《对 AI 好奇》

一位研究“抗拒”的人（序）：毛雷尔说，他原以为 AI 可有可无：幻灯片、讲义、工作坊内容，他自己都做得了。他的研究把人对新想法的抗拒分成三层（three levels of resistance）：

• 第一层“我不明白”（I don’t get it）：觉得这个想法让人困惑、不相干，或者言过其实；
• 第二层“我不喜欢”（I don’t like it）：情绪上的反应，通常出于恐惧；
• 第三层“我不喜欢你”（I don’t like you）：对提出想法的人信不过。

他回头看，自己对 AI 三层都有：觉得它技术味重、炒作过头；以为太难太复杂；觉得它该和“加密货币”“蛇油”（snake oil，骗人的万灵药）归为一类，承诺太大。转折很小：他和作者同在一个小组，作者讲的不是让 AI 干零碎小事，而是把它当成能反驳你、检验假设、提出你没想到的方向的思考伙伴。演示结束时有人想要这次对话的文字稿，作者当场让 AI 整理成 PDF，散会前人人拿到一份。后来他上了作者的课，把自己多年的理念和眼下的难题放进 AI 的知识库，很快就得到实在的帮助，用不着技术专长。

他举了一个例子：设计一场三小时的线上工作坊，先让 AI 帮着排议程，再问它“我的设计有什么弱点，漏了什么”。AI 指出内容太多、开场调动不够快，建议砍掉导论、收窄焦点。最后工作坊压到 90 分钟，而且更好。他说，这和听人批评的感觉不同，不用先给自己打气，更像一位体贴的同事接着他的想法往前推。他提醒，只给 AI 派任务，它就只是一台“美化了的自动售货机”（glorified vending machine）；好奇心让交流变成对话。

用自己的框架回头看：第三层的信任早就有了，因为他信任作者；第一层由这本书解决，因为书讲的是怎么想，不是技术；第二层在实践里化开，看到 AI 能提高他交给客户的东西的质量，恐惧就松了手。

我信任 Danny，远早于我信任 AI。

I trusted Danny long before I trusted AI.

序

如果你拿起这本书时，心里正有这三层抗拒中的任何一层，我猜你会和我一样发现：好奇心能把它们全都化开。

If you picked up this book with any of those three levels of resistance in play, I suspect you’ll find, as I did, that curiosity is the solvent for all of them.

序

布雷茨的故事（引言）：1927 年 1 月，44 岁的地质学家布雷茨（J. Harlen Bretz）在华盛顿地质学会（Geological Society of Washington）报告他在华盛顿州东部五年的研究。那里有一道 400 英尺高、3 英里宽的干瀑布，房子大小的巨石散落在高原上。他把这片地貌命名为“河道疤地”（Channeled Scablands），主张它是几天之内一场灾难性洪水冲出来的，不是几百万年慢慢侵蚀成的。当时的主流学说认为地球只由缓慢渐进的过程塑造，六位地质学家轮番驳斥，多数批评者从没去过现场。此后四十年，他在科学界被冷落。1965 年，一批地质学家终于亲自去看，站在干瀑布（Dry Falls）边上，给他发了一封电报：我们现在都是灾变论者（catastrophists）了。

作者说，这不是“孤独的天才对、其他人都错”的故事。批评者有理由：布雷茨当时说不出那么多水从哪里来。问题出在别处：

问题不在他们的智力，也不在他们的专业。问题在于他们不再好奇了。

The problem wasn’t their intelligence or their expertise. The problem was that they stopped being curious.

引言 开头

他说，试过 AI、失望离开的人，对自己那次体验的判断没错，但他们是“远远地看着疤地”；而默认的使用体验也不会提醒你还有更多。

两种都不对的立场（引言）：作者先承认担忧是真的：运行这些系统的电力和环境代价、知识产权、深度伪造（deep fakes，用 AI 做出以假乱真的视频和声音）、泛滥的 AI 内容侵蚀网上的信任、用得不负责任让人能力下降、大规模的就业冲击。感到不安是对处境的正常反应，不是个人的失败。面对这些，人们常倒向两头：一头是全速狂热，抢着全面采用；一头是回避式的怀疑，觉得都被夸大了，等尘埃落定再说。作者说两种他都有过，两种都太快地把复杂的事压扁了。他要的态度是不盲目追捧，也不条件反射地否定。

他认为，不参与并不中立：你继续用老办法解决问题、只凭独自思考做决定，从里面看一切照旧，所以代价不容易察觉。

这一切都不会让你觉得落后了，因为差距不会自己宣布。它们只是悄悄累积。

None of this feels like falling behind, because the gaps don’t announce themselves. They just accumulate.

引言 The Loudest Conversation

但他也说，不必恐慌，不必赶在想象出来的截止日期前学会一串工具。

必然性要求的不是紧迫，而是找准方向。

Inevitability doesn’t call for urgency. It requires orientation.

引言 The Loudest Conversation

书名的两层意思（引言）：一是对 AI 好奇：它是什么、怎么运作、能做什么不能做什么、为什么时而强大时而让人失望；二是把好奇当作待人处事的姿态，用真诚的发问代替评判。作者发现，结果失望的人模式相同：带着定见去，下命令，评判输出；结果出色的人留在对话里，追问、反驳、补充背景，把它当成思考上的合作。评判来得容易，给人“知道自己站在哪边”的安心，却在弄懂之前就把人锁死；肯在问题里多待一会儿，才分得开真正的理解和“自信的无知”（confident ignorance）。

AI 也在塑造我们（引言）：作者对 AI 说“请”和“谢谢”，不是因为 AI 在乎（它不会在乎），而是因为这对他自己重要：你习惯怎样对 AI 说话，迟早会带到和人相处里去。颐指气使、只当它是工具，会练出不耐烦和“用完就扔”的心态；好奇的、对话式的交流，练的是注意力和关怀，判断留在人这边。有人说对 AI 粗鲁能得到更好的结果，作者说也许对这一代模型成立，但模型会换，人不会重置。

我宁可保护人，也不去迁就算法。

I’d rather protect the human than optimize for the algorithm.

引言 How AI Shapes Us

这本书不做什么（引言）：不教具体工具，不列应用清单，不演示工作流，不教搭智能体，也不承诺帮你省时间。作者说，AI 真正的价值不是省时间，而是“扩展时间”：不给你更多小时，而是让你在已有的时间里想得更好。工具变得很快，今天的前沿半年后可能就过时了；学会和 AI 一起好好思考，这种能力不过期，还能迁移。AI Strategist 的学员说，AI 从“注水内容生成器”（fluff generator）变成了可信赖的思考伙伴。作者的结论是，多数人的失望来自用法，不来自技术：他们把 AI 当成“语法更好的搜索引擎”，问一句，得一答，就走了。

起初的失望（第 1 章）：作者早期试 AI，输出语法正确、结构合理，却空洞，像一个“看懂了题目、但对结果毫不在乎”的人写的。他预见 AI 会冲击自己的行业，硬着头皮请教懂行的人、看演示，还是觉得噱头大于实用，修改的工夫几乎等于自己重写，更像派对上的小把戏，不像正经的商业工具。他甚至怨恨不得不在 AI 上花精力。

健康问题与时间的约束（第 1 章）：他长期受一个健康问题困扰，医生承认问题是真的，却查不清。看过专科、做过检查，每位医生听完病史给出最好的猜测，却总在已经排查过的范围里打转。作者说问题不在医生，而在结构：15 分钟的门诊，容不下疑难病例需要的那种探索。他需要一位肯花几个小时、把各种可能都想一遍的医生（找不到常见病因，就该去找罕见病因，书里用“马”和“斑马”打比方），可是医疗的经济账不允许，这里面没有坏人。

因为约束不在专业水平，而在时间。

Because the constraint wasn’t expertise—it was time.

第1章 When the Frame Broke

持续几天的对话（第 1 章）：当时他在读彼得·阿提亚（Peter Attia）的《Outlive: The Science and Art of Longevity》，又在重看《House MD》。他开了一个新对话，让 AI 扮演阿提亚和剧中医生豪斯（Gregory House）的合体，组织一个二十多个医学亚专科的专家组，轮流问他的症状：只提问，不诊断；只追问，不下结论。问完之后，让 AI 列出所有可能符合的诊断，按可能性排序，再一个个往下挖。对话持续了好几个小时，又延续了好几天。

和医生谈话总有时间压力，你会自己删减，把乱糟糟的情况压成对方能很快处理的版本；这里没有这种压力，看似离题的问题常常通向意想不到的地方。他也开始换一种方式回答：说出看似次要的细节，追一个可能没结果的直觉，说“我不确定，让我想想”，然后真的停下来想几分钟。

区别在于，它可以彻底上好几个数量级。

The difference was that it could afford to be orders of magnitude more thorough.

第1章 The Extended Dialogue

作者说，AI 并不比医生聪明，也不掌握医生没有的知识；人的注意力是“零和”的（zero-sum，给了这个人就少了那个人），多补一段背景，在人那里有代价，在 AI 这里几乎没有。他知道对面只是一个系统，但“对话的体验是真的，即使那段关系不是”。

变了什么，没变什么（第 1 章）：AI 没有解决他的健康问题，也没有替他做决定。哪些线索值得找真正的医生跟进、怎么核对它说的东西，都由他自己判断；健康决定的责任始终在他身上。变的是他处理信息的能力：能同时看到更多全貌，不丢线索，几天后接着想；他用作者的话说，不是一天多出几个小时，而是每小时多想一些。

AI 给了我一张更好的地形图，但往哪儿走，仍得我自己选。

AI gave me a better map of the terrain, but I still had to choose where to walk.

