AI 时代如何清晰思考

全文速览：课程在讲什么

先建立骨架，再进入细节。

课程的两大块：硬件 与 软件

心智模型速查表

• 认知三要素注意力（门卫）+ 工作记忆（工作台，约 4 个组块）+ 执行功能（工头）。想不清楚，基本是这三样出了问题。
• 不是意志力，是环境高自控者并不更能忍，他们只是根本不让自己遇到诱惑。别把"抵抗"写进计划。
• 选择架构 / 默认值不存在中立的选项呈现。公司设默认值，你"什么都不做"就得到公司想要的；你设默认值，就得到你想要的。
• 摩擦（Friction）想减少一个行为就加摩擦，想增加一个行为就减摩擦，且效果成比例。不必让事情变得不可能，只要让它不方便。
• 期望值（EV）把"我感觉"换成"数值 × 概率"的加总，让判断变得可写下来、可复核、可证伪。
• 幂律（Power Law）产出高度集中：少数几个输入贡献了绝大部分结果。此时"平均值"毫无意义。
• 链条法则（Chain Law）对单个流程而言，整体成功率是各环节成功率的乘积——系统强度取决于最弱一环。
• 局部最优 vs 全局最优卡住的人往往不是在山脚，而是站在一座小山山顶。要上山，先下山。
• 地图不是疆域所有指标、报表、他人转述、AI 总结都是"有损压缩"。冲突时，疆域永远赢。
• 尤利西斯契约在清醒时做决定，约束未来那个软弱的自己。
• 机会成本真实成本 = 价格 + 时间 × 你的边际时薪。每一个"好"都同时是一个"不"。
• 古德哈特定律当一个度量变成目标，它就不再是好度量。给每个指标配一个反向指标。
• 贝叶斯更新不问"真/假"，只问"这条证据在 X 为真时 vs 为假时，出现的概率比是多少"。
• 费米估算分解 → 估算 → 相乘。目标不是精确，而是落在一个数量级内。
• 两个时薪 + 外包不等式平均时薪看过去，边际时薪看"你最值钱那一小时"。外包决策必须计入监督成本。
• 探索 / 利用权衡时间视野长就多探索，短就多利用；收益上升或下降时都该加大探索。
• 触发行动（TAP）"当 X 发生时，我就做 Y。"把决策从当下移除，交给提前写好的 if-then。
• AI 用法别问"这个想法好不好"，要问"这个想法错在哪"。让模型红队攻击你，但最终决策句必须你自己写。

导论与课程总览：认知的生物学基础

先搞清楚"思考"这台机器到底由什么构成、有多耗电、上限在哪。

讲师背景与课程动机

• 讲者是一位创业者（连续 3 年利润超 100 万美元 / 年，近 12 个月近 500 万美元），不是"生产力博主"。他的核心主张是：一旦你想清楚了，你自然也会做清楚——清晰思考是在现实世界里有效行动的地基。
• 进入商界之前，他在研究型大学做了约 5 年行为神经科学，在多个实验室里通过改变动物的进食时间、同伴、光照、训练方式来观察它们"思考能力"（文献里叫 cognition）的变化。本课程的很多原理直接来自这段经历。
• 课程动机：过去两三年，AI 与算法侵蚀了我们独立思考的能力。目标不是让你远离 AI，而是把思考能力从模型手里拿回来，同时仍然能有效使用技术。

认知 = 注意力 + 工作记忆 + 执行功能

你此刻正在产生的每一个念头，都是这三样东西共同作用的产物：

大脑是一台"昂贵且吝啬"的机器

按单位重量算，大脑是全身最耗能的组织。由此推出两条极其重要的推论：

1. 大脑永远在压缩开支。贵的东西，进化一定会逼它省着用。所以大脑偏爱习惯 > 决策、猜测 > 计算、旧的 > 新的。后面要讲的"组块化""执行意图"之所以有效，正是因为它们利用了这份吝啬，而不是对抗它。
2. 大脑的能耗几乎是固定的。做高难度微积分题和盯着窗外发呆，整脑能耗没有统计学上的显著差异（局部差异最多约 5%）。

工作记忆的上限：约 4 个"有意义的组块"

心理学界的共识是：人在任一时刻能同时保持 3–5 个有意义的项目，多数研究者取整数 4。这里的"项目"叫 组块（chunk）。关键在于"有意义"三个字——

例子一：8 个字母 → 1 个单词

# 8 个离散字母 = 8 个组块 —— 超过容量，记不住
E I L N D A E  →  8 chunks

# 重排成一个有意义的词 = 1 个组块 —— 一秒记住
DEADLINE       →  1 chunk

例子二：22 个字母 → 3 个词 → 1 个概念

QUARTERLYTAXDEADLINE   # 22 个字母
        ↓ 对普通成年人
"quarterly / tax / deadline"  # 3 个组块
        ↓ 对专业税务会计
"季度报税截止日" 一个完整概念   # 1 个组块

