
A |

B | 那么,这些老人到底“新”在哪里?年轻人又为什么会对他们的生活产生共鸣?

图源:视觉中国
一不被年龄框住、不给生活设限的心态,是许多“新老人”身上的鲜明特质。当这种生活态度延伸到一日三餐、兴趣爱好和行事方式上,便悄然打破了人们对老年生活的固有想象。口味很新。

C | 该图片使用了AI生成技术 本文来自微信公众号: HavenlonLabs ,作者:Havenlon Labs 当AI还只是生成文字、图片和代码时,一次出错不过是回答不准、图片跑偏、代码返工。

D | 曾经,一般老年人对于饮食的态度是“吃得饱”,现在慢慢变成了“吃得好、吃得有趣”。那些没尝试过的美食,对他们别有一番吸引力。但当AI开始能发邮件、改数据库、批订单、调资金、控制设备,它就从"回答问题的模型"变成了"把判断变成现实的执行系统"。 这中间的差别不是量的,而是质的。吃螺蛳粉,从嫌弃它的臭到慢慢上头;喝奶茶,从不熟悉奶茶包装到熟练解锁;吃火锅,从只会一次性把菜下到锅里到学着研究嫩牛肉、毛肚的最佳口感……解锁“吃”的新体验,成了生活里的小乐趣。玩法很新。前者的错误可以被撤销、重来、修补;后者的错误会沉淀成一笔转账、一条删除的记录、一个已经合上的电闸。“新老人”的生活不再只有散步、下棋、带孩子,而是有了各种新式的玩法。

E | 有熬夜追短剧的,第二天还不忘和闺蜜讨论剧情;有研究穿搭的,在网上学习各种搭配,颇有时髦范儿;还有学摄影的大爷,背着相机天不亮就去公园蹲机位,拍完还不忘发条朋友圈分享今日作品。一旦落地,很多结果没有"再生成一次"的选项。此前,四川成都一支队员平均年龄65岁的BSG电竞队受到关注。

F | 我们却仍习惯用同一套指标给这两类系统打分——正确率99%、99.9%、99.99%,每多一个9,仿佛就离"可信"更近一步。

G | 一群头发花白的老年人,坐在电脑前和队友配合、较量。但安全领域最容易被忽略的一句话是: 正确率描述系统通常表现如何,却没告诉你它最坏能错到哪里。赢了特别有成就感,输了也不气馁,还会复盘比赛、记录攻略。他们用行动证明,年龄会增长,兴趣却未必打烊。圈子很新。

H | 下面七个数学视角,藏着AI执行安全真正的分水岭。“新老人”的生活里,不只有同龄人,还有越来越多年轻人的身影。他们网上冲浪、紧跟时事,和年轻人聊热梗、追热点,遇到不懂的还会向年轻人“请教”,比如问某个表情包是什么意思、向晚辈请教怎么下单“秋天的第一杯奶茶”,等等。还有“新老人”把朋友圈拓展到了网络空间,他们把生活片段分享到社交平台,收获一大批年轻粉丝。对他们来说,社交不再只是“找老朋友聊聊天”,而是主动走出去,认识更多的人。

图源:视觉中国
二社交平台上,网友分享自家爷爷奶奶的新潮日常,字里行间不乏骄傲。它们不复杂,用的都是中学数学,却常常在最关键的决策上被绕过去。

I | 这些“新老人”的生活,触动了当下的许多年轻人。他们给年龄焦虑松了绑。

J | 今天的年轻人,似乎很早就开始跟年龄较劲了。 1.正确率把所有错误压成了同一个数字 一个系统执行一万次,9999次对、1次错,正确率99.99%。报表上堪称优秀。

K | 从对衰老的担忧到“35岁危机”,年龄的增长常常意味着失去一些东西:竞争力下降了,选择变少了,生活也好像被一条条“应该”框住了。但那一次错是什么?错分一封邮件,几乎无害;误删生产数据、批一笔无法追回的转账、启动高风险设备操作,评价则完全不同。

L | 问题在于,正确率只数次数。统计表里,分错邮件是"1",转错巨款也是"1"。可现实中的错误从不等价。 衡量安全,更接近现实的是"风险等于概率乘以损失"这条基本公式: 风险=发生概率×可能损失 一个错误很少发生,不代表它不重要。可“新老人”提供了另一种答案,让人重新理解“变老”这件事:重要的不是年龄,而是拥有一颗永远年轻的心。假设某类事故概率只有万分之一,每次却损失一亿元,把它代入公式,风险依然是一万元,不能被当作"几乎为零"随手抹掉。即便到了七八十岁,依然可以因为一杯奶茶开心,因为一片风景心动,因为学会一项新技能而产生成就感。 更麻烦的是,这类损失往往不能用平均值消化。他们让代际关系“反了过来”。企业也许能承受每年稳定损失一万元,却未必扛得住某天突然损失一亿。过去,长辈往往是家庭中的“给予者”:给晚辈传授经验,替他们操心,也习惯用“我吃过的盐比你吃过的饭还多”来提醒年轻人应该怎么生活。