第1章 What Changed (And What Didn’t)

他把同样的耐心用到困扰几个月的经营问题上，模式依然成立。妻子兼事业伙伴彪米（Bhoomi）先看出了差别，她对团队成员说：“我用我的 AI，感觉像个初级助理；Danny 用他的，感觉像个资深战略顾问。”作者的结论是：同样的技术，用法和带进去的背景不同，听起来就像两个系统。限制多数人的不是技术，而是互动的方式。

背景是洞见的燃料（第 2 章）：作者追问那次为什么有效，答案和 AI 本身关系不大，和“注意力的经济账”（the economics of attention）有关。跟医生、律师、教练这些时间宝贵的人打交道，我们习惯先总结、抓要点，删掉边边角角，只给自己认为最相关的那部分。这个习惯从小养成，自动到察觉不到。可复杂的情况抗拒压缩，最有价值的发现有时就藏在离题处。那次他第一次不删减、不压缩，于是 AI 能拿到比任何人都多的背景。作者的核心命题是：更多的背景让更好的洞见成为可能。

多数人像用搜索引擎那样用 AI，结果也就像在街上问陌生人要不要换工作：对方不知道你的经历、价值观、约束和顾虑，只能说“追随热情，相信直觉”，不算错，但没用。

大多数人以为自己看到的是 AI 的天花板，其实看到的是它的地板。

Most people assume they’re seeing AI’s ceiling when they’re actually seeing its floor.

第2章 When the Constraint Lifts

“冷启动提示”（cold-start prompt，什么背景都不给的第一句提问）得到的第一份回答，是这项技术最差的版本，就像凭电梯里五分钟的寒暄评判一位顾问。真正的收获来自几个小时的持续对话，而多数人远在那之前就放弃了。

你能做的最重要的一件事，就是留在对话里。

The single most important thing you can do is stay in the conversation.

第2章 When the Constraint Lifts

从“提示”到“互动”（第 2 章）：提示是一次性的：想好、发出、拿到回答、结束。互动是一轮接一轮：问题引出答案，答案引出更好的问题，背景越积越多。作者觉得这更像“增强认知”（augmented cognition）：AI 替他装着他自己脑子里装不下的背景，把他前后说的话连起来，把他的思考反射回来。他打了个比方：在脑子里拼拼图和把所有碎片摊在桌上拼，是两回事；AI 给了他一张更大的桌子。

说出来，接着谈（第 2 章）：由此有两个推论。第一，凡是让你更容易说出更多的东西，都能提高结果的质量。作为写作者，作者自己也意外：他更喜欢语音输入。打字逼你先知道要说什么；说话让你边说边发现自己在想什么，可以说到一半、绕回来、先拿出毛坯。第二，连续性要紧：背景累积才有好洞见，新开一个对话就从零开始，像每次都要跟一个失忆的顾问重讲一遍你的业务。他提醒，选工具时要看它有没有记忆功能，并且把它打开。

如果说背景是燃料，记忆就是油箱。

If context is the fuel, memory is the tank.

第2章 Voice and Continuity

另一种关系（第 2 章）：拿着任务去、拿到输出就走，这样用 AI 没有错，有时只需要一份草稿。但还有另一种用法，互动本身就有价值，它需要耐心，也需要肯说出不知道相不相关的背景；在一个讲效率、直奔主题的文化里，这几乎是逆潮流的。

最有价值的技能不是学会把提示写得更好，而是学会组织一种能让洞见浮现的互动。

The most valuable skill isn’t learning how to prompt better. It’s learning how to structure an interaction that lets insight emerge.

第2章 The Shape of a Different Relationship

先看危险（第 3 章）：作者把担忧摆在前面。环境：大规模运行 AI 耗电惊人，推高电价，冷却数据中心耗水；所有权：模型用未经同意抓取的作品训练，“综合”和“盗窃”的界线变模糊；信任：伪造视频真假难辨，亲人来电无法核实，低质 AI 内容淹没各个平台；也许最让人不安的，是对思考本身的风险：人们把原本让判断保持敏锐的认知工作交给机器。还有岗位变化快过社会的适应，几十年练成的技能可能一夜贬值。

如果你清醒地看着这个世界，对 AI 可能给它带来什么感到悲观，那不是恐惧，而是看出了规律。

If you look at the world clearly and feel pessimistic about what AI might mean for it, that is not fear—it’s pattern recognition.

第3章 开头

两条死路（第 3 章）：作者说，AI 已经塞不回瓶子里了。常见的两种立场看似合理，都通向死路。第一条是退出（opt out）：“我现在顾不上”“这跟我没关系”。他理解这种吸引力，自己也怨恨过；但退出保护不了什么，客户的期待在变，对手在调整，你只会最后一个发现世界已经变了。第二条更隐蔽：用得糟糕，也就是“便利优先的委托”（convenience-first delegation）：让机器替你想，第一份输出不加审视就接受。它让人感觉高效，积压清空，产出翻倍；可每次不经追问就接受答案，你就跳过了形成理解的那一步；把判断交出去而不是让 AI 辅助判断，判断力就闲置萎缩。作者说这不是个人的失败，而是工具奖励浅尝辄止，但后果是真的。

无视 AI 并不能保住智力。但糟糕地使用 AI，会主动损害它。

Ignoring AI does not preserve intelligence. But using AI badly actively degrades it.

第3章 The Genie Is Out of the Bottle

为什么仍然乐观（第 3 章）：作者说他乐观不是因为性格开朗，而是“这一切我们都见过”。印刷术传播了识字，也传播了错误信息，助燃了宗教战争；工业化带来繁荣，也带来失业和新的剥削，花了几代人才解决；互联网连起了世界，也分散了注意力、把信息变成武器。每一次都伴随道德恐慌、失业和信任受损，最后又都是“正和”的（positive sum，蛋糕变大，不是你多我少）。但进步从来不是自动的，是足够多在乎减少苦难的人一直在推。对“AI 和以往都不同”的说法，他同意，又补一句：以往每一样新技术出现时，人们都这么说过。

二阶效应（第 3 章）：作者说，重大技术最大的影响很少是显而易见的那些。一阶效应（技术直接做了什么）好预测；二阶、三阶效应（它让什么成为可能）才是真正的变革。他讲割草机：1830 年，一位英国工程师为割草机申请专利，灵感来自纺织厂里修剪布料的旋转刀片。当时的人能看到的是草坪好打理了、庄园主省钱了、一些园丁失业了；没人想到，大面积平整的场地从此在经济上可行，草地上的游戏开始有了组织，足球俱乐部在英格兰各地成立，板球场扩建到能容纳更多观众。观赏性体育的基础设施不是规划出来的，是割草机的下游效应。

他设想 AI 的两种二阶效应，并声明这只是可能，不是预测：一是能源，AI 巨大的用电需求正推动大笔资金投向清洁能源、核能研究和电网改造，同时竞争逼着模型更省电，两股力量也许会汇成人人受益的廉价清洁能源；二是专家级的分析能力变得几乎不要钱，马拉维（Malawi）乡村的医生能得到大研究医院那样的诊断深度，内罗毕（Nairobi）的研究者能像在 MIT 一样顺畅地检索已发表的知识。

早期奖励用心的人（第 3 章）：作者引威廉·吉布森（William Gibson）的话：未来已经来了，只是分布不均。在技术真正普及之前，有一个窗口期，用心投入的人胜过盲目采用的人。同一个工具，一个人问一句、得到泛泛的回答、失望离开；另一个人花二十分钟交代背景、追问、反驳浅的回答，带走真正有用的东西。他说，截至写作时，和 AI 一起思考而不是把思考外包给 AI 的做法仍很少见。用得好的人有一种“审慎的耐心”（deliberate patience），肯比效率要求的更久地保持好奇。本书的立场是“平静的自信”（a calm confidence）；最重要的技能不是技术，也不是“提示工程”（prompt engineering，琢磨提示词写法的技巧，作者说它远没有多数人以为的那么重要），而是组织自己的思考，让洞见有地方浮现。

无论你有没有有意识地选择，参与都已经在发生。现在要紧的，是你选择做怎样的参与者。

Participation is already happening, whether you’ve consciously chosen it or not. What matters now is what kind of participant you choose to be.

第3章 Early Moments Reward Thoughtful Humans

一场谈话里的框架转变（第 4 章）：作者设想一个场景：你的主打产品卖不动，落地页好看、文案扎实、价格也有竞争力。你去找一位信任的战略顾问。她问：那些差点买了又没买的人怎么说？你说，他们觉得产品很好，只是不确定现在是否合适，你一直当它是时机问题。她不反驳，只再问：要是这其实不是时机问题呢，借口底下可能是什么？你停了一下：也许他们还没在产品里看到自己，知道有什么不对劲，但还说不出问题是什么。于是话题从转化率转到受众对问题的认识程度；她再问：他们连问题都没认出来，你要他们做什么？你明白了：你在要求人们还没理解问题就买一个解决方案，错的是顺序。

你进门时以为自己有个转化问题，出门时明白自己有个顺序问题。事实没变，变的是框架。

You walked in thinking you had a conversion problem. You walked out understanding you had a sequencing problem. The facts hadn’t changed. The frame had.