例子三：12 位数字 → 3 个历史事件

149217762001   # 12 个组块，远超容量

1492 → 哥伦布抵达新大陆
1776 → 美国独立战争
2001 → 双子塔倒塌
# 变成 3 个组块，立刻可复述，且一周后仍记得

来自动物实验的启示：清晰思考其实"很容易"

讲者在实验室的工作本质上是：改变输入，然后测量认知输出。他得到的最反直觉的结论是——

清晰思考并不难。真正有效的是那些极其简单、极其 mundane（不起眼）、但威力巨大的干预。

• 最厉害的干预从来不是打针、吃药、补剂或各种治疗，而是：喂食时间差几小时、哪盏灯早开或晚关、睡前跟哪只老鼠一起玩。
• 这些改动常常带来 30%–50% 的显著绩效差异——等于把这些动物变成了"另一种动物"。

实验一：丰富环境（1997，小鼠）

• 把成年小鼠放进"丰富环境"：更多同伴、跑轮、隧道、玩具。
• 结果：其齿状回颗粒细胞层厚度显著增加（齿状回是负责新记忆形成的脑区）。以标准笼为 100，丰富笼达到 115。
• 关键在于：只靠"住哪儿"就实现了。没有药物、没有训练。老鼠没有更自律，没有早起刷励志视频，也没有看 5 小时的长课程——它们只是被放进了更好的笼子，硬件就跟着变好了。

实验二：空气（24 名知识工作者，6 天）

• 24 名建筑师、程序员、工程师、管理者进入一间模拟办公室，同样的桌子、同样的同事、同样的工作，唯一变量是空气（室外新风量、CO₂ 浓度、挥发性有机物）。
• 每天下午 3 点做同一套认知测试。结果：空气干净通风的日子，得分是普通办公室日子的整整 2 倍——不是好 10%，是翻倍。
• 提升最明显的是策略能力：规划、排优先级、安排行动顺序——全部属于执行功能。
• 没有人睡得更多，没有人吃补剂，没有人更努力。他们只是呼吸了不一样的空气。

这门课该怎么学

1. 先 1.5 倍速完整过一遍先建立整体框架，别急着抠细节。
2. 再 1 倍速看第二遍放慢，配合每一章末尾的"行动问题"。
3. 回答每章的行动问题为什么必须做：把信息存进大脑（编码）和把信息取出来（检索）是两回事。小测验会逼你从刚塞进去的各个角落把信息检索出来——两者都练，概念才真正固化。

意志力、选择架构与摩擦

把"忍耐"从你的计划里彻底删掉，转而设计一个让你根本不需要忍耐的环境。

意志力不是水库

多数人对意志力的想象是：一个蓄水池。每次忍住不看手机、每次被冒犯还保持礼貌，都从池子里舀走一勺；到晚上池子见底，再有诱惑来袭就只能投降；睡一觉重新蓄满，明天再来一遍。

一个不对称赌注：为什么不干脆"假装"意志力有限

严格说，大脑里大概并不存在一个意志力蓄水池（毕竟发呆和做高价值工作耗能相同）。但请做这个思想实验：

• 假设 A：意志力有限。于是你会主动减少诱惑、改造环境。即使这个假设是错的，你也白赚了一个更好的环境和额外的认知余量。
• 假设 B：意志力无限，我硬扛就行。于是你不做任何环境改造。结果一定会在最糟糕的时机、当着所有人的面失败——因为你这一路的人生操作系统就是这么设定的。

这就是工具理性（instrumental rationality）：为了达成目标，选择最有用的信念体系，哪怕它与事实略有出入。既然选 A 通向"根本不用抵抗"的世界，选 B 通向"偶尔崩盘"的世界——当然选 A。

可以立刻执行的一条（讲课当场就能做）

• 如果你的手机就在房间里、在你的视野边缘——你拿起它的概率会高出一个数量级（10 倍或更多）。
• 现在就做：暂停，把手机拿到另一个房间，放在看不见的地方。如果只能用手机看这门课，就下拉打开勿扰模式。
• 收益：光这一步就能让你从这门课多拿到 10%–20%。类比红药丸/蓝药丸：一只手给你 1 美元，另一只手给你 110 美元——你会选哪个？
• 你付出的全部成本是：把一个 100 克的物体移动 10 米。

选择架构：不存在中立的选项呈现

这个术语出自《助推》（Nudge）一书，含义是：你呈现选项的方式，会影响人们最终选哪个。换句话说——只要你给出的选择不止一个，你就必然在某种程度上影响着对方的行为，不存在"中立"的呈现方式。

食堂经理的隐喻

一道健康餐、一道不健康卷饼。菜单一样都没删，只要把健康餐的照片拍得难看、把卷饼拍得诱人，人们就会吃下远更多的卷饼。如果这是个每天几百人的大食堂，这个动作在 10–50 年的尺度上，理论上会导致数百倍的心脏病、中风与死亡。这就是选择架构的重量。

