更清晰地讨论AI的未来

你对AI有何预期,为什么会有这样的预期,又有什么可能改变你的看法?

Doom or Bloom通过几个开放式问题,帮助你探索关于AI的各种观点,并梳理自己的想法。无需专业知识,也无需账户。完全免费且开源。

为什么要开发这个?

AI的潜在益处和风险值得谨慎、立足事实的讨论。随着能力提升、决策影响日益重大,我们需要易于使用的方式,在差异巨大的观点之间进行清晰思考。

我开发这个网站,是为了探索这一领域中的各种声音,并帮助人们理清相互冲突的直觉。它已经让我自己的观点更加清晰。目标是在尽可能少地进行编辑引导的情况下,如实呈现你的观点。

方法说明

影响你结果的一切均为开源。带编号的注释链接到具体文件和研究。

访谈如何进行

  1. 开场问题每个人都相同
  2. 地图问题总体影响、变革规模和 P(doom),每项最多询问一次
  3. 追问针对仍不明确之处的人工编写问题,总计最多 12 个
  4. 你的结果当你的地图可以定位时显示;你可以继续回答

每次回答后

Jev 判断

  • 回答是否可用
  • 哪项人工编写的描述与回答相符
  • 每个候选问题能在多大程度上澄清情况

代码决定

  • 接下来提出哪个问题
  • 结果何时准备好
  • 你的地图位置、范围和 P(doom)

代码从一份固定的人工编写问题列表中,为每次追问⁠[1]选择问题,⁠[2]大多数人在回答其中 4–8 个问题后就能看到结果。TypeSafe 的 Jev依据人工编写的评分标准⁠[3],通过小而聚焦的判断来解读你的回答,绝不会编写问题或对你下定论。⁠[4]代码将这些判断汇总成你的地图、相应范围和 P(doom)。⁠[5]将小判断批量处理,使成本足够低,从而可以免费运行。

你的结果是什么,又不是什么

地图
这是我们对你所写内容的解读,而不是裁决、测试或预测。虚线框表示其他合理的解读,而不是你正确的概率。⁠[6]
地图背后
八个世界观维度和七项推理品质,例如修正观点的意愿。缺少证据的项目会保持未定位;绝不会被算作低分。⁠[5]
P(doom)
要么是你输入的数字,要么是根据你的回答推断出的估计值,并且会注明是哪一种。⁠[7]
编辑选择
回答不会经过事实核查。问题、评分标准,甚至名称都涉及编辑选择,而名称可能会促使你倾向于关注风险和益处。混合观点、不确定性和连贯的极端观点都是有效的。⁠[8]
意见领袖
模拟:另一个模型(GPT-5.6 Sol)依据每个人所链接的公开来源,代其回答相同的问题,⁠[9]我们的引擎在不知道回答者身份的情况下解读这些回答。⁠[10]这些并非本人作答,也不代表本人认可。请将它们视为原型:在 2026 年 Pew 的一项测试中,AI 替身的回答与真人回答平均相差 12 个百分点。⁠[11]

目前的证据

对前景的不同解读在定位上相差多远

对相同回答的两次解读

Jev,对回答解读两次
0.007
Jev,在保持原意的改写后进行解读
0.019
Jev 与 GPT-5.6 Sol 的对比
0.060

相对于本人自我定位的解读

Jev
0.141
GPT-5.6 Sol
0.135
对所有人采用相同的猜测
0.233

0–1 Doom–Bloom 轴上的平均距离;条形延伸至 0.3,越短表示越接近。数据来自 219 次自我定位和 60 次改写后的访谈,2026年9月29日⁠[12]

你自己的定位
解读结果比对所有人采用同一个猜测更接近人们自己的定位,且平均而言不偏向希望或担忧。⁠[13]不同解读者之间的一致程度远高于他们与受访者之间的一致程度,因此大部分差距源于人们的表述方式与自我认知之间的差异。如果两者在任一轴上的差异超过四分之一,你的结果会就此提问。
重新解读和改写措辞
对于含义相同的回答,无论重新解读还是改写访谈,展望的变化都未超过我们设定的 0.10 上限。⁠[14] 地图范围绝不会绘制得窄于 ±0.05,这是模拟人物重新参加访谈时观察到的变化幅度。
更大的模型
Jev 与 GPT-5.6 Sol 的结果差异在噪声范围内,而成本约为后者的 1/21。⁠[12]
“这感觉准确吗?”
80 人中有 68 人回答是(85%)。⁠[13]应将其视为上限:人们往往会认同 AI 对自己的解读。在一项 NORC 研究中,独立编码者认可 AI 编码的频率比受访者低约 20%。⁠[15]
推断的 P(doom)
粗略估计。在隐藏人们输入的 113 个数值后,用这些数值检验时,它解读了其中的 96 个,但按赔率计算,结果在 2× 范围内的情况仅占 22%,并不比对所有人都猜测 12.5% 更准确。它确实能合理地对人们进行排序,而你输入的百分比(例如“20%”)始终优先采用。⁠[12]
尚未完成
我们还没有按照评估计划的要求,建立由独立评审者标注的盲测集。⁠[14]在此之前,这里的每项检验都是将解读结果与自我定位、重新运行的结果或其他模型进行比较。不同访谈语言的结果也尚未进行比较。

