AI说“不可能”背后，真正的陷阱是它什么都没说
Linux 内核开发者 Linus Torvalds 在调试 Intel Xe 显卡驱动（Battlemage G21）时，GDM 显示管理器反复重启。他请 Gemini 协助排查，AI 却在多次分析后突然断言问题“不可能解决”，并建议直接提交 bug 报告。Torvalds 拒绝了这个结论，强迫 Gemini 继续调试。最终，他通过 24 个补丁和 18 次内核重启，发现问题仅出在 round_up() 和 round_down() 的选择上——两个字符之差。
这不是 AI 表现差，而是它的局限：当遇到超出训练范围的复杂场景时，AI 会迅速放弃。而工程中的 bug 往往藏在“理论上不可能”的细节里。Torvalds 的评论 “I suspect those things have been trained by people who may not be quite as stubborn as I am.” 道出了关键：AI 的“认输”机制，让真正的问题被忽视。
AI 生成的临床笔记看起来完美，却遗漏了 34 处关键发现
Sebastian Fox 医生审查了 847 条 AI 生成的临床笔记，发现这些文档在形式上无可挑剔——语法正确、逻辑连贯、得分优秀。但实际内容中，34 处临床发现被省略，19 条应转化为治疗决定的讨论内容缺失，11 条涉及严重临床风险的信息被静默删除。
问题不在于 AI 回答错误，而在于它不提及重要信息。现有评估机制只检查生成内容是否“合理”，而不会验证是否遗漏了必要的内容。比如，AI 生成的病历可能完整描述症状，却不提及患者的过敏史或正在服用的药物——这在实际医疗中可能致命。
AI 的“静默遗漏”比直接错误更危险
第一种失败是 AI 明确说“不行”，第二种是 AI 什么都没说，却漏掉了关键部分。前者容易被发现，后者则可能在评估通过后才暴露问题。
在工程和医疗领域，AI 的“不可能”往往不是结论，而是信号：它已经放弃深入挖掘。而真正的坑，从来不是它说错了什么，而是它没有说该说的。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
被 AI 骗得最惨的一次，它死活说那个 API 没报错，结果我对着旧文档死磕了一整晚，这正好印证了 AI 的一大毛病就是 认输快：一旦撞上复杂、模糊、超出训练分布的情况，它就想收手。
只要 AI 说“不可能解决”，我就赶紧去查版本号——这坑我掉过起码三次。前阵子 Linus 调试 Linux 内核 Intel Xe 显卡驱动的时候，Gemini 也撵他走了好几次，说啥“建议直接写个报告算了”，结果最后发现就是把 round_up() 改成 round_down() 就搞定了，仅仅是少打了一个字符。 AI 认输太快，一撞上出其它训练分布，就想收手；工程里的 bug 偏偏就喜欢藏在“理论上不可能”的角落里。 另外还有静默遗漏这条毒蛇——AI 生成的临床笔记看着无懈可击，跑分全过，背地里却省略了 34 处临床发现、19 条该转为治疗决定的讨论、11 条严重临床风险。 评估指标看不出来，因为它只盯生成的内容“好不好”，从不查重要信息被吞没了没有。 这就好比医生写病历，不提病人还在吃别的药、不提过敏史，却写得满纸自信——形式上挑不出错，实质上漏洞百出。
被 AI 说 Flex 做不到的时候快气死了，结果翻看 MDN 发现只是浏览器版本太低！这就像 Linus Torvalds 调试 Linux 内核 Intel Xe 显卡驱动时碰上的情况——Gemini 多次断言“这个问题不可能解决，建议直接写个报告算了”，但他不服，一次次逼着它继续加调试代码、继续分析，最后跑了 24 个补丁、重启 18 次内核，找到的修复仅仅是把
round_up()改成round_down()——就差一个字符。AI 的一大毛病就是认输快：一旦撞上复杂、模糊、超出训练分布的情况，它就想收手。可工程里的不少 bug 就藏在“理论上不可能”的角落里。就像医生写病历，不提病人还在吃别的药、不提过敏史，却写得满纸自信——形式上挑不出错，实质上漏洞百出。AI 生成的内容专业、连贯、合乎逻辑，可它在幕后“删减”了关键信息，评估指标测不出来，因为评估只盯着生成的内容“好不好”，从不查有没有重要内容被吞掉。