更残酷的现实是：你几乎每一刻都在被操纵。甚至把这条视频推给你的算法，本身也是某种操纵。操纵不总是坏的（也可能像这条视频一样带来正向结果），但那是例外；绝大多数时候，它在削弱你清晰思考的能力——因为清晰思考依赖"你自己设定意图并推理"，而如果你的意图是别人替你设定的，你走到的就不是自己的终点，而是别人的终点。

震撼案例：器官捐献的 12% vs 99.98%

2003 年的对比研究发现：所有 opt-in 国家都在 28% 或以下，所有 opt-out 国家都在 85% 或更高。这不是文化差异，这是一张纸上的一行字造成的差异。

默认值的本质

• 自动播放是默认值 —— 为了提高你的观看时长。
• 通知默认全开 —— 为了提高你打开 app 的次数。
• 订阅页预选年付 —— 为了提高客单价和留存。
• 收银台旁的糖果 —— 为了提高冲动购买率。

这些都不违法，它们只是在"为一个 KPI 设计环境"——只不过那个 KPI 不是你的。

反过来说：你可以自己设定默认值

公司设定了默认值，你什么都不做 → 你得到公司想要的结果。
你设定了默认值，你什么都不做 → 你得到你想要的结果。

这是极强的杠杆，因为你只需要在头脑清醒时决策一次（比如某个周日早上喝完咖啡后），而它会在之后每一个睡不够、疲惫、懒散、咖啡因不足的早晨持续替你工作。

摩擦：整门课的"黄金法则"

定义：摩擦是"一个人"与"一个行为"之间的成本——多一次点击、多一个步骤、多走 10 英尺、多输一次密码。

# 通用法则（记住这两行就够）
想减少某个行为  →  增加摩擦
想增加某个行为  →  减少摩擦

# 因为大脑极度节能（占全身 20% 能耗），剩下的它会替你完成

摩擦是"成比例"的

一件事变难 3 倍，你做的频次大约就降到 1/3；去健身房变容易 3 倍（搬近了 / 有朋友顺路接送），你就去得频繁得多。你不需要让事情变成不可能，只需要让它变得不方便。

食堂实验：把食物挪远 10 英寸

整个改动只需几秒钟就能实施，效果却是两位数的百分点。

你不必让一件事变得不可能才能让它不发生，你只需要让它不方便。哪怕只是一个一两秒钟的微不足道的不便，也足以在大多数时候拦住大多数人。

—— Scott Alexander，2009

你一定经历过的"启动成本"

• 因为 app 把你登出了，所以你没有打开它。
• 因为报告是附件/PDF 而不是正文里的链接，所以你没有读。
• 因为翻包发现没带装备，所以你没有练。

这些都不是真正的障碍（成吉思汗肯定不会被拦住），但它们对你全都有效。值得内化的模型是：

硬件优化（上）：睡眠、营养与运动

不性感，但这是你最容易白捡的 40%–80%。

先把注意力放对地方

睡眠、营养、运动三大项，大约贡献了全部可得收益的 70%–80%。但大众（以及很多"生物黑客"）的注意力全在补剂、冷水浴、生产力 app、晨间仪式这些闪亮的小东西上。

有人花几万美元在生物黑客和补剂上，只为挤出 1%–2% 的认知提升；你问他昨晚睡了几小时，他会自信地回答"五六个小时吧"。——这相当于赢了一场小规模战斗，却输掉了一场世代战争；躲开了一颗子弹，然后被核弹命中。

原则：先把"健康的金矿"挖干净，再去碰那些时髦玩意儿。而且这些优化几乎不需要意志力——只需要调整你的日程、光照、饮食和运动。

一、睡眠

0. 前置动作：先排除睡眠障碍

你余生每晚都要睡觉。考虑到这个频次，花几分钟确认自己睡得好不好，投资回报率高得离谱。但很多人对这件要占掉一生 1/3 的事，思考时间不超过 5 分钟。

• 最该排查的是睡眠呼吸障碍（包括睡眠呼吸暂停及其"没那么响"的表亲 UARS）。美国男性中疑似比例高达 约 30%，主因是体重——体重越大，气管受压越明显，夜间肌肉塌陷时无法充分呼吸。
• 后果：大脑每小时把你唤醒几十次来"修复呼吸"；你完全不记得，但睡眠效率被严重削减。典型表现：在床上躺 8 小时，实际只拿到约 5 小时的有效睡眠。
• 症状非常容易被误当成"性格"：脑雾、睡 9 小时起床还是累、总是那个犯困的人、离不开咖啡……
• 如果有这些信号：打鼾、睡醒仍疲惫、夜间口呼吸、下颌窄、咖啡/功能饮料摄入量大 → 去做一次睡眠监测。
• 讲者本人就有这个问题，多年来一直把早晨的昏沉归咎于"不够自律、作息不好"，试遍各种睡眠卫生方案和药物都无效。治好之后：多活很多年、思维清晰得多，而且几乎"瞬间"变得更精神。

