AI Oct 12, 2026

把 AI 当作寻常技术：一份理解指南

当我们发表《AI as Normal Technology》（《把 AI 当作寻常技术》）时，反响之大出乎我们的意料。它很快成为我们两人各自职业生涯中影响力最大的一部作品。我们把这看作一个强烈的信号：值得把更多时间花在思考与书写 AI 的中期未来及其影响上，给出立足事实的分析——而不是在这个本来就容易滋生臆测的议题上继续添砖加瓦。这也是我们工作重心的转移：不再聚焦 AI 的当下与近期影响，而那正是 AI Snake Oil 项目的主题。

为了体现这一转向，我们改了通讯的名字。我们已经发表了两篇归入「AI as Normal Technology」名下的后续文章，还会以更规律的节奏继续，把这一框架扩写成一本书，计划在 2026 年底写完、2027 年出版。

今天这篇文章想做的，是澄清大家对「AI as Normal Technology」常见的误解，把原论文讲得更平易近人一些，并与《AI 2027》做一次对比。

「寻常」不等于平淡或可预测

论文里已经解释了「寻常」是什么意思（下文会展开），但我们本可以把「它不是什么」说得更明白一些。

我们的意思绝不是「没什么可看的，都散了吧」。事实上，从汽车到社交媒体，强大的技术往往带来不可预测的社会效应——它们是技术与人和复杂互动中涌现出来的结果，无法单靠技术的内在逻辑预测出来。正因为如此，拒绝技术决定论是原论文的核心前提之一。

具体到 AI（特别是聊天机器人），我们已经看到涌现的社会效应。AI 伴侣的流行，以及模型谄媚引发的有害效应——比如所谓「AI 精神病」——都让多数观察者措手不及。另一方面，许多曾被预测为迫在眉睫的风险，比如 AI 被用来操纵选举，至今并未成真。

就说三到五年后的 AI 社会影响图景吧——即使只考虑现有能力的扩散，不谈未来能力——也没有人能说得准。

相比之下，技术能力的进展比 AI 的社会影响更容易预测。《AI 2027》的作者之一 Daniel Kokotajlo，早在 2021 年就以《2026 年会是什么样》在 AI 安全圈闻名。他对技术本身的预测准得吓人，但对社会影响的预测总体方向都错了——这一点他在和我们其中一人的播客对谈中爽快地承认了。

这一切让 AI 成为机构和政策制定者更严峻的挑战：他们必须对不可预见的影响保持敏捷反应，而不能靠预测带来的虚假安慰，也不能妄想防住一切伤害。广义上，能培养这种适应性的政策取向叫「韧性」（resilience），这正是我们论文所倡导的。不过我们此前强调韧性时，着重谈了它如何应对灾难性风险；其实我们应该说得更明白，韧性在应对更弥散的风险时同样重要。

也许有人误读我们对可预测性的看法，责任在「normal」这个词。再次强调，我们的目标绝不是把个人与集体适应 AI 的任务说小。理想状态下，更好的标题其实就叫《AI as Technology》（《把 AI 当作技术》），但那样不足以传达我们的意图：提供一种替代方案，对抗目前主导舆论的超级智能世界观的例外主义。

核心论点重述

如果把我们的核心论点抽出来、简化一下，大致是这样：AI 能力提升与社会影响之间，隔着一条长长的因果链。收益与风险不是在 AI 被研发出来那一刻实现的，而是在它被部署下去的那一刻实现的。这给了我们（个人、组织、机构、政策制定者）许多可以施力、塑造这些影响的支点。所以我们不必对能力发展的速度过度焦虑；我们的精力应该更多放在部署阶段——无论是为了实现 AI 的收益，还是为了应对风险。这不仅适用于今天的 AI，即使面对「AI 自我改进能力」这类假设性发展，同样成立。对 AI 系统力量的许多限制，本来就在系统之外（也应当如此），光靠 AI 自己去优化技术设计是跨不过去的。

