在过去两年，大模型（LLM）的能力几乎以一种“跃迁”的方式进入大众视野。很多人开始讨论：AI 是否会改变学习方式、替代人类思考，甚至重塑认知本身。
但如果冷静来看，一个更接近现实的结论是：
AI 并没有改变人类认知的本质约束，它只是放大了人类本身的能力差异。
LLM 极大降低了获取知识的门槛。过去需要翻书、搜索、筛选的信息，现在几秒钟就可以得到一个结构化的答案。
但问题在于：获取知识 ≠ 提升认知。
真正的认知提升，来自于知识的内化——理解、重构、应用，以及在具体情境中的反复使用。这一过程，本质上仍然需要人类自身完成。AI 可以辅助，但无法替代。
如果回看历史，这其实并不是第一次“信息获取革命”。从竹简到纸书，从印刷术到互联网，再到搜索引擎，每一次技术进步都在降低信息成本。但这些技术，并没有自动带来人类整体认知水平的跃迁。
人类在知识获取上的惰性，始终存在。
在 AI 时代，这一规律并没有被打破。AI 让“知道”变得更容易，但“真正理解”依然是稀缺能力。
另一个经常被混淆的问题是：LLM 是否已经接近“主体性”，甚至某种形式的 AGI。
在我看来，答案是否定的。
LLM 本质上仍然是工具。它可以生成内容、执行任务、模拟对话，但它并不具备自我意识，也没有真正意义上的“动机”。当前所有的 Agent 系统，无论架构多复杂，本质上都依赖于预先设定的目标（objective）。
换句话说：
它们是在“被驱动”，而不是“自我驱动”。
如果我们对 AGI 做一个更严格的定义——例如具备自我意识、好奇心，以及主动探索的能力（proactiveness）——那么当前的系统显然还没有跨越这条边界。
相比之下，人类的存在并不完全依赖一个明确的目标函数。我们可以探索、好奇、犹豫，甚至在没有清晰 objective 的情况下行动。这种非结构化的认知和行为方式，是当前数字化系统难以表达的。
至少在可预见的短期内，LLM 仍然是“能力放大器”，而不是“独立主体”。
作为一个长期在大模型应用领域工作的人，我在过去几个月一个很强烈的感受是：
LLM 已经足够强大，真正的瓶颈反而在于人类如何使用它。
随着各种 Agent 工具和框架的爆发，很多人开始关注模型能力、工具链、架构设计。但在实际使用中，一个更常见的问题是：人类的表达能力、问题定义能力，以及系统设计能力，正在成为限制 AI 发挥的关键因素。
一个好的 Agent 系统，核心并不是“模型多强”，而是：
很多时候，人类会不自觉地把自己的局限性带入系统中，从而“束缚”了 AI 的能力。
一个更有效的方式，反而是：
定义好问题，然后尽可能减少干预，让系统在其能力范围内自主发挥。
这一点，其实很像管理一个优秀的科研团队。你不需要事无巨细地告诉每个人“该怎么做”，而是需要提供清晰的目标和足够的自由空间，让个体能力得到释放。
当我们把以上三点放在一起，其实可以得到一个更重要的推论：
AI 不会自动提升所有人的能力水平，反而更可能放大人与人之间的差距。
而缺乏这些能力的人，即使拥有同样的工具，也很难获得同样的收益。
换句话说：
AI 是一个放大器，而不是一个平均器。
技术在进步，但人类认知的基本规律并没有改变。
我们依然需要自己去理解、去思考、去构建能力。AI 可以让这个过程更高效，但无法替代这个过程本身。
在这个意义上，AI 的真正价值，也许不在于“替代人类”，而在于：
让那些本就具备认知能力的人，走得更远。