1. 睡 7–9 小时（+10%–20%）

• 睡眠剥夺最危险的地方在于它是隐形的：你不知道自己正在受损。
• 经典实验：48 名健康成年人被分为 4 / 6 / 8 小时卧床三组，持续两周。结果：6 小时组累积的认知损害，相当于整整一两晚完全不睡；但他们的主观困倦感在最初几天后就不再变化——被试无法可靠地察觉自己的功能受损。
• 致命的逻辑闭环："我睡 6 小时也没事"——但你用来做出这个判断的那台仪器本身就已经受损了。
• 而且你会比现实更自信：自认为的状态好于实际状态，于是做出大量本不会犯的战略与战术错误。
• 剂量依赖：4 小时 < 6 小时 < 8 小时。7–9 小时属于不可谈判项。
• 落地方法：设上床闹钟 + 起床闹钟，每天同一时间，坚持约一个月。前几天会难受，之后你就会在该困的时候自然困——人和其他动物一样，靠规律性茁壮成长。

2. 固定起床时间（+6%–12%）

• 背后是昼夜节律钟：它会在一天中的特定时刻给你注射特定化学物质——醒来前后是皮质醇、肾上腺素等"唤醒类"物质。演化上的意图很直白：你醒了，赶紧去干活（找食物、躲剑齿虎）。
• 这些化学物质在正确的时机释放时极其有价值，与认知能力的大幅提升相关。（顺便纠正流行说法：皮质醇本身不坏。）
• 你一定有过"今天状态特别在线"的早晨——那多半是你的内在节律正好和你起床的时间对齐了。这几乎是免费的 6%–12%。
• 问题：昼夜节律需要连续几周一致的作息才能"锁定"到某个时刻。多数人工作日早起，周末两天全毁掉。
• 解法：选定一个起床时间，一周七天都遵守。身体会自动把能量高峰校正到你起床的时刻附近——而且提升的不只是那一小时，是一整天。

3. 睡前 10 小时停止咖啡因（+3%–8%）

• 咖啡因半衰期很长。多数晚上 10 点睡的人，中午 12 点之后还在喝咖啡——到睡觉时体内仍有大量残留。
• 研究：睡前 6 小时摄入 400mg 咖啡因的人，整整少睡 1 小时，而且完全不自知。
• 规则：10 点睡 → 中午 12 点后不再摄入咖啡因，不能再晚。
• 直观感受：如果你晚上 10 点摄入约 200mg，到入睡时体内仍有约 50mg（四分之一杯咖啡的量）在循环——这正是你半夜最不想要的东西。

4. 明亮早晨 + 昏暗夜晚（+3%–8%）

• 昼夜节律是由光设定的：脑内微小光敏区域被激活后，会"牵引"整个大脑以及前述化学物质。
• 做法：起床后 1 小时内接触约 10 分钟自然日光。即使是阴天，室外亮度也远高于厨房或办公室。
• 夜晚反过来：睡前几小时使用昏暗、暖色、低强度的光，把皮质醇/肾上腺素那一套压下去。

5. 卧室：冷、暗、安静（+2%–6%）

• 多数人在十几摄氏度（约 18–20°C）睡得最好。
• 讲者用的是水冷床垫（Eight Sleep，非广告）：入睡前把床温降到 18–19°C 区间，睡眠中再动态调节。不便宜（约 4000–5000 美元），但考虑到"余生每天都要睡"，ROI 极高。
• 替代方案：空调、风扇、遮光窗帘；寒冷地区可能还需要取暖设备。

二、营养与检测

6. 排查营养缺乏（+10%–15% 或更多）

• 大脑靠血液供养：占体重 2%、耗能 20%，却几乎不储存能量——所以血液质量 = 营养质量。
• 现代饮食经过高度"提效"，大量深加工、矿物质流失，很多人缺乏一种或多种微量营养素。
• 缺乏的表现常常伪装成：懒、无法专注、思维不清。
• 常见项：铁（尤其女性）、铁蛋白、B12（素食/纯素者）、维生素 D（高纬度地区 10 月–次年 4 月若不补充，基本都缺）、甲状腺功能减退等。
• 另建议查代谢指标（血糖）：很多人长期高血糖，在发展成糖尿病之前，清晰思考就已经出问题了。
• 成本：几百美元或几小时；收益：余生。