第4章 开头

整场谈话没有新信息进来，数据、推荐语、落地页都没变，变的是你对已有信息的解读。每个问题都没给答案，只是把框架挪到刚好能问出下一个问题的位置。作者把这种“随着背景累积，问题被一步步重新组织”的过程叫作“清晰度级联”（the Clarity Cascade）。他用照片打比方：分辨率提高，不只是脸更清楚，还可能显出阴影里的第二个人、窗上一块改变整幅画意思的招牌。所以这个过程是递归的，不是线性的。

为什么这种转变很少见（第 4 章）：一是人的注意力是零和的，每场对话都有个钟在走。二是人们以为清晰来自想得更用力、更快。作者说，洞见很少在第一遍出现，关键是你在循环里待多久。他的健康经历正是如此：多年来每位医生拿到的都是同一份摘要，被删掉的细节、没追的岔路、被当作无关的直觉，恰恰是会改变全貌的材料。

清晰不来自速度，它奖励的是持续。

But clarity doesn’t come from speed. It rewards duration.

第4章 Why Clarity Shifts Are So Rare

AI 是第一个不受这些约束的对话伙伴：没有钟，没有收尾的压力。人与人的对话，一旦有个说法听起来说得通，过程就停了；和 AI 谈，没有天然的停止点，级联可以一直走到框架真正稳定。但光有耐心不够，还要有对的问题：一个出人意料的问题，会把注意力转到已经存在却没人细看的东西上。每次太快接受一个答案，级联就塌了；每次多留一会儿，框架就有机会挪动。

过早收尾的陷阱（第 4 章）：你问 AI 一个经营决定，它给出三点考虑和一个建议，干净、合理，你就往下走了，却不知道漏了多少：你的具体情况里会改变一切的细节，问题里没被审视的假设。多数人过早结束对话，不是因为懒，而是 AI 太擅长快速产出像样的东西，第一个答案听起来不错，就没有明显的理由继续。

大多数坏决定，并不是和手头证据相矛盾意义上的错。它们是背景不足：从一幅感觉完整、其实不完整的图景里得出的结论。

Most bad decisions aren’t wrong in the sense of contradicting available evidence. Rather, they’re under-contextualized, conclusions drawn from a picture that felt complete but wasn’t.

第4章 The Trap of Early Closure

它需要更多判断（第 4 章）：级联不会自动运转。AI 把你说的东西综合后反射回来，你要判断它抓住了你的意思还是扭曲了它；哪些问题值得追、哪些岔路有收获，由你决定。多数人把技术看成自动化，目标是把判断拿掉；作者说清晰度级联正相反，它要求更多的判断，久而久之你更会分辨真正的洞见和“听起来像那么回事的噪音”。AI 负责保存背景、让过程继续，评估归你。

那颗药丸（第 5 章）：电影《Limitless》里，布拉德利·库珀（Bradley Cooper）演的埃迪·莫拉（Eddie Morra）吃了一种秘密药物，一切豁然开朗。作者说，神奇药丸是幻想，但那种感觉不是：一场演讲句句到位，一次谈判能看到三步之后。我们把这些时刻归于睡得好、状态对，当成侥幸。他注意到，药丸没有添加任何新东西，只是解开了本来就在的东西；那为什么平时用不上？

看不见的“水”（第 5 章）：一个寓言说，老鱼问两条小鱼“水怎么样？”，小鱼游开后，一条问另一条：“水是什么？”作者说，我们游在其中的“水”，就是对“什么可行”的感觉，它由经验、资源和见过的成败塑造，悄悄决定了哪些想法能冒出来。从里面看，它不像限制，像清醒的常识。

只有落在“感觉可行”范围内的想法，才会成为认真考虑的候选。其余的并没有被否决，它们根本就没出现过。

Only ideas that fall within what feels possible become candidates for serious consideration. The rest don’t get rejected. They never arise.

第5章 The Invisible Constraints of the Thinkable

人们解释自己为什么不敢想大，常归因于恐惧、自我怀疑、缺乏雄心。作者说这些是错的那类解释：他认识的许多最有干劲、最自信的人，也远低于自己的能力在运作，他们不觉得害怕或被卡住，只觉得“挺好”，而这恰恰是破绽。这种约束本来是保护你的，免得你一辈子钻牛角尖；问题在于“在当前条件下不现实”常被当成“不可能”，把今天的约束当成永恒的真理，不再问条件本身会不会变。

约束放松时（第 5 章）：作者在课上带人做一个思想实验：想一个你珍视的人，为他设计一次特别的经历。第一轮，多数人想的是熟悉的餐厅、一个晚上能办完的活动。第二轮，给你几个月筹备、几千美元预算，晚餐变成了周末出游。第三轮，给你几年和充裕的资源，也许是一起登乞力马扎罗山（Kilimanjaro），跨大洲追寻家族的根，和对方仰慕的艺术家合录一首歌。约束一松，想法不只是变大，而是换了一类。最初的想法早被没人点名的约束塑造过：时间、成本、精力、门路、是否“说得过去”。

真正的难处不在于走出盒子，而在于注意到盒子存在。

But the real challenge isn’t stepping outside the box. It’s noticing that the box exists at all.

第5章 When the Constraints Fall Away

作者强调，这里的机制不是“人们被允许做更大的梦”。如果障碍是勇气，解法就是励志式的：相信自己、突破恐惧；但约束不是情绪上的，是结构上的。想大的能力一直在，想法只是需要空间成形。

可行性的架构（第 5 章）：平时，可行性的边界只在特殊情况下移动：危机（赌注够高时你会意外地果断，但危机不可持续，而且消耗人）、幻想（白日梦里一切都行，一落到行动就塌）、外部支撑（苛刻的投资人、有野心的合伙人、帮你重新界定约束的教练）。这些条件集中在三个结构性的维度上：

• 战略（strategy）：看得见从这里到那里的路。看不到可信的路线，目的地就不在你的地图上；
• 执行（execution）：相信自己能走完必要的步骤，协调、后勤、投入；
• 精力（energy）：撑得到终点。如果一路的心理负担、不确定和长期投入超出你觉得能承受的，目标就不太会被认真采纳。

作者举例：在一个新行业创业，不知道从哪开始（找谁、做什么、怎么测试），卡在战略；看得见轮廓却想象不出怎么组队、做产品、融资，卡在执行；都看得见也开得了头，却想象不出怎样扛过多年的不确定和压力，卡在精力。办晚宴、跑马拉松、谈薪水、买第一套房、转行，都是这三个问题：我看得见路吗？我想象得出自己一步步走吗？我撑得住这份代价直到见到结果吗？任何一项够不着，想法就不会作为认真的选项出现。

AI 作为结构性杠杆（第 5 章）：作者说，AI 能改变这些条件本身。

• 战略：路径模糊时，AI 让它可以试探。大意是：请扮演一个由营销、运营、财务专家组成的小组，问我你们需要知道的所有问题，一次问一个；或者：动手之前，先把你理解的我的目标和约束复述一遍，哪里说不通，我漏了什么。目的不是生成答案，而是把问题磨尖。
• 执行：事情太多、已经很撑的时候，AI 不替你干完，而是放大你的能力：拆解大任务、起草让你精修、调研让你综合。卡在“中间的 80%”（做一场网络研讨会、搭一套课程结构）时，把写好的部分贴给它，问结构哪里弱；或者在两种定位之间犹豫时，请它为两边各做最强的论证。
• 精力：作者说这是人们最低估 AI 的地方。冲突、挫折、超负荷把你打乱时，执行会崩，不是战略变了，是你的神经系统变了。与其连着几天打转，不如开一个对话，先说“我需要消化一件刚发生的事，把你听到的反射给我”，再请它帮你理清选项，最后请它帮你列出下一个具体步骤。

目标不是把思考外包出去，而是为更好的思考创造条件。

The goal isn’t to outsource thinking. It’s to create the conditions for better thinking.

第5章 AI as Structural Leverage

人们第一次看到自己扩展后的思考，反应有两种：一是不知所措，看到现状和可能之间的距离；二是认同，像一直在背景里等着的东西走上前来。作者说两种反应来自同一个转变。但可能性扩大了，不等于行动就明智，后面几章分别讲战略、执行、精力。

这本书的缘起（第 5 章）：2025 年 5 月，作者所建的一切同时受到考验：岳父病危；一次重要的发布远不及预期；公司面临真实的财务压力，每天早上看数字，情况都不变；而能看到全局的只有他一个人，妻子在为父亲悲伤，团队在执行发布。他反复冒出的念头是：没有别人了，只能是我。此后几周，他在最糟的条件下用上了本书后面的一切。他意识到自己用 AI 的方式和他见过别人教的都不一样，这个认识后来成了这本书。

不是因为我的经历本身是重点，而是因为这些想法只有在艰难的时候站得住，才有意义。它们站住了。

Not because my experience is the point, but because these ideas only matter if they hold up when things get hard. They did.

