为什么说AI越厉害，对我们普通人的要求反而越高了？

我在一篇有关芒格的文章看到这样一个小故事：

一位年轻人去拜访莫扎特。

他说，莫扎特，我想写交响乐。莫扎特说，你多大了？年轻人说，我23。莫扎特说，你太年轻了，写不了交响乐。年轻人说，可是，莫扎特，你10岁的时候就开始写交响乐了啊。

莫扎特说，没错，可我那时候没四处问别人该怎么写。

学习AI也和这个故事很像，如果我们真的对AI感兴趣，其实并不需要总是去问别人怎么用，我们自己也能摸索出来。

但为什么很多人明明知道自己可以去学，却又不敢尝试呢？

我觉得是因为他们总觉得AI特别高大上，其实，这种想法并不一定对。

所以，我想分享的第一点就是：我们对待AI要保持一颗平常心。

一、保持平常心

1、祛魅

首先我们要做到"祛魅"，虽然研发AI的人都是比较厉害的一群研究人员，但他们做出来的这些工具，不也是要给人用嘛，不然只能是自嗨，所以，我们没必要对它保持"敬畏之心"。

AI就只是个工具而已，它也并不是无所不能的，更像是一个需要被引导的伙伴。

AI具备非常强大的能力，同样也存在不少问题，比如，大家如果用AI比较多，就会发现无论是哪家的AI，都会出现所谓的"幻觉"问题。也就是说，你问它A问题，预期的答案应该是B，但它却回答了C。

比如以前，有个问题就难住了很多AI：9.11比9.9大吗？

对于我们人类来说，这个答案一眼就能看出来，但很多AI大模型却翻车了。

再比如，有人问AI："我们一天应该吃几块石头？"结果AI一本正经地回答说：“你每天至少应该吃一块小石头。”

这些就是我们常说的AI"幻觉"问题。

那么，为什么AI大模型会产生幻觉呢？

常见的原因主要有以下三点：

第一，学错了知识

这就好比我们人类一样，如果天天听信谣言，那么思想必然被扭曲。

第二，知识过期

一般来说，大模型的训练数据都是在某个时间节点之前的，比如DeepSeek，它的训练时间肯定是在2025年之前的，因此，如果我们问它2025年的事情，它一定不知道。（前提是不开联网功能）

第三，强行补全答案

AI大模型被训练时，被要求得以流畅回答优先。当它不确定答案时，宁可编一个通顺的回答，也不说"我不知道"。就像有人问路时，怕丢脸就随便指个方向。

因此，我们需要辩证地看待AI给出的内容，不可盲目轻信。

如果我们想要降低AI的幻觉，从日常使用的角度，可以直接在提示词层面进行一些约束：

a、让它往正反两边极端输出，这样的结果往往更具参考价值。

b、在让AI回答问题时，提示它一切内容基于事实信息，引用回答时必须有出处，不懂的内容不要编造。

2、不要焦虑

AI最终会发展成什么形态，没有人能准确预测到，我们今天非常追捧的一些模型，可能明天就会被新的模型取代。

所以，现在很多人一提到AI就焦虑自己会落下，总想追着AI热点走。

我认为，面对这种快速变化，最好的心态就是保持平常心，坦然接受变化，不要焦虑自己跟不上被淘汰，往往有了这种想法，反而不会被轻易淘汰。

在AI面前，其实人人都是小学生，研究AI的科学家都还没有搞清楚背后的运行机制，它对于人类来说，依然是黑盒系统。

所以，现在并不是结束，结束甚至还没有开始，现在仅仅是序幕的尾声，不必焦虑。

3、我们会更依赖AI，从而丧失自己的思考能力吗？

我们可以回想一下，过去的工作流程是怎样的。

比如说出于工作需要，我们要调研一个自己并不熟悉的行业，一般会怎么做？

通常情况下，我们首先会花上一天时间思考如何开展调研，明确调研的目的。接着，再花一两天时间去收集这个行业的相关资料，整个过程往往非常辛苦，最后总结出第一版调研结果，后续还要不断的修改，整个周期可能要花好几天甚至数周时间。

但有了AI之后，在搜集资料阶段就可以让AI重度参与，从以往的手动搜集资料，改为用Gemini、Kimi、秘塔AI的深度研究功能辅助搜集，这些工具能深度检索全网的相关资料，并总结生成一份完整的调研报告。

整个搜集资料的过程，不到半小时就完成了，而以前我们可能需要花费一两天的时间。

从上面的例子中，我们可以看到，引入AI后，"决策-执行-反馈"中执行阶段的时间被大大缩短，让我们有了更多精力投入到高质量的"决策"上，这不仅是效率的提升，更可能是工作模式的根本性变革——与AI的协同工作。

所以，我认为引入AI后，对我们的要求实际上提高了，而不是降低了。

这里有一点非常值得注意：AI是帮助我们思考的工具，而不是让AI替我们思考，我们不能直接把AI的结果拿来使用，不要变成"我问了AI = 我掌握了"。

二、怎么学AI：从解决自己的问题开始

1、在干中学

很多人觉得AI很高大上，离自己特别远，其实完全不是这样。学习AI最好的方式是从生活或工作中遇到的具体问题出发，然后用AI去解决它们。

我在去年的时候，连"提示词"是什么都不知道，也是一步步用AI的过程中摸索出来的，我的经验是不要试图系统地学习AI的全部知识，从底层原理出发，这会让我们陷入无尽的细节而失去方向，而是从实践出发，在干中学。

2、遇事不决问AI

虽然很多人都知道AI很有帮助，但在实际遇到问题时，大家还是习惯按照以往的方式思考，很少会第一时间想到去请教AI。

像这类事实性、基础性的问题，特别适合交给AI来解答。

3、把AI融入到我们的工作流中

既然我们要让AI学习从解决自身问题开始，就可以将AI引入到我们的工作流程中。具体来说，我们可以将日常工作学习中的多个环节与AI相结合，从而提升效率。

以我个人的经历为例，我每天都会进行复盘，但不确定复盘的质量如何，是否存在盲区。这时，我可以让AI充当我的陪练，对每天的复盘内容进行评价，帮助我更好地改进。

我们可以把这类智能体看成是自己的"AI实习生"，让他们给我们打工，针对不同的任务，我们可以创建不同的AI实习生。这样一来，我们就能拥有几十个"实习生"，帮助我们处理各种任务，大幅提高工作效率。

最有意思的是，你可以将这个思路再往上发散一层：创建一个元智能体，让AI告诉你怎么玩这个AI。

这个思路源于我朋友的启发，他提到：只有制造机器的机器才能掀起机器化大生产。

如果说，简单使用AI对话，用AI给我们答疑解惑，是AI协同工作的1.0版本，那么2.0版本则是将智能体或其他AI工具融入我们的工作流中，让我们的每个工作环节都有AI参与。

我们不必将AI其视为遥不可及的高深技术，相反，应该从身边的小问题入手，逐步实践和应用。

以上是我个人的一些经验分享，希望能为大家带来启发。