哪些人参加过

截至 2026年10月3日,已有 963 人得出了结果。⁠[13]他们选择参加评估,主要是通过 Hacker News 上的一个讨论帖(9/25 – 9/26)和 X 上的帖子(9/27 – 9/28),而这两批人的结果相差很大:在 0–1 Doom–Bloom 轴上,前者的展望中位数为 0.32,后者为 0.68(查看比较)。因此,我们的数据描述的是参与者,而不是公众;并且我们只公布人数至少为 10 的群体的数据。

为什么问题由人工编写

AI 可以即兴进行访谈。采用固定的人工编写问题,可以让措辞保持中立且完全一致,使每位参与者和每位模拟的意见领袖都回答相同的问题,从而使比较具有意义。AAPOR 的 2026 年指南将生成问题、改变问题措辞或影响访谈流程的 AI 访谈员评为高风险。⁠[16]在这里,措辞从不改变,而 Jev 仅通过判断来影响流程,代码会根据这些判断从问题中进行选择。

版本和变更

算法
0.7.5
问题
0.4.0-draft
评分标准
0.1.0-draft
模型
jev-1.13.0

每个已保存的结果都会保留生成该结果时所用的版本。无需重新判断的修正也会在显示较早的结果时应用于这些结果。

  1. · 0.7.5将人们定位在地图的五个级别之间,而不再只定位在这些级别上,并重新解读已保存的结果⁠[17]
  2. · 0.7.4支持使用 10 种语言进行访谈;Jev 按回答的原文进行解读,并会获知访谈所用的语言
  3. · 0.7.2–0.7.3保留像“30%”这样简短的手动输入 P(doom) 回答(此前会被推断值取代),并在解读结果存在分歧或与你自己的定位相差很大时多问一个问题⁠[12]
  4. · 0.7.0–0.7.1修正 P(doom) 的显示方式(手动输入的 20% 曾显示为大约 3%),直接询问变革规模和 P(doom),不再因推理覆盖度不足而暂不提供结果,并重新解读已保存的结果⁠[18]

GitHub 上的研究笔记记录了每项变更及其依据。

以Elon Musk为例

以下是Elon Musk的模拟评估所生成的一些JSON结果示例。

评估输入

Depth 1+ folded · dotted keys have hover help

}

为单次模拟评估提供给Jev的回答和背景信息。

生成的结果

Depth 1+ folded · dotted keys have hover help

"evidenceRevision": 5,
"sources": [],
true,
"capped": false,
"insufficient": false,
"reason": "Your answers place your outlook and the scale of change you expect, which is what the map needs. More answers can sharpen it."
}

我们的应用用于推断结果的一组综合判断。

你的回答仍归你所有

你的回答和结果默认保密。如果你想分享,可以选择将其公开。无需注册。请阅读隐私政策了解更多详情。

接下来是什么?

这个初始版本侧重于理解你的观点,而不试图改变它们。未来的苏格拉底式模式可以质疑假设、提供来源可靠的反例,并帮助你强化推理。

我们的目标是提供人人都能使用的、更有助于清晰思考的工具。无论你处于地图上的哪个位置,我都很想知道哪些地方让你觉得有用、哪些地方似乎有误,以及还缺少什么。在 GitHub 上分享反馈。

来源

  1. 1.
  2. 2.
  3. 3.
  4. 4.
  5. 5.
  6. 6.
  7. 7.
  8. 8.
  9. 9.
  10. 10.
  1. 11.
  2. 12.
    Engine design review, September 29, 2026

    Doom or Bloom research notes · 2026

  3. 13.
  4. 14.
  5. 15.
  6. 16.
    Responsible AI Integration in Survey Research

    AAPOR Task Force on Responsible AI Integration in Survey Research · 2026

  7. 17.
    Why the map showed five columns, October 3, 2026

    Doom or Bloom research notes · 2026

  8. 18.
    Interview and modeling audit, September 27, 2026

    Doom or Bloom research notes · 2026

你的立场在哪里?
回答几个简单问题,探索你自己的AI世界观。
描绘你自己的世界观