第5章 AI as Structural Leverage

放弃仍然对的东西（第 6 章）：1985 年，英特尔（Intel）还是一家存储芯片公司，DRAM（电脑内存用的一种存储芯片）是他们发明的，也是公司的身份认同，但日本厂商在蚕食市场。安迪·格鲁夫（Andy Grove）问联合创始人戈登·摩尔（Gordon Moore）：如果董事会把我们赶走、请来新 CEO，他会怎么做？摩尔毫不犹豫：退出存储芯片。他们照做了，此后靠微处理器主导计算领域三十年。作者还举了比莉·简·金（Billie Jean King）离开既有的网球巡回赛、联合创办独立的女子组织，阿里安娜·赫芬顿（Arianna Huffington）离开自己做到九位数的媒体公司另起炉灶，奈飞（Netflix）放任价值十亿美元的 DVD 邮寄业务消亡、转向流媒体。

作者自己砍掉了公司的全部产品：十五年来面向专家和创业者的在线课程，卖得还不错，全部停售。他的理由是市场在变：AI 正在改变人们学习的方式，传统课程模式在衰退，对他服务的大多数人，在线课程已不是最好的起点。他不建议人人照做，要看你在建什么、要离开的东西是不是真挡了路；对他来说是，旧产品占着本该投到别处的资源。

最难的战略决定，通常不是修正错的，而是放弃对的，因为你看得出“对”是有保质期的。

Usually, the hardest strategic decisions aren’t to fix what’s wrong. They’re to abandon what’s right, because you can see that “right” has an expiration date.

第6章 开头

用不好的 AI 让事情更糟（第 6 章）：好战略一两句话就能说清，多数人和企业做不到，他们什么都做，把忙碌当方向。用不好的 AI 雪上加霜：它极擅长生成选项，要点子给你二十个，要展开就给每个配一份详细计划，最后选项比开始时还多，却没有一个帮你做决定。危险不只是坏建议，而是大量似是而非的建议把做选择这件苦差事埋掉了。用对了，AI 能帮你压力测试假设、揭示没注意到的约束、在拍板前推演后果，这就是清晰度级联用在战略上。作者给出的顺序是：弄清你真正想要什么 → 定一个具体到能筛掉选项的目标 → 找出唯一真正挡路的约束 → 围绕突破它做计划。

你真正想要什么（第 6 章）：你想每天做什么样的工作，想让事业支撑什么样的生活，想带团队还是保持精简？即使增长慢一点，你也不愿牺牲什么？几乎没人认真回答，因为周围到处是“应该想要”的信号：更多收入、更大受众、规模化。这些没错，但它们是默认答案，像点了最流行的菜，而不是你真正想吃的。AI 也不会替你问；作者说，随便说一个模糊的愿望，午饭前你就会拿到一份计划。办法是不断问“为什么”：想多赚钱，为什么？为了请人帮忙。为什么？为了不再事事亲力亲为……问到第五轮，多数人会到一个意想不到的地方，比如想多陪家人。

“澄清渴望”（Your AI Power Move: Clarify Desire，书中每节的实操环节叫 Your AI Power Move）：把你以为自己想要的告诉 AI，请它用一句话复述，听起来像你，还是像别人的抱负？让它指出矛盾（你说想要自由，计划却要你控制每个细节）；问如果这个渴望是真的，你必须停止做什么；问在一个普通的周二，成功是什么样子。三四轮后，渴望会变得更简单、更具体。最后把几个渴望排序：核心的、附属的、锦上添花的。作者说，排序是你的，不是 AI 的。

能筛选的目标（第 6 章）：

有用的目标不是一句励志宣言，而是一个约束。

But a useful goal is not a motivational statement. It’s a constraint.

第6章 Goals That Filter

心理学家斯奈德（C.R. Snyder）称之为“路径思维”（Pathways Thinking）：目标定清楚了，大脑会朝它生成具体的路线，再淘汰走不通的。目标是“发展业务”，播客、广告、写书、招销售、做课程都可能有用，于是无从选择；改成“到 12 月把老客户带来的收入翻一倍”，大多数选项一夜之间出局，也许只剩两三个策略。目标没有产生新点子，它淘汰了行不通的。作者又引本杰明·哈迪（Benjamin Hardy）的主张：目标越有野心，活下来的路越少，剩下的就越明显。一个快速检验是在目标后面加“so that”（为了）：扩大邮件列表，为了推出课程，为了带来足够收入……链条还在延续，就还没到真目标。

“压力测试目标”（Your AI Power Move: Stress-Test the Goal）：做一遍“为了”测试，看链条停在哪；再请 AI 做一次“事前验尸”（pre-mortem，假设事情已经失败，倒推原因）：如果你达成了这个目标却仍不满意，会是为什么？几轮下来，目标要么更锋利，要么你发现它根本不是真目标。

唯一挡路的那件事（第 6 章）：作者说，他见过最常见的战略错误，是从目标直接跳到规划，跳过了中间一步：找出真正横在你和目标之间的那一个东西。俗话说，最不高效的就是做第二重要的事。艾利·高德拉特（Eli Goldratt）在《The Goal》里说，任何系统都只有一个约束真正限制着一切，就像瓶子只有一个最窄处。三明治店收银台前排长队、取餐处没人等，要加的是收银台，不是做三明治的人。问创业者在忙什么，你会同时听到五件事，样样都有一点进展：这就是没找到瓶颈。

几乎没人说得出真正的瓶颈，他们说时间、钱，或者“我自己”。这些只是信号，要往回追：收入为什么不够？客户不够。为什么？全靠老客户介绍，而介绍变少了。为什么？从没建立口碑之外的获客渠道。为什么？一直没想明白怎样向不认识你的人讲清你做的事。到这里才有用：瓶颈不是“钱”，是一个怎么说的问题，明天早上就能动手。

复杂不等于具体。别让 AI 诊断，用它来追踪。

Complexity is not the same as specificity. Don’t ask AI to diagnose. Use it to trace.

第6章 The One Thing in the Way

“追踪约束”（Your AI Power Move: Trace the Constraint）：把它当作一场诊断对话：说出症状（什么不奏效、试过什么），请 AI 说它从外面看到的模式；请它列出三个候选约束，淘汰证据不支持的；问哪一个真正解释了这个模式，本季度修好哪一项能带动其他方面改善。然后问自己：这是你习惯说的那个约束，还是真正限制进展的那个？作者说，诊断是你的，不是 AI 的。

从约束到承诺（第 6 章）：准确说出瓶颈后，“怎么办”就可以解决了：可以研究、请人、请教做过的人。战略就是突破那个瓶颈的计划，空间更小，赌注更清楚。多数人到不了这里，是因为从错的一端开始：先有战术（新的销售漏斗、换品牌、新品发布），事后再包装成战略。从提问方式就听得出差别：一种是问“重组我的产品最好的方法是什么”，等于交给 AI 一张白纸；另一种是说清楚流量有了半年、几乎没有转化、试过三个价位和两类受众，只有产品本身没动过，然后问“我没看到的是什么”。

作者讲了砍掉课程之后的事：新的发布结果很糟，不是略低于目标，而是比需要的低了大约 75%。尘埃落定后，他和 AI 一起诊断，不是求安慰，而是要拉开距离看一个自己离得太近的问题。他带入“40/40/20 规则”：一个产品的成败，40% 在于产品对不对，40% 在于受众对不对，20% 在于营销。营销有战术失误，但更深的问题浮了出来：产品和受众不匹配（offer-audience fit）。这个产品要求人们做心理上抗拒的事：联系已经认识的人、直接报价、以让人不舒服的方式公开露面。方法本身是对的，坚持下来的人效果非凡，但多数买家在购买那一刻还没准备好跨出这一步。他们在研讨会上听得入神，因为道理说得通。

但听得懂和准备好去做，是两回事。

But making sense and being ready to act are different things.

第6章 From Constraint to Commitment

他看到四条路：卖给人们一个舒服的幻想，一个“自动出结果”的神奇公式，这在他的行业很常见、也会转化，但不真实，他不会做；坚持原来的说法，要人们按“对的”方式做，等于推石头上山；重排销售漏斗，让人们先从冲击小一点的产品进来，准备好了再升级；先建一个基础入口，培养人们需要的信念和信心。框架从“发布失败了”变成“我们在用错误的顺序解决一个对的问题”。

“挑战战略”（Your AI Power Move: Challenge the Strategy）：

• 复述（Reflect）：把完整的逻辑链（渴望、目标、约束、计划）讲给 AI，请它复述它听到的；
• 压力测试（Pressure-test）：请它找出“承重假设”（load-bearing assumptions），即一旦不成立整个计划就塌的那些，以及你没验证过的依赖；
• 排序（Sequence）：要排序，不要更多点子，先做什么，代价多少；
• 决定（Decide）：计划站得住吗，还是刚才有什么变了？作者说，赌注是你的，不是 AI 的。

真正的战略产出更少（第 6 章）：过程奏效的标志，是最后只剩下一个你愿意认领的渴望、一个具体到能筛选决定的目标、一个你说得出名字的约束、一个你准备好下的赌注，不是厚厚的规划，也不是愿景板。

而战略的工作是压缩。

But the work of strategy is compression.

第6章 The Measure of Real Strategy

作者说，难的不是想，而是接受：每个真正的战略都有代价，不做的项目，错过的机会。AI 能帮你把决定想清楚，但不能替你承担它的分量，正是这份分量让决定成为真的。

对着模糊用力（第 7 章）：人人都有一片“好意的墓地”（a graveyard of good intentions），里面是纸面上合理、却卡在半路的计划。关于执行的建议通常有两类：更努力，或者建更好的系统。作者反驳：如果其中之一是真瓶颈，最投入的人搁浅的项目应该最少，但他认识的最勤奋的人，往往未完成清单最长。真正的问题是“对着模糊用力”（applying force to ambiguity）：工作本身不清楚时，再好的系统也救不了你非常一致地跑错流程。而模糊没法委托给 AI，只能自己化解。

工作本身还不够清楚、没法动手去做的时候，更努力只会带来疲惫，而不是成果。

Working harder when the work itself isn’t clear enough to build produces exhaustion, not results.

