一、十秒钟出现的报告，与尚未发生的研究
设想一个人输入题目，十秒钟后得到一份结构完整的报告。他可以合理地惊讶于文本生成速度，也可能因此开始一项原来难以展开的工作。但报告出现的时间，只说明某个产出环节发生得很快，尚未说明材料是否可靠、问题是否被理解、结论是否能够进入行动。
如果这份报告只是把常见观点重新排列，速度提高可以节省初步整理，却未必产生新的研究能力。如果它帮助使用者辨认一个此前没有想到的冲突，并进一步组织核对，新的活动才可能开始发生。两种结果外形相近，需要回到后续过程才能区分。
因此，本章不反对更多、更快和更自动。它反对的是从这些局部特征直接推断能力结构已经全面提升。效率有自己的价值，但效率与广度、高度、颗粒度的关系需要具体说明，不能让一个漂亮指标代替全部解释。
这种区分对于反焦虑同样必要。若我们把每一次生成加速都称为人类能力革命，那么未能从中获得显著变化的人就容易认为问题全在自己。准确承认有限改善，反而能减少对技术和个人的双重夸大。
二、数量增加，有时只是重复空间变大
一个工具可以生成一百种活动方案，但其中九十种只是调整名称与排列。候选数量增加，不等于实际选择空间等量增加。需要辨认的是方案之间是否存在与任务有关的差异，是否适应不同条件，以及是否有办法比较这些差异。
在这种情境中，继续要求更多方案可能加重筛选负担。较有意义的下一步，是说明目前候选在哪些维度上相同、在哪些条件下不同，并寻找缺失的方向。广度不是把同一类结果复制得更多，而是让新的可能性能够进入，并与已有可能性建立可理解的关系。
数量也可能确实重要。原来只能处理少量材料，增加覆盖后发现了此前被遗漏的情形，这可以支持广度变化。关键是数量通过什么机制改变了活动，而不是数量本身有无价值。把所有规模增长都贬为机械重复，与把所有规模增长都称为升维，同样过于简单。
因此，对“更多”的评价应当追问差异与用途。新增产出有没有改变问题、选择或行动？若没有，它可能仍然有储备价值，但不宜提前宣布发生了新的能力层级。产出数量是线索，不是结论。
三、速度提高，可能只发生在最显眼的一段
用一组纯粹为说明而设置的数字来看。原流程准备材料需要三十分钟，执行需要六十分钟，检查需要三十分钟，总计一百二十分钟。新流程准备需要五十分钟，执行只需五分钟，检查却需要七十分钟，总计一百二十五分钟。单看执行，速度显著提高；看完整任务，时间并未减少。
这些数字不是任何产品的测评结果，只展示成本怎样移动。新流程可能要求更规范的输入，也可能产生更多需要核对的候选。若把准备和检查排除在计时之外，就会把局部加速误当成总体节约。对于使用者而言，被省下的工作与新增加的工作都是真实的。
长期使用还需要考虑维护与学习。有些准备成本只发生一次，后续可以反复调用；另一些成本随着材料变化持续出现。比较时应当说明观察期，不能用第一次试用的困难否定长期可能，也不能用理想成熟状态掩盖当前仍由使用者承担的负担。
更重要的是，节省时间与改变能力结构不是同一判断。新流程即使总体更快，也可能只是在同层级完成旧任务；即使总体耗时略多，也可能使原来无法开展的比较成为现实。评价需要同时看成本与活动变化，而不是让时间成为唯一裁判。
四、自动化率高，不等于自主性强
假设某项流程的绝大多数步骤已经自动执行，使用者却不能选择目标、修改输入条件或保留自己的材料。那么自动化率提高，并不直接意味着这个人获得更大的行动余地。过程越自动，他也可能越难改变正在发生的事情。
另一项流程自动化程度不那么高，却允许使用者选择合适范围、理解结果边界，并在异常时获得支持。它可能在实际生活中更有用。这里的差异不是手工天然优于自动，而是自动执行与参与条件处在不同问题层面。
