AI 变强，但我们的想象力还没打开
2026.10.17 20:31
最近读到 Anthropic 工程经理 Felix Rieseberg 的一篇文章，叫《How to Be More Ambitious》，讨论了一个很有意思的问题：当 AI 的能力不断突破，我们该如何让自己变得更有雄心？
过去两年，我们已经习惯了 AI 带来的效率提升。写代码、整理资料、分析数据，许多过去需要花费大量时间的工作，如今都可以在很短的时间内完成。但在这些变化背后，有一个更根本的问题：当我们能够调用的能力已经发生巨大变化，我们对于「什么是可能的」的判断，是否也在同步更新？
我们往往会根据自己的能力来确定目标。会多少技能，有多少时间，能调动多少资源，决定了我们敢想多大的事情。这些限制长期存在，逐渐成为我们理解世界的默认前提。很多事情并不是经过判断后被认为不值得做，而是因为看起来超出了自己的能力范围，从一开始就没有进入我们的想象。
AI 正在改变这种关系。一个人能够调用的知识、工具和专业能力正在快速增长，但我们制定目标的习惯，可能依然建立在过去的能力结构之上。
一、效率提升之后，有什么变得更重要？
Felix 在文章中提出了四个维度：Speed（速度）、Altitude（高度）、Depth（深度）和 Range（广度）。
速度最容易理解，也是目前我们讨论最多的维度。同样一项工作，过去需要一天，现在只需要一个小时。但速度的提升通常默认了一件事：我们原本要完成的任务，就是值得完成的任务。
文章中举了一个季度业务复盘的例子。一家公司每个季度都要制作业务汇报，团队花费大量时间整理数据、制作图表、总结结论。现在，AI 可以在很短的时间内完成这些工作。但如果继续追问，我们为什么需要这份报告？答案可能是为了让管理层发现问题、理解原因，并作出更好的决策。
既然如此，季度汇报就只是实现这个目标的一种手段。如果 AI 已经能够持续分析经营数据、识别异常、追踪原因，我们是否还需要等到季度末，再通过一份 PPT 来理解过去发生的事情？能否重新设计一种持续运行的决策机制，让问题被更早发现、让信息在需要决策时自然抵达需要它的人？
这就是作者所说的 Altitude：提高问题的抽象层级，从完成具体任务转向实现真正的目标。
我觉得这一点对产品经理尤其重要。我们经常强调理解用户需求，但实际工作中，仍然很容易被已有的功能形态和业务流程限制。需求一旦被表述为某个具体功能，我们便开始讨论交互、排期和实现方案，却很少重新检查它背后真正想促成的变化。
当执行越来越容易，我们反而更需要警惕：是否正在更高效地做一些本不必存在的事情？
二、当答案越来越容易获得，真正的理解反而更加重要
高度决定我们选择解决什么问题，而深度决定我们是否真的理解了这个问题。
AI 可以非常轻松地生成看起来专业的内容。让它分析用户流失，它可以给出一份结构完整的报告；让它研究某个行业，它能够迅速整理市场规模、竞争格局和发展趋势。但这些内容究竟是经过验证的知识，还是对已有信息的重新组织？
真正的专业能力，体现在能否运用这个领域的方法去发现、解释和验证问题。
比如，一家公司发现用户流失率持续上升，团队普遍认为原因在于新用户引导。如果让 AI 研究如何优化引导流程，它很容易给出一套完整的改进方案。但一个严谨的数据科学家会首先检查这个前提是否成立：用户流失是否真的与引导流程有关？有没有其他变量同时发生变化？观察到的相关性是否意味着因果关系？
前一种方式是在既有假设下寻找解决方案，后一种方式则允许证据改变我们对问题本身的认识。
Felix 因此强调，应该让 AI 接触原始数据，使用领域专家真正依赖的方法与工具，主动挑战已有共识，并通过独立证据验证结论。
深度的意义，不在于让答案变得更加庞大，而在于让我们的认识更加接近真实。
当内容生成的成本大幅下降，真正稀缺的就逐渐变成了判断哪些信息可信、哪些解释成立，以及我们到底有没有获得新的认识。AI 可以帮助我们完成大量分析工作，但人仍然需要对问题、方法和结果保持判断。
三、重新组合能力，比掌握更多技能更重要
文章中的第三个重要维度是 Range，也就是扩大解决问题所能够调动的专业范围。
过去，我们对一个问题的理解往往受到自身专业背景的影响。工程师倾向于从技术角度思考，设计师更关注交互和体验，商业分析师习惯从经营指标中寻找答案。不同领域都有自己的方法，但跨学科协作通常需要较高的组织成本。
AI 正在降低这种成本，让一个人有机会运用过去难以接触的专业方法。