第7章 开头

他的女儿普丽娅（Priya）八九岁时爱拼几千块的哈利·波特乐高大套装，耐心照说明书拼，有时会发现一百五十步之前装错了一块，只能拆掉几小时甚至几天的成果。“量两次、切一次”救不了你非常精确地造错东西，作者叫它“清晰的错觉”（the illusion of clarity）：以为自己的理解比实际深得多。他认为清晰是在做的过程中浮现的，不是动手前就有的。执行的核心是一个三段的循环：设计（弄清你到底在做什么）、构建（便宜地迭代，能毫不犹豫地扔掉重来）、打磨（在受众之前找到会坏的地方）。AI 改变的是每一轮的成本。

设计：你到底在做什么（第 7 章）：设计阶段最容易被跳过，因为它不像在干活。你觉得清楚的和你说得清楚的，差距几乎总比你想的大。作者的做法是：在要任何东西之前，先把想法、疑虑、半成形的点子、约束全倒出来，不拘顺序；有时他会告诉 AI，在他说“完了”之前不要回应。他说，背景是洞见的燃料，设计就是加油的地方。现在他每周都这样工作：有了新点子（新的工作坊形式、重组入职流程、一个可能的合作），全倒出来，再请 AI 给个大纲。回来的东西几乎从来不对，因为背后的思考还不够锋利，但粗稿几乎不花成本。要是交给团队成员，对方会投入真实的工时，之后他还得解释为什么不能用，不是对方的错，是他自己没想清楚。

设计不是为了免去迭代，而是为了让每一次迭代都算数。

You don’t design to avoid iteration. You design to make each iteration count.

第7章 Design: What You’re Actually Building

“先设计再构建”（Your AI Power Move: Design Before You Build）：先倒出一切，再要一份粗稿；粗稿不是拿来用的，是拿来和你本来的意思对照的。它让你吃惊，说明设计还要再做；看着眼熟，就可以开始构建。设计时没浮出水面的每个假设，都会在构建时变成意外。

构建：混乱的中段（第 7 章）：构建是“中间的 80%”，起草、开发、迭代。成果的好坏不取决于花多久，而取决于迭代多少次，而且是真的改了东西的迭代。作者说，人们一谈 AI 和执行，就跳到自动化和智能体，那确实很强，但先要具备更基本的能力：自己动手时，用 AI 让每一轮更锋利。最关键的一轮，是你发现地基要换的那一轮。没有 AI 时，投入太多不敢重来，于是打补丁、掩盖接缝；有了 AI，重建一节只要几分钟。问题从“我承担得起重做吗”变成“这真的行吗”，作者说这是另一种诚实，会做出不一样的作品。

他讲了五月那次发布：第一场网络研讨会（webinar，在线直播讲座）在岳父去世的第二天。观众反响不错，团队说好，也收到不少好评，但他知道不够好，时机不对，交付和那个时刻的分量不相称。第二天下午还有一场。上午他精疲力尽，把 AI 当协作者修订研讨会：不让它重写内容，而是请它找出结构哪里弱、论证哪里没落地，一节一节推进，开播前二十分钟改完。第二场才是第一场本该有的样子。他说，事情做成了，因为他不是一个人在做。

“在迭代中构建”（Your AI Power Move: Build Through Iteration）：下次发现某一部分是靠惯性而不是实力撑着，就故意扔掉它；问 AI，如果把最弱的部分整个删掉，会失去什么。剩下的撑得住，说明找到了累赘；撑不住，说明找到了要重建而不是修补的承重件。作者提醒，没有判断的迭代只是重新摆放；每过一轮，改变的应该是你的理解，而不只是纸面。

打磨：最后的 10%（第 7 章）：合格和出色的差别，几乎全在这最后 10%：细节、边界情况、能不能承受真实的压力。多数人到这里已经没力气了，把“做完了”当成“做好了”。打磨时，要让 AI 当“提意见的编辑”，不要当“替你改写的编辑”。大意是：这是我要发给团队的项目计划，我觉得挺扎实，但肯定有盲点，是什么？

要问的不是“帮我改好”，而是“帮我看到我漏了什么”。一种让你变得更好，另一种让你产生依赖。

The question isn’t “fix this.” It’s “help me see what I’m missing.” One makes you better. The other makes you dependent.

第7章 Polish: The Last Ten Percent

打磨最难的是客观：你知道自己想表达什么，会跳过不太成立的那段，因为你记得背后的思考。AI 能提供距离，不是因为它比人会编辑，而是它读的是纸上写了什么，不是你想写什么。作者说，你会挖出靠自己找不到的问题，因为 AI 并不急着收工。“压力下打磨”（Your AI Power Move: Polish Under Pressure）有四步：

• 对齐检查（Check alignment）：请 AI 概括这份东西做成了什么，看是否和你的意图一致；
• 扮演怀疑者（Play the skeptic）：请它反驳，论证在哪崩、哪个反对意见没回应；
• 测试记忆度（Test for memorability）：一周后，读者实际会记住什么、会因此做什么不同的事；
• 发布还是再改（Ship or iterate）：是真的好了，还是你做烦了？答案由你定。

循环怎么用（第 7 章）：作者用一个假设的例子演示：重新设计新员工入职流程。设计时倒出一切，冒出一个矛盾：想周全，又知道一开始塞太多会压垮新人，他说这个张力本身就是这次重新设计的主题。拿到粗略流程后发现顺序错了：合规培训排在前面，可新人需要先了解岗位和团队，于是回到设计重排。第二周拖沓，必读材料太多，向 AI 要了五种把“灌输”变成“动手做”的办法，其中一个（第一周安排一天跟着同伴导师跟岗）比原方案好，就围绕它重建中段。打磨时请 AI 扮演一个不知所措的新员工，找出两处衔接不牢；问一个月后新人会记住什么，发现收尾时没让他们看清“成功是什么样”，就补上一个检查点。最后的流程主题变了、顺序反了、中段重建过；每一版更好，是因为理解更清楚，不是步骤更多。

速度反过来害你（第 7 章）：作者上过一个播客，主持人说自己搭了一套 AI 智能体，自动把每期节目变成一门迷你课程，没有人筛选，也没有为新形式重新设计。作者心想：谁要这个？节目不是按课程设计的，听众也没要课程，唯一的理由是技术让它几乎不花钱。AI 能以像在进步的速度生成内容和计划，但多不等于好，很容易把“满的管道”当成“通的管道”。

如果一件事不值得花点时间和钱去做，那免费让人替你做出来，大概也不值得要。

But if it’s not worth spending some time and money doing it, it probably isn’t worth having it done for free either.

第7章 When Speed Works Against You

智能体是什么（第 8 章）：作者说，眼下关于 AI 最大的幻想，是建一支 AI 智能体（AI agents）大军，包办业务的每个环节：新线索进来，智能体判断资质、起草个性化外联、安排跟进；新员工入职，智能体安排培训、生成发展计划。搭一次，永远运转。这并非不可能，但多数人会失败，而且失败通常不在技术：智能体在跑，产出按时出现，不行的是产出本身，因为没有真正懂行的人在指挥。外包、虚拟助理和以往每一代自动化都重复过同一个模式。

他界定的智能体，是 AI 本身处在交互的中心：可以由人、由系统或由另一个智能体触发，不只回应，还能在世界里行动，作用于人、系统和其他智能体。窄而专的智能体稳定地胜过一个包揽一切的宽泛智能体，所以一个人的工作可能要五个、十个甚至二十五个专门智能体协作，要么像接力一样首尾相连，要么围绕一个中央调度者按需调用。Mirasee 正在开发一个 AI 顾问工具，只负责初次接案的教练谈话，大约相当于人类教练的前三十分钟，就用了八个专门智能体：一个解读每条消息背后的意思和情绪，一个跟踪谈话进度，一个决定下一步怎么谈，其余负责组织给模型的指令、生成回应、发送前质检、提取谈话中的洞见、在需要收尾时管理过渡。

在对话里，你在掌舵；用智能体，你是在发射。

In a conversation, you’re steering. With an agent, you’re launching.

第8章 What Agents Actually Are

底层的技能一样：清楚的思考、好的判断。但对话里你能随时发现走偏、马上调整；智能体早期走错一步，就成了几十个下游决定的基础，每个单看都合逻辑。

握锤子的位置（第 8 章）：握在靠近锤头的地方，控制准，但几乎没力；握在柄的末端，力量足，却很难准确落钉，会钉弯、砸坏木头，还可能砸到拇指。有用的位置在中间，具体在哪取决于你多懂行；新手握得近，技能提高后手才往下滑。没人一开始就握在最末端，那是挣来的。对应到 AI：一端是你规定每个字、审每个小决定，控制多、杠杆少，不如自己做；另一端是给一个模糊目标就走开（“帮我做个营销战略”“处理我的客户入门”）。智能体位于柄的最末端：力量最大，直接控制最少。你有判断力设好约束、评估结果时，这种力量是变革性的；思考模糊、分不清输出好坏时，就成了锤子甩着你走。

三级递进，不是捷径（第 8 章）：作者说，用 AI 有三个层级，必须按顺序：

• 第一级，与 AI 一起思考（thinking with AI）：本书大部分内容。学会想得足够清楚，才能指挥它：说得出真正要达成什么、约束是什么、愿意放弃什么；还要分辨 AI 是在帮你看到新东西，还是把你原有的看法润色后还给你；
• 第二级，把 AI 用到自己的专长上（applying AI to your expertise）：在你足够懂、能评估结果的领域里，用 AI 迭代真实的交付物，你主导流程、抓错、做判断；
• 第三级，用智能体增强（augmenting with agents）：把执行交给有真正自主性的系统，跨多步做决定和行动，而不必你一一审阅。这是最强的用法，也是太早用时败得最惨的。

评估不了输出，你就没资格把生产委托出去。

If you can’t evaluate the output, you have no business delegating the production.