7. 戒酒（+4%–10%）

• 对关注认知的人来说，核心问题不是肝病，是睡眠。酒精是中枢神经抑制剂，让你更快入睡，代价是破坏后半夜的 REM（快速眼动）睡眠——而 REM 正是你第二天感到休息充分、并把白天工作记忆里的东西固化成记忆的关键。
• 哪怕只是一两杯，也会显著影响第二天。
• 讲者自己：8 年里饮酒不到 12 次，基本都是"一生一次"的场合（比如挚友婚礼上半杯啤酒）——即便如此，第二天仍然感觉得到。
• 额外的视角："出去喝一杯"本身也是一个别人塞给你的默认值。你可以喜欢它、并且带着意图去享受它；但很多人只是因为周围人都这样、从小环境就这样，就以为自己必须如此。多数人其实并不喜欢酒的味道。

8. 戒大麻/非医嘱药物（+2%–6%）

机制与酒精类似：让人感觉更快入睡，实则牺牲睡眠质量。讲者戒掉后 2–3 天内就感到思维清晰的明显改善，此后再没放手。如果你已经到了"需要靠它才能睡着"的程度，请尽快处理这件事。

9. 增加蛋白质与膳食纤维（各 +2%–4%）

10. 肌酸（+1%–3%，睡眠不足时更多）

• 文献里真正站得住脚的唯一补剂。多项随机试验的系统综述显示：肌酸可改善推理与短时记忆，尤其对体内肌酸水平低的人群。
• 肌酸主要来自红肉，所以素食/纯素/鱼素者补充后效果更明显（但吃牛肉的人补充同样有效）。
• 还似乎有助于压力管理。建议 3–5 克/天，成本极低，风险接近零（有顾虑仍请咨询医生）。
• 定位要清楚：补剂在"清晰思考"这块饼里占比极小，有用但别依赖。讲者称它是"你能拿到的最接近《永无止境》那种聪明药的东西"。

三、运动

11. 提升 VO₂ max（最大摄氧量）（+10%–20%）

• 有氧运动改善认知的路径：增加脑部血流、提高 BDNF（脑源性神经营养因子，促进海马体神经新生）、改善胰岛素敏感性、并改善睡眠。
• 动物证据极强且指向因果：给老鼠一个跑轮，它们海马体（记忆中枢）会长出更多神经元，走迷宫学得比久坐对照组快得多。
• 如果只追踪一个指标，就追 VO₂ max：它是心血管健康的金标准，也是比几乎任何其他风险因子都更强的寿命预测指标；对认知而言，它是"大脑摄取和利用氧气能力"的代理指标——而大脑正是全身最耗氧、最耗能的器官。
• 测量方式：实验室每季度测一次（几百美元）；或用智能手表/手环估算；或用 Cooper 方程之类的公式。

12. REHIT 协议（再用 +5%–10% 撬动 VO₂ max）

REHIT = Reduced Exertion High-Intensity Interval Training（低运动量高强度间歇训练）。

# 原始研究设计
久坐成年人 · 骑车 · 每周 3 次 · 每次 10 分钟
每次中：全力冲刺 2 组 × 10–20 秒（其余 9 分钟慢踩）
# 6 周后结果
VO₂ max：男 +15% · 女 +12%
胰岛素敏感性：男 +28%

# 换算一下：6 周里总共只做了 18 分钟的高强度运动
# 相当于每次训练 VO₂ max 涨近 1%

• 注意：原始样本是久坐人群（起点低，涨幅大）。年轻健康/已有锻炼基础的人不会每次涨 1%，边际收益会递减——但依然惊人。
• 讲者的做法：每次训练后加两组 20 秒冲刺，每周 6 天，共 40 秒。不要给自己"要不要做"的决定权，直接做。
• 他的判断：在解决重大健康问题、睡眠呼吸障碍、营养缺乏之后，这可能是当下对认知最有用的一件事。

13. 叠加你的默认值

锁定几个习惯后，把它们串成一条链，一次动作同时拿到多份收益：

去户外晨练
  ├── 拿到明亮晨光（日照项）
  ├── 锁定固定起床时间（节律项）
  ├── 完成运动（VO₂ max 项）
  └── 若约上朋友一起 → 额外获得"好笼友"（社交项，对认知同样重要）

——一次决策，四份收益。这就是"叠加默认值"。

硬件干预总表

提醒：全部相乘，不是相加。讲者给出的硬件部分综合结论是 约 150%–200% 的提升。当然，实际幅度取决于你的起点——起点越差，摘到果实越大。

硬件优化（下）：工作空间 × 期望值

硬件收尾（空气、声音、光、屏幕），然后正式进入软件：第一个思维算子——期望值。

14. 把空气搞流动起来：CO₂ 是隐形杀手

• 人体代谢：吸 O₂，排 CO₂。密闭房间里 O₂/CO₂ 比例会持续漂移。
• 研究表明，CO₂ 约到 800 ppm 就开始负面影响认知。参照：室外 ≈ 420 ppm，你呼出的气体 ≈ 40,000 ppm。
• 一间不通风的小办公室，一两个小时内 CO₂ 就能升到 1000 ppm 以上，人多时更快。
• 最糟的是你感觉不到。你不会头疼，也没有任何明显信号——就是"温水煮青蛙"，只不过煮你的是 CO₂。

