AI的当下：穿球鞋进不了NBA，AI呢？

【留美学子】第3923期

13年国际视角精选

仰望星空·脚踏实地

【陈屹视线】教育·人文·名家文摘

让认知 永远快人一步

AI的当下：穿球鞋进不了NBAAI呢?

作者：刘丹（DAN LIU，谷主）

【导言】
本文是《AI的当下》系列的第二篇。用《AI的未来》九篇搭建的坐标看当下的事。不喊口号，只画坐标。

近日偶尔读到一篇交易圈流传很广的文章，讲“从90%失败者变成1%赢家的八步法”。（以下八条按流传版本概述，不逐字引自某一具体文章。）文章列了八条：稳定收入、严格止损、匹配风格、研究图表、机械化规则、交易日志、切合目标、牛市进攻。每一条都对。几乎每个活下来的交易者，都做过其中不少条。但文章没有回答一个问题：做了这八条的人，为什么还是绝大多数成不了那1%？

10月10号又看到微软CEO萨提亚·纳德拉在X上发的一篇文章。他说：“我们需要用强大的、确定性的系统设计、人工控制以及可靠的操作程序，来包围非确定性的模型，并在现有标准不足的地方建立行业标准。”他给出了六条工程要求：紧急刹车、独立控制与审计、不依赖单一模型、可观测性、内部威胁模型、对超级智能的重新定义。每一条都对。每一条都是AI安全该做的事。但他也没有回答一个问题：风险真正从何而来？

一个是交易圈的“八步法”，一个是科技CEO的“六条要求”。领域不同，结构相同：都是必要条件清单，都不是风险根源的完整分析。

设止损是活下来的必要条件；设了止损的人，大部分仍然出局。紧急刹车是AI安全的必要条件；建了紧急刹车，不等于风险已经被关住。

这两篇文章真正的问题，不是它们说错了哪一条，而是：把必要条件当成了充分条件，用一份可执行的清单，替代了一个不可外包的判断。

这和当下讨论AI风险的方式，是同一个结构。

这些必要条件，在《AI的未来》系列九篇文章里已经详细推演过。这篇文章只是想推演一件事：风险真正从何而来？

但这里必须先钉死一个前提：Transformer架构下的AI，本质是一台玩概率的游戏机。它与所有玩概率游戏的系统，共享同一组特征。炒股是其中最极端的例子。

这里必须做一个区分：交易规则是确定性的——止损线、下单接口是写死的代码，不会自己漂移。但交易结果是概率性的——个股逻辑你看得懂，组合的涌现走势你算不出。AI同理：训练目标确定，多层循环下的整体行为不可事前预测。

两者同构的，不是“都叫概率游戏”这个笼统标签，而是：规则确定，不等于整体结果可预测。

所以，这不是类比，是同构——类比引出问题，同构指向同一个风险结构。炒股不是拿来打比方，是拿来照镜子：它把“确定规则也拦不住不可预测”这件事，用真金白银的方式演了一遍。

人人都在说：AI能力越来越强，需要控制、需要防风险。然后列出监管、对齐、安全评估、红队、开源闭源、减速加速、紧急刹车、独立审计、模型多样性……

这些多半有用，多半是必要条件。但它们往往没有先问清楚：

风险真正从何而来？

这篇不给最终答案，只把这个问题钉在坐标上。为什么现在写？因为当下AI风险讨论中相当一部分，陷入了一种简化：把“能力太强”当万能解释，然后开出“限模型、控公司”的万能药方；或者列出一堆“该做什么”的清单，却不追问“为什么必须做”。这篇文章是给这种简化踩一脚刹车。

一必要条件，不是充分条件

回到那篇交易文。

八条每一条都经得起推敲：稳定收入帮你扛回撤，止损帮你活过单笔，匹配风格减少拧巴，图表与日志形成反馈，规则降低情绪干扰，目标约束冒进，牛市里才谈进攻。

没有它们，你大概率走不远。

有了它们，你也不必然成为赢家。

文章的语气，却容易滑向：“有了它，你就行。”

