惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Apple Machine Learning Research
Apple Machine Learning Research
Recent Announcements
Recent Announcements
IT之家
IT之家
人人都是产品经理
人人都是产品经理
G
Google Developers Blog
Microsoft Azure Blog
Microsoft Azure Blog
博客园_首页
大猫的无限游戏
大猫的无限游戏
U
Unit 42
罗磊的独立博客
博客园 - Franky
WordPress大学
WordPress大学
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
M
MIT News - Artificial intelligence
SecWiki News
SecWiki News
V
Vulnerabilities – Threatpost
P
Privacy International News Feed
P
Palo Alto Networks Blog
F
Fortinet All Blogs
P
Proofpoint News Feed
博客园 - 叶小钗
C
CERT Recently Published Vulnerability Notes
T
Tor Project blog
Spread Privacy
Spread Privacy
S
Securelist
C
Cisco Blogs
I
Intezer
D
Darknet – Hacking Tools, Hacker News & Cyber Security
Cyberwarzone
Cyberwarzone
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
P
Privacy & Cybersecurity Law Blog
宝玉的分享
宝玉的分享
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
Engineering at Meta
Engineering at Meta
S
Schneier on Security
C
CXSECURITY Database RSS Feed - CXSecurity.com
GbyAI
GbyAI
T
Troy Hunt's Blog
T
Threatpost
博客园 - 司徒正美
Y
Y Combinator Blog
Hugging Face - Blog
Hugging Face - Blog
AWS News Blog
AWS News Blog
T
The Blog of Author Tim Ferriss
G
GRAHAM CLULEY
N
Netflix TechBlog - Medium
酷 壳 – CoolShell
酷 壳 – CoolShell
Google DeepMind News
Google DeepMind News
Know Your Adversary
Know Your Adversary
S
SegmentFault 最新的问题

博客园 - 悠哉大斌

AI Agent 安全沙箱技术对比:E2B、Cube Sandbox 与 Docker Sandboxes linux 升级 claude code的坑 debian(WSL) apt 代理配置 linux内核之Namespaces、Cgroups、Capabilities、Seccomp和Landlock 大语言模型推理中的隐藏瓶颈及其解决方法 Docker Sandboxes 技术是什么,和docker容器有什么区别 什么是 Docker Agent以及一个Docker Agent示例 windows wsl 安装 Temurin® JDK claude Code 和 codex 作为编程代理,前者使用typescript开发,后者使用rust,他们的决策依据是什么 Java 并发编程发展史与 java.util.concurrent 全景解析 LLM 真的改变了编码风格吗? Python 的协程模型和 JavaScript 的 async/await python闭包和function.__closure__特殊属性 python 的 dunder name和 sunder name 基于nodejs设计REST API的知名开源框架 windows上使用node-oracledb Thick 模式连接 Oracle 11g Claude Code CLI连接 DeepSeek V4模型后调用报400错误 python里对象(object)到底是什么 Python 泛型演变史 Python 类型别名的演变 Python 类型提示的演变史 PEP 593 新增的Annotated 类型 Alibaba AgentScope 和 microsoft agent framework 详细对比分析 spring AI Alibaba Agent Framework 和 agentscope有什么区别和联系 AI Agent协作模式以及主流开源框架对协作模式的支持 Tailscale 是如何接管 DNS 的? Agent = Model + Harness 使用rust编写typescript编译器的难点在什么地方,哪些数据结构是rust不擅长的? TypeScript/JavaScript 中的异步迭代语句 js中的生成器函数 Tailscale Serve and Funnel openclaw gateway的网络绑定模式 websocket协议和http协议有何依赖关系? MCP通信的双方是谁? claude code MCP 安装范围 如何在wsl2环境下给claude code cli 配置 playwright-mcp wsl的网络模式有哪几种,有哪些区别? AI Agent memory是什么? ai agent skills是什么? Go测试生态系统工具与最佳实践深度调研(聚焦认证授权系统) 线性代数中常见矩阵类型的概念关系思维导图 三种主流授权策略
如果人工智能会犯错且不精确,为什么它正在改变世界?
悠哉大斌 · 2026-05-13 · via 博客园 - 悠哉大斌

以下来自ChatGPT的回答:

因为“改变世界”并不要求一个技术 绝对正确,而要求它在很多场景下:

  • 比人更快
  • 比旧工具更便宜
  • 能把能力规模化
  • 在“足够好”的情况下创造巨大价值

AI 正好满足了这几点。


一、现实世界本来就不是“精确系统”

很多人下意识会觉得:

“既然 AI 会胡说、会犯错,那它怎么可能有价值?”