这个框架的某些方面将来可能需要修正，但那已经超出了我们能有意义地预见或准备的边界：

我们在第二部分描绘的世界，AI 远比今天先进。我们不是说 AI 的进步——或者人类的进步——会在那里停下来。接下来呢？我们不知道。打个比方：第一次工业革命的黎明时分，设想一个工业世界会是什么样子、如何准备，是有用的；但试图预测电或计算机，则是徒劳的。我们的工作与此类似。既然我们不接受「快速起飞」的剧本，就没有必要、也没有意义去设想比我们已经描绘的更远的世界。如果有一天第二部分描绘的场景真的到来，我们到时自然能更好地预见并准备接下来的一切。

总之重申一遍：这个论点的核心，是理解 AI 与社会关系的那套因果框架，而不是它可能或可能没有的任何具体影响。在我们看来，只要你认同这套因果理解，你就认同了「寻常技术」论点。我们发现这个框架其实被广泛共享着，尽管多是隐性的。

这让我们的论点在很多读者看来近乎同义反复。我们自认为——也希望读者看到——这是一个非常弱的主张！意识不到这一点，就会去寻找我们用「寻常」到底想指什么更具体的东西。但我们没有。我们不是在把技术分成「寻常」和「反常」两类，再把 AI 装进「寻常」那只箱子。我们只是说：应该像对待其他强大的通用技术一样对待 AI。

这一点不只适用于大语言模型或任何特定类型的 AI。顺带一提，这就是为什么标题是「AI as normal technology」而不是「AI as a normal technology」。我们的观点适用于 AI 这个伞形词罩住的全部技术，甚至也适用于不叫 AI 的类似技术。

如果我们的世界观近乎同义反复，为什么还要说出来？因为它是用来对抗超级智能世界观的。世界观就是这样：互相矛盾的世界观，在各自的信奉者眼里都显得不言自明。

如果 GPT-5 的失望把你推向了「寻常技术」，那你可能还没懂这个论点

值得注意的是，GPT-5 发布之后，我们的论文迎来一波新的关注潮。不难推测，其中至少一部分，是人们对这次发布感到失望之后，观点向我们这边挪了一点。

这很奇怪！这不是第一次发生——我们此前就对一次几乎毫无新信息支撑的「叙事转向」（关于 scaling 的）表达过怀疑。如果一次单一产品的更新就能改变人们对 AI 轨迹的看法，那人们的证据基础一开始有多可靠？

「寻常技术」框架预测的时间线较慢，不是因为能力会撞墙，而是因为即便能力继续飞速进步，影响仍然是缓慢、渐进的。所以我们不认为，对新版本的失望应该让你更认同「AI 是寻常技术」。同理，明天宣布的新突破，也不该让你更怀疑我们的观点。

理解 GPT-5 的最好方式，是把它看作 AI 开发者重心从模型转向产品的典型例证——我们一年前就写过这个趋势。自动模型切换对 ChatGPT 的日常用户是件大事。事实证明，发布近一年后，几乎没什么人用「思考」模型，而 GPT-5 把它们的使用量大幅拉了起来。

在某些场合，Altman 说得很清楚：GPT-5 的重点是可用性，而不是能力的跃升。可惜这个信息被连绵的炒作淹没了，于是有了失望。

整个行业的这种转向，其实与各公司自己（不情愿地）承认一个可能是高度一致的：通往成功的路，是埋头做产品、培育采用的硬功夫，而不是赛跑造 AGI 或超级智能、指望它扫平一切扩散障碍。讽刺的是，在这个叙事里，GPT-5 是成功的例子，而不是失败的例子。

事实上，模型开发者已经不只满足于做更有用的产品（我们技术开发与采用框架的第二阶段），还开始和部署方一起，缓解早期采用的阵痛（第三阶段）。比如 OpenAI 的「前线部署工程师」（Forward Deployed Engineers）和 John Deere 这样的客户合作，直接下到田间地头，帮农民把农药精准施用的个性化推荐等能力真正用起来。

为什么「AI as Normal Technology」和《AI 2027》之间很难找到中间地带

很多人试图在《AI 2027》和「AI as Normal Technology」之间找出中间立场，大概把它们看作一条光谱的两端。

这出奇地难。《AI 2027》和「AI as Normal Technology」都是自洽的世界观，对技术如何影响社会有着截然不同的因果理解。硬要拼凑混搭，很可能得到内部矛盾的大杂烩。（顺带一提，这意味着如果我们错了，更可能是全盘皆错，而不是错了一点点。）

