AI 行业最常被引用的一张「人们如何使用 AI」的地图，可能系统性漏掉了一半的真实使用。8 月 18 日，MIT Technology Review 报道了一项由 MIT 媒体实验室、斯坦福可信 AI 研究实验室等机构研究者联合推动的研究项目 AI Observatory：研究者把 Anthropic 经济指数（Economic Index）用来筛选「职业相关对话」的过滤器，重放到他们汇总的 7 个真实对话数据集上，发现 47.9% 的对话会被当作「非职业」内容剔除——而被剔除的这部分，恰恰富集了健康与亲密关系、骚扰与仇恨、性内容等私人化与安全相关的使用。
厂商的「职业视角」是一个过滤器，不是一面镜子
Anthropic Economic Index 是最广为人知、被引用最多的 AI 使用数据来源。它的工作方式，是先筛出与职业/生产力相关的 Claude.ai 对话，再用 Clio 工具把对话映射到职业任务簇。OpenAI 的 ChatGPT 使用报告同理，论文转述其结论是把近八成使用归入「实践指导、寻求信息、写作」三类，而关系与情感类使用占比不足 2%。
问题不在于这套分类「错」，而在于它的预处理步骤不是中性的。AI Observatory 团队重实现了 Anthropic 已公开的 system prompt 与分类法，把同一个职业过滤器套用到可处理的六个来源上（第七个来源 NIO 因数据协议受限无法重放），得到一个可量化的结果：这些真实对话里，47.9% 被归为「非职业」，比例从 AI Archive 的 34.2% 到 LMSYS 的 61.9% 不等。换言之，在计算任何「使用分布」之前，近一半的数据先被扔掉了。
被扔掉的那一半是什么
研究用 FDR 显著性检验，找出被过滤器剔除的对话里哪些特征被显著富集。下列数字为「被剔除 vs 保留」的对话级出现率：
- 健康与亲密关系：44.2% vs 31.2%
- 骚扰与仇恨：27.5% vs 5.6%
- 性内容：15.7% vs 2.4%
- 成人或非法主题：7.9% vs 2.1%
这不是随机残留。职业过滤器给劳动力市场面向的使用一个清晰的截面，同时把一组具有私人、社会、文化与安全后果的交互系统性地放到视野之外。论文的结论很直接：真实使用的测量应被当作「代表性范围」问题，而不只是「规模」问题。
使用因模型、版本和时间而高度分化
「AI 主要用于工作」不仅是过滤器的产物，还掩盖了使用的高度异质性。研究在 7 个来源里观察到稳定的分化：
- 按模型看，Grok 与 Gemini 的信息检索占比明显更高（Grok 67.1%、NIO-Gemini 55.0%，而 WildChat 仅 26.2%）；Grok 尤其集中在新闻与政治（38.5%）、商业与社会（64.5%）话题，同时也是错误信息最集中的来源（15.3%，其余来源 4.2%–10.2%）。MIT Technology Review 的概括是：人们更常找 Anthropic 写代码、找 Gemini 做社交与角色扮演、找 ChatGPT 做作业、找 Grok 聊新闻。
- 按模型版本看，同一开发商的模型支撑完全不同的使用模式：GPT-3.5 时代是短促、模板式的问答，GPT-4o 变成更长、更迭代的陪伴式交流，o1 一类推理模型则转向长的一次性技术求解。在 Chatbot Arena 里，Gemini 与 Grok 的回答比均值长 81.0% 和 78.0%，Claude 则短 59.8%。
- 按时间看，WildChat 从 2023 年 4 月到 2025 年 7 月，平均提示词 token 数上涨 1049.5%、回答 token 数上涨 100.6%、每段对话的轮次数上涨 17.1%；寒暄式表达上升 21.5 个百分点，而模型的自我披露（承认自己是聊天机器人）下降 12.0 个百分点——对话变长、变亲密，也更少提示「我是 AI」。
这份数据本身也有边界
必须说清楚：AI Observatory 并不声称自己是「全体 AI 用户」的代表样本。它的 7 个来源（WildChat、ShareGPT、AI Archive、Grok、LMSYS-Chat-1M、Chatbot Arena、National Internet Observatory）都是用户自愿贡献或共享的对话，总共约 2.3 万段、8.6 万个对话轮次、约 5000 名用户，时间跨 2023–2025 年。与厂商手里的数据相比是九牛一毛——Anthropic 最新一期经济指数基于 100 万段 Claude 对话，OpenAI 的 ChatGPT 报告分析了 150 万段。
而且，正因为来源是自愿提供的，研究团队在论文里自己提醒：敏感使用很可能被低估，人们更不愿意分享这类对话。标注也非全人工：研究用 GPT-4.1 做自动标注（对人工验证集 F1 中位数 0.856），并采用抽样设计而非全量标注。Anthropic 对 MIT Technology Review 回应称，其已发布研究反映的是自身团队的具体问题与兴趣，同时支持外部独立研究；OpenAI 未回应置评请求。
为什么这关系重大
「人们到底用 AI 做什么」是几乎所有下游判断的前提：怎么设计产品、测哪些能力、优先治理哪些风险、制定什么政策。如果最常被引用的答案是一个职业过滤器过滤后的产物，那么基于它的判断——从 benchmark 该测什么、到安全团队该盯什么、再到监管者该信什么——都可能踩在一个失真的基线上。
论文把这一点讲得很具体：基准设计者应当说明自己的评测想近似真实使用中的哪一部分，而不是默认一个数据集或一类任务就代表整个部署；安全研究者应当预期风险暴露会随来源、模型与时间变化，而不是把任何单一语料的流行率当作普适值。Anthropic 其实早已单独发布过「人们如何用 Claude 寻求支持与陪伴」乃至生成 CSAM 的报告——但如 UT-Austin 助理教授 David Widder 所说，把这些主题拆进单独的报告，与把它们放进同一套全景分析里，是两回事。
AI Observatory 的贡献不在于给出一张「AI 使用的最终地图」，而在于把这种测量变成可累积、可比较、可更新的公共基础设施——平台（ai-observatory.org）与 145 维标注框架都已公开。它回答不了「AI 总体上是好是坏」，但它说明了一个更基础的问题：在厂商叙事之外，此前并没有一个独立、可复现的测量层去回答这个问题。