但其实,人类社会的大量活动本来就不是严格精确的。

例如:

  • 写邮件
  • 做 PPT
  • 搜资料
  • 编程
  • 客服
  • 翻译
  • 营销文案
  • 法律初稿
  • 医疗辅助
  • 数据分析
  • 教学答疑

这些工作不是:

“必须 100% 正确,否则完全没用”

而是:

“先快速给出一个 70~95% 可用的结果,再由人修正”

AI 在这里的价值极其巨大。


二、AI 最大的突破不是“正确”,而是“成本”

以前很多“脑力劳动”成本很高。

比如:

  • 写一篇文档
  • 学一门语言
  • 做一个网站
  • 写 SQL
  • 总结会议
  • 阅读大量资料

以前可能需要:

  • 专业训练
  • 大量时间
  • 高薪人才

现在 AI 把这些能力的边际成本压到了接近 0。

这就像:

  • 蒸汽机并不完美,但比人力强
  • 汽车早期经常坏,但仍替代马车
  • 互联网早期网页质量很差,但仍改变世界

技术革命从来不是:

“完美后才普及”

而是:

“一旦比旧方式更划算,就会扩散”


三、AI 的核心能力是“概率性智能”

现代 AI(尤其大语言模型)并不是:

“逻辑推理机器”

它更像:

“超大规模模式学习系统”

它通过学习海量数据,获得:

  • 语言模式
  • 知识关联
  • 代码结构
  • 推理轨迹
  • 人类表达方式

所以它并不真正“理解”世界到数学证明级别。

而是在做:

“基于概率,预测最合理的下一步”

这也是为什么:

  • 它有时惊人地聪明
  • 有时又会一本正经地胡说

本质上,它是“高维统计系统”。


四、“不精确”其实非常像人类

人类自己也并不精确。

例如:

  • 医生会误诊
  • 程序员会写 bug
  • 律师会引用错误案例
  • 老师会讲错知识点
  • 专家之间会互相争论

但我们依然认为:

  • 医生有价值
  • 程序员有价值
  • 教师有价值

因为:

能力不需要绝对正确,只需要总体收益大于总体成本。

AI 现在已经达到这个临界点。


五、AI 真正颠覆的是“知识获取门槛”

过去:

  • 会编程的人很少
  • 会做数据分析的人很少
  • 会写专业文档的人很少

现在很多人可以:

  • 用自然语言生成代码
  • 让 AI 解释复杂概念
  • 自动生成图表
  • 快速学习陌生领域

这意味着:

AI 正在把“专家能力”变成“普通人的基础能力”。

这才是它改变世界的核心。


六、真正重要的不是“AI 会不会错”,而是:

未来很多行业会变成:

旧模式 新模式
人独立完成 AI + 人协作
人从零开始 AI 先生成草稿
人负责执行 人负责判断
拼体力和时间 拼验证与决策能力

所以未来最重要的能力之一,可能不是:

“记住知识”

而是:

“判断 AI 哪里错了”


七、AI 当前最像什么?

很多人把 AI 想成:

“全知全能的超级大脑”

其实更像:

  • 一个永不疲劳的实习生
  • 一个知识极广但不稳定的助手
  • 一个速度极快的草稿生成器
  • 一个概率型思维引擎

它:

  • 不可靠到不能完全信任
  • 但又强大到无法忽视

这正是它正在改变世界的原因。


以下是claude sonnet 4.6的回答:

这里有一个根本性的误解需要澄清:"有用"并不等于"完美"

🔑 核心逻辑:相对优势,而非绝对正确

人工智能改变世界,不是因为它无所不知,而是因为它在速度、规模和成本上远超人类。

维度 人类专家 人工智能
速度 极快
规模 有限 近乎无限
成本 极低
精确度 高但疲劳 中等但稳定
可及性 资源不均 普惠

🌍 为什么"不完美"仍能改变世界?

1. 错误是可管理的
医生也会误诊,桥梁也会倒塌,但我们不因此放弃医学和工程。关键是建立验证机制——AI辅助人类,人类校正AI。

2. 80分的普惠胜过100分的稀缺
一个农村孩子能用AI获得相当于"还不错的家教"的帮助,远胜过完全没有。不完美的民主化,比完美的垄断更有价值。

3. 特定领域精度已超越人类
在医学影像、蛋白质结构预测(AlphaFold)、围棋、某些代码生成等领域,AI的精确度已经超过大多数人类专家

4. 错误的性质不同于随机
AI的错误通常是可预测、可分类的,这使它们比人类的随机失误更容易被系统性地纠正。


⚖️ 真正的风险不是"不精确"

真正需要警惕的是:

  • 人们过度信任AI而不加验证
  • AI的错误被用在高风险领域(如自动驾驶、医疗决策)而缺乏监督
  • 错误被大规模放大,影响数百万人

💡 一句话总结

人工智能改变世界,不是因为它是神,而是因为它是一个永不疲倦、成本极低、随时可用的强力助手——而这,已经足以重塑几乎所有行业。

正如印刷术改变了世界,尽管它也会印出错误的书。