AI 这么强，可惜大多数人都不会用

同一个AI，有人拿它查天气、写拜年短信，有人拿它替自己工作，学习甚至理财。拉开差距的往往不是模型本身，而是你和AI之间，隔着多少「你不知道的事」。

同一个 AI，两个世界

聊起AI，身边的评价经常两极分化。

有人觉得它「时灵时不灵，平时查个资料、润色几句话还行，真干起正事来，幻觉一堆，根本指望不上」；

也有人说「现在好几天的工作，我几句话就能交出去」。

有意思的是，他们嘴里说的，往往是同一个AI。

前特斯拉 AI 总监 Andrej Karpathy 画过一个「AI 认知漏斗」：全球大约 60 亿人几乎还没碰过大模型；10 到 20 亿人用着免费版，把它当成更好用的搜索引擎；往上走，只有约 2000 万专业人士在用 AI Agent 处理复杂度的任务；而真正能用到实验室最前沿模型的人，全球不过5000人。

图 1　四层人，看到四个 AI。数据来源：Andrej Karpathy

决定你站在这个漏斗哪一层的，不只是你有没有充会员、用上最新模型。哪怕把今天最顶级的模型同时交给两个人，一个人能让它做成大事，另一个人可能还是只拿它写群发祝福。

AI 已经这么强了，为什么大多数人依然用不好？问题到底出在哪？

一、差距的源头：地图不是领土

Anthropic 的工程师 Thariq 写过一篇很有启发的使用指南，里面借用了一个经典比喻：地图不是领土。

• 地图，是你交到 AI 手里的东西——你写的提示词、给的参考资料、交代的办事步骤。
• 领土，是事情真正落地时的真实世界——那些具体的人、复杂的现场情况，以及无数你默认存在、却没说出口的隐含条件。

地图和领土之间的落差，就是「未知」。

图 2　地图不是领土，中间的落差就是「未知」

举个最日常的例子。你对 AI 说：「帮我规划一份五一去成都的三天行程。」

几秒钟后，AI 就会给你排出一份满满当当的计划：第一天宽窄巷子、人民公园、吃老火锅；第二天大熊猫基地、春熙路、看川剧变脸；第三天都江堰、青城山、夜游锦江。

看着挺全，但明眼人一看就摇头，因为有几件关键的事你根本没提：这次我是带六十多岁的爸妈出门，走不了远路；妈妈肠胃不好，一点辣都沾不了；全家人最怕排队，只要排队，老爸就喜欢吐槽；每人每天预算控制在五百以内；而且宽窄巷子我几年前已经去过了。

图 3　你没说的，AI 只能按「一般人怎么玩」去猜

这些现实条件都在「领土」里，但没画在你的「地图」上。AI 不知道，就只能按「普通游客去成都怎么玩」的大众模板去猜。猜错了，你就会觉得它死板、不懂你。

更关键的是，事情越大，藏在水面下的「未知」就越多。 改一个病句几乎没什么可猜的，但策划一场婚礼、写一份商业方案、重构一个项目，中间有几十上百个需要拿主意的分叉口。所以，平时只拿 AI 问小问题的人，永远体会不到 AI 真正的上限。

那是不是把要求写得越长、越细就越好？还真不一定。

要求写得太死，AI 就会机械照办，哪怕半路发现更好的方案也不敢走捷径；要求写得太粗，它又只能拿一套四平八稳的套话替你做决定。

真正拉开口子的，不是字数多不多，而是你清不清楚「哪些地方必须交代明白」。

AI 的能力越强、替你跑的路越远，半路撞上的未知就越多。最终结果好不好，越来越取决于在动手之前，你能不能先把这些未知给揪出来。

二、看清差距：两张四象限图

想把未知找出来，得先弄清楚它们藏在哪。我们可以用两张简单的四象限图来定位。

第一张图：这件事，谁知道？

把一件事涉及的信息按「我知道 / 我不知道」和「AI 知道 / AI 不知道」切开，会得到四个格子：

图 4　第一张图：这件事，谁知道？它决定分工

• 我知道，AI 也知道（直接说清楚）：比如「每天最多安排两个景点」。双方都有共识，你明确下指令就行。绝大多数人用 AI，只停留在这一格。
• 我知道，AI 不知道（主动喂给它）：比如「爸妈腿脚慢、妈妈不吃辣」。这是最容易漏掉的一格——因为这些事对你来说太理所当然了，你忘了对面的 AI 没有读心术。你不说，它就只能瞎猜。
• 我不知道，AI 知道（别下指令，让它教你）：比如「成都有哪些地道但不辣的川菜？哪些公园适合老人散步？」在这格里，你别急着拍板，先向它请教。
• 我不知道，AI 也不知道（一起去查证）：比如「五一那几天成都下不下雨？景区临时限流怎么办？」这些实时信息，就得调用搜索工具，并在出发前再次核实。