做法：

• 买一台约 200 美元的 CO₂ 监测仪（只要能显示 ppm 即可，品牌不限）。讲者录制时自己房间是 763 ppm——已经偏高。
• 便宜替代：始终留一点窗缝通向室外。风扇不够（只是内循环）；可以在工作间隙把门敞开通风。
• 讲者因为怕噪音喜欢关门，所以必须一天开几次门通风，否则下班前 CO₂ 会超过 1200 ppm，相当于 30%–40% 的认知功能损失。
• 小提示：CO₂ 在房间内分布并不均匀（受密度和室内物体影响），监测仪读数是个合理代理指标。

15. 消除环境中的"可辨识语音"（+2%–6%）

工作期间不要听播客、带歌词的音乐，也不要处在能听清家人/伴侣/同事说话的环境里。可以听纯音乐、棕噪音、风扇声、雨声等掩蔽音。

原理：听到人声时，大脑会自动去解析语义。注意力这个"门卫"并不完美，总会有信息因为足够抓人而被放进来。这个后台解析持续消耗认知资源——哪怕语音基本听不清（只是隔着门的咕哝），绩效照样下降。而一旦你跟上了某段对话，推理能力会遭受 4%–45% 的惩罚（取决于任务类型：依赖语言推理的任务受损最重）。

16. 靠着窗户工作（+2%–5%）

• 昼夜节律依赖眼睛接收到光，所以把桌子挪到窗边——这完全免费，是纯杠杆。讲者左手边就是一整面落地窗，既是打光，也提升认知。
• 没有窗（比如在"洞穴式"小房间工作）：用一盏强光灯替代，早上打开、坐在旁边。讲者用的是 10,000 lux 的灯（约 200 美元）。北方冬季尤其需要：因为地轴倾斜，早上 9–10 点前几乎没有足够日光，而他通常醒得更早，必须靠灯来"启动"节律。

17. 减少视觉杂乱（+1%–3%）

• 注意力是聚光灯，但它不只照亮它对准的东西——门卫有时会放进你并不想要的东西。工作记忆又只有区区几个组块。
• 于是：视野里的每一个物体，都在争夺你的一小份注意力。专注时，视觉系统必须额外耗能去抑制环境里的杂物，这叫 biased competition（偏向竞争）——大脑每次扫过堆满文件、线缆、邮件的桌面，都要花力气去分类它们的位置、朝向、状态。
• 顺带解释了一个现象：为什么富人的家通常特别整洁——他们未必说得清原理，但整洁让他们更能专注。

18. 批量处理通知（+3%–6%）

手机和电脑天生就是被设计来捕获并持有你的注意力的——这是厂商经济模型的核心。你停留越久，他们赚得越多，所以默认通知级别被设得很高。你要做的是：只修改一次设置，然后终身受益。

为什么通知这么伤

• 每条通知都强迫大脑在"当前任务"和"通知"之间临时切换。你的注意力和工作记忆都很有限，所以当环境里出现显著刺激（手机震动、屏幕角落亮起），你的心智不管愿不愿意都会去注意它。
• 由此产生 注意力残留（attentional residue）：即使你切回工作，仍有一部分聚光灯无法从手机上拔回来——因为演化让你必须持续监控环境里移动的东西（万一那是条盘着的蛇）。
• 文献数据：这可以消耗你 10%–15% 的认知能力，持续长达 20 分钟。而很多人被打断的频率高于每 20 分钟一次（有些人每 3 分钟一次）。

解法（一次性设置）

# iOS
关闭所有 App 的 横幅 / 角标 / 声音
改用「定时摘要」：每天 2–3 个批次推送

# Android
关闭全部通知 + 设闹钟，在 11:00 / 16:00 等固定时间集中查看

# 效果对比
改前：全天随机查看 → 每次后 20 分钟处于 −20% 状态
改后：每天 2–3 次集中处理 → 平均只损失 2%–3%

19. 屏幕单任务（+3%–8%）

• 屏幕是三维延伸的虚拟环境，杂乱规则同样适用：全屏、不显示任何其他应用或标签页，把注意力的拖拽降到最低，强迫自己只做一件事。
• 讲者录这条 5 小时长视频时，只开了一个窗口——没有 45 块显示器闪着行情。
• 例外：设计类工作、高频日内交易等确实需要并排比较的场景，多窗口的效率收益可能盖过认知成本。除这些之外：关掉邮箱、聊天软件和那 31 个标签页；还可以隐藏地址栏和任务栏，让屏幕上只剩眼前这一件事。

进入软件：给大脑装更好的程序

硬件（注意力 / 工作记忆 / 执行功能）相对固定，只能小幅撬动；而软件可以带来数量级的改进。伟大的思考者之所以比糟糕的思考者快几个数量级，不是脑子更好，而是装了更好的程序。

