作者：Jordi Visser 2026年6月23日

我花在幫助人們學習使用AI上的時間越多，就越確信：在AI上取得成功，與技術能力的關系沒那么大，更多是與思維模式有關。借用拉爾夫·沃爾多·愛默生的一句我常用來教育孩子們關于人生的話——AI是一連串必須親身經(jīng)歷才能理解的課程。你不會通過閱讀說明真正學會它，而是通過撞上阻礙、調整、再嘗試來學會它。

進步最快的人，往往是那些對計算機工作原理知之甚少的人。他們不總是最年輕的，不總是簡歷最漂亮的那群人。適應得最好的人通常具備另一種特質：創(chuàng)業(yè)者的思維模式。

他們愿意嘗試。他們愿意被卡住。他們愿意犯錯。他們愿意把阻礙當作信息。

最后這一點至關重要。

很多人仍然用流水線思維來對待AI。他們想要精確的指令，想要第一步、第二步、第三步，想要機器行為可預測，想要知道只要照著食譜來，蛋糕每次都會一模一樣地出爐。

這完全可以理解。我們大多數(shù)人是被這樣訓練出來的。學校、工作和各類機構常常獎勵那個找到答案、遵循流程、完成指定任務的人。

而AI要求的是一種不同的思維模式。

AI是概率性的。它預測、生成并權衡各種可能性。它給你的答案，是基于概率、上下文、訓練數(shù)據(jù)、你的提示詞以及它認為最可能有用的模式。

這讓一些人感到沮喪。他們問了一個問題，得到了一個不完美的答案，撞上了阻礙，于是得出結論：這個工具不行。他們問同一個問題兩次，卻得到了兩個不同的答案。

另一些人反應不同。他們看著同樣的阻礙，然后問："我剛才學到了什么？"

后者才是會贏的人。

因為AI是一臺概率機器。要善用一臺概率機器，你需要一個概率思維模式。

對我來說，這種思維模式來自三個地方：Annie Duke 和她的"像下注一樣思考"；賽馬和新興市場，作為貝葉斯式訓練場；以及我對夏洛克·福爾摩斯、懸疑故事和觀察藝術的畢生熱愛。

把這些融合在一起，你就得到了我認為人們在AI時代需要的"操作系統(tǒng)"：

像下注一樣思考。

像貝葉斯信徒一樣更新。

像夏洛克·福爾摩斯一樣觀察。

像下注一樣思考

我多次寫過關于Annie Duke的文章，因為她的作品對我如何思考決策、不確定性和人生產生了持久的影響。她的書《Thinking in Bets》是我認為每個人都應該讀的書之一。

我和Annie的理念聯(lián)結是很私人的。我清楚地記得和她坐在一起聊概率、聊撲克、聊工作、聊教學、聊人生的起起落落。這強化了一個每年都變得更加重要的教訓：世界給予我們的是不完整的信息、隱藏變量、隨機性和反饋。更重要的是，因為一切都是概率性的，回頭去糾結那些與你希望不同的決策結果，是在浪費時間和精力。接受失敗，繼續(xù)向前。

這就是撲克。這就是投資。這就是養(yǎng)育子女。這就是創(chuàng)業(yè)。這就是人生。

而現(xiàn)在，這就是AI。

《Thinking in Bets》的核心教訓是：我們應該將決策質量與結果分開。一個好的決策可能導致糟糕的結果，一個糟糕的決策也可能帶來好的結果。結果并不總能告訴你過程是否正確。

這個觀點對AI至關重要。

當有人用了一次AI，得到了一個糟糕的回復，然后說"這玩意兒沒用"，他們是在用一手撲克牌來評判整個游戲過程。一次輸出就變成了最終的判決。

但一次輸出只是信息。

也許提示詞太模糊了，也許模型需要更多上下文，也許用戶需要先讓模型提供選項再讓它給結論，也許需要換一個角色設定、一個更好的例子、一個更清晰的約束條件，或者用第二個模型來評判第一個模型的回復。我在這里用"也許"是為了客氣。以我的經(jīng)驗，對于我自己的提示詞，我默認以上這些都是成立的。

更好的AI使用者會說："那個回答告訴我如何改進下一個提示詞。"

這就是像下注一樣思考。

每一次提示都是一次押注。你在賭的是：這個問題，用這種表述方式，帶著這些上下文，會讓你更接近一個有用的結果。有時候確實如此，有時候不。關鍵在于通過每一次嘗試來提高你的勝率。

這就是為什么創(chuàng)業(yè)者思維模式如此重要。

創(chuàng)業(yè)者預期第一個版本是一次測試。第一個產品是原型。第一次客戶反應是反饋。第一個障礙是數(shù)據(jù)。第一次的失敗成為項目的一部分。

