Hook
你不需要先判断 AI 会不会统治世界。更紧急的问题是：眼前这条 AI 声称，到底有没有资格被相信？
一句话版本
《AI Snake Oil》给 AI 时代补上的不是又一个宏大判断，而是一套识别伪能力、伪证据和责任外包的 claim 检查表。
核心判断
这本书最重要的提醒，是把“AI”这个过大的词拆开。
生成式 AI、预测式 AI、内容治理 AI，不是同一种东西。ChatGPT 能写一段文案，不代表招聘算法能预测谁会成为好员工；图像模型能生成图片，不代表警务系统能可靠预测谁会犯罪；内容审核模型能过滤一部分垃圾，不代表它理解讽刺、方言、政治语境和现实伤害。
所以，判断 AI 的第一步不是问“它强不强”，而是问：它到底声称自己能做什么？
《AI Snake Oil》真正要拆穿的，不是所有 AI，而是那些把不可验证、反馈很慢、目标不稳定、责任不清的任务包装成自动化能力的产品。它们看起来像技术进步，实际经常只是把制度焦虑压缩成一个分数、一个标签、一个看似中立的判断。
为什么现在读
现在读它，正好。
AI 讨论正在从模型发布会转向 ROI、可靠性、成本、组织落地和评估。企业问的是有没有真的提效，投资人问的是资本开支能不能回本，公共部门问的是能不能采购，普通人问的是自己会不会被系统误判。
这时候最需要的不是再来一个“AI 会改变一切”的口号，而是一个很低层级、很朴素的判断动作：把每条 AI claim 拿出来验。
它也适合和《The Thinking Machine》搭配读。后者解释 AI 基础设施为什么变成 GPU、数据中心、电力和资本开支的问题；这本书解释应用层为什么会充满伪能力、弱证据和责任外包。一本讲底层机器，一本讲上层神话。
统一系统观
从统一系统观看，AI claim 不是结论，而是输入。
一个 AI 系统是否可信，至少要过五道门：任务是否稳定，反馈是否及时，训练数据和部署对象是否同群体，失败是否可见且可申诉，责任是否有人承担。
预测式 AI 最容易在这里出问题。它经常从历史数据里学到旧制度的偏差，再把这种偏差包装成未来判断。模型可能预测的是“过去系统如何对待某类人”，而不是“这个人未来会怎样”。更麻烦的是，一旦这些判断进入招聘、医疗、教育、司法，普通人面对的就不再是一个可争辩的人，而是一套黑箱分数。
这也是本书最适合 XUANJI 的地方。做 agent loop 不能只看演示是否跑通，还要看它是不是把不可验证的判断自动化了，是不是让人失去中断、回滚、追责的能力。
怎么用
可以把这本书当成 AI claim 审查手册。
看到一个产品说“用 AI 提高招聘效率”，先问：它预测的到底是工作能力、面试表现，还是历史招聘偏见？它有没有部署后的因果证据？被误判的人能不能申诉？
看到一个系统说“用 AI 预测风险”，再问：风险对象是否稳定？模型上线后会不会改变人的行为？低基准率事件是不是会制造大量假阳性？
看到一个平台说“用 AI 解决内容治理”，继续问：它处理的是垃圾信息，还是政治语境、讽刺、方言、跨文化冲突和现实暴力？如果平台商业模式仍然奖励冲突和参与度，审核模型只是止痛药，不是病因治疗。
这套问题也能反过来检查自己的自动化系统：有没有真实运行证据，有没有人工 gate，有没有回滚，有没有把责任留在人侧。
别踩的坑
不要把这本书读成反 AI 宣言。作者并不否认生成式 AI 的真实进展，也不否认很多工具会长期进入数字基础设施。
真正要警惕的是另一种偷懒：只要一个系统挂上 AI，就默认它更科学、更中立、更值得信任。
也不要把“预测不准”简单归因于模型不够大。很多社会对象本身就不稳定：人的选择会变，机构规则会变，模型上线会改变环境，历史数据还会带着旧制度的阴影。继续加模型参数，未必能把这些问题变成可预测对象。
最后，不要让 AGI 或末日叙事吸走全部注意力。远期风险值得讨论，但现实里的错误招聘、错误医疗分流、错误执法、内容治理失败，已经在影响具体的人。
带走
《AI Snake Oil》最值得带走的是一个动作：把每个 AI 神话还原成一条可以检查、可以拒绝、可以追责的具体 claim。
先别问 AI 会不会改变世界。先问这一次，它凭什么替人做判断。
