很多人以为，AI最怕的是不会。
错了。
这次最有意思的地方是：AI不是不会。它在数学上能满分，在英语上能拿到90%左右，可一到世界史论述题，直接掉到25%。
这就不是“知识不够”的问题了。
它背过的历史材料，可能比绝大多数人一辈子读过的都多。可它还是写不好一篇真正有结构、有取舍、有前后呼应的历史论述。
这件事，对普通人很重要。
LifePrompt 的测评里，ChatGPT 在东大、京大入学考试中已经非常吓人。东大理科三类总分超过合格者最高分，数学还拿了满分。
这才是重点。
AI不是不知道工业革命，不知道殖民主义，不知道民族国家。它的问题是：它不知道这一段该服务于哪一个总论点，不知道哪些材料该删，不知道第七段要怎么回到第一段埋下的问题。
换句话说，它不是输在知识量。
它输在“组织知识”。
说人话就是：一个系统的不确定性越高，熵越高。
拿这个框架看 AI 成绩单，就清楚了。
数学题是低熵任务。
一道题只要条件够清楚，规则够明确，正确路径会慢慢收敛。你不会因为第一段写了英国纺织业，第二段突然要不要转去非洲殖民地而纠结。
可历史论述题是高熵任务。
这就是难点。
AI很擅长做“下一步最合理”的事。
OpenAI 对 token 的解释也提到，大语言模型会学习 token 之间的统计关系，并擅长生成序列中的下一个 token。
这在低熵任务里很强。
因为下一步最合理，往往就是全局正确。
但在高熵任务里，麻烦来了。
它像一个很勤快的员工，每一步都不离谱。
但它不一定知道，整个项目到底要往哪里去。
ConStory-Bench 这个长故事评测就专门看 LLM 在 8000 到 10000 词的长叙事里能不能维持一致性。研究者发现，当前模型仍会出现系统性的事实追踪错误、时间推理错误和叙事一致性问题。
这就解释了为什么 AI 做选择题、算数学题、写模板邮件很厉害，但一到长篇论述、商业策略、复杂公关，就容易看着顺，其实散。
因为这些任务真正考的不是“你知道多少”。
考的是：你能不能在大量可能性里选一条路，并且坚持到底。
以后工作里，低熵任务会越来越便宜。
数据录入、格式整理、模板合同、标准报告、代码小修小补、固定流程客服，这些东西只要规则明确，AI就会越来越强。
但高熵任务不会这么快消失。
比如：老板问你一个新业务要不要做。客户突然翻脸，怎么谈。一个产品卖不动，问题到底在价格、渠道、定位，还是用户根本不信你。公司要转型，第一步先动谁，第二步保谁，第三步怎么解释给团队听。
这些问题没有唯一答案。
它们有很多“看起来都可以”的答案。
真正值钱的能力，是你能选一个，讲清楚，推下去，并承担后果。
这就叫全局叙事能力。
什么总论点、分论点、论据、过渡、首尾呼应，听起来像形式主义。
但今天回头看，这套训练突然变重要了。
它训练的是：在一个没有标准答案的问题里，建立结构，控制材料，维持前后一致。
这正是 AI 现在最容易翻车的地方。
AI在低熵任务里无敌，在高熵任务里仍然会失控。
未来普通人用 AI，不是跟它比谁算得快、谁背得多。
那你肯定输。
真正的办法是，把低熵任务交给 AI，把高熵判断留给自己。
让 AI 查资料、列选项、改格式、补细节。
但最后那条主线，必须你来定。
训练的是一个人面对复杂世界时，最难被机器替代的能力。
热门跟贴