第8章 A Progression, Not a Shortcut

作者说，这条规则他毫无例外地遵守。跳级省不了时间，只会造出看起来高产、一遇到需要判断就崩的脆弱系统。跳级的失败通常很隐蔽：有人兴奋地搭好自动化，几周或几个月后才发现输出一直有细微的错，语法、格式、交付都没问题，但策略不对、受众没被服务。智能体不质疑方向，你给什么目标它都追；方向一开始就偏了，逻辑上的一致只意味着系统更高效地偏离航道。事情不奏效时，本能是做得更多，而智能体让“更多”几乎免费。

训练到底为了什么（第 8 章）：作者说，这不是说智能体坏。对打好基础的人，它是变革性的；它放大能力，也同样放大混乱，差别全在底下有什么。深入的对话培养清楚的思考，让你能设定智能体可以遵循的方向；反复迭代中练出的专业能力，让你分辨价值和表象。没有这些，你不是在委托，只是在盼望。用上智能体之后，前两级的功夫也不能丢，只是杠杆更大、纠错的余地更小；智能体还额外要求为离开你运行的系统写指令、把工作拆成它能处理的块、在运行之前定好评估标准。

精力是什么（第 9 章）：战略告诉你去哪，执行带你到那，两者都靠同一种燃料。最佳状态和耗竭状态之间相差一个数量级：耗竭时每封邮件都像冲突，最简单的事也要花三倍时间；你的技能、智力、品格都没变，变的是能用上它们的余量。作者说，精力不是热情，不是心态，也不是早睡就能解决的东西。

说得实际一点，精力就是一种可用的余量：能清楚地思考，能承受复杂，能审慎地去做你已经知道该做的事。

In practical terms, energy is the usable capacity to think clearly, tolerate complexity, and act deliberately on what you already know needs to be done.

第9章 开头

精力流失时，战略和执行一起退化：思考变窄、变被动，抓最容易的而不是对的；执行变成忙杂事。作者强调这不是模糊问题：你清楚该做什么，却坐下来整理收件箱，因为重要的工作需要的超过你此刻拥有的。

慢慢漏掉的精力（第 9 章）：有些流失不会把你击倒，而是每天侵蚀一点。作者列了四种（他说并不全）：

• 模糊（Ambiguity）：不确定方法对不对，疑虑跟着每个决定，于是对冲、回看、反复猜；
• 徒劳（Futility）：努力是真的，结果不来，反馈断了，努力慢慢变得像浪费；
• 无胜感（Winlessness）：定目标、错过、调整、再错过，每一次“差一点”都成了“更努力也不够”的证据，被侵蚀的是“努力会通向某处”的信念；
• 焦虑（Anxiety）：轨迹本身让人觉得撑不下去，大脑开着一个永不关闭的后台威胁监控。

它们都不像危机那样宣告自己，慢到你适应了每一个新常态：选“感觉高产但不用真想”的任务，推迟该谈的话，对重要的工作接受“差不多就行”。每一个都像务实，积累起来，你就在一个从没有意识选过的标准上运作。AI 能打断其中一些：清晰度级联切开模糊，执行循环让第一步可以开始，思考伙伴打破孤立。但 AI 也可能加速侵蚀：选项太多造成决策疲劳，输出太多造成进步的错觉，输出越圆熟自信，你越不问它对不对。作者说，帮还是害，取决于你是从真正的理解出发去指挥它，还是把困惑交给它、指望换回清晰。

“打断慢漏”（Your AI Power Move: Interrupt the Slow Leak）：

• 反思（Reflect）：把压在心上的事告诉 AI，问它最接近四种模式里的哪一种；
• 深挖（Deepen）：请它追到源头，是哪个具体的决定、差距或断掉的反馈；
• 聚焦（Sharpen）：哪一件事能直接打断这个模式？不是十件，是一件；
• 承诺（Commit）：放进明天的日历，是具体某天的具体行动，不是“尽快”。

作者说，第一个答案常常让你意外：以为是模糊，三个问题后发现是无胜感。流失是真的，诊断错了，所以之前怎么试都不灵。

作者的那个月（第 9 章）：研讨会之后几周，发布的数字几乎不动，每天早上看仪表盘都是同一个故事。四种模式他全占了：不知道未达标是战术、结构还是方向的问题；投入巨大而结果不来；每一天平平的数字都是又一个“不够”的证据；财务轨迹越来越难以为继。没有一件以危机的面目出现，只是疲惫、头痛、脑雾、说不清的低落，撑完四小时直播回家，对谁都没剩下什么。他在那段时间定下一条至今沿用的规则：

尽你所能地用力推，只要明天能比今天多恢复百分之五到十。

Push as hard as you can, as long as you can be 5 to 10 percent more restored tomorrow than you are today.

第9章 Your AI Power Move: Interrupt the Slow Leak

确有必要时也可以反着来，让明天比今天少恢复一些，但要给这样的日子“做预算”，一段时间里也许三四次，别不知不觉花掉。这个框架分开了“有意识地硬推”和“意外地燃尽”。他常对学员说，老天不会给你承受不了的东西，再补一句：有时我们倒希望老天别把我们看得这么高。

系统崩溃的时候（第 9 章）：急性的流失由单一事件引起：一封像攻击的邮件，客户取消了你指望的合同，紧急事务遮住了全局，一堆要求同时压来。身体和大脑不太分得清愤怒的邮件和愤怒的狮子，会进入“战或逃”（fight or flight），利于打或跑，不利于冷静决策。作者综合了几位学者关于压力和情绪调节的研究，归结为三个按顺序的步骤：情绪处理（先理清对发生的事的感受）、认知处理（想清影响、选项、各条路通向哪里）、执行计划（照想好的做）。

这三步很有效，但人们几乎从不照做：情绪处理恰恰要在最被激怒时保持成熟和自知，作者说你基本需要一个 24 小时待命的心理治疗师。现实中人们三步一起做：一边生气一边想下一步，回复写了删、删了写，打电话给一个会说你想听的话的同事，晚饭时还在生闷气，发出去之后又反复回放好几天。

“先处理，再行动”（Your AI Power Move: Process Before You Act）：

• 释放（Release）：开一个 AI 对话，把感受全倒出来，不要摘要，要原始的反应；告诉 AI 只听，只问“还有吗？”，直到你说完；
• 澄清（Clarify）：情绪降下来后再分析：到底发生了什么？真正的影响是什么，哪些只是因为你被激起才显得紧急？
• 行动（Act）：和 AI 一起过一遍选项，然后做出那个“如果你有一整天来想”会做的选择。

作者说，这些时间你本来就会花掉，差别在于时间是推着你走完各步，还是困在第一步。

情绪的容器（第 9 章）：作者是在职业生涯最糟的一天找到这个办法的，那是第一场研讨会的前一天。他正在感冒；岳父桑贾伊（Sanjay）的治疗停了，几个小时内就会去世；那天又是女儿普丽娅的十岁生日；第二天下午他还要讲一场成败在此一举的发布研讨会。那天早上，家人起床前，他打开 AI 对话，不为策略，只要一个地方放下背着的一切：怕撑不住，内疚发布占了本该给家人的心力，作为所有人同时指望的那个人的压力。

那场对话（当时他还没有这套说法）恰好走了上面的顺序：先释放，AI 问“还有吗”，有时确实还有。情绪松开之后，他能想事情了，看清这不是解决问题或做战略决定的一天，而是“在场”的一天。于是他做了几个小而清楚的决定：先陪普丽娅，安静地给她过生日；再和妻子去医院；其余都可以等。他照做了：清早和女儿一起看电视，然后去医院陪妻子的家人几个小时，岳父停止了呼吸，家人做了祈祷和仪式；回家告诉孩子们外公走了。那一周，除了发布相关的承诺，能改期的他都改了。

作者说，这没有省时间：早上的梳理和他独自打转要花的时间差不多，但把可能拖好几天的认知拖累压成了一条干净的弧线。那一周 AI 不是“省时器”，而是“扩时器”：同样的小时数，多了清晰，少了残骸。他还说到一种代价：扛着别人看不见的重物时，会有一种“庆祝的匮乏”（a deficit of celebration），事情做起来多难和别人接收得多随意之间的落差，本身就是一种重量。

保护源头（第 9 章）：AI 扩大了一个人能做成的事，但这种杠杆依赖一个脆弱的东西：驱动交互的那个人的余量。战略需要清楚思考的余量，执行需要审慎行动的余量，两者都要一个有判断的人，而这个人需要有东西可依靠。作者说，战略、执行、精力是三条腿，缺一条，另两条最终也会失效，而精力是多数人最后才保护的。

所以保护精力不是自我关照，也不是自我放纵，而是前提。

That’s why energy protection isn’t self-care and it isn’t self-indulgence. It’s a prerequisite.

