AI时代，第一原理性思考还管用吗？

那么，现在 AI 已来，第一原理性思考这种思维还管用吗？

我总结了以下5点，看完，或许你有新的思考和心得。

我们先来了解一些概念，方便下文理解。

• 软件 1.0：由人类编写的指令组成的软件，基于明确的规则和科学理论（不可预测）。

• 软件 2.0：描述想要达成的目标并训练模型来完成的软件（也就是AI时代下训练出的LLM，可预测）。

• 本质：事物最基本的元素或特征。

• 序列：导致某件事发生的一系列事件。

• 规则：明确定义系统行为的指令。

• 模式：可被识别但不能简化为简单规则的潜在趋势或规律。

• 过程：为实现特定目标而采取的一系列步骤。

• 直觉：一种不基于理性思考的直接理解或洞察力。

• 园艺：通过创造合适的生长条件来培育植物的过程。

01 从本质到序列

过去，无论是软件开发、团队建设、写作还是市场营销，我们都习惯于将问题简化到其核心本质，也就是第一原理性思考，并以此为基础进行推演。

举个栗子，我们在开发软件时，需要定义核心用户以及帮助用户解决什么问题；在写书或者写文章时，我们需要一个论点和大纲。

然而，AI 时代，序列可能应该更关注一些，即导致特定事件发生的底层事件链。语言模型预测字符序列中的下一个词，自动驾驶汽车根据视频、GPS 数据预测下一步的行驶方向，都是序列思维的体现。

以 SaaS 业务中的客户流失预防功能为例，过去我们需要明确定义流失客户的特征，例如几个月未登录应用或信用卡即将到期，这些时对本质的探索。

而在 AI 时代，我们无需明确定义流失客户的特征或干预措施，只需识别导致流失的序列。例如，将流失客户过去 100 天的用户数据输入分类器模型（垂直模型），并与未流失客户的数据进行对比，就可以创建一个模型来识别潜在的流失客户，无需任何规则，这可能就是 LLM 时代下序列思维的魅力吧。

02 从规则到模式

本质与序列的差异，在智力和创造性任务中，可以理解为从寻找规则到寻找模式的转变。

过去，我们需要定义游戏规则，从第一性原理出发，并将其应用于特定情况。而在 AI 时代，我们需要构建和使用能够识别潜在模式的模型，这些模式无法简化为简单的规则。

以软件开发为例，过去我们需要明确定义用户可以完成的任务和系统的行为方式，程序员将其编写计算机可读的规则。

AI 时代，我们无需定义规则，只需寻找例子。例如，我们可以创建 UI 元素的情绪板或应用行为的高级列表，AI 会识别输入中的模式并将其转换为规则集。

再举个栗子，我们在管理创意传作团队时，过去我们需要将工作简化为原则和系统，以便创作则和设计师能够始终如一地捕捉品牌的声音和风格。

现在，我们无需进行这样的简化。我们可以找到代表品味和声音的例子，并将其输入模型，训练出特有的模型，而无需按照之前做一些重复性的规则定制。

AI 时代，找到匹配训练模型的良好示例和数据，才是真正的价值，而不是明确的规则。

03 从流程到直觉

寻找序列而非本质，最终是为了建立直觉而非流程。

过去，为了构建应用程序，我们需要将想法简化为流程，即软件根据一组规则来实现设定目标。有些任务很容易简化为规则，例如 Salesforce 等客户关系管理系统。

AI 时代，我们可以把无法简化为规则的任务构建起来。例如，OCR （光学字符识别）技术使计算机能够识别图像中的文本。人类级别的 OCR 无法简化为一组规则，但现在 ChatGPT 等应用程序中常用的深度学习方法可以创建具有识别字符“直觉”的软件。

在许多其他领域，这种直觉思维过程也很重要，但过去的软件无法触及。例如，风险投资家评估创业项目或医生评估患者。他们可能能够用语言表达自己的思考过程，但在这些语言之下，存在着一些根本无法言喻，直到最近还无法传递的东西。

现在，情况发生了变化，直觉可以传递和使用，它不再局限于任何人的脑海中，也不需要将其简化为流程。

04 从雕刻到园艺

如果创造性工作的原材料变成了序列和直觉，而不是规则、本质和流程，那么工作方式也将发生重大变化，它将更像是园艺而不是雕刻。

过去，创造性工作类似于雕刻，无论是编程还是写作，我们都负责将一块大理石一点一点地塑造成脑海中的形状。每一次敲击锤子都是我们自己的，材料的每一次雕刻都是我们思想的产物。

而 AI 时代，创造性工作更类似于园艺，我们就是园丁，而我们的工作不是从泥土中雕刻出一片叶子，而是创造阳光、土壤和水的条件，让植物生长。例如，最近很火的 AI Coding，我们使用代码编辑器 Cursor 进行编程，更像是创造工作发生的条件，通过自然语言告诉模型我想要构建什么，而不是逐行编写代码。

05 从解释到预测

对规则和本质的追求，对流程和雕刻的痴迷，最终都是对解释的追求。解释是西方的圣杯，是我们在科学、商业和生活中所追求的东西。

想想我们经常问成功人士的问题，“你能解释你是怎么成功的吗？你的秘诀是什么？”，还有我们向别人请教时，“你的账号怎么增长这么快呀，分享分享你的经验。”，“怎么找到产品的PMF？” 我们的目标是找到解释，因为可以解释的东西就可以复制。

但解释是出了名的难以捉摸，很多精明的商人不会阅读《像扎克伯格一样思考：Facebook天才CEO的五个商业秘密》这样的书（这是真实的书），因为我们知道它不太可能包含扎克伯格成功的真正解释。扎克伯格或许能够解释其中的一部分，但即使是他，也可能会说他已经培养了一种指导他决策的潜在直觉，而这种直觉是无法完全解释的。

AI 时代，我们将优先考虑预测而不是解释，尤其是在复杂领域。扎克伯格的智力可能无法简化为规则，但如果给它正确的序列来训练它的直觉，它就可以被封装在一个模型中。这种情况也开始出现在科学领域，比如今年，2024 诺贝尔物理学奖和化学奖给到了构建了用于做出更好预测的架构的计算机科学家，而不是提出了更好解释的物理学家。

对预测而不是解释的追求将科学问题变成了工程问题。问题不再是“它是什么？”，而是“我如何构建一个能够预测它的东西？”这或许就是 AGI 的魅力吧。

从科学到工程的转变是 AI 时代一个很重要的里程碑，它像一种使我们超越启蒙的理性主义，让我们进入一种全新的看待世界和我们自己的方式。