AI骗局泛滥：Hacker News热议「万物皆可AI诈骗」

AI 正在成为骗局的新外衣。Hacker News 上一条题为「Everything is an AI scam now」的讨论帖引发了关注，发帖者用近乎断言的方式，描述了当下一种令人不安的现象：从投资机会到技术解决方案，越来越多被冠以「AI」之名的事物，本质上都带有欺骗性。这条帖子获得 64 个点数、15 条评论，讨论规模不算大，但它所触及的情绪却相当普遍——当「AI」成为万能前缀，普通人越来越难分辨哪些是真实的技术进步，哪些只是包装出来的幻觉。

为什么「AI scam」会成为一种普遍感受

这种感受的来源，与 AI 标签的泛滥直接相关。过去一段时间里，几乎任何产品都可以在宣传中加上 AI 二字：写作工具、投资顾问、健身应用、情感陪伴服务。技术门槛被营销话术抹平之后，消费者面对的是一个高度同质化的信息环境——每个人都声称自己用了 AI，但很少有人能说清楚 AI 到底在其中做了什么。

当标签无法再作为质量信号，怀疑就成了默认反应。Hacker News 这个社区本身对炒作有较强的免疫力，发帖者用「everything」这样的全称判断，说明这种不信任已经超出了个别产品的范畴，变成了一种对整体叙事的不信任。值得玩味的是，帖子并没有给出具体的案例或数据，它更像是一种情绪的表达——而这恰恰是讨论有价值的地方：当技术社区开始用「scam」来概括一个行业时，说明信任赤字已经积累到了相当的程度。

AI 标签的边际效用递减是一个经济学概念在技术传播中的体现：当某个信号被过度使用，其区分度就会下降，接收者不再能依据该信号做出有效判断。在 AI 领域，这一过程尤为迅速——从 2022 年大模型爆发至今，几乎每款软件都宣称「AI 驱动」，导致「AI」从差异化卖点退化为默认配置。信号理论（Signaling Theory）指出，有效信号需具备成本高昂且难以伪造的特征；当添加 AI 标签的成本趋近于零，它便不再传递任何关于质量的真实信息，市场随之转向以怀疑为默认策略。

骗局的具体形态：从概念包装到直接欺诈

把「AI scam」拆开看，至少存在几个层次，它们对用户的伤害程度并不相同。

最轻的一层是概念包装。产品本身有一定功能，但 AI 只是营销词汇，实际能力与宣传存在落差。用户为此支付了溢价，却没有得到对应的价值。

中间一层是伪需求制造。一些服务先制造焦虑，再贩卖解决方案，比如宣称「不用 AI 就会被淘汰」，然后推销昂贵但效果存疑的课程或工具。这类操作未必违法，但在道德上是可疑的。

最重的一层则是直接欺诈。以 AI 为名的投资项目、代币、订阅服务，承诺不切实际的回报，最终演变为资金盘或跑路。这一层的受害者往往损失真金白银，且维权困难。

Hacker News 的讨论虽然没有展开这些分类，但「everything is an AI scam」这句话之所以能引发共鸣，正是因为它同时指向了这三种形态——用户感受到的不是某一次具体的欺骗，而是整个环境中真假难辨的疲惫。

伪需求制造在行为经济学中对应「焦虑营销」：先通过制造稀缺感或恐惧感（如「不用 AI 就被淘汰」）扭曲消费者的风险感知，再提供高价解决方案。这类操作利用的是信息不对称——购买者难以在事前评估课程或工具的实际效果，而卖方掌握全部信息。与直接欺诈不同，伪需求制造的产品往往真实存在，只是价值被严重夸大，因此处于法律灰色地带。识别这类模式的关键是追问：焦虑是否被刻意放大？解决方案的定价是否与可验证的交付物匹配？

技术社区的信任危机意味着什么

Hacker News 的用户群体以工程师、创业者和技术从业者为主，他们对新技术的接受度高，但对炒作的容忍度低。这样一个群体开始用「scam」作为讨论 AI 的框架，传递出的信号值得重视。

一方面，它说明 AI 叙事的边际效用正在递减。早期，「AI 驱动」可以为一个产品带来关注和融资；现在，同样的标签可能引发的是质疑和反感。对于真正在做技术工作的团队来说，这是一种不公平的连带伤害——他们需要花更多力气证明自己不是骗局。

另一方面，这种不信任也会影响资本和人才的流向。当技术社区对某个领域的信任度下降，投资决策会变得更谨慎，优秀的人才也可能转向其他方向。帖子的点数不高，但它所反映的情绪如果持续扩散，对行业的长期发展并不是好消息。

Hacker News 是 Y Combinator 旗下的技术新闻聚合社区，用户以工程师、创业者和早期技术采纳者为主，其投票机制使高信号内容浮出水面，也使其成为观察技术行业情绪的风向标。该社区对营销话术有较强的集体免疫力，因此当「scam」成为讨论 AI 的框架时，往往意味着专业受众的耐心已被消耗。需要区分的是，社区情绪并不等同于市场现实——它更多反映早期采纳者的态度转变，而这一群体通常领先主流市场 6 至 18 个月，因此其怀疑信号具有前瞻参考价值。

如何在一片 AI 噪音中做判断

对于普通用户和技术从业者来说，与其被动地怀疑一切，不如建立一些可操作的判断标准。

看一个 AI 产品时，可以优先追问几个问题：它解决的具体问题是什么？如果没有 AI 这个词，产品还剩下多少价值？它的效果是否可以被验证，而不是只靠演示和 testimonials？团队是否愿意公开技术细节或局限性？这些问题不能保证识别所有骗局，但能过滤掉相当一部分纯包装的产品。

对于内容消费者，同样需要警惕那些以 AI 为标题的情绪化内容。Hacker News 这条帖子本身就是一个例子：它没有提供论据，却能引发共鸣，因为情绪传播的成本远低于事实核查。理解这一点，本身就是对「AI scam」的一种免疫。

可验证性是区分真实 AI 能力与包装的核心标准。具体而言，可验证性包括：公开的基准测试结果（而非精选演示）、可复现的 API 或试用环境、对失败案例和局限性的坦诚说明，以及第三方独立评估。与之相对的是「演示驱动开发」——只在精心准备的场景中展示效果，回避边缘情况和错误率。对于非技术用户，一个实用的替代指标是：产品是否敢让用户在无销售介入的情况下自由试用，以及团队是否愿意回答「这个功能在什么情况下会失败」。

结语：怀疑是必要的，但不是终点

「Everything is an AI scam now」是一句夸张的断言，但它指出的问题真实存在。AI 技术本身仍在快速发展，真正有价值的应用也在不断出现，问题在于标签的滥用让信号被噪音淹没。

对行业来说，重建信任的方式不是更多的营销，而是更透明的产品、更诚实的宣传和更清晰的边界。对个人来说，保持怀疑的同时保留验证的耐心，可能是在这个阶段最务实的态度。毕竟，把一切都当成骗局，和把一切都当成机会，犯的是同一种错误。