那是把“活下来的人做过什么”，包装成“你做了就能幸存”。

典型的幸存者偏差：只看见活着的人身上有什么共同点，没看见死掉的人是不是也做过同样的事。

设止损的人很多，长期活下来的很少。

研究图表的人很多，成为稳定盈利者的很少。

所以：八步法是必要条件清单，不是充分条件保证书。

这个毛病有名字：把必要条件误当充分条件，叠加幸存者偏差。它不只出现在交易文章里，也出现在绝大多数“成功学”叙事里。

在AI领域，“能力越强风险越大”的叙事，正在犯一模一样的错误——把必要条件当成了充分原因。

二
AI讨论里的同类病灶

再看当下的AI风险讨论。

“能力越来越强，所以要控制、要防风险”——这话作为提醒没错。

能力增强，确实是风险变大的一个重要条件：能碰的范围大了，一次错的破坏力才可能变大。

但它不是风险的充分说明，也不是风险的全部来源。能力增强的同时，系统也可能变得更可靠。但可靠性的提高，不等于尾部风险消失。

《AI的未来》九篇里推演过的判断是：

风险主要来自——能力增强之后，边界没有同步增强。

不是“强”本身必然危险；

是“强了、能碰的多了，而验证轴、承重墙、权限边界、停机权没有一起变厚”。

和交易文同一结构：

交易文把成功者的特征当成成功的原因，用清单替代判断。

AI讨论把能力增强当成风险的全部原因，用“限能力、控公司”替代“建边界”。

两者都在用表面相关，替换深层结构。

就像给车限速：限速能减轻坠崖的后果，但替代不了护栏和刹车——限速是必要的，护栏才是那道边界。能力数字降下来，边界没建，一样会掉下去。

三为什么“简化成能力太强”是危险的偷懒

把风险主要归因于“能力太强”，至少有三个后果。

第一，把问题推给技术，放过结构。

若根因是“太强”，解法就变成“限能力”。

限住今天的模型，明天更强的模型出来，边界仍可能空着。

问题常不在能力数字本身，而在可及范围与边界是否匹配。

第二，把责任推给“造模型的人”，放过整条责任链。

若根因是“公司造了太强的东西”，责任就停在公司门口。

但验证轴、停机权、不可回滚场景的签字，从来不是只有一层。它至少分三层：技术责任——谁设计系统、谁验证前提；业务责任——谁授权部署、谁承担运营后果；制度责任——谁设定规则、谁在事后追责。

“谁授权、谁审计、谁在行动前能拦住、出事谁赔”，这四个问题，对应的正是这三层：谁授权对应业务层，谁审计对应制度层，谁在行动前能拦住对应技术层加业务层，出事谁赔对应制度层。读过《AI的你我·谁签字》的读者，会认出这是同一套责任框架，在新场景里的复用。

“能力太强”这个简化叙事，容易把这三层责任一起盖住。

第三，制造“控制能力=控制风险”的幻觉。

类似“设了止损就能活下来”。

控制能力是必要条件；能力增强的同时边界同步增强，才更接近充分方向。

四真正的风险来源（结构上）

与《AI的未来》九篇、《AI的你我·能力越强，越容易出大事》同一套坐标，风险常来自四层叠加：

第一，概率预测的尾部。

Transformer下，“对”多为大概率拟合，不是结构证明。尾部风险始终存在。

第二，多层循环的放大。

错误可进入下一轮上下文、工具调用、甚至数据回流，被当成“已发生”继续用。不是单次胡说，而是可能被传递、被放大。

第三，可及范围扩大。

能碰的系统、权限、物理或金融接口越多，一次偏离的代价越大。破坏力与可及范围大致同向。

第四，缺少边界约束。

这一层不是模型内部机制，是风险约束机制的缺失。能力在跑，验证轴、承重墙、最小权限、停机开关、可回滚设计没有一起变厚。

前三层性质不同：第一层是模型内部机制问题，第二层是反馈机制问题，第三层是部署环境问题。它们都是风险来源，但不是同一类风险来源。第四层是人为漏洞，是唯一可以通过外部工程手段约束的一层。

但必须说清楚：边界是约束机制，不是消除机制。概率预测的尾部风险、多层循环的放大机制，是概率游戏本身带来的，边界只能减缓、兜底、限制破坏范围，消除不了它们。

概率引擎不会自动停在“还没画线”的地方；边界必须从外面加进去。

炒股也一样。你有止损、有仓位管理、有交易纪律，风险就被约束了。但止损和仓位管理，消除不了概率游戏的尾部风险。它们只是让你在概率游戏里，死得慢一点。

因此：

真正的风险，不是“AI能力太强”这一句。

是“能力（与可及范围）变强了，而边界没有同步变强”。

但边界同步变强，也不是万事大吉。它只是把风险从“不可控”变成“可控”——不是从“有”变成“无”。而且，机制存在，不等于机制有效。建了边界，不等于风险已经被关住。

五那该怎么办（工程方向，不是口号）

不是先“限死能力”，而是建边界、接验证、留签字。

《AI的未来》九篇的落点仍然适用：

先划边界，再谈能力。

可回滚的活，AI可以干；不可回滚的活，AI不能单独干。

落到可追问的工程问题上，至少包括：

·谁验证它真的做对了（相对真实目标，而不只是“完成了指令”）？
·谁有权在行动前拦住它？
·哪些事一旦错了，无法可靠回滚？
·验证轴自己也会错——出错时谁来兜底？