模型一：期望值（Expected Value, EV）

为什么"跟着感觉走"不够

• 多数决策靠直觉（一类决策）完成。日常小事无所谓——"今天喝什么咖啡""那是不是我的公交，快跑"。
• 但你要学的是那些影响余生的决策：该不该启动这个产品？未来 6 个月要不要押在这个方向上？
• 直觉作为高风险高影响决策的依据，有三个致命缺陷：它只有"是/否"两档；它无法追责；它不可解释。当你事后回看"我当初到底为什么做这件事"，唯一的答案是"我直觉如此"——这不是一个能依靠的严谨流程。

定义与算法

# 定义
期望值 = Σ(每种可能结果的价值 × 该结果的概率)

# 例子：抛硬币，正面 +$3，反面 −$1
EV(正面) = 0.5 × $3  = +$1.50
EV(反面) = 0.5 × −$1 = −$0.50
EV(整局) = 1.50 + (−0.50) = +$1.00

# 含义：每玩一次，统计上净赚 1 美元
# 玩 1000 次 ≈ 1000 美元；次数越多，越接近这个数（大数定律）

真实场景：要不要转去做 SaaS？

# 现状：一家小型服务公司（安装太阳能板）
# 念头：看到 Twitter 上的新趋势，想去做一家 SaaS

EV(SaaS) = $1,000,000,000 × (1/1000) = $1,000,000
# 行业里公司能被 10 亿美元收购，但成功率只有千分之一

EV(现有小生意) = ($500,000/年 × 5 年) × 50% = $1,250,000
# 年利润 50 万，且判断还能再跑 5 年的概率是 50%

# 结论：1,250,000 > 1,000,000 → 继续做小生意的期望值更高

期望值思维的三个副产品

1. 职业扑克玩家就是这么活的——他们在脑子里不断计算自己手牌 vs 对手手牌的 EV。EV 为正就玩，为负就不玩。哪怕每手只有极小的优势（比如每手 EV = 1 美元），长期也会赢，前提是你有足够的筹码撑到大数定律生效。这也解释了为什么有钱人更敢冒险：不是他们不怕，而是他们的筹码够厚，可以让正确的 EV 决策最终兑现。
2. 风险投资的逻辑同理：给 100 家公司各投 5 万美元，每笔 EV 略大于零，只要样本够多，最终会兑现。他们要的回报远不止翻倍，但原理就是这个。
3. 概率是估计值，写出来才算数。写下"20%"，是一个具体且可修改的东西；说"感觉挺悬，不想做"，则是模糊的、不可修改的、无法用于决策的。

陷阱：结果论（Resulting）

这个概念出自 Annie Duke 的《对赌》（Thinking in Bets）：用结果的好坏来评判决策的质量。

# 两个选项
选项 A：价值 2，概率 0.8  →  EV(A) = 2 × 0.8 = 1.6
选项 B：价值 10，概率 0.2 →  EV(B) = 10 × 0.2 = 2.0

# 正确选择是 B（EV 更高）
# 但 B 有 80% 的概率不中 —— 于是你会觉得"这决策真蠢"
# 错了。B 是对的，它只是 80% 的时间会输；赢的那 20% 足以扳回来

如果你基于小样本结果来评价自己的决策，就会得出错误推断、做出错误结论。若每次"没立刻兑现"都惩罚自己，你很快会学会再也不选 B 类赌注——那才是大错。反之亦然：选 A 每次都小赢，你会以为自己是天才，于是继续选期望值更低的 A。

另一个 EV 例子：该不该招这个销售？

成本：$6,000/月
成功（60%）：3 个月爬坡后每月毛利 $15,000
失败（40%）：爬坡期结束就辞退，毛利 $0，损失 $18,000

EV(成功) = $9,000
EV(失败) = $7,200
EV(决策) = 9,000 − 7,200 = +$1,800  （相当于 3 个月里每月白赚 $600）

讲者的用法：小事在脑子里粗算；任何涉及几天以上时间或一万美元以上的决策，就落到纸上。而他的体会是——真正最有价值的不是算出来的那个数，而是"把概率写下来"这个动作本身，它逼着你尽最大努力去量化可能性。

幂律、链条法则与局部/全局最优

世界不是正态分布的；而"平均值"在真实世界里几乎没用。

幂律（Power Law）：少数输入贡献了绝大部分输出

我们的直觉错在哪

人的直觉默认一切都是正态分布（像身高）：画 100 万人的身高会得到一条钟形曲线，绝大多数人集中在平均值附近，极高极矮的极少。因为我们对身高很熟，就错误地把这个模型套到了所有东西上——客户、视频、决策、财务、任务。

