到底是 AI 讓你高估自己，還是你本來就高估？452 人真的測過
AI 時代的來臨，讓許多人開始重新思考一個問題：當你按下生成鍵的那一刻，眼前這份漂亮的簡報、流暢的文章、近乎完美的程式碼，究竟是 AI 的功勞，還是你自己的能力？更進一步說，頻繁使用 AI 的結果，會不會讓你不知不覺高估了自己？這個問題過去多半停留在哲學式辯論與網路論戰，如今卻真的有一群人動手做了一場測試。根據 的消息，一場以「AI 與自我認知」為核心的實測，實際召集了 452 位參與者，試圖把「AI 是否會讓人高估自己」這個抽象命題，拉進真實的任務場景裡檢驗。相較於空泛的意見調查，採用實際測試的方式來衡量人的能力感知，顯然更具說服力，也讓這場實驗一推出就受到關注。
這波圍繞 AI 的討論，其實不只限於自我評估。在相關系列測試中，過去還曾出現過「到底誰更有創造力？10 萬人和 AI 做了同一道題」的萬人級實驗，以及「用 AI 幹活到底快沒快？1237 人真的測過」的效率實測。從這些測試的規模與切入點來看，可以明顯感受到大眾對 AI 的關注焦點，已經從「AI 能不能做到」，逐漸轉變為「人用了 AI 之後，本身會產生什麼變化」。而這次 452 人的測試，正好補上了其中最難量化的那一塊——人對自己能力的感覺，是否因為 AI 的介入而失準？為什麼自我評估值得被單獨拿出來討論？
因為幾乎所有 AI 使用情境，都離不開自我判斷：你覺得自己畫得比從前好了，你覺得自己寫得更順手了，你覺得自己的判斷力變精準了，但事實真的如此嗎？這牽涉到心理學所說的「後設認知」，也就是一個人對自身能力的認知與掌握。後設認知一旦出現偏差，人就會把 AI 的產出誤認為自己的成長，長久下來，可能連基本的是非判斷都會被扭曲。這種偏差並非沒有心理學根源。廣為人知的「達克效應」就指出，能力不足的人往往最容易高估自己，因為他們欠缺判斷自身表現所需的元能力。然而，AI 的出現讓情況變得更複雜：AI 很少直接對使用者說「你錯了」，它更像一個永遠配合的助手，總是以流暢、平穩、甚至略帶鼓勵的口吻回覆使用者。
人在這種環境中接收到的大量正面信號，其實並非來自於對真實能力的評價，而可能讓原本就存在的高估傾向，獲得進一步放大的溫床。不過，另一種可能始終存在：人本來就會高估自己，AI 不過是背了黑鍋。452 人實測的價值，正在於它嘗試把這兩種因素分離開來。如果參與者在 AI 輔助之下，對自我表現的評分明顯高於實際成果，那就表示 AI 帶來的「順手感」可能混入了認知偏誤；相反的，如果參與者在完全沒有 AI 協助的條件下，就已經出現高估自己的傾向，那這個問題更像是深植於人性中的普遍特徵，AI 只是在旁邊靜靜看著而已。
從測試設計的角度來看，這類實驗通常會設置對照組，一部分人使用 AI，另一部分人不使用；或者讓同一批人在不同條件下完成任務，再分別為自己的表現打分。為了判斷「高估」的程度，實際成果往往不是由參與者說了算，而是交由獨立評審進行客觀評價。452 人的樣本雖然稱不上龐大，但對於行為實驗來說，已經具備一定的統計意義，足以提供一個值得參考的方向。測試背後的核心場景，離不開創造力與效率的權衡。現代人在 AI 協助下工作，經常會出現一種「如有神助」的錯覺：生成速度快、修改成本低、產出看起來專業而完整。但這種流暢體驗，並不代表人的能力也隨之同步成長。
從一個粗略想法到最終成品的過程中，究竟是人的創意在主導，還是 AI 正在代替人完成思考？如果連使用者自己都分不清楚，那麼高估自己的發生，幾乎是必然的結果。有趣的是，AI 在某些情境下也可能讓人反過來低估自己。愈來愈多人在 AI 介入後，開始覺得自己腦中的想法「不過就是 AI 生成品的原料」，因而喪失自信；也有人因為 AI 的效率實在太高，感到強烈的焦慮，認為自己永遠追不上工具的節奏。這些相互矛盾的感受恰恰說明，AI 對人的自我認知的影響，並非單一方向的簡單作用。是否高估，往往與個人的使用習慣、性格特質、對技術的理解深度息息相關。
從目前公開的資訊來看，這場 452 人測試並未揭露過於細分的統計數據，但它的設定本身已經指向一個明確的提醒：無論 AI 是否真的讓人高估自己，我們都必須重新學習「如何評價自己」。過去數百年來，職業能力的評價體系建立在「人親手完成工作」的基礎上，作品即人格，產出即能力。然而如今，人與 AI 協作的成果愈來愈難以清楚拆解，自我評價的座標，也因此被迫移動。若把視野拉得更遠，這次的 452 人測試，與之前的萬人創造力實驗、千人效率實測，其實共同構成了同一波趨勢的縮影：大眾對 AI 的討論，正在從「它能做什麼」全面轉向「它如何改變我們」。
技術指標的競賽固然重要，但人的能力感、控制感、自我認知，正成為更值得關注的議題。一個能讓你感覺自己無所不能的 AI，未必是好事；一個能讓你在使用過程中保持清醒判斷的 AI，反而更加難得。說到底，AI 是否讓人高估自己，恐怕沒有放諸四海皆準的標準答案。452 人的測試只提供了一個切面，卻拋出了一個值得每個人反覆追問自己的問題：當你在螢幕前看著那份令你滿意的產出時，你是否真的分辨得出來，哪些是 AI 的功勞，哪些又是自己扎扎實實的成長？這樣的分辨力，或許比學會操作多少種 AI 工具都來得更重要。未來，或許會有更大規模、更嚴謹的實驗設計，甚至結合行為追蹤技術來回答這個複雜的問題。
