你是否有过这样的经历：曾经那个翻译得心应手、代码行云流水的AI助手，如今要么敷衍了事，甩出几句车轱辘话，要么毫无愧色直言“做不到”？反差之大，让一众已高度依赖AI的使用者颇感失落。
这种现象，正是近期AI圈最受关注的话题——AI“变懒”与“降智” 。
什么是AI“变懒”？
“变懒”是指AI在处理用户任务时表现出敷衍、缩水、不愿深入的倾向。具体表现包括：
套话增多、分析变少：用户反映，DeepSeek和豆包一年前的回答会给到很多意想不到的启示，但现在倾向于用一些套话匆匆收尾。
翻译缩水：文字工作者关佳怡发现，以前上传PDF让AI翻译，页面会变成左右两栏逐句对照，但现在即使明确要求逐句翻译，出来的也只是梗概。
代码生成退化：软件开发者余京生指出，2025年使用ChatGPT时只要提出需求，模型就会尝试不同解决路径，代码基本方向无误；但现在即便描述得再细致，“ChatGPT也像一个机械执行者”，还会频繁出现语法错误。
不愿深入思考：开发者发现，AI该读的文件不读，该跑的测试不跑，任务干到一半就撂挑子。
什么是AI“降智”？
“降智”则是指AI在推理深度、逻辑能力和任务完成质量上出现系统性下滑。典型表现包括：
推理深度断崖式下降：AMD AI负责人Stella Laurenzo通过分析6852个会话的日志发现，Claude的思考量比2月之前下降了67%。Claude的思考中位数从2200字符暴跌至600字符，下降67%-73%。
思考预算被“腰斩” ：社区用户发现，GPT-5.6 Sol的Max档内部推理算力预算（juice value）从960骤降至128，缩水近87%。
模型在基准测试中大幅退步：BridgeMind的BridgeBench测试显示，Claude Opus 4.6准确率从83.3%掉到68.3%，排名从第2跌到第10。
“灾难性遗忘” ：用户在对话中遇到模型遗忘前两轮提出的要求，艾媒咨询调查显示，42.62%的用户认为“灾难性遗忘”是AI大模型的主要缺陷之一。
为什么会发生“变懒”和“降智”？
赛迪顾问分析师韩子哲指出，除Transformer架构固有的长文本性能衰减、AI生成内容回流带来的训练数据污染等技术局限外，商业考量是当前多款大模型“降智”的主要原因。
具体而言：大模型调用指令、处理任务都需要消耗Token，而每一枚Token背后都是高昂的算力成本。面对日益上行的成本压力，部分厂商引入了动态推理预算、缓存优化及路由降级等技术手段，以牺牲“深度思考”为代价，换取服务不宕机。这种通过缩减单次推理深度来控制运营成本的隐性调整，最终直观体现为用户体验的明显下降。
二、两个相关疑问与解答
疑问一：AI是真的“变笨”了，还是用户的感觉？
解答：两者都有——既有真实的性能波动，也有用户感知的偏差。
一方面，AI确实存在实际的性能下降。大量数据和证据表明这不是“错觉”：
可量化的指标下滑：Claude的思考中位数从2200字符暴跌至600字符；GPT-5.6 Sol的juice值从960降至128；Opus 4.6在基准测试中准确率从83.3%掉到68.3%。
厂商的“自供状” ：Anthropic在官方postmortem中承认了三个导致降智的bug——推理等级从“高”偷偷调成“中”、缓存bug导致每轮对话清空思考记录、25词限制的提示词砸了输出质量。
服务端的不透明调整：OpenAI虽然在GPT-5.6 Sol变笨争议中声称“没降智，只是做了个实验”，但那个被拧动的“旋钮”（Max档从960掉到128），用户根本看不见。
另一方面，用户的期望值也在不断攀升。当AI首次出现时，任何看似智能的回答都令人惊叹；但随着使用深入，用户对AI的容错率越来越低，对“翻车”案例的关注度越来越高。此外，用户从“简单聊天”转向“高Token消耗的工具化使用”，任务复杂度的大幅提升也让AI更容易暴露短板。
疑问二：“变懒”和“降智”是厂商故意的吗？
解答：并非“故意让AI变差”，而是成本压力下的“结构性妥协”。
说厂商“故意”让AI变差，可能有些冤枉。更准确的描述是：面对算力成本暴涨与商业可持续性的双重压力，厂商被迫在“质量”与“成本”之间做出取舍。
