为什么才短短两三年，AI就已经泛滥成灾，到了人人喊打、人嫌狗厌的境地？
近日，知乎上一则题为“为什么才短短两三年，AI就已经泛滥成灾，到了人人喊打、人嫌狗厌的境地？”的提问引发热议，截至发稿已积累超过280万热度，评论区聚集了数千条讨论。提问者以“泛滥成灾”“人嫌狗厌”形容当前AI产品的社会观感，迅速引发广泛共鸣。
事件概述
近日，知乎上一则题为“为什么才短短两三年，AI就已经泛滥成灾，到了人人喊打、人嫌狗厌的境地？”的提问引发热议，截至发稿已积累超过280万热度，评论区聚集了数千条讨论。提问者以“泛滥成灾”“人嫌狗厌”形容当前AI产品的社会观感，迅速引发广泛共鸣。
这一话题并非空穴来风。自2022年底ChatGPT发布以来，国内大模型赛道迅速升温，百度“文心一言”、阿里“通义千问”、字节“豆包”等产品相继落地。据中国信通院数据，截至2024年底，国内已备案上线的大模型产品超过300款，移动端AI应用月活用户突破2.5亿。然而，伴随渗透率飙升，用户抱怨也在同步增长：付费订阅的“AI助手”频繁答非所问、内容平台被AI生成的低质文章淹没、客服电话中机器语音替代人工导致维权困难……“AI疲劳”正在从专业圈层扩散至大众层面。
背景解读
要理解当前“AI招人嫌”的舆论氛围，需要回溯这一轮AI浪潮的独特轨迹。与以往技术革命不同，此轮生成式AI的普及速度堪称“核裂变式”——ChatGPT仅用两个月便突破1亿月活，而电话达到同等渗透率用了75年，手机用了16年。这种速度带来的直接后果是：技术尚未成熟到足以承载大规模商用，资本和产品已经先行涌入。
行业数据显示，2023年至2024年间，国内大模型创业公司获得融资总额超过千亿元人民币，头部厂商单次融资动辄数十亿。资本催熟之下，产品迭代周期被压缩至数月甚至数周，大量“半成品”被仓促推向市场。与此同时，AI落地场景从工具属性蔓延至内容创作、客户服务、教育辅导等高频生活场景，用户被迫面对一个“无处不在但时灵时不灵”的AI。
更深层的问题在于商业模式与用户价值的错位。当前多数AI产品采用“免费引流+会员订阅”模式，但据第三方评测机构数据，主流中文大模型的综合准确率在60%-75%之间，距离可靠商用仍有明显差距。用户为“智能”付费，却频繁遭遇“人工智障”，心理落差在所难免。这种“期望值管理失控”正是当前舆论反噬的核心根源。
深度分析
对内容生产行业：结构性冲击与信任危机。 生成式AI对内容行业的渗透速度远超预期。据Similarweb统计，2024年全球AI生成文章数量占全网新增内容的比例已从2022年的不足1%攀升至约8%。在国内，部分资讯平台为降低运营成本，已大规模采用AI生成财经快讯、体育战报和娱乐八卦。这直接导致两个后果：一是原创作者收入下滑，据《2024中国网络文学发展报告》，头部平台签约作者平均稿酬同比下降约12%；二是用户对内容真实性的信任度急剧下降，皮尤研究中心调查显示，58%的受访者表示已无法分辨文章是否由AI撰写，这种“信息不确定性焦虑”正在侵蚀内容平台赖以生存的用户黏性。
对普通用户：隐性成本显性化。 用户对AI的反感并非源于技术本身，而是来自“被转嫁的成本”。以客服行业为例，据工信部数据，2024年国内头部银行、电信运营商已将约40%的客服工单交由AI处理，但投诉解决率仅为人工客服的六成。用户为了解决问题，往往需要经历“AI兜圈子—转人工—重新描述问题”的冗长流程，时间成本成倍增加。类似情况在教育辅导、医疗咨询等场景同样存在——AI提供的信息看似专业，实则缺乏个性化判断能力，用户试错成本高昂。这种“技术降本、用户买单”的模式，是“人嫌狗厌”情绪最直接的来源。
