AI 到底好不好用？

你上一次被 AI 真正惊到，是什么时候？

最近网上流传一种说法，把人们接触 AI 的深浅分成四层，每层还配了具体人数。数字来自研究者卡帕西 2026 年 10 月 11 日的一条帖子。

这四层是：5,000人的塔尖层、2,000 万专业层、10 到 20 亿轻度层、60 亿未接触层。听起来像一份人口普查。但它更像一张观察世界的草图，而不是严谨的人口统计。

这里数字准不准，倒不是最重要的。值得注意的是，人们嘴里说的 AI，可能根本不是同一个东西：

有人接触的是尚未公开的全球最强模型，有人把 AI 当成同事，有人每天只在免费额度里试几次，也有人连稳定使用它的条件都不具备。

看起来是四层人，实际上是四种完全不同的体验。

四群人，看见四种 AI

站在塔尖的人，看到的是一部还没上映的正片。

卡帕西说，外部世界看到的只是预告片。我们能从公开渠道摸到的，通常只是署名论文、招聘岗位，以及少数披露出来的政策。真正的模型能力和训练过程，仍然留在门内。

愿意花钱把 AI 接进工作的人，看到的则像一位真正加入团队的同事。

中文独立开发者 tyk 就是一个例子。

他此前在美国 Yelp 做了六年程序员。2023 年，他开始把一款航海主题的模拟经营游戏当作副业来做。到了 2025 年，他发现兼职开发的效率实在太低，而眼看着 AI 编程工具几乎在指数级进步，他觉得不能再等了。

于是，他辞掉工作，回国开始全职开发这款游戏。

AI 也就这样从一个编程辅助工具，变成了他的主力员工。

在自己的博客「tyk dev logs」里，他记录了一年摸索 AI 编程的经历。从 2025 年 3 月到 2026 年 3 月，他在 AI 编程工具上的累计投入接近 4,000 美元，约合人民币 2.8 万元。这是他自己的估算，主要花在 Claude Code 和 Codex 的订阅及使用上。

这一路也不是一开始就顺利。他曾经自己动手折腾多 Agent 协作工具，想让多个模型配合起来干活，结果钱花了不少，效果却不明显。最后反而回到了更轻量的组合：让 Claude Code 负责规划，让 Codex 负责复核。

对一个独立开发者来说，这些工具不再只是拿来聊天的新鲜玩意，而是实实在在参与游戏开发的生产力。

律所 A&O Shearman 的试用也能说明这种变化：约 3,500 名律师，累计提出约 40,000 次查询。这是律所自己的披露。

而更多免费用户接触到的，是另一个版本。搜索、文件和图片上传、图像生成，这些能力都能用；只是文字对话、文件处理和图像生成各有额度限制。你能感觉到它很强，却总在想多走一步的时候，碰到一道看不见的墙。

不过，即使已经把 AI 用进工作，也不意味着每件事都能交给它。

写作者的体验就挺有意思。

斯卡尔齐早在 2023 年 2 月就问过 ChatGPT：你是不是来抢小说家的饭碗？

另一位例子是巴里·迈克尔·多伊尔。他在 DEV 社区写技术博客，本职是 Staff TypeScript Engineer。2023 年 11 月，他写了一篇《不要再用 ChatGPT 替你写博客》，说自己曾把稿子交给 ChatGPT 修改，改到最后，连原本的声音都被磨成了 AI 腔。

于是他不再让 ChatGPT 替自己写博客。

但单元测试、端到端测试、界面搭建，他依然在用它。

这不是一个技术人员突然不相信 AI 了。他只是发现，有些事情交给 AI 会更方便，有些事情交出去，反而会失去原本最重要的东西。

同时，在主流世界都在谈论AI的时候，还有一些人，连以上这些体验都谈不上。

Meta 的 Llama 3.1 模型卡列出了 8 种受支持语言，茨瓦纳语和塞佩迪语都没有列入名单。语言之外，还有更基础的电力问题：世界卫生组织的数据显示，撒哈拉以南非洲只有约四成卫生机构拥有可靠供电；在低收入和中等收入国家，近 10 亿人所依赖的医疗机构仍面临供电不足的问题。

