和新的市场入口。其情绪底色通常是FOMO——害怕错过下一轮技术红利。
白领、中产和内容从业者看到的是专业壁垒被侵蚀。
过去需要多年训练才能完成的写作、制图、分析、翻译和编程任务，如今正在被快速压缩。AI威胁的不只是岗位，更是“我的专业经验是否仍然稀缺”这一身份基础。
体力劳动者可能暂时感到距离较远，但这种距离感并不稳定。随着机器人、自动驾驶、智能制造和现场自动化发展，观望中同样包含对未来的不确定。
政策制定者则承受双重压力：
既不能错过产业竞争，也不能放任就业冲击、算法风险、数据权利和社会失序。
因此，没有人真正站在一个完全中立的位置观察AI。
同一个模型，在投资者眼中可能是生产力革命，在插画师眼中可能是版权掠夺者，在企业管理者眼中是降本增效工具，在普通员工眼中则可能是岗位压缩器。
客体没有变化，主体的位置已经决定了观察角度。
这也解释了为什么AI争论如此难以达成共识：很多人表面上在讨论技术，实际上是在捍卫各自的利益、身份和未来位置。
三、“类人”能力触发了宏观意义上的恐怖谷
计算器再快，也很少让人产生存在焦虑。
挖掘机的力量远超人类，但人不会因此怀疑人的意义。
原因在于，传统工具主要延伸人的肢体能力或计算能力。它们的工具属性清楚，人仍然是目标的提出者、意义的解释者和最终的判断者。
生成式AI不同。
它会对话、写诗、绘画、编程、总结、推理，甚至能够以近似人的方式表达犹豫、解释和反思。
它模仿的不是人的肢体，而是人长期视为自我核心的能力：
语言；
知识；
-创造；
-判断；
-抽象；
-推理。
这触发了一个更深层的问题：
如果机器能够完成我最引以为傲的事情，那么“我”的独特性还剩下什么？
在这种存在性威胁面前，人通常会启动两种防御机制。
第一种是贬低：
它只是概率拼接，不过是高级鹦鹉，没有理解，没有灵魂，迟早会露出破绽。
第二种是神化：
它已经是新生命形态，硅基文明即将取代碳基文明，人类时代正在结束。
表面上看，一种极端否定AI，一种极端抬高AI，但二者都在逃避同一个更困难的现实：
AI确实具有前所未有的能力，但它仍然存在明显边界；人仍然具有独特价值，但这种价值需要被重新定义。
这是一种高认知成本的立场。
它要求人承认两件并不舒服的事实：
一方面，许多曾经被视为高度专业、富有创造力的工作，确实可以被部分自动化；另一方面，AI的流畅表达也不等于现实理解、责任能力、价值判断和真实行动资格。
在生活压力、职业焦虑和信息过载之下，大多数人没有足够精力长期维持这种复杂判断。
极端立场虽然粗糙，却更节省认知成本。
四、真正被击穿的，是人的两种心理安全感
AI同时侵蚀了确定感与优越感。
1. 确定感
人习惯于认为，重要系统应当能够被理解、预测和控制。
即使个人不懂发动机、电网或金融系统，也相信存在专业机构、明确原理和责任主体，可以在问题出现时解释原因、修复故障并追究责任。
AI却让这种确定性变得模糊。
模型可能给出非常正确的答案，也可能以同样自信的语气制造错误；它可能在复杂任务中表现惊人，却在简单常识上失败；开发者能够调节训练数据、参数和安全规则，却不一定能完整解释单次输出形成的全部内部路径。
这让人第一次大规模面对一种奇怪的能力：
它能够产生有用结果，却未必能够提供与传统工程系统同等清晰的因果解释。
2. 优越感
现代社会中，人的自我价值很大程度上建立在知识和专业能力之上。
我们接受教育、积累经验、形成职业身份，并相信这种积累构成了个人的稀缺性。
AI快速进入知识劳动后，动摇的不只是某些工作流程，而是一个更基础的社会承诺：
只要长期学习并掌握复杂技能，就可以获得相对稳定的职业位置和社会价值。
当机器开始压缩技能形成所需的时间，人就不得不重新思考：
知识是否仍然稀缺；
技能是否仍然构成壁垒；
经验的价值在哪里；
人的责任和判断是否可以被替代；
人类的独特性究竟建立在什么之上。
因此，AI焦虑不是单纯的技术焦虑。
它是一场围绕“我是否理解世界”和“我是否仍然重要”的双重身份危机。
五、争论双方往往使用了不同的时间尺度
AI认知极端化还有一个重要来源：人们看似在争论同一个问题，实际上使用的是完全不同的时间尺度。
唱衰者主要观察当下：
模型幻觉；
版权纠纷；
数据污染；
高昂能耗；
-商业泡沫；
-落地成本；
-责任归属不清。
唱多者则经常讨论终局：
AGI；
-超级智能；
-科学发现自动化；
-劳动全面替代；
-文明形态迁移；
