OpenAI和Anthropic突然达成共识：2026年，「能力溢出」比「模型更强」更重要

上周刷推的时候，看到OpenAI发了一条挺有意思的推文。

他们提了一个概念，叫「能力溢出」（capability overhang）。简单说就是：现在的AI模型能做的事，和大多数人实际在用它做的事，中间差了十万八千里。

有意思的是，就在同一周，Anthropic的联合创始人Jack Clark也在他的Import AI周刊里写了几乎同样的观点。

做ChatGPT的和做Claude的，在同一个时间点，达成了同一个共识。

这事儿本身就值得琢磨。

什么叫「能力溢出」？

举个例子。GPT-4级别的模型，理论上可以帮你完成很多复杂任务：分析长篇文档、写代码、做数据分析、甚至帮你起草商业计划书。

但现实中，大部分人用它干嘛？

写个邮件、改个简历、问几个问题。

不是说这些用途不好，而是——模型的天花板远远高过大多数人的使用习惯。

OpenAI的原话是：「2026年，AGI的进展不只看模型有多强，还要看普通人能不能真的用好它。」

这话说得很实在。

为什么两边同时说这个？

我猜测有几个原因。

第一，模型迭代的速度开始放缓。不是说不再进步了，而是边际效用在递减。GPT-4到GPT-5的提升，远没有GPT-3到GPT-4那么惊艳。

第二，竞争格局在变化。Anthropic的Claude在企业级市场做得不错，Google的Gemini也在追赶。大家的模型能力越来越接近，差异化就不在「谁更聪明」，而在「谁更好用」。

第三，也是最实际的——商业压力。训练大模型太烧钱了，如果用户只是拿来写个周报，ROI根本算不过来。必须让用户挖掘出模型的深层能力，才能justify这个成本。

这对普通人意味着什么？

说实话，我觉得这是个好消息。

过去一年，很多人都有这种焦虑：「AI发展这么快，我是不是要被取代了？」

但「能力溢出」这个现象说明——问题不是AI不够强，而是大部分人还不会用。

换句话说，掌握AI的使用方法，本身就是一种竞争力。

同样的模型，在不同人手里，产出可能天差地别。

怎么挖揭模型的深层能力？

我分享几个自己实践下来的经验。

第一，从「一问一答」转向「多轮协作」。

不要期待一次prompt就能得到完美答案。把AI当成一个实习生，给它背景信息、反馈中间结果、逐步 refine。

第二，尝试复杂任务。

很多人用AI只敢让它干简单的事，比如「帮我改个标题」。试着让它干点复杂的：「分析这篇报告的三个核心结论，并指出数据支撑的薄弱环节」。

第三，建立个人prompt库。

好的prompt是重复使用的。把自己常用的场景整理成模板，下次直接用。

写在最后

OpenAI和Anthropic达成共识这件事，某种程度上标志着AI行业的一个转折点。

以前大家比的是「我的模型比你强」，现在开始比的是「我的用户比你更会用它」。

这个转变，其实对用户更友好。

毕竟，我们不需要知道引擎怎么造，只需要知道怎么把车开好。