M | 前者是可以摊进预算的成本,后者可能直接决定企业还在不在。

N | 年轻人则更多是那个接受照顾、接受教导的人。数学上的期望值假设你能反复经历很多次、让好运和坏运相互抵消;但对一家公司来说,最坏的那一次如果足够坏,就没有"下一次"来平摊了。“新老人”身上却出现了有意思的变化:不会点外卖,就让晚辈帮忙点;不会拍视频,就让晚辈帮忙拍。在这种角色的反转中,年轻人因此获得了一种不同于被动接受教育时的主动权,这反而让两代人的距离更近了。安全评估要看的,从来不只是期望值,还有那条最坏情况的尾巴有多长。 智能系统追求提高做对的比例,安全系统关心限制做错的代价。 2.一万次没出事,不等于风险为零 另一种常见说法是:"系统跑了一万次,从没出严重问题。他们不扫兴,还提供情绪价值。生活中,年轻人往往想着给老一辈买点好的、带他们吃点好的,可老人却总是把“给孩子省钱”挂在嘴边:东西太贵了别买、饭随便吃点就行。"很有说服力,但它只证明过去一万次没出事,证明不了概率为零。 用"一次都不出事的概率"这个公式可以算笔账: 一次都不出事的概率=(1−p)^n 其中p是单次事故概率,n是测试次数。

o | 若p是十万分之一、n是一万,代入后约等于90%。也就是说,即便系统真藏着十万分之一的风险,跑一万次仍有约九成可能什么都看不见。它未必通过了考验,只是还没遇到那道考题。 这也是很多重大事故发生前,系统长期"稳定运行"的原因:风险不是在事故当天才诞生的,它可能一直存在,只是过去的样本还没触发它。

p | 没观察到风险是一种观测结果,风险不存在是一个强得多的结论。相比之下,“新老人”似乎更懂得享受这份心意。该吃就吃,该买就买,晚辈请客也不一个劲儿推辞,偶尔还会主动拉着孩子一起消费。 3.越罕见的事故,代价往往越大 频繁的小问题容易被看见:页面每天卡十次,用户会投诉,报表会记录,问题越频繁越容易进入工作计划。真正危险的风险常常相反——几年一遇,甚至一家公司整个周期都没发生过,可一旦发生,一次抵得上所有日常小错之和。

q | 同样用"概率乘以损失"对比两类问题: 问题A:概率1%×损失100元=平均风险1元问题B:概率0.001%×损失1000万元=平均风险100元 A更常见,B几乎看不见,但B的平均风险是A的一百倍。

r | 而且B一旦发生,带来的不是"平均100元",是实打实的1000万。 错误也从不均匀分布。这种洒脱,反而让亲情关系变得轻松起来,让年轻人在反哺中感受到被回应、被认可的满足。假设系统每年十万次任务,99%是普通操作(错误率0.01%),1%是紧急操作(错误率5%):普通操作约出10次错,紧急操作只有一千次却出约50次错。

浙江安吉一位“潮奶奶”的春日大片 图源:“浙江新闻”微信公众号
三“很新的老人”引发关注的背后,其实藏着更深层的时代命题,值得我们多想一层。对此,笔者有三点看法。整体正确率仍高达99.94%,可占业务量1%的紧急操作,制造了超过80%的错误。

s | 老人“新”起来,是水到渠成的结果。过去,不少老人心里总悬着几件事,怕生病、怕花钱、怕给儿女添负担……这些“怕”,让晚年不得不收着过。如今,随着社会保障逐步完善,看病、养老有了一定兜底,一些老人心里的顾虑慢慢化解,才敢把日子过得更舒展一些。