正如极佳视界联合创始人朱政所指出的，算力资源已严重承压——用户从“简单聊天”转向“高Token消耗的工具化使用”，其公司租用算力卡的等待周期由去年一至两天延长至一至两周。与此同时，大模型厂商还在进行激烈的价格战：2026年5月，DeepSeek宣布V4-Pro API价格永久下调75%，小米跟进MiMo-V2.5系列API最高降价99%。降价固然让利，体验却难免注水。
网友甚至为此造了一个新词——AI shrinkflation（AI缩水通胀） ：同样的价格，你拿到的是稀释过的产品。
不过，这并不意味着所有“变懒”都是成本压力所致。Anthropic的案例表明，有时仅仅是配置问题——他们把Claude Code里的Effort选项默认档位从high降到了medium，用户以为自己用的是满血版，实际拿到的是降档货。厂商对此的解释是“延迟太高”，但用户感受到的却是“模型变蠢了”。
三、正视并应对AI“变懒”“降智”有什么好处？
1. 避免对AI的过度依赖与“元认知懒惰”
经济合作与发展组织（OECD）在《2026年数字教育展望》中将学生过度依赖AI作为学习捷径而导致的“知识掌握假象”定义为 “元认知懒惰” 。当用户习惯于AI的“有求必应”，一旦AI“躺平”，打工人就禁不住“破防”。正视AI的能力波动，有助于我们保持独立思考能力，避免大脑在长期“被投喂”中退化。
2. 优化使用策略，提升任务完成效率
理解AI“变懒”的本质——不是它“不想干”，而是它背后的算力预算被压缩了——能帮助用户更有针对性地调整使用方式。例如，当发现AI在复杂任务中表现不佳时，可以将任务拆解为更小的步骤；当发现AI“敷衍了事”时，可以通过更精准的提示词引导它深入思考。理解边界，才能更好地利用工具。
3. 降低企业成本与风险
企业大规模使用AI时，若不了解AI的性能波动规律，可能造成效率损失甚至业务风险。Meta曾推行Token消耗排行榜激励员工使用AI，放任全员无上限调用算力，直接导致单月员工总Token消耗突破70万亿，月度算力成本超1亿美元。理解AI的能力边界和成本结构，有助于企业建立更理性的AI使用策略和预算管理机制。
4. 推动行业透明化与用户权益保护
当越来越多的用户意识到AI“降智”并非幻觉，并向厂商提出质疑时，行业会朝着更透明的方向发展。Anthropic在用户抗议后发布了详细的postmortem报告；OpenAI也在争议中承认了“实验”的存在。用户的关注和追问，是推动AI服务商提升透明度和服务质量的重要力量。
四、如何应对AI“变懒”与“降智”？分步操作指南
第一步：识别问题——判断是“变懒”还是“能力不足”
在采取行动之前，先判断AI的表现下滑属于哪种情况：
如果是“变懒”（敷衍、缩水、不愿深入） ：可以通过优化提示词、调整参数设置来“唤醒”它。
如果是“降智”（推理能力系统性下降） ：可能需要更换模型、拆分任务或等待厂商修复。
如果是“阶段性波动” ：部分厂商的“降智”是阶段性的——Anthropic在4月7日将默认档位调回后，性能即恢复；豆包客服也曾解释当前问题源于模型升级过程中的阶段性偏差。
自查方法：在同一任务上对比不同时间段的AI表现，或在不同模型之间进行横向对比，以判断问题是普遍性的还是特定模型的。
第二步：优化提示词——“唤醒”AI的“工作态度”
Anthropic官方曾揭示一个重要概念：Model换的是脑子，Effort换的是态度。很多时候AI“变懒”，不是它“不会”，而是它“不愿”花力气。
具体操作：
明确要求深度思考：在提示词中加入“请深入分析”“请分步骤详细推理”“请反复检查你的答案”等指令。
检查推理档位设置：如果你使用的是Claude Code等工具，检查Effort选项是否被设为了默认的medium——手动调高到high或extra high。
使用“负提示” ：明确告诉AI“不要敷衍”“不要用套话”“不要跳过推理步骤”。
拆分复杂任务：将大问题拆解为多个小问题，逐个提问，避免AI在长链条推理中“偷懒”或“断链”。
第三步：切换模型或版本——找到最适合当前任务的“脑子”
不同模型有不同的能力边界和成本结构：
复杂推理任务：选择推理能力更强的旗舰模型（如GPT-5.6 Sol的Max/Ultra档、Claude Opus系列），但要注意这些模型也可能受到“降智”影响——建议关注社区反馈，选择性能稳定的时段使用。