比如，如果我们想开发一款帮助人们理解知识的产品，沿着传统产品开发思路，很容易开始讨论搜索、知识图谱和交互流程。但如果把问题重新表述为「如何帮助一个人在接触陌生概念时，更快建立与已有知识的联系，并形成可以迁移的理解」，就会自然引出认知心理学、教育学、历史学和信息科学等不同领域的研究。
Felix 提出了一个很有意思的技巧：尝试把任务中的名词改写成动词。「制作季度业务复盘」描述的是一个交付物，而「帮助管理层理解业务变化背后的因果关系，并在不确定性中作出决策」描述的是一个希望促成的结果。这样的重新表述，有助于我们跳出熟悉的工作流程，让更多领域的方法进入问题。
当然，跨学科协作的价值，并不在于让 AI 同时扮演多少种专家。如果只是让不同角色分别发表意见，最后汇总成一份报告，我们获得的可能只是更多视角的文字表达。真正有价值的是引入不同领域有效的方法，让它们在研究过程中彼此补充、相互检验。
这背后隐含着一种个人能力结构的变化：一个人的创造力，正在越来越多地取决于他能否提出好的问题，并有效组织不同的知识、工具和能力。
专业知识依然重要，但我们不必再把自己亲自掌握的技能，视为可以探索的全部范围。
四、我们还没意识到，自己低估了多少可能性
读到这里，我觉得这篇文章触及了一个更根本的问题：我们对自身能力的认识，是如何形成的？
心理学中有一个概念叫自我效能感（Self-efficacy），指一个人相信自己能够完成特定任务的程度。这种信念会影响我们选择什么目标、愿意付出多少努力，以及面对困难时是否继续尝试。
这里存在一个有意思的循环：我们通常只会认真尝试那些自己认为有可能完成的事情，随后获得的经验又进一步强化了原有的能力判断。那些从未进入尝试范围的可能性，也就很少有机会被验证。
在很长一段时间里，这种机制是合理的，因为人类能力的增长通常比较缓慢。学习一项新技能需要长期训练，进入陌生领域需要积累知识，组织更多资源则意味着更高的成本。
但 AI 带来了一个特殊的变化：个人能够调用的能力，可能在很短时间内发生显著变化，而我们对自己能做什么的认识，却依然建立在过去的经验之上。
于是，我们仍然习惯向 AI 提出自己过去就会提出的任务，用它开发过去想得到的功能，优化已经存在的流程。这些当然创造了价值，却也值得我们重新审视：如果不再受到过去那些能力限制，我们是否还会选择做同样的事情？
我觉得，我们可以重新检查自己的目标清单。有哪些事情是经过认真思考后主动放弃的？又有哪些事情，只是因为过去看起来太难、太贵、太遥远，所以逐渐被我们从想象中删除了？随着能力条件变化，后者或许值得重新进入我们的视野。
不过，对于 Ambition 这个词，我还有一点不同的理解。
在今天的技术叙事中，雄心很容易与规模、速度和增长联系在一起。如果 AI 让一个人可以完成过去一个团队的工作，那么他就应该创造过去一个团队的产出；如果一项工作从一周缩短到一天，那么节省下来的时间就应该继续投入更多任务。
但如果每一次效率提升，最终都转化为更高的产出要求，那么技术虽然改变了生产能力，却未必改善了人的生活。
我认为，雄心也可以有另一种含义。对于创业者，可能意味着用一个很小的组织解决过去只有大型公司才能解决的问题；对于研究者，可能意味着跨越原有学科的限制，探索真正感兴趣的领域；对于长期被事务性工作占据的人，也可能意味着重新设计工作方式，让自己终于有时间投入学习、创造、关系和生活体验。
雄心的本质，或许不是不断追求更大的产出，而是不再让过去的限制替我们决定什么值得追求。
这也是为什么我始终认为，AI 最重要的价值，不应该仅仅是把人变成效率更高的执行者。它更值得期待的方向，是让人逐渐摆脱那些不得不亲自完成、却并不构成自身价值的工作，重新获得探索世界、创造事物以及安排自己生活的自由。
AI 可以帮助我们理解世界、探索目标和评估选择，但什么值得追求，仍然需要我们在真实的生活中不断回答。
过去，我们习惯根据自己能做什么，来决定自己想做什么。现在，随着能力的限制逐渐松动，我们有机会反过来思考。
当越来越多的事情变得可能，真正重要的或许不再是我们能够做多少，而是我们究竟想实现什么。
本文受到 Felix Rieseberg 的文章《How to Be More Ambitious: A Tutorial for Humans with Models》启发。阅读原文：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/