但在那之前，每個人其實都可以先為自己做一個小小的實驗：暫時關掉 AI，把剛才交給 AI 完成的工作，重新動手做一遍。你很快就會看見自己真正的底細，也會更清楚地理解，先前那份自信裡，究竟有多少真正屬於自己。
Related
相關文章
一年半暴漲879%，佩洛西、AI股神都在搶這隻AI電力股
一年半暴漲879%，佩洛西、AI股神都在搶這隻AI電力股硅基觀察Pro·2026年09月01日 20:37AI電荒，捧紅Bloom 你能相信嗎？ 一家成立超過20年的燃料電池公司，竟然成了這兩年美股最瘋狂的電力股。 2025年初，Bloom Energy股價還只有22.21美元。截至今年8月25日，已經漲到217.45美元，一年半累計暴漲約879%。 更誇張的是，看好Bloom Energy還不是一般人。 “國會山股神”佩洛西，既買股票，又買看漲期權。25歲的“AI股神”Leopold，更是一度拿出接近十分之一的公開倉位押它。 為什麼這麼多人突然盯上Bloom？ 原因其實很簡單，過去的燃料電池雖然部署方便，但成本高，所以一直沒什麼市場。到了AI時代，情況發生了徹底逆轉： 電可以貴一點，晚一年不行。 於是，一門十幾年都沒跑出大行情的老生意，突然被AI重新定價。Bloom也從一家傳統燃料電池公司，站到了AI電力短缺這條最熱的主線上。 今天，硅基君就來說說這個故事。 “冷門股”Bloom終於等到了“缺電”的AI Bloom Energy的故事，最早可以追到NASA。 創始人K.R. Sridhar曾參與火星製氧項目，後來
CodeX記憶系統大更新
CodeX記憶系統大更新量子位·2026年09月01日 20:33Codex新版重做記憶系統，代碼已Merge。 Codex用著用著就要壓縮上下文、壓著壓著可能還“失憶”的痛苦，就要結束了！ Codex在其代碼庫中上新了一款_context工具，它可以讓Agent放棄反覆壓縮上下文，轉向瞭解自己還剩多少上下文空間。 結合新增的工作註釋和歷史查詢能力來看，Codex CLI可能正在醞釀一套新的長任務記憶機制，即： 當上下文窗口快滿時，Codex不再需要反覆壓縮舊對話，而是直接切換到一個新窗口；切換前Codex會細心留下工作註釋，切換後則可以根據需要查詢此前的完整對話記錄。 換句話說，Codex可能正在準備給自己加上一套“外部記憶”。 當窗口不夠用時，它就會帶著交接材料換到一個新窗口繼續工作。 而此前的聊天記錄仍然會作為檔案完整保留，如果Codex忘記了某個細節，它就可以隨時回到歷史記錄中查舊賬。 推上網友集體淚奔了——這種被AI氣得半死、打又打不到，對方還一臉無辜的憋屈日子終於要結束了！ Agent工作越久，記憶反而可能越模糊 Codex之前採用的compaction（也就是上下文壓縮）的辦法有一個bug，即壓縮很難
研究顯示：保險理賠員成為美國最反感 AI 的職業群體
作者：遠洋 責編：遠洋 評論： 9 月 1 日消息，據 WIRED 報道，在求職與職場評價平臺 Glassdoor 上，有一類人對人工智能的厭惡程度遠超其他群體。“把 AI 推到要求人類不再使用自己的思想和大腦，這實在令人反感。”一條具有代表性的評價寫道。
“生產力市場”大博弈
在AI技術快速滲透各行各業的當下，生產力市場正迎來一場前所未有的激烈博弈。從大型語言模型到輕量級專用工具，各大科技公司與新創團隊紛紛搶佔這塊極具潛力的賽道，試圖在辦公協作、知識管理、自動化流程等領域建立自己的優勢。這場博弈不僅關乎技術實力，更考驗產品定位、生態整合與用戶體驗的綜合能力。 近期，業內出現多款瞄準生產力場景的AI產品，包括「豆包」「豆包工作千問」以及「WorkBuddy」等，它們分別從即時問答、任務協作、工作流程優化等不同角度切入市場。
一家校園招聘平臺，一年多出10億美元的AI訓練生意
校招平臺Handshake轉型AI訓練業務年入近10億 Handshake的主業是幫大學生找到第一份工作，但是現在，它增長最快的生意變成了教AI怎麼工作，也因為激進的AI轉型成為硅谷關注的創業案例。8月31日，大學生校招平臺Handshake聯合創始人兼CEO Garrett Lord在最新播客中透露，公司過去一年多建立的新AI業務，已經從零增長到約10億美元收入，而且目前“已經能看到20億美元的預期”。
國產大模型出海“元年”，誰在海外市場淘金？
2025年被許多人視為國產大模型出海的「元年」。隨著中國AI技術快速累積，愈來愈多大模型團隊不再滿足於國內市場的驗證，而是開始把目光投向海外，試圖在全球AI競賽中占據一席之地。從底層模型到應用產品，從開發者工具到企業服務，「出海」已經從少數先鋒的嘗試，變成一股席捲整個產業的趨勢。 這一波出海浪潮的背後，首先是國內市場競爭的白熱化。過去兩年，各家大模型企業在中文語料、模型能力、價格策略上相互較勁，通用對話能力的差距逐漸縮小，單純在國內市場建立壁壘的難度愈來愈高。