第一张图，决定了你和 AI 怎么分工。

第二张图：你知道自己「不知道」吗？

第一张图有一个隐含前提：你得清楚自己到底「知道」还是「不知道」。但现实往往更扎心——很多时候，我们连自己漏掉了什么都毫无察觉。

Thariq 把这种认知状态也分成了四类：

图 5　第二张图：你知道自己不知道吗？它决定方法

这四个词听着有点绕，换成大白话其实很好懂：

• 已知的已知（明面上的需求）：你脑子里很清楚、也顺手写进提示词里的条件。比如「五一、三天、去成都、带父母」。
• 已知的未知（还没拍板的问题）：你知道这事得定，但自己还没想好。比如「到底住市中心还是住景区周边？要不要去都江堰？」
• 未知的已知（说不清，但看到就认得）：那些藏在你直觉里的偏好。让你用文字描述想要的酒店风格，你半天憋不出词；但只要把几张照片摆在面前，你一眼就能指出来：「对，就要这种感觉！」
• 未知的未知（压根没想到的盲区）：你完全没概念的坑。比如你根本不知道某个热门景点必须提前三天实名预约，到了门口才发现进不去。

看看图里右边那两格（未知的已知、未知的未知）——这才是最要命的地方。因为你自己都没意识到它们的存在，自然不可能写进要求里；AI 只能背地里替你猜，而你连它猜了什么都不知道。

第二张图，决定了你该用什么方法跟 AI 配合。

普通人用 AI，总觉得自己已经说得很清楚了；而真正会用 AI 的人，哪怕经验再丰富，也永远默认：我一定还有没想到的地方。

三、最危险的差距：它错了，你看不出来

如果只是旅行计划排得太满，你扫一眼就能发现不对劲。用 AI 真正危险的时刻是：它一本正经地犯了错，而你根本看不出来。

1. AI 不会因为「没把握」而犹豫

人遇到拿不准的事，语气会迟疑，会加一句「我也不太确定」。但 AI 不会。不管是倒背如流的常识，还是它临时编造的假话，它输出时的语气一样笃定、逻辑一样通顺。

OpenAI 在 2025 年的一篇研究里揭开了背后的原因：大模型的训练和评测机制，就像一场「答错不扣分、交白卷得零分」的考试。诚实地说「我不知道」拿不到分，硬着头皮瞎猜反而有可能蒙对。久而久之，模型就学会了永远自信地作答。

研究人员在 4000 多道事实题上对比过两个模型：模型 A 比较谨慎，没把握就不回答，结果答对 22%、答错 26%；模型 B 几乎逢题必答，结果答对 24%，答错率却飙升到了 75%。两者的答对率只差两个百分点，答错率却差了近三倍。 ，所以体感上应该是A模型更好，但是实际上B的正确率更高。

图 6　同一套 4000 多道事实题的表现。来源：OpenAI，2025

2. 你懂不懂，决定了你能不能兜底

既然 AI 经常「自信地瞎猜」，那结果好坏就全看接球的人了：

图 7　在你不懂的领域，「真知道」和「在编」长得一模一样

在你的专业领域里，AI 只要胡说八道，你一眼就能识破；可一旦跨进你不懂的领域，「AI 真懂」和「AI 瞎编」在你眼里长得一模一样。

图里右下角那一格（「我不懂 × AI 瞎编」）就是重灾区。像商业趋势预测、细分行业数据、冷门历史事实、医疗健康建议和法律条款解读，最容易掉进这个坑里。

这很像传播学里著名的「盖尔曼失忆效应」：你读报纸时，看到一篇聊你本行专业的文章，发现满篇都是外行话；可翻过一页看到你不熟悉的国际局势或财经分析，你立刻又深信不疑了。所谓隔行如隔山。