再说了，只有在硅谷泡沫里，「AI as Normal Technology」才算得上怀疑论！论文第二句就把 AI 比作电，全文都在讲我们预期它会有深远影响。我们对 AI 劳动力影响的预期，在研究这个问题的经济学家里，算是偏激进的一端。

总之，如果你在找温和立场，我们建议你把论文读完。别被标题骗了，以为我们是 AI 怀疑论者。也许你会发现，「AI as Normal Technology」本身就是你要找的中间地带。

我们理解，AI 未来最被广泛讨论的两个框架竟然如此大相径庭，这让人不安。（我们的论文第四部分讲政策，本身就对这种局面多有评论。）我们可以给几颗定心丸：

在许多具体问题上，我们和《AI 2027》的作者其实有不少共识。我们正在起草一份联合声明梳理这些共识。感谢 Nicholas Carlini 组织这项工作。
在我们看来，比信念一致更重要的，是在信念不同时仍能找到的政策共识。即便是各方都同意的「容易」的政策干预，实践起来也是巨大挑战。如果连这些都做不到，那些担心超级智能迫在眉睫的人主张的激进措施就更没指望了。
已经有一些工作在努力找出分歧的关键点（crux），并商定一些指标来帮助裁决两种世界观。我们参与了其中几项，会继续参与。感谢 Golden Gate Institute for AI 在这方面的努力。
说到指标，我们正在扩展 HAL（Holistic Agent Leaderboard，整体智能体排行榜）的愿景。它现在是一个更好的智能体基准编排系统，新计划是把它做成一个早期预警系统，帮助 AI 社群识别：智能体在哪些领域的能力阈值已被跨过、足以产生变革性的现实影响。我们把这些能力阈值看作影响的必要但不总是充分条件；一旦某个阈值被跨过，我们关于非技术壁垒（对收益和风险都是）的论点将受到更尖锐的考验。
注意，HAL 不是做预测，而是做当下的态势感知。这是我们工作的一个主题。AI 讨论里最耐人寻味的，不只是大家对未来看法迥异——连对可观察的当下，比如扩散速度（下文会谈），看法都大相径庭。除非我们这个社群大大提高对当下的测量能力，真正去检验关于进步的竞争性因果解释，否则投向预测的精力都是错位的，因为我们缺少裁决这些预测的手段。比如我们论证过，哪怕 AGI 真的被造出来了，我们事后也未必认得出来。当然，这种局限部分是内在的——AGI 这类概念本身就不精确；但同时我们确实可以在测量上做得好得多。

当你笃信一个世界观，就很难听懂另一个

我们写过：

「AI 是寻常技术」是一种世界观，与「AI 是迫在眉睫的超级智能」这种世界观针锋相对。世界观由假设、词汇、对证据的解读、认识工具、预测（以及可能的）价值观构成。这些因素互相强化，在各自的世界观内部结成紧密的一团。

这让跨世界观的沟通很困难。比如，《AI 2027》那边的人常问我们：你们觉得 2027 年的世界会是什么样？我们回答：差不多就是 2025 年的样子。他们接着逼问：那 2035 年呢？2045 年呢？总有一个年份世界会被改造吧？他们觉得我们不给具体场景，是框架的缺陷。

但这种场景预测，只在他们的世界观里才是有意义的活动。我们对自认为能说具体的东西很具体；同时我们强调，人、制度和政治的能动性让截然不同的未来都成为可能——包括《AI 2027》描绘的未来。因此，「AI 是寻常技术」与其说是预测，不如说是处方。

理解这种沟通困难，对看待 Scott Alexander（《AI 2027》作者之一）对我们的回应很重要。我们毫不怀疑那是一次真诚的对话努力，也感谢他花的时间；但遗憾的是，他的回应基本没说到点子上。他认定的分歧关键点，和我们认定的关键点很不一样！所以我们不打算逐条反驳——那样大概率又是一次各说各话。

