01

今天，我们的世界正处于一种极其诡异的“丰饶中的贫瘠状态”。

环顾四周，似乎我们每一个人都在谈论AI，每个企业都在标榜AI agent，都在用AI降本增效，写一份行业报告只要30秒，生成一套营销方案只要一分钟，获取信息跟生成内容的成本，已经无限趋近于零。

按理说，AI工具的绝对平权，应该带来了每个人效率跟智慧的提高，甚至可以说是一种科技普惠，AI公平。

但实际上，我们看到了另一种让人不安的真相，它源自于我们长时间使用各种AI，以及我们自己在研发文思子牙、玄琨GEO各种AI应用的一种认知。

具体是什么呢？

AI对每个人的回答并不公平，而且，人跟人、企业与企业之间的差距，不会因为AI而缩小，反而会因为AI以一种前所未有的、断裂式的方式被拉大。

更直白点说，今天90%的人都没有真正用好AI，反而在被AI降智，这绝对不是玩笑。

02

今天绝大多数人会天真地认为，我用上了AI，你也用上了AI，我们面对同一个对话框，站在了同一条起跑线上。

包括研发出AI大模型的厂商也在说，AI能保证“公平性”跟“稳定性”，同样的模型，同样的响应。

但真实情况是，算力是流动的，AI绝对不是公平的。

什么意思呢？

在大模型底层的算法逻辑中，会存在着一套极其理性跟冷酷的“用户画像分级”。

当然，它不是一个真实存在，把人分级的评价体系，而是说AI在处理每一条用户指令的时候，会进行实时的“用户行为建模”。

各位也可以去问问自己正在用的AI，是不是这样的？或者是把我们这篇单仁行复制下来，问一问AI，是不是如此？

其实，我们从底层的物理逻辑出发，在AI的世界里，算力的消耗并不是平铺直叙的，而是靠“提示词（Prompt）”去激发的。

AI会根据你交互的信息熵值、逻辑密度以及上下文的连贯性，自动把用户划分为五个泾渭分明的层级。

第一层叫“搜索替代者”，这部分人的数量占到65%。

他们跟AI交互的特征就是单向查询，零逻辑关联。

他们把AI当成了带嘴的百度、谷歌，比如说问一下今天天气怎么样，这道菜怎么做，那个公司叫什么，干啥的？

本质上来说，他们问的都是一些常识为主，在得到AI输出的标准定义后，就满意的离开，这种常识是碎片化的，没有转化为生产力。

第二层叫“任务执行者”，这部分人的数量占到25%。

他们跟AI交互的特征是明确指令，追求单次交付的效率。

他们是把AI当成了不要钱的外包员工，比如说要求AI翻译长难句、编写特定的代码脚本、或者总结一份PDF报告，

效率是提高了，但他的思维模型并没有因为AI的介入而发生质变，他依然再把AI当成一个“有事钟无艳，无事夏迎春”的执行工具。

如果AI执行的勉强过得去，比如完成了8成，那剩下2成就自己亲自动手优化。

如果AI执行的不满意，那就重开一个新回答，或者是用别的AI。

到这，要注意一下，你会发现前两层就占据了90%的庞大人群，他们本质上都在做同一件事：消耗AI的浅层缓存，获得一个标准答案。

第三层叫“创意陪跑员”，这部分人的数量占到6%。

他们跟AI交互的特征是有了多轮的互动，开始利用AI的发散性打破思维定势，他们不会因为AI回答的不满意就离开，或者是反复的重新生成，而是询问跟补足自己提问的条件、逻辑跟输出标准。

比如说给AI一个产品原型，让它想20个营销口号，或者让AI扮演一个极度挑剔的客户，来模拟销售对垒。

这个时候，AI开始调用逻辑关联能力思考答案了，它是灵感的催化剂，相当于一个低成本的外界大脑。

第四层叫“思维建模师”，这部分人的数量占到3%。

这个阶梯的人，开始展现出可怕的差异。

因为他们的交互特征逐步发生了质的区别，他们不会问孤立的问题，而是向AI“投喂私有逻辑，构建结构化语境”。

他们会告诉AI，我的逻辑是什么样的？我的背景、行业、场景是什么？也就是先把自己遇到的问题固定在一个结构化语境当中。

比如说“这是我的商业分析框架，现在请严格根据这个框架，调取你知识库里的数据，同时，结合过去某一个时间段最新的全球数据，分析某个具体的商业变量。”