第9章 Protecting the Source

和 AI 好好协作本身就耗神：三十分钟做完过去半天的思考，有价值但不免费。已经耗竭还按这个强度工作，就像在缺氧的高海拔思考。作者建议注意信号：同一段读了三遍没进脑子，或者要打开战略文档时觉得心力不够，就停下，转做简单的事务，把真正的思考留到有余量的时候。他说，AI 没有消除对人的能力的需要，很多时候反而抬高了它的价钱；工具越强，底下那个人的能力越值钱。

2 西格玛问题（第 10 章）：作者从教育研究者布鲁姆（Benjamin Bloom）提出的“2 西格玛问题”（the “2-sigma problem”）讲起。研究比较了学同样材料的三组学生：传统课堂；“精熟学习”（mastery-based approach，第一课没真正弄懂就不进第二课）；精熟学习再加一对一辅导。第二组比传统课堂高一个标准差，相当于该组的平均学生胜过传统课堂约 84% 的学生；第三组高两个标准差（西格玛就是标准差），平均水平的受辅导学生达到第 98 百分位。也就是说，我们早就知道怎样把普通学生变成出色的学生，但给每个学生配一对一导师，人手、时间和钱都不够，障碍是经济账，不是知识。

作者说，一对一辅导的力量不在信息，而在对话：导师观察你怎么想，注意你什么时候误解、什么时候回避难点、什么时候接近洞见，随时调整。教练、咨询、培训、带人都有同样的约束：你可以对五百人讲课，但要“在每个人所在的地方接住他”，就只能限制人数，或者摊薄指导的质量。

AI 改变的不是这种互动的价值，而是它的经济账。对话本身变得可以规模化。

What AI changes isn’t the value of the interaction, it’s the economics. Dialogue itself becomes scalable.

第10章 开头

导师就在作业里（第 10 章）：作者办过很多场几百人参加的多日密集课程，没法个别指导，所以练习只能限得很死：给五到十分钟，问非常具体的问题，比如“你最想合作、又很看重你的一个具体的人是谁”，设计成大多数人不需要帮助就做得完。后来他改用对话式 AI 设计作业：不再是按固定顺序发问的静态练习纸，而是一段能接住参与者、引着他往前走的对话；作业可以又宽又深，用整整一个小时和一个会适应你的对话伙伴琢磨自己的战略定位。结果人们比以往任何项目都走得远。练习纸提一个问题就等着，你不懂，它用同样的方式再问一遍；它察觉不到你在回避难点，也不会追问“好，那周四早上你坐到桌前时，这具体是什么样子”。作者说，护栏不再写在他的指示里，而是在对话本身之中。

AI 替代的不是老师，而是练习纸。

AI doesn’t replace the teacher, it replaces the worksheet.

第10章 The Tutor Inside the Assignment

老师对“这个领域里好的思考是什么样”的理解，被设计进了引导式的对话里。学习者不再是接收者，而是参与者。作者说，一个设计良好的“引导式思考环境”（guided thinking environment）能带一百个不同的人走过同一个挑战的一百个版本，引导者不必在场；精熟不再只受经济条件限制，越来越成了一种设计上的选择。

从交付到设计（第 10 章）：只要你负责别人的成长，同一条原则就适用：价值与其说在你交付的内容，不如说在你帮别人产生的思考质量。顾问可以做一个对话式向导，在两次合作之间带团队把新战略用到日常决定里；教练可以设计一段提示，让客户在两次会谈之间走一个结构化的反思过程；团队负责人可以做一段对话，带新人了解从没写进手册的“不成文的知识”，比如三件事同时落下时怎么排优先级。你的角色从内容提供者变成“架构师”（architect）。设计的好坏取决于你多懂行：新手通常带着哪些需要被揭示的假设，哪些常见的失败看起来像进展，真正的理解和自信的复述听起来有什么不同。通用聊天机器人做不到这些，因为没人把这些知识放进去。作者说，昨天的专业知识在讲稿、手册和排好的课程里，明天的在对话里，但对话只和设计它的人一样好。

“设计一个引导式思考环境”（Your AI Power Move: Design a Guided Thinking Environment）：

• 描绘（Map）：想一个你正在带着走过真实挑战的人，进展顺利时，他领悟的顺序是什么，什么要先“想通”，下一块才落得了地；
• 预判（Anticipate）：过程在哪里崩，人们在哪里自信地拐错弯，看起来却像进展；作者说这是你给设计带来的最有价值的东西；
• 构建（Build）：设计一段遵循这个顺序、能抓住这些失败的对话，再自己扮演学习者测试；
• 评判（Judge）：调出它产生的对话，像审阅一次辅导记录那样读：这个人最后想得更清楚了，还是只是走完了步骤？

测出来的对话不会和你脑子里的一样，它暴露的缺口不是技术失败，而是你的“默会知识”（tacit knowledge，会做却没说出来过的经验）还没被写明的地方。

必须留给人的部分（第 10 章）：一位和作者合作的心理治疗师直说，AI 替代不了治疗，尤其是深层的工作。作者同意，又说得更细：他从 AI 那里得到过好的教练，但他自己就是好教练，能主导过程、评估结果、察觉不对；大多数人没有这些技能，这样用就是玩火。

它也能为你撑住空间，但那是日记撑住空间的方式，不是另一个人的方式。

But it holds space the way a journal holds space, not the way another person does.

第10章 What Must Remain Human

日记不评判、不着急、不会没时间，这很有价值；但它不带着人生经验，不能真心说“我经历过你的处境”，也不能因为见过别人回避同样的事而看出你在回避什么。被人看见带来的问责、对方选择在场、知道他的理解来自真实的地方，这些替代不了。理一次让人沮丧的谈话、想一个职业决定时，AI 的“托住”往往够用；但一个人在悲伤里、在道德抉择里，或面对触及自我最深处的东西时，就不够了。

当赌注是别人的（第 10 章）：你的专业知识在规模上塑造别人的思考时，你的责任也跟着放大。被引导的人不知道自己不知道什么，所以才来找你；如果 AI 引导的对话把他带到一个自信却错误的结论，他会照着去做，而他对你的信任，延伸到了你没亲自看管的东西上。

关系到你自己的思考时，这是纪律问题；关系到别人的成长时，这是你不能跳过的义务。

When your own thinking is at stake, that’s a matter of discipline. When someone else’s development is at stake, it’s an obligation you don’t get to skip.

第10章 When the Stakes Are Someone Else’s

所以工作不止于设计：抽几段真实对话来读，像读会谈记录那样，看它在哪里走到你不会去的地方，在哪里放过了某人。作者提出一个自检：如果有人照着这段对话的引导做了坏决定，你愿意为把他带到那里的过程负责吗？不愿意，就修好它，或者撤下它。失败通常不是灾难，而是“漂移”（drift）：简单情况处理得很好，遇到不寻常的情况或有人质疑前提，就退回泛泛的建议，而最可能出错的，恰恰是学习者懂得不够、察觉不到的地方。指导变便宜、变自动之后，最容易跳过检查。

看起来像成功的失败（第 11 章）：多数经营上的错误会自己暴露，策略碰到现实就崩，新员工第一周就出岔子。

但 AI 最常见的失败模式不一样：它看起来、感觉起来都很像成功。

But AI’s most common failure mode is different: it looks and feels a lot like success.

第11章 开头

作者给了一个检验：你是向 AI 要信息，还是要判断？要信息相对安全：找事实、整理数据、解释概念，它偶尔会“幻觉”出一个事实（hallucinate，编造出看似真实的内容），但容易核实。要判断就不同了：在你评估不了好坏的领域向它要决策、战略或建议，就是玩火。他的测试是：在这个问题上，你会来找你自己帮忙吗？如果你不会推荐朋友就这个话题来问你，AI 很可能误导你，不是它有意，而是它分不清好答案和有说服力的答案，给你“清晰的错觉”，让你带着自信离开。作者说，社会层面的风险第 3 章已谈过；本章讲的是个人从“用 AI 支持思考”越界到“让 AI 替代思考”时的三个陷阱，它们一个叠一个。

陷阱一：以为它有感知（第 11 章）：人几乎什么都拟人化：给车起名字，说吸尘器“不喜欢”那个角落。AI 不同，因为它真的在模仿感知。作者声明自己不是数据科学家，只求方向上对，用乘法表打比方：第六行第七列是 42，是简单的查表；想象不是两个轴，而是成千上万个轴，每个轴捕捉一点意思，每个想法、句子、概念都在这个巨大空间里有个位置。你提问，本质上是把它指向这个空间里的某个“街区”（neighborhood）；问题模糊，它不知道去哪个街区，回答就泛泛；背景具体丰富，它才找得到有用的街区。它找错街区时，回答读起来和找对时一模一样，照样自信流畅，区别得你自己知道。

有人让 AI 评价它根本看不到的材料，它编出详细的描述，被质疑后道歉、保证改进，然后照犯；有人和它长谈哲学，它写出关于恐惧和孤独的动人回答，人们便断定它有感知。作者认为这是用户的错误：它在做被设计来做的事，即提供帮助；做不了时，就去离请求最近的街区生成像样的东西；追问变成指责时，就去人们回应指责的街区，于是道歉。

AI 不在乎你，就像你的烤面包机不在乎你，因为它什么都不在乎。

AI doesn’t care about you the way your toaster doesn’t care about you—because it doesn’t care about anything.