对资本市场：叙事驱动转向业绩检验。 资本市场对AI的态度正在经历从“讲故事”到“看财报”的转变。2023年，A股AI概念股平均涨幅超过60%，部分个股翻倍；但进入2024年下半年，随着监管趋严和业绩兑现压力增大，AI板块整体回调约25%。二级市场的分化背后是机构投资者的逻辑切换——据清科研究中心统计，2024年国内AI领域早期投资金额同比下降18%，资金明显向有实际营收和落地场景的头部项目集中。政策层面，《生成式人工智能服务管理暂行办法》于2023年8月施行后，监管框架逐步清晰，算法备案、内容标识等要求提高了行业合规成本，中小玩家加速出清。
类似案例
案例一：2000年前后的互联网泡沫。 1995年至2000年间，互联网概念股在纳斯达克疯狂上涨，大量“纯概念”公司仅凭一份商业计划书即可获得数千万美元融资。然而，当2000年3月市场开始质疑“盈利模式何时兑现”时，泡沫迅速破裂，纳指在两年内暴跌78%。但值得注意的是，泡沫破灭后存活下来的公司——如亚马逊、谷歌——恰恰是那些在狂热期坚持打磨产品、建立真实用户价值的少数派。这与当前AI行业的“百模大战”高度相似：大量同质化模型缺乏差异化竞争力，淘汰是必然过程，但真正解决用户痛点的产品仍有机会穿越周期。
案例二：2016-2017年的VR/AR产业退潮。 2016年被视为“VR元年”，国内外巨头纷纷押注，国内一度涌现超过200家VR创业公司。然而，由于硬件成本高企、内容生态匮乏，消费者购买后使用率极低，行业在2017年下半年迅速降温，融资额同比下滑70%以上。VR产业的教训在于：技术成熟度与用户期望之间存在巨大鸿沟时，过度营销只会加速反噬。当前AI产品同样面临“宣传全能、实际拉胯”的困境，如何管理用户预期，是行业必须补上的功课。
延伸阅读
要理解当前AI困局，需要厘清“大模型能力边界”这一核心概念。当前主流大模型本质上是“概率预测器”——根据海量训练数据预测下一个最可能的词或代码片段，而非真正理解语义。这意味着：在知识密度高、逻辑链条短的场景（如代码补全、摘要生成）中，AI表现优异；但在需要常识推理、情感判断和长程规划的复杂任务中，错误率显著上升。据斯坦福大学2024年AI指数报告，大模型在专业法律考试中的得分已超过人类平均线，但在“理解隐含意图”的测试中，准确率不足40%。
此外，用户还需区分“生成式AI”与“决策式AI”的差异。前者用于内容创作，后者用于推荐、风控等场景。当前引发反感的多为生成式AI的“幻觉”问题——即一本正经地编造事实。据清华大学研究团队测试，主流中文大模型在涉及时效性信息（如最新政策、赛事比分）时，错误率可高达30%。了解这些技术边界，有助于用户建立合理预期，避免“AI万能论”或“AI无用论”的极端判断。
未来展望
基于当前技术演进节奏和市场反馈，未来12至18个月可能出现三种走向：
其一，行业加速分化，头部集中。 随着资本退潮和监管细化，不具备自研能力和垂直场景优势的中小模型将批量退出，市场向3-5家头部厂商集中。关键观察节点是2025年下半年各厂商的年度营收报告，若头部公司能实现AI业务毛利率转正，行业信心将得到修复。
其二，应用场景从“广撒网”转向“深挖井”。 通用大模型的竞争将趋于缓和，而医疗、法律、工业设计等垂直领域的“专业小模型”可能成为新增长点。用户对AI的接受度将取决于这些垂直产品能否真正解决行业痛点，而非泛泛的“智能助手”。
其三，监管与伦理框架进一步收紧。 预计2025年内将出台更细化的AI内容标识、深度合成管理细则，尤其是针对AI生成新闻、金融信息等高敏场景的强制性规范。这短期会增加企业合规成本，但长期有助于重建用户信任。
对普通用户而言，值得关注的关键节点包括：主流AI产品是否推出“可验证引用来源”功能、客服场景中AI转人工的响应时效是否改善、以及内容平台对AI生成内容的标注透明度。这些细节，远比宏大的技术叙事更能决定AI在公众心中的最终形象。