他们把AI当成了“逻辑跟能力的放大器”。

第五层叫“进化共生者”，这部分人的数量占到所有人的1%。

他们不仅会建立框架，更会发起压力测试，建立一个闭环的反馈系统，允许AI挑战自己的固有认知，指引AI整合跨学科的知识进行推演，他们不是在提问，而是在用自己的思考去驱动AI调用更多算力进行回答。

到这，AI不再是工具，而是一个能够反向驱动人类思考的智库，人类指引方向，AI进行极限推演，双方在不断地纠错、碰撞中，寻找出一条可行的方案。

03

我们简单做了个测试，大家可以对比一下，当然，在实际运用当中，这还需要更多的互动跟逻辑的分析。

但也不难看出来，如果你提出了一个第一层级的平庸问题，AI基本上不需要消耗什么算力，会自动把你路由到低功耗的节点，用“概率性复读”反馈给你一堆正确的废话。

但当你展现出更高层次的逻辑深度的时候，你实际上是在驱动系统调用高阶的算力资源，唤醒了那些需要消耗巨大能量进行多步推理的深度神经元。

为什么会有这样的区别？

今天全球主流大模型，特别是开源社区跟头部厂商都采用了混合专家（MoE）架构，这个架构好在哪里呢？

尽管模型的总参数量非常巨大，动不动就是几千亿，甚至万亿，但在处理每一个具体任务的时候，它只会激活其中一小部分参数。

这就使得大模型在获得超大容量的同时，推理成本（算力、内存、延迟）只跟激活的参数量相当，实现了效率跟性能的平衡。

所以，当你的指令足够具体，信息密度足够高的时候，你就相当于激活了模型内部负责逻辑推理、跨学科整合的高阶神经元。

这就像是你走进一家图书馆，如果你只问书在哪？管理员给你指个路就行了。

但如果你要问“这本讲工业革命的书当中，推动工业革命的关键要素是什么？它对现代社会结构的因果链条有哪些”，管理员就得动用深层知识去回答。

04

在过去没有AI的时代，平庸是可以被勤奋掩盖的，就像我们说“勤能补拙”，一个逻辑一般但很努力的人，可以通过大量的时间投入来缩小跟顶尖高手的差距。

但在今天，很多人还没意识到，平庸已经被自动化了。

因为任何人都可以利用AI快速产出平庸的内容，这导致市场上那些处于及格，看得过去的回答瞬间过载。

如果你只能提供AI随手就能生成的答案，满足于AI给你的常识性回答，那么，随着时间的推移，你的价值也会迅速被平庸。

你甚至都不会意识到，不是你在使用AI，而是你正在被AI给出的答案喂养、被AI给替代，不知道自己正在是被AI降智，变得平庸的那90%。

今天，各大顶级模型厂商用几百亿，上千亿烧出来的AI大模型，就像一辆可以给所有人使用的F1赛车，但我们不要把它当成当老头乐，在维修区里练练手就满足了，而是要懂得如何把油门踩到底，去榨取AI引擎的极限性能。

AI变得像一面镜子，它反射并放大了提问者本身的思维深度，所以，不是AI主动把90%的人降智， 而是这90%的人用自己的问题，让AI把自己变得平庸。

-

责任编辑 | 罗英凡

图片均来源于AI

本文不构成任何投资建议，股市有风险，投资需谨慎

■ 免责声明

本文涉及有关上市公司的内容，为作者依据上市公司根据其法定义务公开披露的信息（包括但不限于临时公告、定期报告和官方互动平台等）作出的个人分析与判断；文中的信息或意见不构成任何投资或其他商业建议，市值观察不对因采纳本文而产生的任何行动承担任何责任。