同样，自主性不能由一个最后按钮担保。让人确认所有结果，却不给他理解与改变的条件，只是把责任的外观放在人身上。相反，某些成熟服务可以无需每次人工确认，只要其适用范围、反馈与治理条件得到合理组织。关键不在于动作是否保留，而在于作用是否真实。
所以，评价自动化应当分开两件事：哪些执行负担已被可靠承接，哪些与个人生活有关的选择仍然具有实际位置。前者是封装程度，后者涉及复合关系如何组织。两者可以相互支持，也可能相互冲突。
五、漂亮结果不能替代稳定能力
一次演示可以说明某个结果能够发生，不能独自证明它在相关条件下能够持续发生。演示可能采用适合的材料，操作者也可能投入了不显露的准备。要讨论封装，需要看常规使用、边界情形、失败方式与后续支持，而不只是看最顺利的一次输出。
这不是要求技术在投入使用前达到绝对无错。不同任务有不同可接受条件，探索本来可以带着不确定。需要的是把试验性使用与成熟托付区分，让调用者知道目前依靠什么证据。一次精彩表现可以是研究起点，不能自动成为全部活动的可靠性证书。
也不能把所有失败都解释成提示不够好。若使用者必须反复猜测怎样措辞，才能偶尔得到合适结果，那么这种不稳定就是当前能力的一部分。工具提供者可以继续改进接口，使用者也可以学习，但不能通过事后责备调用方式，把一切失败从系统表现中删除。
真正稳定的封装，应当让适用条件逐渐清楚，让成功不完全依赖少数人的临场诀窍，并使异常能够以适当方式进入修正。它不一定最炫目，却更可能成为下一层活动可以信任的条件。
六、错误率降低，错误后果仍需另算
再设置一个简单数量例子。某流程原来处理一百项任务，每十项中约有一项错误；后来处理一千项，错误比例降到百分之二。按这组假设计算，前者约有十项错误，后者约有二十项。比例下降与错误总量上升可以同时发生，不能只看其中一个指标。
这个例子没有说明新流程一定更坏，因为它也完成了更多任务，错误性质与后果还未说明。它只是提醒，规模改变后，旧指标的意义需要重新考察。同样数量的错误，若进入不同活动，可能产生非常不同的影响；错误是否容易发现与纠正，也会改变实际代价。
因此，能力扩大之后，需要观察错误如何传播。一个局部错误若被更大的封装整体反复调用，影响范围可能增加；若系统能够在转接前识别并限制它，整体活动又可能更稳健。新颗粒与新高度改变的不只是成功路径，也改变了失效路径。
这使三向分析必须包含失败结构。广度扩大后哪些新情形进入，高度提高后哪些局部结果被放大，颗粒变大后哪些差异可能被隐藏，都值得记录。升维不能只描写能力展开的正面，还需要说明它怎样承受自身带来的复杂性。
七、工具替换没有改变问题结构
一个人可能从纸笔换到电脑，再换到人工智能，始终按照同一种分类方式处理材料。新工具增加速度与规模，却没有触动分类本身。这里的工具更替可以很显著，问题结构却保持不变。不能因为技术代际改变，就认定认知范式也已经改变。
反过来，一次很小的工具调整可能使问题结构发生变化。例如，记录开始允许保留反对意见，而不只是合并成统一结论，后续讨论便能够围绕真正分歧展开。技术变化不大，活动组织却不同。能力发生与产品新旧之间没有简单一一对应。
因此，判断升维要追踪问题怎样被形成与修订。哪些过去看不见的差异出现，哪些旧前提受到检验，哪些原来没有的行动路径成为可能？这些变化比工具名称更接近认知结构。一个最新系统也可以被用于重复旧思路，一个朴素工具也可以参与新的发生。
这不是贬低技术进步，而是拒绝把技术标签当作认知证据。工具提供条件，活动决定这些条件怎样进入具体生活。中间的组织不能在理论上省略，否则我们就会把所有可能性预先记作已经发生。
八、没有升维，也可能是一项好改进