所以，这四群人看到的，确实是四种不同的 AI。

谁也没有看错。只是他们站在不同的入口，看到的自然不是同一个世界。

真正把人挡住的，是三道门

技术每天都在进步，但你未必每天都能感受到。有人把这种落差归结为：你还站得不够高。

和菜头的经历就挺有意思。

2025 年 6 月，他用 AI 写高考作文；两个月后，他写道，直到那个上午，自己才第一次真正感觉到 AI 帮上了忙。

同一个人，前后不过两个月，感受却变了。

变化的未必是模型，也可能是他终于找到了一个真正适合自己、能被自己用起来的入口。

每个人遇到的门槛不一样。免费用户可能卡在额度和工具链，有人卡在身份，有人卡在对结果的判断，还有人从一开始就被基础设施挡在外面。

通过前面资料的收集，我发现最难跨过去的，卡住我们“AI阶级跃升”的，往往是身份、验收和基建三道门。

想进入塔尖，首先得有一个被允许进入的身份。

被雇佣、签保密协议、获得配额，才有机会接触那些不对外开放的模型和技术。

Anthropic 的招聘页面公开挂着 681 个岗位，涉及训练框架和芯片等核心领域。它的首版安全政策写明，训练技术按需知悉；现行版本进一步写到访问控制和监控。

入口是公开的，入职后的工作现场却不会向所有人开放。

另一道门，是验收。

花钱不等于效率一定提高。研究机构 METR 曾做过一项随机对照实验：16 名资深开发者原本预计，使用 AI 能让自己快 24%；实际测试中，他们反而慢了 19%。

研究者也特别提醒，这个结果不能直接推广到所有开发者和所有任务。

但这项实验至少提醒了我们一件事：模型看起来很能干，和它真正替你省下时间，中间还隔着一道验收。

那么如何去验收与AI的协作？

tyk 的经历恰好提供了另一面。

他曾经花钱尝试更复杂的多 Agent 协作，最后却发现没有带来相称的效果。现在的工作方式反而简单得多：让 Claude Code 规划，让 Codex 复核，自己负责最后的判断。

看起来是把工作交给了 AI，实际上，他并没有把方向盘交出去。

还有一道门，叫基建。

它不是某个人努力一下就能跨过去的。一个地方有没有足够的语言语料、有没有稳定的电力，都会影响 AI 能不能真正进入日常生活。

茨瓦纳语和塞佩迪语就是例子。

它们没有出现在 Llama 3.1 的官方支持语言名单里，并不意味着模型完全不能处理这两种语言，却说明它们没有得到同等程度的支持。

2020 年，武科西·马里瓦特的团队为这两种语言制作过数据集；马斯卡纳社区也在组织数据采集和标注。

模型之外，还有一整套缓慢却不可缺少的基础工作，我想，这应该也是这个世界的基础工作。

先从验收这道门动手

说到这里，这四种 AI 都是真的。

有人看到的是尚未公开的能力，有人看到的是按月付费的同事，有人面对的是免费额度里的种种限制，也有人听到的是毫无概念的故事——他们连稳定使用它的语言和电力条件都没有。

这些体验并不互相矛盾。问题在于，我们总习惯拿自己的一小块经验，去判断整个 AI 世界。

今天，身份和基建这两道门，不是每个人努力一下就能推开的。

或者换句话说，大部分能看见这篇文章的人，至少都不会面临基建方面的问题。

但验收不同：

我们该如何和AI协同？如何判断一件事情，让它根据你的愿景去完成一个任务。

这 我们可以做到。

这周，挑一件平时要花你两小时以上的工作，完整交给 AI 做一次。把目标、材料和要求交代清楚，让它从头做到一个可以检查的结果。

然后，自己把最后一道关。

别只看它答得漂不漂亮。事实对不对？结果能不能用？有没有遗漏？那些看起来很聪明的地方，经不经得起核对？

tyk 花了一年、累计近 4,000 美元，摸索出来的工作方式，核心也是让模型分工，再由人把关。

Simon Willison 的做法则更保守：博客正文坚持自己写，只让模型帮忙核查事实、检查拼写、寻找更合适的词。

多伊尔也没有因为放弃用 ChatGPT 写博客，就放弃用它。他只是把它留在了更适合自己的工作里。

几个人的做法不同，但有一点相同：他们没有把最后的判断交出去。

对于我们大多数人而言，不必先挤进塔尖，也不必等到下一代模型。先把一件真实的工作交给 AI，再认真检查它交回来的结果。

有时候，人与 AI 之间真正的距离，不是模型有多强，而是你有没有学会让它做事，并判断它做得究竟怎么样。