但我们很乐意参加有主持人的对谈——过去一年我们参加过 8 到 10 次，效果都很好。同步对话更容易听懂对方；而且私下对谈在公开前会剪辑，反而让双方都敢问「蠢问题」，去真正理解对方的观点。

总之，Alexander 的回应没说到点子上，有两个重要例子。递归自我改进（RSI）是他那边的分歧关键，他很惊讶这在我们这里几乎不值一提。公平地说，论文里我们本可以把对 RSI 的看法说得更明白。简单说：我们不认为 RSI 会导向超级智能，因为建造和部署强大 AI 系统的外部瓶颈，不靠改进技术设计就能跨过去。这就是我们不太谈它的原因。

虽然 RSI 不是我们的关键分歧点，论文里我们确实解释了为什么 AI 社群离 RSI 还差得远。最近我们在想，要攻克的基础研究难题其实比我们意识到的多得多。还值得记住：和其他科学社群比，AI 社群找新范式的本事可能格外差。同样，我们希望 HAL 能在测量进步这件事上发挥作用。

另一个各说各话的例子是扩散速度，下文会简单谈谈，以后会专门写一篇。

跨世界观 discourse 之难，最好的例证是 Alexander 对我们「超人 AI 能力」假设的讨论。他的回应我们读了好几遍，还是很难弄清我们到底在哪儿一致、在哪儿分歧。我们写的是：

我们认为，现实世界的认知任务里，人类局限明显到让 AI 能像在国际象棋里那样碾压过去的，其实很少……具体说，我们提出两个候选领域：预测和说服。我们预测，AI 无法在预测地缘政治事件（比如选举）上有意义地超越受过训练的人类（特别是人机团队，尤其再配上简单的自动化工具）。说服人去做违背自身利益的事，也一样。

他完整回应的大意是，重点谈人的生物学局限：人类是在非洲大草原上经过数千年进化得到这些能力的。草原上可没有什么「在预测竞赛里把 Brier 分数刷到最高」的选择压力，也没理由认为人类恰好达到了这个目标。事实上，如果「过去一万年人类因农业又进化出了更高智力」的证据属实，那人类肯定没在草原上达到宇宙最高值。凭什么认为这最后一轮短暂的选择，恰好就选对了呢？

但拒绝用生物学来理解人类能力，正是我们出发的关键点之一，我们在「人类能力不受生物学约束」一节里不厌其烦地讲过。这就是跨世界观讨论的问题：把一句话抽出来，扔掉它前面的前提和术语澄清，再放进你自己的世界观里解读，对手看起来当然像个外行。难道 Alexander 以为我们在说，把一个草原穴居人穿越到今天，他就能预测选举？

他也强调人类表现不是固定的，却把这当作对我们论点的反驳（而不是论点的核心）。也许 confusion 的来源，是我们提出「人类在预测上的表现接近不可约误差」。我们不是说预测的不可约误差是个固定不变的具体数字。它当然取决于可用的数据——更好的民调带来更好的预测——也取决于能用好更多数据的训练。而其中一些训练，甚至可能来自 AI 助力的预测研究。我们在原文里强调：人类智能之所以特别，不是因为生物学，而是因为我们（偶然地）掌握了包括 AI 在内的工具。因此，AI 的进步常常会提升人类智能（能力），让我们提出的「人类 vs AI」比较的两边同时变强。

我们这个假设的要点很简单：我们不认为预测像国际象棋，堆算力就能获得决定性速度优势。预测的计算结构相对简单直接，尽管通过训练和数据可以大幅提升表现。所以，受过良好训练的专家预测团队，配上相对简单的计算工具，就能把能榨的汁差不多榨干。

很高兴 Alexander 的回应肯定了我们「在互惠合作的可能性上下了注」。彼此彼此。我们期待继续这种合作——这比 Substack 上的反驳-反反驳有生产力得多。

收获 AI 的好处，需要艰苦的工作和痛苦的选择

我们的框架有两大块含义：一块关于经济和劳动力，一块关于安全。一旦越过几个基本前提（主要是：超级智能这个概念要么不自洽、要么不可能，取决于怎么定义），这两块论证其实大不相同。