3. 缺的不是答案，而是判断答案的能力

正因为如此，AI 是一台残酷的放大器——在它的能力边界内，它是神兵利器；一旦越过边界，或者使用的人缺乏判断力，它反而会帮倒忙。

两项很有名的真实实验印证了这一点：

• 越界时的倒退：2023 年，哈佛商学院联合波士顿咨询（BCG）对 758 名咨询顾问做了测试。在 AI 擅长的任务上，用 GPT-4 的顾问效率快了 25.1%，质量高出 40% 以上；但在刻意设计的、超出 AI 能力边界的任务上，依赖 AI 的顾问准确率反而比不用的人低了 19 个百分点。
• 老手的效率幻觉：2025 年，评估机构 METR 找来 16 位资深开源开发者，让他们在自己最熟悉的项目里用 AI 写代码。事前大家预计能提速 24%，做完后也主观感觉快了 20%——但掐表一算，实际耗时反而慢了 19%。

图 8　来源：哈佛商学院工作论文 24-013；METR，2025

连懂行的人都容易被它的流畅感迷惑，更别提完全陌生的领域了。Thariq 讲过自己的经历：他第一次用 AI 剪视频时，让 AI 生成了好几个配色版本供自己挑选。结果他盯着屏幕半天选不出来——因为他压根不知道什么叫「色彩搭配得好」。

在 AI 时代，你缺的从来不是答案，而是验收答案的能力。

所以，只要踏入你不熟悉的领域，千万别直接照单全收：让它附上信息出处并亲自点开核对；换另一个模型交叉验证一遍；追问它对这个结论有几成把握；遇到真正要紧的决策，拿着 AI 的初稿去找懂行的人把关。

四、怎么把差距缩到最小？一套可直接照抄的流程

看清了差距在哪，解决办法也就顺理成章了。

不需要背复杂的提示词公式，你只需要按「动手前 → 动手中 → 动手后」三个阶段，把藏在暗处的未知一步步挖出来。

第一阶段：动手前——先对齐，再干活

在让 AI 正式干活前，先做个动作：亮出你的底牌（起点）。
比如直接告诉它：「我第一次带六十多岁的父母自由行，对成都不熟，预算有限，请你像一个熟悉当地的老朋友一样帮我参谋。」先交代你的水平和处境，它才知道该用什么颗粒度跟你配合。

接着，用四招对付前面说的那几类「未知」：

1. 做一次盲区扫描（专门对付「未知的未知」）
别急着让它排行程，先发这一句：

排行程前，先帮我做一次盲区扫描：带老人五一去成都，有哪些我可能没想到、但非常关键的事？

它会主动提醒你哪些景点要提前抢票、假期哪里打车最难、老人高原反应或体力怎么兜底。遇到不懂的概念，顺手让它给你讲透——我自己啃陌生领域的硬骨头时，常让 AI 把原理编成故事讲给我听，比看干巴巴的教程快得多。

2. 先看不同样板，或者直接给参考（专门对付「未知的已知」）
当你说不清自己想要什么感觉时，让它先打几个草稿探路：

先别写细节，给我三个风格完全不同的三天方案：一个是慢节奏纯享版，一个是地道美食版，一个是经典必去版。

东西一摆出来，你的直觉就被激活了：「我要第一个的松弛节奏，加上第二个的餐厅推荐。」或者更干脆，直接甩给它一篇你喜欢的游记：「照着这篇的调性帮我排。」

3. 让它反过来采访你（专门对付「已知的未知」）
与其自己抓耳挠腮想要求，不如把提问权交给 AI：

在你开始排行程前，请一次问我一个问题，优先问那些会彻底改变整个行程安排的关键问题。

比如它会先问你：「你们更倾向于全程住市中心同一家酒店，还是愿意跟着景点换酒店？」这一个问题定下来，后面十几处细节就全通了。

4. 先敲定骨架，再填充细节
让它先列一个一页纸的主线方案，把最容易推翻的大块头放前面：住哪个片区、每天的主打去处、哪半天留白休息。等骨架改满意了，再让它补齐交通和餐厅。

