AI 的“平均值陷阱”：为什么它总在安全区打转

2025-10-19 ｜清醒生活 / 经验与认知 / AI 与知识拉平｜约 4分钟

AI 给的建议，常常“看起来很有道理”，可一放到现场就不对。

这不是 AI 不聪明，而是它的答案来自“平均值”。这篇讲清“平均值陷阱”是怎么来的，以及一个在现场待过的人，该怎么补上这一课。

一个典型的例子：北方项目，给了一套南方参数

北方严寒地区的项目，AI 基于全国平均气候数据，推荐了一个很漂亮的能效指标，却没考虑当地冬季的极端低温——它推荐的那套冷却方式，在那种气温下根本用不了。

这就是“平均值陷阱”：AI 拿全国的、行业的平均数据来回答你，但你的项目在具体的一个地方，面对的是具体的极端条件。

后来我把它改成更适合当地严寒条件的方案。能效指标看着没那么漂亮了，但冬季运行稳定率有了保障。

参数是在理想条件里算出来的，现场却有一堆理想之外的约束：

这些约束，AI 大部分不知道，也问不出来。所以它给出的“最优”，往往只在纸面上最优。

深者的责任，不是追求最优参数，而是守护现场底线。

为了不让自己也掉进“平均值陷阱”，我习惯在方案定稿前，用一份清单过一遍：

1. 气候约束：当地的极端温湿度是多少？方案在极端条件下还能不能运行？

2. 运维约束：客户的运维团队有多少人、什么水平？这套系统的巡检和操作，他们扛得住吗？

3. 预算约束：初期投资和回收周期的边界在哪？客户能接受多大的投入？

4. 历史教训：同类项目在这个地区、这个行业，出过什么问题？

这四条过完，方案才算“落地”。

AI 活在数据里，人活在现场中——现场永远比数据复杂。

这不是说 AI 没用。恰恰相反，它帮你快速拿到“平均水平”的答案，而你在此基础上做的修正，才是你真正的价值所在。

问：AI 给的参数，为什么经常不能直接用？

答：因为它的参数来自平均数据，而你的项目在具体的环境里。极端天气、运维水平、预算边界、历史教训，这些“纸面之外”的约束，AI 通常不知道，也不会主动问。

问：那还要不要用 AI 算参数？

答：要。AI 算出来的“平均答案”是一个很好的起点，省掉了大量基础工作。关键是别把它当终点——把它拿到现场条件里对一遍，该改就改。

问：怎么判断一个方案是“纸面最优”还是“现场可行”？

答：看它有没有回答四个问题：极端天气下怎么办、运维团队扛不扛得住、预算够不够、同类项目出过什么问题。答不上来，就是纸面最优。

问：为什么“稳定”比“最优”更重要？

答：对一个实际运行的项目，参数漂亮但跑不起来，等于零；参数普通但稳定运行，才是真的价值。尤其在北方的严寒、南方的高湿这类极端场景里，稳定率往往比能效指标更重要。

本篇是“深者不替”系列第 03 篇，讲的是 AI 时代哪些活可以交给它、哪些必须自己扛。系列总纲见《什么是“深者不替”？AI 替得掉什么，替不掉什么》。