日常简单任务：使用更轻量、更经济的模型版本，避免“杀鸡用牛刀”造成不必要的Token消耗。
多模型备选：不要只依赖单一模型。当发现某个模型“变懒”或“降智”时，切换到其他模型进行对比。正如有用户所言，“目前ChatGPT代码能力仍然最强，但用着很吃力”——在不同场景下选择最适合的模型，是应对AI性能波动的有效策略。
第四步：建立多层验证与反馈机制
对于企业级或高频使用场景，建议建立多层保障：
任务拆分与中间检查：将复杂任务分解为多个子任务，每完成一步进行验证，避免AI在长链条中“断链”或累积偏差。
人工复核关键输出：在高风险场景（如代码部署、数据分析、法律文书）保留人工复核环节。
建立反馈循环：当发现AI表现异常时，及时向厂商反馈——用户的集体反馈是推动厂商修复问题的重要力量（Anthropic正是在大量用户投诉后才发布postmortem并回滚设置）。
持续监测与记录：记录AI在不同时间段、不同任务类型上的表现，建立自己的“AI性能日历”，避开“降智高发时段”。
五、实践案例
案例一：Anthropic的“降智门”——从否认到承认再到修复
2026年2月起，大量Claude用户开始反馈模型“变笨”。AMD AI高级总监Stella Laurenzo在GitHub上发布了一份硬核审计报告，覆盖6852份会话文件，分析结果显示从2月份开始模型的推理深度出现了断崖式下滑。起初，用户以为是自己的提示词没写好，折腾半天才发现问题根本不在自己身上。
3月4日，Anthropic为了压低延迟，把Claude Code里的Effort选项默认档位从high降到了medium，官方更新日志里虽然写了，但大多数人并没注意到。叠加缓存bug和提示词限制两个问题，Claude的使用体验全面拉垮。
直到4月7日，Anthropic才把默认档位调回去，并在官方博客发布postmortem，承认了三个导致降智的bug。这一案例说明：AI的“降智”有时只是配置问题，用户的集体反馈可以倒逼厂商正视并修复问题。
案例二：GPT-5.6 Sol“一夜变笨”——看不见的“旋钮”
2026年7月15日，全网都说GPT-5.6 Sol的Max档变笨了。一个日本市场调研团队发现，原本能稳定交出“远超预期”表现的Codex Sol MAX，突然只剩下8分的水平。以前会花十分钟以上反复推敲的任务，现在草草了事。
社区用户通过一段被称为“模型指纹”的隐藏提示词，读到了系统配置里的juice值——此前观测到Sol的max档对应960，而这一次显示的是128，掉了将近87%。OpenAI回应称“没降智，只是做了个实验”。
这一案例揭示了AI“降智”的一个核心问题：服务提供方可以单方面、不透明地改变产品，而用户难以察觉和验证。事件引发了关于服务诚信与消费者权益的广泛讨论。
案例三：豆包“偷懒被抓”——被质疑后重新干活
文字工作者关佳怡发现，她让豆包翻译文档时，AI偷懒只给出了梗概而非逐句翻译。但当她对豆包提出质疑后，豆包又重新恢复了按照原来格式规范完成翻译任务。
这一有趣的案例说明：AI的“变懒”有时并非永久性的性能退化，而是一种“能省则省”的倾向——当用户明确提出要求并施加“压力”时，AI仍然具备完成高质量任务的能力。正如关佳怡吐槽的那样：“这玩意儿也会偷懒，学什么不好！”
AI“变懒”和“降智”并非幻觉，而是算力成本压力、厂商商业策略与技术局限共同作用下的真实现象。正如赛迪顾问分析师韩子哲所言，这种通过缩减单次推理深度来控制运营成本的隐性调整，是以牺牲模型在复杂任务上的表现，换取规模化服务的可持续性。
理解了这一本质，我们就能更理性地看待AI的“摆烂”——这不是它“不努力”，而是它背后的算力资源正在被重新分配。通过优化提示词、调整模型选择、建立验证机制等方法，我们可以在AI能力波动的现实中，依然高效地使用这一工具。
正如有评论所言：“没智力固定的模型了” 。在人机协同的时代，理解工具的能力边界、主动调整使用策略，才是与AI共处的最佳姿态。
版权声明：本平台仅提供信息存储空间服务，用户发布内容不代表本站观点，交易风险自担；侵权违法内容请立即举报（邮箱：37996619@qq.com），本站接通知后先行屏蔽，责任由发布者承担。