整个动手前阶段，浓缩成六个字就是：先澄清，再动手。

第二阶段：动手中——给意外立好规矩

计划赶不上变化。无论是写长代码、做大方案还是实际旅行，执行过程中总会冒出新情况。提前给它定一条行动准则：

如果遇到计划外的情况或拿不准的分支，先选最稳妥的保底办法，同时记下你改了哪里、为什么要这么改，方便我核对。

第三阶段：动手后——交叉验收，把方案吃透

拿到结果不代表结束，最后两步决定了这事能不能真正落地：

5. 拿去讲给别人听（借别人的眼睛找盲区）
把定好的行程浓缩成一页清爽的图文发给爸妈看。他们随口问出的问题——「这天中午在哪午休？」「从这儿到那儿坐地铁要走多久？」——往往就是你一个人对着屏幕没想到的盲点。

6. 让 AI 出题考你（检验自己有没有真吃透）
Thariq 有个习惯：让 AI 写完代码后，必须让 AI 出几道题考自己，全部答对才敢合并上线。做旅行攻略、写汇报方案也一样：

现在假设我是这次出行的领队，请针对这份行程考考我：比如第二天下午突然下大雨有什么备选？哪个景点最晚几点停止入园？

如果被问住了，说明方案还是 AI 的，还没长进你脑子里。

把这套动作串起来，其实就是一张随时能用的「除盲清单」：

阶段	动作	解决的痛点
动手前	盲区扫描	挖出「未知的未知」（压根没想到的坑）
动手前	看样板、给参考	唤醒「未知的已知」（说不清但能挑出）
动手前	让它采访你	拍板「已知的未知」（还没想好的关键项）
动手前	先对齐骨架	避免方向错了白费功夫
动手中	记下改动与原因	应对执行中新冒出来的意外
动手后	讲给别人听	借别人的视角补齐盲点
动手后	让它出题考你	逼自己真正吃透，不留隐患

就像 Thariq 说的那样：每一次提前讲解、头脑风暴、反向采访和看小样，本质上都是在错误变得昂贵之前，用最便宜的代价，把你不知道的东西找出来。

五、唯一外包不出去的：理解与责任

摄影技术发展了这么多年，手机镜头越来越智能，随手一拍都很清晰，但真正打动人心的好照片并没有变多。因为相机简化的是「按快门」的技术门槛，至于拍什么、在哪个瞬间按下快门，依然取决于镜头后面那个人。

AI 也是一样。它让「做出来」变得前所未有地容易，但「到底要做什么、做出来好不好、哪个环节会掉链子」，依然得由人来拍板。

这就是为什么高段位的使用者，总在动手前花大量时间对齐，在动手后让 AI 出题考自己——因为理解不能外包，责任更不能外包。 行程可以是 AI 几秒钟排出来的，但万一没预约被拦在景区大门口，站在太阳底下哄爸妈、临时找备选方案的人，是你自己。

好消息是，人与 AI 之间的这道鸿沟并不是焊死的。

每当你借着 AI 弄懂一个新概念、踩平一个新盲区，这件事就从表格里「我不知道」的那一行，永久地搬到了「我知道」的那一行。所谓成长，就是不断把下面一行的事，搬到上面一行。

AI 是人类历史上最博学、也最耐心的搭档。别只把它当成一个替你跑腿的苦力——最好的用法，是一边让它替你把事办漂亮，一边让它把本事教给你。

写在最后

回看开头那个漏斗，决定你站在哪一层的，表面上看是你用了多强的工具，骨子里其实只有两件事：你敢不敢把足够复杂的大问题交给它，以及你能不能看清并管住自己的「未知」。

这不需要你会写代码，也不需要你背诵晦涩的提示词模板，只需要从今天起换一个提问习惯——在让 AI 埋头干活之前，先让它帮你找出那些你没想到的事。

下次打开对话框时，不妨只记住这三步：

1. 开始前：交代你的背景起点，让它做一次「盲区扫描」。
2. 卡壳时：别硬憋，让它给你几个不同方案挑，或者让它逐个提问采访你。
3. 交工后：让它出几道题考考你，确认自己真正接得住这份结果。

AI 这么强，可惜大多数人只用到了它的皮毛。希望读完这篇，你已经迈出了「大多数人」的那一层。

参考资料

[1] Andrej Karpathy，关于 AI 认知漏斗的推文，2026.10

[2] Thariq，A Field Guide to Fable: Finding Your Unknowns，2026.07

[3] OpenAI，Why Language Models Hallucinate，2025.09

[4] Dell’Acqua 等，Navigating the Jagged Technological Frontier，HBS Working Paper 24-013，2023

[5] METR，Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity，2025.07

[6] 立之，有了 AI，所有人都能写代码么？，2026.07