t | 与此同时,接触新事物的门槛也低了。智能手机的普及带动移动支付、短视频等各类应用走入日常生活,老人随手就能点开、体验。

u | 那些过去觉得“离自己很远”的东西,现在不知不觉就融入了老人的日常。技术不一定能改变一个人,但它确实给愿意尝试的老人提供了更多入口。当然,也有一部分老人恰好赶上了改革开放以来经济腾飞的阶段,辛苦了大半辈子,手里攒下一些积蓄。对这部分人来说,晚年不再只是“够用就好”,而是有条件在能力范围内为自己花点钱。 这就像一条平均一米深的河,大部分地方半米,中间却有个五米深的坑。“很新的老人”们的新需求值得被看见。平均值没撒谎,它只是把最危险的部分藏了起来。修堤坝的工程师从不按河流的平均水位设计,决定堤坝高度的,永远是几十年甚至百年一遇的极端水位。过去,养老更多解决的是“老有所养”的问题,今天则需要更多回应“老有所乐”和“老有所为”的期待。

v | AI执行系统也一样:普通任务里的小错决定用户体验,极端场景里的一次错却可能决定企业还能不能继续存在。

w | 所以安全评估不能只问"平均错误率是多少",还要追问:高金额操作、紧急模式、陌生地址、跨境转账、权限恢复、数据缺失、多规则冲突时,错误率各是多少。如果养老产业只盯着轮椅拐杖,就接不住老年人悦己的渴望;如果社区活动室只有棋牌桌和电视,就装不下他们想排话剧、组合唱团的需求;如果旅行社的老年团线路还是上车睡觉、下车拍照,就满足不了老年人想慢下来喝杯手冲咖啡、逛个展的旅行期待。很多老人不是没有需求,而是找不到真正从他们视角出发的产品和服务。

x | 当社会为老年人的兴趣爱好和精神需求留出更多空间,老去也就不再意味着生活半径的缩小,而可以是另一段精彩人生的开始。总体表现优秀,证明不了每一个局部场景都安全。 事故不会公平落在每一次操作上,它总聚集在系统最难处理、后果最严重的角落。喝彩的同时,别忽视了那些沉默的大多数。 4.三个人同意,可能只是同一个错误重复了三次 为降低个人误判,企业惯用多人审批。

y | 其实,热搜里的“新老人”终究是少数,并不是老年人的普遍状态。生活中,有的老人走进餐馆不知道该怎么扫码点餐;有的老人第一次拿到奶茶,不知道吸管该从哪里戳进去;还有的老人没有稳定的养老金,经济上并不宽裕,不会用智能手机,也很少出远门,出行和消费都被困在有限范围内。逻辑没错,但前提是判断足够独立。这些画面不够“新鲜”,也不容易被流量看见,所以他们几乎没有出现在镜头里。

z | 但他们对便利生活、安心养老的期待,并不比任何人少。 用"多数表决下至少两人同时出错的概率"来看:三个独立审批者各有10%错误率、多数通过,至少两人同错的概率约2.8%,远低于单人的10%。这正是多人决策能提高可靠性的数学基础。 可现实中的审批往往不独立:三个人看同一份摘要、依赖同一个AI风险评分、引用同一个数据库。若系统自动生成的摘要写着"常规数据库优化,预计无业务影响",三位负责人看的都是这句话,都没查实际命令,于是都点了同意。流程上是三人共审,信息结构上只是同一份错误摘要被确认了三次。当我们把目光投向“新老人”时,也应该多看看那些“不够新”的老人。

| 他们同样值得被看见、被照顾,同样有权利拥有一个体面、从容的晚年。晚辈多一点陪伴的时间、技术多一点普惠的温度、社会多一些关照的目光,这些同样是值得我们认真探讨的议题。

| 让“新”成为一种选项,而不是标准,同时也为“不够新”留出足够的时间和空间。一个真正包容的老龄化社会,不是要求每个人都活得“年轻”,而是看见每一种生活方式、尊重每一种生活节奏,让更多老人可以按照自己的意愿过好晚年。作者:嘉轩

| 用"剩余风险等于漏检率乘以未识别比例"估算: 第一道漏检5%,第二道独立且识别80%→剩余风险=5%×(1−80%)=1%第二道只看同一份摘要、仅识别5%→剩余风险=5%×(1−5%)=4.75% 同样两层流程,前者把风险降到1%,后者几乎原地踏步。组织付出了更多时间、生成了更多日志,真实安全能力却没变。审批的价值不在页面上多了一个名字,而在于它是否带来新的事实、新的验证方式和新的拒绝能力。 真正降低风险的,不是多一个人点击,而是多一个独立的信息来源。 5.AI的"90%确定",不是现实中的90%安全 当AI说"我有90%把握",人们容易听成"这件事90%安全"。但置信度只是模型对自身判断的评分,不是现实开出的担保书。一个校准良好的模型,给90%置信度的判断里约九成正确;可现实中的模型可能给90%时实际只对70%,甚至在从没见过的场景里依旧自信。模型最危险的状态,不是承认不知道,而是不知道自己不知道。 即便置信度完全准确,它也只覆盖模型看到的那部分。真实执行还依赖输入是否真实、数据是否完整、审批是否被误导、策略是否过期、设备是否正常。用"串联系统整体可靠度等于各环节可靠度相乘"这条公式来看,假设一条链五个环节各99%可靠: 整体可靠度=99%×99%×99%×99%×99%≈95.1% 每一环单看都优秀,组合后只剩约95.1%。不是哪一环突然变差,而是串联结构会把每一环的不确定性乘在一起、层层累积。环节越多,这种衰减越明显——十个99%的环节串起来,整体可靠度就跌到约90%。