在经济影响上，我们的核心论点是：扩散壁垒不会靠能力提升自动瓦解。在安全上，我们的核心论点是：不靠对齐（alignment）实现 AI 可控，不仅可能，而且似乎并不难，也不需要科学突破。

这两套论证重叠不多，所以接受一套、不接受（或保留）另一套，是完全自洽的。事实上，我们关于经济影响的看法似乎特别打动读者。论文发表以来，我们和很多负责行业 AI 战略的人聊过，发现他们的想法本来就和我们一致，只是被铺天盖地的炒作搞得开始自我怀疑。我们的论文给了他们一个自洽的框架，印证了他们的直觉和一线观察。

部署 AI 的人对「技术开发」和「扩散」的区别有切身体会，而我们的框架把这两边又各分成两步。开发侧，我们强调模型与产品之间（能力与应用之间）的鸿沟；扩散侧，我们区分个人层面的用户学习曲线和其他适应，和需要集体行动的结构性、组织性或法律变革——后者常常是必要条件。我们展示了四个阶段各自的速度限制长什么样。

用户行为至少变化得慢但可预测；而解决协调难题、改革僵化的机构——同样是有效采用技术的前提——不确定性要大得多。举个例子：空中交通管制至今还用着上世纪中叶的技术，尽管缺乏现代化的代价已经昭然若揭。

论文里我们指出，AI 同样存在类似的扩散壁垒；现在我们才开始真正把这些壁垒说清楚，找出可能需要的具体改革。这方面我们会继续写，其中一部分和 Justin Curl 合作。

值得记住：先进 AI 进入的是一个本来就高度技术化、高度监管的世界。我们反复发现，AI 能接手的工作流环节，往往不是瓶颈——因为更早几波技术已经把能解锁的生产力红利解锁得差不多了。而真正的瓶颈，因为监管或其他外部约束，顽固得很。在法律服务、科学研究等很多具体领域，竞争动态极强，AI 带来的生产力提升最后都变成了军备竞赛的升级，并没有转化为社会价值。

关于扩散速度的超现实辩论

前面几次提到，不同阵营对当下 AI 影响的描述都不一样。在扩散速度上，这一点最明显。AI 的鼓吹者相信 AI 正以前所未有的速度被采用。我们完全不同意。更糟的是，证据越多，双方反而越确信自己的解读。

我们正在做扩散速度的深度分析。这里先指出几个基本谬误——那些被反复拿出来论证「快速采用」的常见论据和统计。

首先，部署（deployment）不是扩散（diffusion）。人们谈「快速采用」时，常常只是在说：能力一旦开发出来，几乎可以瞬间部署到有几亿用户的产品（比如聊天机器人）上。但这不是扩散。知道有多少人能用上能力远远不够：关键是有多少人在真正用、用多久、用来做什么。钻到这些细节里，画面完全不同。

比如，ChatGPT 发布「思考」模型近一年后，某天实际用过它的用户不到 1%！指出这一点我们毫无快感，尽管它支持我们的论点。作为 AI 的热情早期采用者，这个数字低到我们直觉上都难以理解，说实话还挺让人沮丧的。

另一个误导性统计，是某些高风险领域用 AI 的从业者比例。这类统计常被用来论证「AI 正在高风险领域被快速采用」。但即使在高风险领域，大多数任务其实平淡无奇；钻到具体用途里，看起来也没那么危险。

比如美国医学会的一项调查说，多数医生在用 AI。但这包括用 AI 转写口述病历这类事。也包括问聊天机器人要个诊断的第二意见（2024 年约 12% 的医生报告过这个用途，比 2023 年的 11% 整整涨了 1 个百分点）。后者确实比转写严肃得多，但仍然是站得住脚的用法。我们之前就指出过，哪怕不可靠的 AI，在错误检测上也很有用。

医生越来越多地在这些任务上用 AI，不等于医生们马上就要放飞自我，把该自己负的责任甩给 ChatGPT。绝大多数医生分得清这两种用法的区别，而且医疗行业里防止大规模不负责任使用的护栏层层叠叠：医疗事故责任、职业规范、医疗器械监管。