這正是人們需要使用AI的方式。

AI獎勵那些持續(xù)聰明地打出這張牌的人。

貝葉斯優(yōu)勢

AI思維模式的第二部分是貝葉斯式思維。

貝葉斯式思維聽起來復雜，但實際含義很直接：一旦有新信息到來，你就更新自己的信念。

你從一個初始觀點出發(fā)，新證據(jù)出現(xiàn)了，你調整。證據(jù)越強，調整越大；證據(jù)越弱，調整越小。

在AI出現(xiàn)之前很久，我就接受了這種訓練。

我最早的概率訓練形式之一是賽馬預測。賽馬是一個殘酷但美麗的應對不確定性的課堂。你研究馬匹狀態(tài)、賽道、配速、騎師、練馬師、距離、天氣和賠率。你形成了一個觀點。然后新信息改變了局面。一匹馬在亮相圈看起來狀態(tài)不同了，賠率在最后幾分鐘移動了，賽道狀況變化了，由于天氣或退賽，配速情景變得更有可能或更不可能了。

你在持續(xù)更新。

然后我開始了在新興市場的交易生涯，這可能是金融領域最偉大的貝葉斯訓練場之一。在新興市場，每一天都像一個月。政治事件、貨幣沖擊、流動性缺口、政策變化、資本流動、謠言和意外同時襲來。世界比你模型跑得更快。

你很快學會：僵化的思維是危險的。

你需要一個觀點，同時也需要調整觀點。你需要堅定，也需要知道什么會讓你改變主意。你需要自信，也需要在面對新證據(jù)時保持謙遜。

這就是貝葉斯式的思維肌肉。

AI需要同樣的肌肉。

在舊的工作世界里，走向錯誤的方向代價高昂。如果你寫錯了報告、做了錯誤的演示文稿、創(chuàng)建了錯誤的電子表格、啟動了錯誤的項目，你可能會損失幾個小時、幾天甚至幾周。因為成本很高，人們變得防御心強。他們希望開始前就有確定性，希望得到批準，希望拿到完美的計劃。

AI改變了這一點。

走向錯誤方向的成本已經(jīng)大幅下降。

你可以起草備忘錄、檢驗論點、搭建大綱、生成代碼、總結研究、創(chuàng)建三個版本，并且快速比較它們。如果第一個方向不行，你轉向。如果第二個方向更好，你更新。如果第三個版本揭示了你之前沒有考慮的東西，你追隨那條信號。我自己會在同一項研究上使用五個不同的模型，然后基于新信息來縮小范圍。

這才是真正的解鎖。

AI讓探索變得廉價。

當探索變得廉價時，最好的使用者是那些在過程中更新得最快的人。

他們說："這讓我學到了東西。"

他們說："我們測試一下另一個方向。"

他們說："這個輸出還不對，但它告訴了我接下來該問什么。"

他們說："我最初的想法是X，但在比較了X、Y和Z之后，我現(xiàn)在認為Y的勝率更高。"

這聽起來簡單，但這并不是大多數(shù)人被訓練的方式。學校和公司常常獎勵答案、完成和自信。但AI獎勵的是適應性的智慧。

能夠說出"這是我當前的假設，但我們來驗證一下"的人，將比那些需要在開始之前每一步都定義清楚的人表現(xiàn)更出色。

能夠說出"這份草稿是原材料"的人，將比那些在第一次遇到阻礙就停下來的人進步更快。

能夠說出"證據(jù)變了所以我的觀點也變了"的人，正在培養(yǎng)AI所要求的那種精確思維模式。

這就是不確定性下的智慧運作方式。

這就是AI思維模式的形成過程。

夏洛克·福爾摩斯問題

AI思維模式的第三部分來源于我另一個長久的個人癡迷：夏洛克·福爾摩斯、懸疑故事和觀察的藝術。

我一直熱愛懸疑故事，因為它們本質上關于信息。事實都在那里，但并非所有事實都同等重要。有些線索是信號，有些是噪音，有些是干擾項，有些看似無關緊要，直到整個案件都圍繞著它們展開。

偵探的工作是注意到那些重要的東西。

那也是AI使用者的工作。

AI給你的是豐富性：更多的答案、更多的摘要、更多的草稿、更多的圖表、更多的想法、更多的角度、更多的論點、更多的可能性。

但豐富性帶來了一個新問題：過濾。

當信息稀缺時，獲取就是優(yōu)勢。在AI的世界里，獲取正變得越來越不稀缺。優(yōu)勢轉移到了判斷力上。你能分辨出哪個輸出有用嗎？你能否看到哪一行包含洞察？你能否識別出不成立的假設？你能否找出缺失的變量？你能否察覺模型何時只是在流暢地輸出膚淺的內容？