| 这也解释了一个反直觉的现象:把系统拆得越细、加的检查越多,如果这些环节是串联的、必须全部正确,整条链反而更脆弱。 模型可以有90%的把握,但"模型有多少把握"和"这项操作能否被安全执行",始终是两个不同的问题。 置信度是模型对自己的评价,不是现实对模型的承诺。 6.为什么最后一道边界反而应该更"笨" 如果正确率覆盖不了严重后果、历史数据证明不了零风险、多人审批可能共享同一错误、模型置信度也代表不了全链路安全,那现实执行最终该靠什么? 答案有点反直觉:最后一道边界不需要比AI更聪明,它应该更简单、更保守。 AI要理解复杂世界——读文件、判意图、处理例外、在不完整信息里给出最可能的答案。

| 最后一道边界不需要理解世界,它只需记住少数绝不能被突破的条件。用一个"所有条件相乘"的判定公式表达: 执行=A×T×W×Q×S其中:金额未超限A、目标在允许范围T、时间在许可窗口W、授权人数达标Q、设备状态正常S(每项满足记1,不满足记0) 任何一项为0,结果就是0,即拒绝执行。它不懂"情况紧急",不会被一个充分的理由或一段宏大叙事说服,只检查条件是否满足——这正是它的价值。越聪明、越灵活的系统,越擅长为例外找理由;而最后一道边界要做的,恰恰不是理解例外,而是拒绝例外。 AI可以建议向一个新地址转移资产,边界只需检查这个地址是否经过必要的等待与验证;AI可以判断某项操作非常紧急,边界只需检查紧急状态下是否仍满足金额、授权和设备条件。AI负责处理开放世界的复杂性,边界负责守住封闭世界的底线。 AI需要理解整个世界,边界只需要记住哪些事情绝不能发生。 7.从"提高正确率"到"限制错误的距离" 过去的软件主要追求效率:更快、更准、更自动,就意味着更高的生产力。AI时代没有改变这一点,却增加了一个新问题——当一个概率系统拥有了现实执行能力,错误就不再停留在屏幕上。

| 一句错话可以重说,一笔完成的转账可能无法撤回;一个错误建议可以修改,一次已经发生的物理动作却没有第二次机会。 所以AI安全不能只问"怎样让模型少犯错"。模型该更准、数据该更可靠、测试该更全面、审批该更有效,但这些主要解决的仍是"降低出错概率"。执行安全还必须回答另一个问题:一旦错误真的发生,它能走多远?能否越过审批、拿到签名、改动关键系统,把一个概率性的判断直接变成不可逆的现实? 这两件事都重要,但不是同一件事。前者是把出错的概率往下压,后者是给已经发生的错误装上刹车和护栏,限制它能造成多大的破坏。一个只优化正确率的系统,是在赌坏事永远不发生;一个真正安全的系统,是在假设坏事迟早会发生的前提下,仍然让后果可控、可撤回、可承受。

| 成熟的系统不会把希望全押在错误永不出现。它承认模型会误判、数据会污染、人会疲劳、审批会被诱导、规则会过期、设备会异常,然后在所有不确定性之后,仍保留一道简单、清晰、独立、能够说"不"的边界。

| 这道边界不追求聪明,只追求可靠;它不参与判断该不该做,只负责守住绝对不能做的那条线。

| 统计学研究不确定性如何出现,安全工程研究的,是不确定性抵达现实之前如何被拦住。最终,我们需要记住的也许只有一句话: 概率可以参与判断,但不能独自拥有执行权。 本内容由作者授权发布,观点仅代表作者本人,不代表虎嗅立场。如对本稿件有异议或投诉,请联系 [email protected]。
Current article:http://jyfr.bianneixuanbingqinyouxie.buzz/news/20260826_393148.html
Published on:00:11:25