AI 的真实能力，很大程度上由营销塑造

一篇在 Hacker News 上引发讨论的长文提出了一个并不友好的观点：AI 模型的「功能性能力」——也就是人们真正能用它做成的事——很大程度是由营销和使用约束塑造出来的，而不是单纯由实验室的技术能力决定。

模型再强，没人用也是空转

文章开篇指出，实验室可以投入数十亿美元训练新模型，但若无人使用，功能上等同于零。作者提到市面上存在大量已经过时、被训练出来后鲜有人问津的模型。与此同时，实验室也不可能穷举模型的所有用法，因为用户总会在意想不到的场景中挖掘出新能力。但大多数用户并不会主动探索，他们更倾向于沿用已知有效的方式。

这意味着，新模型发布后，多数用户默认接受「它更好」的说法，几乎不会为了发现新能力而主动试验。有人会在两三个模型之间切换，但相较于真正可选的模型数量、上下文工程和工作流组合，他们的尝试范围仍然非常有限。

营销塑造了能力的「形状」

文章认为，普通用户的判断基本建立在两件事上：

• 直觉式的「感觉」（vibes）
• 别人怎么说——也就是营销

作者用 Anthropic 的「Fable」模型作为案例。Fable 在 Claude 订阅中的使用上限被限制为 50%，叠加较高的 API 价格，用户很快形成了一种稀缺心态：与其探索模型的能力边界，不如精打细算地把额度用在最有把握的事情上。结果是，Fable 在社区里被广泛定位为「规划者」——用它做计划，再用其他模型执行。一系列高传播度的推文都在演示这种用法，进一步固化了「Fable = 规划模型」的印象。

作者认为，即使 Fable 在规划之外仍有能力空间，这种被约束驱动的使用模式制造了一个「回音室」，淹没了其他潜在能力。如果 Anthropic 没有设置 50% 的限制，用户更可能像对待普通模型一样使用它，从而发现不同的能力面。

反例：来自个体的「宠物问题」

与营销主导的用法相反，文章举了「宠物问题」（pet problems）作为例子——也就是那些只有个别用户在自己具体场景中才会发现、却不在任何 benchmark 上的能力。这类问题往往在公开讨论中无人提及，却是判断模型真正进步的重要信号。作者引用 Simon Willison 所说的「无情的生产力」（relentless productivity）：Fable 在执行任务时会主动构建调试工具、利用一切可用软件、在明显路径走不通时尝试非显然的角度。这种能力在官方宣传和大众评测中很难被捕捉到，只在个体用户的反思中浮现。

问题在于，大多数人并没有「宠物问题」要解决，也不习惯持续追踪模型的能力边界，更不会主动思考「我可能想让模型解决什么」。他们通常满足于现有工作流，这本身就限制了 AI 的功能性能力。

创作者能做什么

文章最后把焦点放到内容创作者身上。模型评测、使用示例和分享本身，就在悄悄推动能力边界向前移动一点。多样化的使用场景同样重要——软件开发获得了大量关注，而写作等领域几乎无人深入评测。Every、Theo 等创作者的模型评测和观点被视为一种「服务」，作者认为他们值得更多关注。

文章以此提醒那些希望功能性能力持续扩展的人：不要低估创作者的影响力。好的评测和分享不是营销噪音，而是补充官方叙事之外真实使用场景的重要力量。