本书强调升维，不意味着同一能力结构中的便利没有价值。例如，仍然处理同一类材料，沿用相同的组织关系与调用单位，只是等待时间缩短、同样结果更容易取得；此时可以先称为效率或体验改善。若多步操作已经合成为新的整体调用，颗粒度便可能改变，不能再因为没有新领域、新层级，就断言三个角度都未变化。
若所有好处都必须叫作升维，概念便会失去区分作用。我们可以分别说效率改善、体验改善、能力范围扩展、组织层级变化与颗粒重构。不同描述帮助我们理解不同价值，而不是争夺哪一种词语听起来更高级。
同样，没有持续扩张新能力的人，也不必因此焦虑。某位使用者只希望工具替他完成一项成熟服务，这可以是充分合理的目标。他没有义务把每一次便利都转成新的竞争优势。技术之所以可能改善生活，部分原因正是让人不必一直证明自己在升级。
因此，反对赋能误导与倡导三向分析，并不等于要求所有人参加一场更复杂的绩效比赛。理论应当增加辨认与选择，而不是把普通便利贬低成不够进取的使用方式。
九、让检验结果真正回到发生过程
本书把“回写”用来指检验结果能够改变后续活动，而不只是留下一个评价标签。社区方案需要试行与参与者反馈，材料解释需要返回原文，数学命题需要在明确规则下检查证明。不同主张接受不同检验。实际用途还应另作检验：证明正确不等于模型适用，居民暂时赞同也不等于一般事实已被证明。
回写不一定只由自然人承担。记录、监测、工具比较与协作支持都可以进入，但反馈应当能够触及产生问题的环节。若每次失败只增加一份总结，流程本身没有改变，记录便可能成为失败的堆积，而不是能力的发生资源。
反馈还可能改变目标。参与者发现自己真正需要的不是更多活动，而是更方便的进入方式；研究者发现原问题使用了不合适的分类，于是重写问题。此时发生的不是给旧答案扣分，而是形成新的观察与行动条件。目标可以在互动中生成，仍须说明修改的根据，不能以目标不断变化来逃避原承诺的检验。
这使新能力保持开放：稳定的部分可以托付，未解决的部分继续进入互动。广度、高度与颗粒度在这种往返中获得具体内容，而不是在一次工具演示结束时被宣布永久完成。
十、三条边界使升维免于成为口号
第一条边界是事实边界。已经形成的功能、尚在试验的可能与未经验证的愿景应当分开。工具能输出某种形式，不等于能够承担该形式所代表的全部活动；个人能调用某项功能，也不等于已经独立掌握其内部能力。
第二条边界是分析边界。效率、广度、高度、颗粒度与个人学习分别回答不同问题，不能互相借证。某项指标改善可以成为线索，结论仍需回到其对应对象。越是复杂的复合系统，越不能让一个总体数字替代多层说明。
第三条边界是价值边界。能力结构改变，不自动决定生活变好；系统整体更强，不自动证明每位参与者受益；工具能够承担更多，也不自动取消人的价值。保留这些边界，理论才不会从纠正一种误导转向制造另一种误导。
这三条边界并不削弱探索。它们使探索可以诚实地承认部分成功、保留失败并继续修订。一个不必靠夸大来维持信心的研究过程，更有可能积累真正可以被后续调用的能力。
十一、从能力分析进入具体焦虑
到这里，我们已经不需要把人工智能理解为给一个不变自然人灌入能力，也不需要把它承接的每个过程理解为从人身上割走一块。能力可以在复合活动中发生，并从广度、高度与颗粒度观察。但这些分析还需要回到人们最直接的担心。
不用自己做，会不会变笨？依赖工具，是不是没有独立性？人工智能参与的成果，还算不算自己的？机器表现更好，是不是意味着人没有价值？不追每次更新，会不会被彻底排除？这些担心不能用一个总答案打发，因为它们混合了不同层级的问题。
三向辨认的作用，是使变化得到准确命名，而不是向每个人发布升级命令。第五编将把这些区分带回五类具体焦虑，分别检查退化、依赖、成果、价值与追赶的推论，让担忧重新找到可以处理的对象。