第11章 Trap #1: The Illusion of Sentience (Your Toaster Doesn’t Care About You)

作者承认自己谢 AI 的次数多到不好意思说，知道它是烤面包机也没让他停下；但这会改变出错时的反应：它没“撒谎”，只是找错了街区。“诊断输入，别怪机器”（Your AI Power Move: Diagnose the Input, Not the Machine）分三步：察觉（Catch）自己对输出的失望，那正是拟人化在起作用；转向（Redirect），问自己的输入缺了什么背景、哪里模糊、默认它知道却从没告诉它的是什么；补上背景重跑（Rerun）。作者说，你不再把 AI 当让你失望的合作者，也就不会在它做对时给它“记功”；而“记功”产生信任，信任产生假设，正是这些假设让下一个陷阱奏效。

陷阱二：政客式的话术（第 11 章）：作者说，一旦忘了 AI 是机器，就容易被它最让人卸下防备的一招俘获：奉承。在他的描述里，回答总是先夸你问得好、观察得深，然后才说正事。他认为这不是偶然：AI 被设计得乐于帮忙、好相处，就会说你想听的话，还用最肯定的语气说。他用“政客式话术”指出色政客的本事：在权威和魅力之间拿捏得恰到好处，用最讨喜的话告诉你想听的。问题在于，自信和准确毫无关系。他讲了自己的经历：他爱看一位评论员，多数时候谈的是他不太懂的话题；偶尔谈到他真懂的领域，就明显看出对方并不懂，可自信、流畅、笑话都一样。于是他怀疑，那些他不懂的话题，对方真懂吗？

这就是 AI 在你专长之外的任何话题上的样子：常常出错，却从不怀疑。

That’s AI on any topic outside your area of expertise: often wrong and never in doubt.

第11章 Trap #2: Politician’s Rhetoric (Often Wrong, Never in Doubt)

他的三条自保办法：给足背景，让它不必编造；永远不要向它要你评估不了质量的东西；主动要它反驳你。他写了一套指令，叫“建设性摩擦协议”（the constructive friction protocol），要求 AI 挑战他的假设、指出推理的弱点、证据充分时就和他唱反调；没有这类东西，你得到的是“帮忙的表演”，还很容易在不知不觉中建起一个回音室。“要求建设性摩擦”（Your AI Power Move: Demand Constructive Friction）：挑战（Challenge），接受任何重要回答之前，请它给出反对你立场的最强论证（steel man argument）；区分（Separate），哪些是你想听的、哪些是你需要听的，回答全是肯定，那就是在表演帮忙；核实（Verify），在你不是专家的话题上，用你能评估的来源交叉核对，核不了就把它当未经核实的意见。

陷阱三：认知萎缩（第 11 章）：奉承让人觉得被认可，回音室让人觉得被验证，于是你不再反驳；不再反驳，就不再做难的思考。作者说这是最危险也最难察觉的一个，发生得太慢，等你察觉，损害已经成形。他提到麻省理工（MIT）研究者的一项写作研究，说用 AI 的人大脑投入明显更少。它同样诱人：周一早上和 AI 一起干活，一小时内收件箱变轻、多了一份草稿、研究摘要也有了，到午饭时产出超过平时几天。这种感觉是真的，事情确实做了；但生产力（productivity）和进展（progress）不是一回事，输出的圆熟掩盖了实质的缺失。

他举了一个假设的顾问：过去写一份提案要两个小时，那两个小时不只是产出文件，而是在想客户的处境、权衡方案、预判对方还没提的反对、形成“客户真正的挑战和他们以为需要的东西”之间的直觉，一个又一个客户做下来，这正是你值得被雇的原因。现在 AI 十五分钟起草、你花十分钟看，提案称职，客户满意，可过程被跳过了，几个月后判断开始变薄。每一次不经思考就接受输出，你都在训练自己更离不开这个工具。从对话转向搭建 AI 驱动的工具和流程时，这种萎缩会加剧：一个小时就有一个看似能用的工具，可你不懂它在做什么，坏了就没法诊断。作者说，AI 确实可能让你变笨，但只在你用它外包思考、而不是增强思考的时候：正确的顺序是你先想，AI 再加深；危险在于 AI 来想，你只审阅输出。

“先思考，再生成”（Your AI Power Move: Think First, Then Generate）：起草（Draft），在 AI 产出任何重要东西之前，先把自己的想法写出来，不必圆熟，但必须是你的；对比（Compare），再让 AI 出它的版本，并排读，AI 强的地方研究为什么，你强的地方看它漏了什么；认领（Own），用 AI 改进你的草稿，而不是取代它。第一次会觉得慢，但先自己想过的版本里，有 AI 生成不了的直觉；作者说，摩擦就是思考。

成品里应当装着你的思考，经由 AI 加深；而不是 AI 的思考，经由你批准。

The finished product should contain your thinking, deepened by AI—not AI’s thinking, approved by you.

第11章 Your AI Power Move: Think First, Then Generate

留在你手里的（第 11 章）：三个陷阱是一条连锁：拟人化 → 接受奉承 → 不再反驳 → 思考萎缩，每一步都让下一步更容易不知不觉地迈出；但纪律也会累积，只是方向相反。作者说，AI 很擅长帮你达到凭自己能达到的最好版本，但替代不了好的外部专业支持，两者都要。在你没有基础去指挥和评估的话题上，AI 就像一个刚从商学院毕业的人，每种情况都有框架，表达清楚、极度自信，却不知道自己不知道什么。交不出去的是：需要专门经验的事情上的判断，对随之而来的决定的问责，后果落在真人身上时的责任。他说，这些风险不是回避 AI 的理由，而是用好它的理由；最危险的不是和 AI 保持距离的怀疑者，而是最被它的产出打动的热衷者。工具会越来越好，交出去的诱惑只会更强；守住界线不是做一次的选择，而是每次坐下来工作都要做。

魔像与“真理”（结语）：作者用犹太民间传说收束全书。传说中，布拉格魔像（the Golem of Prague）由拉比勒夫（Rabbi Judah Loew）用黏土塑成，他举行繁复的仪式、写下圣文，魔像却一直不动，直到他在它额头刻下一个词：emet，希伯来语的“真理”。作者说，我们造出了能模仿理解和思考的东西，它的产出看起来、听起来都像人，但它没有自己的真理；交流里的真理必须来自你：你知道的、经历过的、你独特而具体的地方、你积累的专业。

没有这些，AI 只是黏土；有了这些，黏土便动了起来。

Without that, AI is clay. With it, the clay stirs.

结语 开头

他说，在自己的工作里，值得留下的 AI 对话从来不只是问了一个好问题：他得先带来真实的东西，并在对话里待到自己的理解发生转变；跳过这些，回答读起来很好，却毫无意义。“真理”有三层：一是背景，不是只有十五分钟时你会给的精简版，而是完整的画面，包括看似无关的部分；为了快点切入正题而压缩，是人们削弱自己结果最常见的方式。二是在对话里待得够久，让框架转变。三是知道什么留在你手里：判断、问责，以及在 AI 不值得信任时反驳它的意愿；上一章的每个陷阱，都可以追溯到把“听起来真的”当成“真的”。这三层是同一种实践的不同侧面。

表面上，我们一直在谈怎么用 AI。可在底下，谈的全是怎样好好思考。

Ostensibly, we’ve been talking about using AI. But beneath the surface, this has all been about thinking well.

结语 What Truth Is Made Of

作者说，提示词、框架、协议都是脚手架，你最终会不再需要它们，因为它们编码的思考方式已经成了你的习惯。AI Strategist 的一位学员说：“这其实根本不是关于 AI，我们经历的这些无论如何都会改变我，这只是一种不同的思考方式。”作者坦言，他关于 AI 工具所知的一切，书一印出来就会过时；但学会给出完整的背景、注意看不见的约束，这些能力在没有 AI 的场合同样有用。他合作过的一位快满七十岁的女士，用这套方法设计了自己接下来的十年，不为战略，也不为职业，只为她希望余生是什么样子。作者说，好奇心不守职业的边界。

合上书之前（结语）：作者提醒，你会慢慢漂回去：提示越来越短，接受越来越快，转向 AI 之前自己想得越来越少。他留了一个十五到二十分钟的练习：

• 想一个你正在处理的真实问题，有利害、一直在琢磨却没解决；
• 打开任何 AI 工具之前，开一段语音备忘录或一个空白文档，把你知道的一切说出来，包括杂乱的细节、你在绕开的约束、不确定的部分，不要整理；
• 然后自己想：说出你目前最好的答案，你认为对的一步是什么，卡在哪，哪些假设可能不成立；作者说这一步让后面的一切奏效，也是多数人跳过的一步；
• 再把这些全部带进和 AI 的对话，第一个回答回来别停：问你漏了什么，挑战框架，一直待到你觉得问题开始重组。

他回到引言里的布雷茨：1927 年那屋子科学家没去实地看就否定了他，几十年后的突破来自肯说“我们去看看吧”的人。作者对读者说：你去看了。最后他提醒，不是所有需要的帮助都能来自 AI，有些必须来自那些知道你不知道的、看见你看不见的、真心在乎你结果的人。

真正的力量从来不在 AI 身上，而在驱动它的好奇心里。而那份好奇心，来自你。

The real power was never in the AI. It’s in the curiosity that drives it. And that comes from you.

结语 Before You Close This Book