模型的输出，并非现有知识的统计学最优。 模型是真的能思考。

黄超波

模型的输出，并非现有知识的统计学最优。

模型是真的能思考。

问题是，模型不会在离开人类指导的情况下，消耗巨大的资源去主动思考。

你不会思考，所以你总能得到模型给你的统计学最优的糊弄。。。

就比如 elon musk 常说的第一性原理，不是你告诉模型运用第一性原理他就会了，他会偷懒。你需要强迫他回归基本原理去一层层剥离问题。

步骤 1 ：强迫模型回归根本假设，摒弃陈词滥调。
“运用第一性原理思维来分解[主题]。首先找出人们通常对这个主题所做的所有假设。然后逐一剥离这些假设，并问自己：这里哪些是根本性的、可证明的真理？仅用剩下的部分重建概念。告诉我，当你摒弃固有思维时，会发生什么变化。”

步骤 2 ：真正澄清关键概念：费曼认为，如果你不能用简单的语言解释某件事，说明你还没有真正理解它。
“现在请用一种仿佛我是一个从未听说过这些概念的12岁孩子的方式来解释这个概念。不要用专业术语，也不要预设任何知识点。如果你不能用简单的语言解释清楚，那就说明其中还隐藏着我们尚未理解的复杂性。继续解释，直到它真正简单易懂为止。”

步骤 3 ：剥离噪音，如果我们不能发现现有迷思中的误区，我们往往不可能 improve 任何方案。但是模型不会主动反思，需要你强迫：
“我即将学习[主题]。在此之前，请分析一下这个领域中初学者容易接受的5个核心假设。如果想要真正理解这个主题，而不是仅仅死记硬背，需要质疑哪些假设呢？”

步骤 4 ：移除可疑假设推理新方案。这就是真正的思考了。目前的最优解往往是逻辑自洽的，魔鬼隐藏在前提中。这些前提不一定都是错的，但是只要你仔细检查，你就可以发现创新的机会：
“如果最重要的 3 个假设被证明是错误的，会发生什么？”

步骤 5 ：最终获得结论
“如果从零开始，没有现有的行业、没有传统智慧、没有沿袭的方法，只有我们已经确立的基本真理，你会如何从头开始构建解决方案？它会与今天的做法有哪些完全不同之处？”

更极端的剥离假设：
“运用第一性原理思考[商业问题]。列出我所有关于如何解决这个问题的假设。然后问：如果这些假设都不存在，从问题到结果的最直接路径是什么？什么是最简单可行的解决方案版本？”

当然，今天这个步骤可以变成一个 skill ，模型就可以在一秒钟之内，学会深入思考。

问题是。。。

那你呢？？？