{"source":{"id":"mb-20260828-0f05c1","title":"把一句「长宽十英寸」塞进大模型，让它判断病人的身体剧痛指数","url":"https://mubeitech.com/p/mb-20260828-0f05c1"},"method":"semantic-similarity","count":2,"items":[{"rank":1,"id":"mb-20260828-0a12d2","account":"mubei","brand":"","title":"只要拿着手机查三分钟 AI，超过六成的人就觉得自己有底气在诊室里当面反驳医生","summary":"只要拿着手机查三分钟 AI，超过六成的人就觉得自己有底气在诊室里当面反驳医生","body":"只要拿着手机查三分钟 AI，超过六成的人就觉得自己有底气在诊室里当面反驳医生。\n面对读了十年医学院、看了几万张片子的专业人士，近半数人甚至觉得挂在墙上的执业执照已经没什么分量。\n这种突然蔓延的底气，到底是从哪来的？\n是大模型真的在一夜之间把普通人武装成了跨领域专家？\n还是人类社会用了上百年建立起来的专业信任体系，正在被一台看不见的机器悄悄解构？\n一项针对 15,428 名成年人的跨行业调查，把这种现象定义为专业衰退。\n调查数据显示，64% 的受访者在用 AI 核对过后，敢于直接挑战医生、教师、经济学家甚至企业高管的专业判断。\n在 18 到 34 岁的年轻群体中，这个比例高达 70%。\n超过半数的人在听取专家建议前，习惯先让聊天机器人筛查一遍，再决定是否认可。\n46% 的人明确表示，那些象征行业权威的专业凭证与执业资质，在自己眼里的声誉已经大不如前。\n为什么一个连基础因果关系都难以厘清的普通人，一旦连上大模型，就会瞬间产生一种自己能够俯视专家的幻觉？\nUse.AI 联合创始人伊霍尔·赫拉西莫夫（Ihor Herasymov）点破了这背后的核心错位。\nAI 普及自信的速度，远远快于普及知识的速度。\n它能让任何人以零边际成本生成极其尖锐的提问，却根本没有赋予这个人评估答案优劣的认知能力。\n支配这种群体性幻觉的，是一台深刻重塑现代社会分工的底层机器。\n质询成本与裁判成本的结构性脱钩。\n在经济学中，1973 年诺贝尔经济学奖得主迈克尔·斯彭斯（Michael Spence）提出了著名的信号理论。\n医学博士学位、教师资格、行业准入执照，本质上是人类社会为了克服严重的信息不对称，用高昂的时间与筛选成本筑起的信誉信号。\n因为普通公众无法在短时间内看懂复杂的病理机制，制度才设立了严苛的准入门槛，让执照替公众完成底层的信任背书。\n过去要质疑一个权威，你必须先付出极高的认知成本。\n你得在图书馆里翻阅大量文献，熟记复杂的专业术语，理解各项诊疗指南背后的适用边界。\n这个艰苦的学习过程本身，就是一道天然的认知过滤器。\n它在让你获得提问能力的同时，也让你对这门学科深不见底的复杂性产生敬畏。\n大模型的出现，彻底击穿了这道门槛。\n它把组织一套看似专业、逻辑严密的话术成本直接降到了零。\n你只需要输入几句日常口语，算法就能在两秒钟内输出一份引经据典、结构工整的质询清单。\n但它提供给你的，仅仅是知识在语言层面的表面符号。\n1958 年，哲学家迈克尔·波兰尼（Michael Polanyi）在《个人知识》中提出了默会知识的概念。\n人类能够知道的，永远远多于人类能够用语言清晰表述的。\n外科医生切开病灶时指尖感受到的细微阻力，教师在课堂上捕捉学生眼神闪烁时的直觉，面对罕见并发症时的临场概率权衡。\n这些深植于专业人士肉身与数十年实践经验中的隐性智慧，从来无法被完整编码进任何公开数据集。\nAI 给普通人制造的巨大认知陷阱，恰恰在于将生成文本的流畅度，错认成了理解世界的能力。\n提问的门槛消失了。\n但识别虚假关联、权衡决策风险、在混乱现实中承担后果的代价，从未减少半分。\n1999 年邓宁与克鲁格发现的心理机制，在算法的催化下被赋予了前所未有的杠杆。\n当一个缺乏专业训练的人，手里突然握住了一把能自动生成行业行话的算法工具。\n他极容易误以为自己已经站在了整座知识大厦的顶峰。\n专业凭证与行业权威的声誉损耗，并没有降低真实世界的运作难度。\n它只是把人类对专业深度的敬畏，替换成了一种被算法喂饱的廉价掌控感。\n真正的专业，从来不取决于谁能在屏幕前以多快的速度调出一串冷门术语。\n它深植于面对复杂现实与生命抉择时，那份只有经历过漫长训练才能具备的审慎、权衡与终极责任。