这四个问题背后，归根到底是：人有没有判断力，去选验证者、去签字。判断力从哪里来，见《AI的教育·判断力从哪里来》——它不是学校教的，是从执行力和验证闭环里长出来的。

最后这个问题，不是一句可以轻描淡写带过的。这正是《AI的你我·能力越强，越容易出大事》里验证轴独立性的延伸：

用AI验证AI，那个AI也是概率游戏，存在同源偏差。

用形式化验证器，它只能检查你写出来的属性，不能覆盖未知场景。

用人来验证，人也会疲劳、会犯错、有主观偏差。

链条不能无限叠加，总要落在一个不受模型支配的锚点上。而这个锚点是什么、由谁持有，本文不展开——它需要另一篇文章，用工程数据来回答。

这些不是“把模型做小一点”就能自动回答的。

需要的是：独立验证、最小权限、停机机制、可回滚优先、不可回滚必须人签，以及验证失效时的容错，而不是把希望寄在单一“绝对可靠的验证者”上。

这些机制，不能只长在模型内部；关键部分必须在系统外面。

结语

那篇交易文，当检查清单有用：你有没有收入缓冲？有没有止损？有没有记录？

当成功保证书，是伪命题。

当下许多AI风险讨论，当风险提醒有用：能力是否过大？是否该认真对待？

当风险根源的完整分析，若只停在“能力太强”，就是简化。

真正要盯的，不是能力数字本身，而是：

能力与可及范围变强之后，边界有没有同步变强。

概率引擎不会自动停在“还没画线”的地方。边界必须从外面加进去。但边界只是约束，不是消除——它把风险从不可控变成可控，不是从有变成无。

线已经画到这里。剩下的路，是人走的。

【附记】

这篇只钉一件事：不要把必要条件当成充分条件；不要把表面相关当成因果结构。

交易“八步法”容易犯前者；AI风险讨论若只喊“能力太强”，容易犯后者。

风险往往不在“强”，而在“强了之后边界弱”。

但边界变强，也不是终点——它只是把风险关进了笼子，笼子本身还需要被看着。

这篇写成的时候，正好看到达特茅斯学院教务长的事。它给这篇文章提供了一个具体的例子。

事情很简单：教务长在《华盛顿邮报》发了一篇长文，痛批学生用AI作弊。结果学生用AI检测工具一测，这篇文章本身高度疑似AI生成。连他后来解释这件事的书面声明，也被检测出大面积AI痕迹。

很多人当笑话看。但笑话背后，有一个真问题：边界该划在哪？

区别不在于“谁用了AI”，在于“AI替代了什么”。

学生用AI，替代的是判断力的生长过程。那个过程本身，就是教育的目的。你替代了它，就等于取消了教育。

老师用AI，替代的是执行层的重复劳动。AI替老师做了执行，老师把精力放在判断上：该写什么、怎么写、给谁看、哪些重要哪些不重要。

所以，双层标准不是“对学生严、对老师松”。是：

凡是训练判断力的过程，AI不能替你干。凡是可以用AI替代的执行层，谁都可以用。

学生写论文，是在训练判断力。所以AI不能替他干。
老师写教材，是在产出最终产品。AI可以替他干执行。

这条边界，不需要先回答“判断力从哪来”，就可以先划。

在答案缺席的时候，限制就是承重墙。

训练场不可外包。这就是那道边界。

边界是笼子，不是终结。笼子管住风险，人管住笼子。

《AI的当下》，继续。

【作者声明】

本文是《AI的当下》系列的一篇，交易文章仅作类比入口，不构成技术等同——交易规则确定，但交易结果概率；AI训练目标确定，但多层循环下整体行为不可事前预测。两者技术不等同，但在“确定规则下、多层交互的结果仍不可事前预测”这一点上，风险结构同构。

注明：本文在文献调研、图表制作、文字润色等环节使用了AI辅助；文章的观点、判断与逻辑框架均由本人提出，并由本人负责。

往期发表

点击图片 ↓↓↓ 百篇系列一网打尽

请点击↓↓图片·美国故事连载持续更新1-9

100个国家·1000座城市

【带你深度游世界】

喜欢就点“赞吧↓↓↓↓↓↓↓↓