human-vs-ai

一位具有编码背景的VP/PM分享了使用Claude Opus和Fable等LLM的实践经验，重点指出了模型在记忆、幻觉和原创性方面的局限，同时强调了人类直觉和领域专业知识不可替代的价值。

一则个人轶事：用AI制作的两个婚礼视频最终几乎一模一样，说明了AI工具如何导致日常创造力回归平庸。

Hebbia CEO George Sivulka 指出，平均而言人类比 Token 更便宜，但在规模化场景下优质 Token 更便宜。中位数企业 Agent 成本约 80 美元/小时，管理得当时可低至 4 美元/小时，管理差则高达 7000 美元/小时。

这篇来自耶鲁大学和芝加哥大学的论文发现，LLM生成的研究思路与人类研究思路的主要区别不在于质量，而在于范围：LLM产生的思路更窄，其中47%-64%的思路侧重于连接不同的工作，而人类的这一比例仅为12.1%。

探讨了AI如何在既定范围内擅长寻找答案，但可能缺乏质疑基本假设的能力，暗示了与人类智能的关键差异。

本研究论文引入了一个框架，用于衡量人类生成与LLM生成的研究思路之间的分布差距，发现LLM思路集中在特定的机会模式与综合方法上，而人类思路则更为多样化。

一项名为Humanity vs Singular的Reddit实验测试人类是否能识别AI的劝说——AI生成的评论试图影响关于一个有争议的说法的讨论，目的是观察在AI参与下，社区是否仍能达成共识。

探讨了人工智能模型集成是否可能在预测市场中超越人类群体，质疑人工智能共识最终能否超越人类预测的准确性。

文章探讨了AI在教育中的应用，以及AI编辑工具能否取代人类编辑，旨在了解其真正的好处。

本文深入分析了AI的样本效率远低于人类的问题，指出前沿模型需要海量领域特定数据，而人类仅需少量示例即可学习，这种数据黑洞是当前AI发展的核心瓶颈。文章通过多个比较（标记量、机器人操控、驾驶）和反驳常见反对意见，论证了这一差距的严峻性，并探讨了对AI自动化目标的影响。

询问软件工程师估计到2026年年中AI与人类编写代码的百分比，引发对SWE中AI现状的讨论。

Aaron Levie 的 AI 精神病定律描述了CEO等远离实际工作的人如何倾向于高估AI取代人类的能力，只关注理想情况的结果，而忽视了工作中复杂的最后步骤。

一篇观点文章讨论了将真实艺术作品标记为AI生成如何导致错误的批评，并指出'slop'的定义是缺乏人类故事，而非AI参与。

一项研究评估了AI评审员（GPT-5.2、Claude Opus 4.5、Gemini 3.0 Pro）与45位人类专家评审员对Nature系列期刊论文的评审表现，发现AI评审员在综合评审质量上可以超越评分最高的人类评审员，尽管其准确性略低，但能提出更多重要问题。