-人机融合。
一个人在讨论“2026年的企业系统能否可靠落地”，另一个人在讨论“2046年是否会发生文明级跃迁”。
这两类判断并不必然冲突。
一种技术可以在短期内存在严重局限，同时在长期产生深刻影响；也可以在长期极具价值，却在短期经历泡沫、低效部署和错误投资。
但媒体和社交平台往往会删除时间条件，将不同尺度的观点剪辑为同一场争论。
于是，“当前尚不可靠”被误解为“长期没有价值”；“长期可能改变文明”又被误解为“今天已经无所不能”。
真正理性的判断必须同时包含多个时间尺度：
当前能力；
-近期落地条件；
-中期组织变化；
-长期技术可能性。
脱离时间尺度谈AI，几乎必然走向极端。
六、极端认知的本质，是人类对不确定性的排斥
AI带来的深层冲击，不只是效率提升或岗位变化，而是它迫使人类集体面对一种难以承受的可能性：
我们正在创造一种能力不断增强、但其内部机制、社会后果和最终边界都无法被完全提前理解的系统。
在人类历史中，面对高强度未知，最常见的反应不是先建立精细模型，而是先完成阵营选择。
站队能够迅速提供三种东西：
一套解释世界的叙事；
一群拥有共同情绪的人；
一种看似确定的未来判断。
“AI必将拯救世界”和“AI必将毁灭世界”，都比“它可能在不同领域产生完全不同的结果，我们需要长期观察并建立治理机制”更能提供安全感。
立场越极端，世界越简单。
世界越简单，人越不需要持续承受不确定性。
所以AI争论中的很多激烈冲突，并不是对技术参数、训练方法和应用边界的分歧，而是不同人用不同叙事保护自己的心理秩序。
七、真正缺失的不是观点，而是经验
AI之所以容易被神化或妖魔化，一个重要原因是，它对很多人而言仍然主要是“叙事对象”，而不是稳定的日常工具。
没有长期使用经验的人，往往只能依靠新闻、演讲、宣传片和社交媒体建立认知。
而这些内容通常展示两个极端：
最惊艳的能力；
-最灾难性的失败。
真正使用过AI的人，更容易形成复杂判断。
他们既经历过效率提升，也遭遇过错误生成；既感受过它在信息整理、内容生产和代码辅助上的强大，也知道它会遗漏背景、伪造事实、误解目标和制造看似合理的错误。
只有同时“受益过”和“被坑过”，人才能逐渐理解：
AI既不是神，也不是魔，而是一种能力极强、边界复杂、需要治理和复核的新型基础工具。
这种认识不是通过口号形成的，而是通过实践形成的。
随着AI逐步进入办公、教育、医疗、制造、设计、科研和公共服务，它会从被想象的未来力量，变成日常环境的一部分。
到那时，中间地带才会重新生长。
八、成熟的AI认知，应当同时承认能力与边界
一个更成熟的AI立场，不应以“相信”或“反对”为起点，而应不断追问：
它在什么任务中有效；
使用了什么数据和上下文；
输出是否能够被复核；
错误的代价有多大；
谁拥有最终决定权；
谁承担行动责任；
它能否进入真实执行；
结果如何留下证据；
失败如何被发现、记录和纠正。
在低风险场景中，概率性输出可能已经足够有用。
在医疗、金融、司法、工业控制和真实空间行动等高风险场景中，仅有流畅答案远远不够。AI提出的Intent必须经过对象确认、状态判断、权限、安全规则和专业系统验证，才能转化为现实行动。
这意味着，人类不必在“全面接受”和“全面拒绝”之间选择。
真正可行的路径是：
承认AI的强大，同时拒绝无边界授权；利用它的能力，同时建立责任、验证和退出机制。
结语
AI认知的两极化，表面上是一场技术争论，深层却是一场人性与自我认同的冲突。
AI让人无法继续轻易相信世界完全可理解，也让人无法继续笃定人类的认知能力天然不可替代。
它同时动摇了确定感和优越感。
面对这种冲击，人们会本能地选择神化或贬低，选择乐观终局或悲观灾难，用极端叙事填补尚未被经验和制度覆盖的空白。
但真正成熟的认知，最终不会来自任何一方的胜利，而会来自长期使用、反复失败、现实收益和制度治理的共同积累。
当足够多的人真正使用过AI，被它帮助过，也被它误导过；当社会建立起适用范围、责任边界、验证机制和行动规则，那个被挤压的中间地带才会重新出现。
到那时，AI既不是神，也不是魔。
它可能更像电力：
强大、普遍、不可逆转，但必须依赖基础设施、专业规则和安全治理，才能稳定进入现实社会。
而人类真正需要重新定义的，也不是“如何证明自己永远比机器强”，而是：
在一个机器越来越擅长认知劳动的世界里，人如何继续承担目标、价值、责任与现实后果。