\n当算法让每个人都能轻易扣动质疑的扳机，谁来为那些被廉价推翻的专业判断承担最终的代价？","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-28 12:02:21","created_at":"2026-08-28 12:02:21","url":"https://mubeitech.com/p/mb-20260828-0a12d2","markdown_url":"https://mubeitech.com/p/mb-20260828-0a12d2/markdown"},{"rank":2,"id":"mb-20260828-e5a573","account":"mubei","brand":"","title":"把微服务里最成熟的重试和熔断机制装进 AI 智能体系统，直接把 6 个正常的代码组件，一路修复到只剩 3 个","summary":"把微服务里最成熟的重试和熔断机制装进 AI 智能体系统，直接把 6 个正常的代码组件，一路修复到只剩 3 个","body":"把微服务里最成熟的重试和熔断机制装进 AI 智能体系统，直接把 6 个正常的代码组件，一路修复到只剩 3 个。\n连续 54 次工具调用全部返回成功，系统的熔断器却眼睁睁看着整个程序陷入死循环。\n最昂贵的一次故障，智能体空转了 107 个回合，一个字符都没能写进代码库，算力预算直接归零。\n这不是段子。\n这是对生产环境 81 次运行、147 起真实事故进行故障复现后，测出的真实数字。\n\n为什么在传统云计算里百试百灵的可靠性神器，搬到 AI 智能体系统里，全变成了自相残杀的破坏武器？\n是调度器的代码写错了？\n还是这两套系统底层的物理法则根本不兼容？\n\n微服务架构能平稳运转几十年，依赖一套核心前提。\n它假设每一次服务调用都是无状态的、幂等的。\n网络断了就重试一次，机器卡了就超时断开，报错多了就直接熔断。\n因为无论重试多少次，只要输入的数据相同，产生的结果就完全一样。\n传统治理工具监管的最小单元，是一条条来回穿梭的消息。\n\nAI 智能体的底层逻辑恰恰击碎了这套假设。\n智能体的执行从来不是简单的消息转发。\n它是一场带有真实副作用的委托行动。\n它会读取上下文、修改本地文件、在历史记忆里堆积状态。\n每一次调用都是不可逆的单向演进。\n\n用管无状态消息的粗暴工具去管有记忆的智能体，整个治理层就会直接变成最大的致盲源。\n论文量化了这种错位制造的荒谬现场。\n一个智能体连续发起了 54 次工具调用，底层网络每一次都返回了正常的成功状态码。\n负责错误率监控的熔断器判定一切正常，智能体却在逻辑死锁里无限耗尽预算。\n\n另一次调用中，系统把一个恒定不变的静态数值当成了修复进度信号。\n由于信号本身永远不发生变化，熔断器在第三轮修复时必然误判跳闸。\n系统自以为在纠错，实际上一路强行截断，把原本 6 个完全正常的组件生生砍掉了 3 个。\n\n更致命的是状态污染和错误路由。\n一次看似幂等的组件修复，在 6 次重试中累积了 21 个历史上下文事件，直接导致原本正确的逻辑变得无法通过。\n一个本该只影响 2 个组件的局部小故障，调度层错误唤醒了 5 个组件。\n另外 3 个原本代码完全正常的旁观者被强行拉起来修改代码，把本来正常工作的系统彻底改崩。\n\n把这 147 起系统事故拆到底，支配智能体可靠性的核心法则落在了两台机制上。\n第一台叫身份充分性。\n调度系统必须能够在多轮交互中，精准区分眼前这一步到底是对上一轮失败的重试，还是一个全新的独立意图。\n一旦身份识别产生混淆，系统就会极其自信地给出南辕北辙的致命决策。\n\n第二台叫证据充分性。\n可靠性治理层触发任何熔断或重试决定，必须依赖能够真实变化、归因精准、且在相同条件下具备确定性的硬指标。\n拿没有区分度的静态信号去指导智能体，无异于闭着眼睛拉动紧急制动闸。\n\n多智能体协同的真正分野，从来不在接入了多少个模型，也不在把重试次数设得多大。\n只要治理的最小单元依然停留在旧时代的网络消息，再复杂的编排架构也只是在给系统增加不可控的熵增。\n把监管的锚点从无状态的消息，彻底下沉到有状态的委托。\n谁能先跨过这道治理鸿沟，谁才能造出真正能在真实业务里落地的工程系统。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-28 12:02:26","created_at":"2026-08-28 12:02:26","url":"https://mubeitech.com/p/mb-20260828-e5a573","markdown_url":"https://mubeitech.com/p/mb-20260828-e5a573/markdown"}]}