最具误导性的「快速采用」meme，可能是这张被转烂了的图：ChatGPT 大约两个月达到 1 亿用户。这张图把 ChatGPT 的用户增长和（1）Instagram、Facebook、Twitter 比——这些社交媒体应用的效用依赖网络效应，天然长得比「第一天就有用」的应用慢；（2）Spotify 比——它最初是邀请制的；（3）Netflix 比——它上线时片库有限，还要订阅才能用。

这张图反映的，是会被 buzz 吸引来尝鲜的早期用户——而 ChatGPT 当时的 buzz 震耳欲聋。一旦这些好奇的早期用户耗尽，增长曲线就完全是另一副样子。事实上一年后，ChatGPT 用户似乎只从 1 亿涨到了 2 亿，曲线明显向右弯了。这张只截了头两个月的图，方便地没告诉你这些。

如果这张图能证明通常的扩散壁垒被削弱或消除了，那它还有点用。它不能。两个月的时间，连扩散最难的部分都还没开始——比如用户调整工作流、真正把 AI 用出生产力。讨论扩散速度，这张图毫无意义。

这张图还有很多毛病，就此打住。重申，这远不是我们对 AI 扩散速度的完整分析——完整版会来。这里只想说：在一个我们有数据的问题上，舆论尚且如此不严肃；那不同阵营对未来的预测南辕北谣，也就毫不奇怪了。

为什么 AI 的采用「感觉」不一样

如果「快速扩散」的 meme 错得这么离谱，为什么它这么流行、这么顽固？因为 AI 的采用「感觉」像海啸，这是 PC、互联网、社交媒体从未给过的感觉。人一旦凭直觉确信了什么，对貌似印证这种感觉的数据和图表就会放松警惕。

这种感觉我们当然也认。我们的 AI 亲身体验确实和过去几波技术不一样。起初我们把这当成认知偏差：正在经历的变化，总觉得比已经成功适应的过去更大。

现在我们发现自己错了。认知偏差可能只是一小部分解释，AI 采用感觉更快、更吓人，有个实实在在的原因。简单说：过去部署是渐进的，用户多少有个缓冲，不必天天做「要不要采用」的决定；现在这个缓冲被一扫而空。用互联网采用史对比一下就明白了。

90 年代拨号上网的人都记得这个故事：刚听说这技术时，被 PC 的高价劝退；价格慢慢降下来，同时在单位或朋友家蹭了点上网经验；几年后买了 PC、装了拨号，已经算受过训练了。起初拨号又慢又贵，网站也没几个，所以用得不多；价格降下来、带宽上去、内容多起来，学会 productive 又安全地上网，和用得越来越多，是同步发生的。

2020 年代采用通用 AI 工具，是完全不同的体验，因为新能力的部署是瞬时的。人们要花高得多的时间比例去评估「这个用例要不要用 AI」，还天天被告知：不用就会被落下。

我们之前说的都成立——学习曲线存在，人的行为改变很慢，组织变革更慢。但「不用 AI」在某种程度上成了一个主动选择，人们再也不能拿「还没用上」当借口，不去想这件事。

总之，部署只是扩散众多环节中的一环；拿掉这个瓶颈，扩散大概只快了一点点。但它「感觉」快得多，因为一听说某个 AI 用法，就得决定用还是不用——哪怕最后绝大多数时候，人们决定的是不用，原因或理性或非理性。

结语

有一点我们和 AI 的鼓吹者完全一致：AI 不会消失，也不会像 crypto 那样变成大多数人可以无视的小众。生成式 AI 的集体初始震撼褪去之后，需要的是结构化地思考 AI 影响如何展开，而不是对每个新技术能力或涌现的社会效应（过度）反应。

「AI 是寻常技术」框架——我们会在这个通讯里继续 elaboration——就是这样一种思路。它值得熟悉，至少作为一种有历史根基的、思考技术社会影响的默认方式，供更例外主义的叙事来对照。这个框架对企业家、打工人、学生、关心 AI 安全或 AI 伦理的人、政策制定者，都有一定程度的可操作指引。希望你一路跟随，也欢迎参与讨论。

感谢 Steve Newman 和 Felix Chen 对草稿的反馈。