這就是夏洛克·福爾摩斯思維模式的重要性所在。

福爾摩斯破案的方式是把每個情況當作獨一無二的事件來觀察。他尋找那個不對勁的線索，關注其他人忽視的小細節(jié)，避免把每個謎題都硬塞進上一個謎題的框架里。

這對AI來說是一個重要的教訓。

很多人都想要萬能提示詞。他們想要一個神奇的公式，想要一個每次都能奏效的固定流程。但AI在你變得更加善于觀察時，才發(fā)揮最佳效用。

這個具體問題要求什么？

模型需要什么上下文？

它應該扮演什么角色？

什么信息缺失了？

一個好的回答應該是什么樣的？

什么會讓這個回答變得錯誤？

輸出中的哪些線索表明模型理解有誤？

這就是觀察者的方法。

觀察型的使用者追求的是理解。觀察型的使用者會說："讓我理解正在發(fā)生什么，這樣我才能決定下一步該做什么。"

這種差異會不斷復利。

你正在與AI建立一種關系。

創(chuàng)業(yè)者思維模式獲勝

這就是為什么我不斷回到創(chuàng)業(yè)者思維模式上來。

創(chuàng)業(yè)者習慣于不確定性。他們習慣于不完整的信息。他們習慣于在確定是否行得通之前就去嘗試。他們習慣于阻礙。他們習慣于轉向。

而這正是AI的使用環(huán)境。

AI是一個工坊，一個實驗室，一個交易臺，一面?zhèn)商讲几姘澹粡垞淇俗馈Ｄ阍诔掷m(xù)測試、更新、過濾、改進。

想要精確指令的人仍然可以從AI中受益，但真正的巨大收益來自學會如何在不確定性中前行。當某些東西出問題的瞬間，創(chuàng)業(yè)型的使用者開始研究它。當模型給出一個奇怪的回答的瞬間，創(chuàng)業(yè)型的使用者將其當作信息。當路徑不清晰的瞬間，創(chuàng)業(yè)型的使用者開始測試。

復利效應由此開始。

那個奇怪的回答變成了線索。那個阻礙變成了反饋。那份糟糕的草稿變成了原材料。那次失敗的提示變成了新的數(shù)據(jù)點。

你不需要機器是完美的，因為你的工作是與這臺機器協(xié)作。

這才是真正的思維模式轉變。

AI獎勵判斷力。

它獎勵那些能夠用概率來思考的人。

它獎勵那些能夠不挾自我、持續(xù)更新的人。

它獎勵那些能夠從噪音中過濾出信號的人。

它獎勵那些在第一個答案不夠好時還能繼續(xù)前進的人。

新的AI操作系統(tǒng)

AI時代需要一個全新的"操作系統(tǒng)"。

像下注一樣思考，因為每一次提示都是押注，而每一次輸出都是信息。

像貝葉斯信徒一樣更新，因為最佳路徑往往只有在你出發(fā)之后才會自行顯現(xiàn)。

像夏洛克·福爾摩斯一樣觀察，因為價值在于知道哪些線索是重要的。

這就是我正在努力傳授的思維模式。

目標不是一個完美的提示詞，而是一種更好的思維方式。

AI將幫助你提高勝率。

它將幫助你看清更多的可能性。它將幫助你測試更多的方向。它將幫助你移動得更快。它將幫助你擺脫困境。它將幫助你從錯誤的轉彎中學習。它將幫助你構建第一個版本，以便你能夠對其做出反應、改進、然后再次前進。

但你仍然需要帶上你的思維模式。

你仍然需要帶上好奇心。

你仍然需要帶上判斷力。

你仍然需要帶上那種愿意犯錯并繼續(xù)前行的態(tài)度。

這就是為什么我相信，在AI時代，最大的分界線將出現(xiàn)在機械地使用AI的人與以創(chuàng)業(yè)者方式使用AI的人之間。

一群人等待答案。

另一群人提高勝率。

一群人在阻礙面前止步。

另一群人深入研究那個阻礙。

一群人在開始之前需要確定性。

另一群人先開始、邊學邊更新、持續(xù)前進。

而一旦你理解了這一點，AI就不會令人生畏了。

它是概率性杠桿。

能夠善用這份杠桿的人才是勝利者：像下注一樣思考，隨著證據(jù)變化而更新，觀察得足夠仔細以發(fā)現(xiàn)所有別人錯過的線索。而最重要的一點是——AI是一連串必須親身經(jīng)歷才能理解的課程。

本文編譯自substack，原文作者Jordi Visser

https://visserlabs.substack.com/p/the-ai-mindset-why-mastery-demands