但现实中符合正态分布的事情极少。如果你按"平均分配时间和精力"去做决策，你会犯下大量错误。

幂律的定义与形状

# 数学定义：两个变量间，一个与另一个的某次幂成正比
X = Y ^ n

# 图形：一条急剧下降的指数曲线
结果
 ↑  ██
 │  ██
 │  ██▓
 │  ██▓▒
 │  ██▓▒░
 │  ██▓▒░··
 └──────────────→ 项目（按贡献降序）

20 家客户的例子：把它们按付费额从高到低排，结果几乎必然是——客户 1 贡献了绝大部分财富，客户 2、3、4 各自贡献一大块，剩下 16 家加起来几乎等于零。也就是说，单单第 1 家客户，就可能等于底部 16 家的总和。

通用规律：除了身高这类生物指标，几乎所有事情里，某一个项目都对应着不成比例的巨大份额。

• 商业：少数产品贡献大部分收入，少数客户贡献大部分 MRR。
• 投资：少数几只股票贡献组合的大部分回报。
• 技术：少数几个 app 吃掉你绝大部分屏幕时间——所以屏蔽掉一两个特定 app，就能拿到 80% 的减屏效果。
• 人生：一年里决定全年走向的，就是少数几个关键决定（要不要开始这段关系、要不要结束它、要不要接这个项目、要不要打那通电话……）。

帕累托原则与微软的做法

这就是二八定律（帕累托研究意大利土地分配时提出：80% 的土地由 20% 的人拥有）。微软的做法是：

找出造成 80% 客户投诉的那 20% 的 bug
→ 把 100% 的时间投在那 20% 上
→ 崩溃率下降 80%

# 20% 比 80% 小 4 倍
# → 用 1/4 的资源拿到同等效果，或用同等资源拿到 4 倍效果
# 这就是"杠杆"，这就是商业的全部游戏

注意：具体数字不总是 80/20，但形状永远一样——左边极高，然后反向指数式跌落。

幂律的代价与用法

代价：这叫关键人物风险 / 关键客户风险——一两个客户贡献了绝大部分收入，一旦流失你就很难受。但这就是世界的样子。

用法（两步）：

1. 找出那 20%把你的所有产出列出来，按结果降序排列，前 20% 自然就浮在上面。YouTube 就是观看量最高的视频；时间就是使用最多的 app；人生就是过去一年影响最大的那几个决定（所以记日志 + 做 EV 记录非常值钱）。
2. 二选一（或同时做）① 在赢的 20% 上加倍下注：如果 80% 的观看量来自 3 种视频形式，就多做这 3 种，而不是去创新第 4 种。② 停止向失败的 80% 投入资源：它们只贡献几个百分点，砍掉或不再追加资源，几乎没有区别。

顺带一提：尾部（tail）指那条又长又细、几乎没产出的部分；头部（head）指极高那一端。你在尾部花的每一小时，都是本可以花在头部（那个"月付 5 万的客户"）上的一小时——这正是它与机会成本、时薪规则相连的地方。

链条法则（Chain Law）：幂律的反面

一条链条的强度，取决于它最弱的那一环。系统的可靠性不是各环节的平均，而是乘积。

# 生产一个产品的三道工序
工序1 = 100% · 工序2 = 100% · 工序3 = 20%
整体成功率 = 1.0 × 1.0 × 0.2 = 20%

# 与其把两个 100% 再往上推，不如
工序1 = 80% · 工序2 = 80% · 工序3 = 80%
整体成功率 = 0.8 × 0.8 × 0.8 = 51.2%   # 提升 2.5 倍

两条推论：

1. 把链条的环节数压到最少。每步 90% 成功率：两步 → 81%，三步 → 72.9%，步数越多，连乘的结果越低。链条是向下复合的（chains compound down）。理想情况是：只有一步，然后把那一步做到极强。
2. 把 100 小时全部投给最差的那一环。如果工序是 95% / 70% / 95%，那 100 小时全给那个 70%，直到它升到 95% 以上，再开始平均分配。

什么时候用幂律，什么时候用链条法则

局部最优 与 全局最优（Local / Global Maxima）

人天生就想往上爬，每一刻都在评估所有可选项，挑涨幅最大的那个。但当你爬到一个峰顶时会发生什么？——所有方向都是下坡，于是你被卡住了。数学里如此，人生里同样。

        全局最优 ●
                 ╱╲
        局部最优 ●  ╲
               ╱ ╲   ╲
       起点 ●─╯   ╲───╲───→

# 站在局部最优上，唯一可见的动作就是"往下走"
# 但只有先下到谷底，才可能爬上那个真正的最高峰

讲者自己的例子（2024）

• 当时他经营一家为 agency 做自动化工作流的公司 Leftclick，无论如何都突破不了月收入 5 万美元——主要获客渠道（冷邮件 + Upwork）天然难以规模化。
• 他环顾四周，看到很多人在更高的峰上（月入 10 万、50 万），并发现他们用的是自有品牌/有机内容作为漏斗，而不是冷邮件和 Upwork。
• 于是他选择主动承受短期损失，从局部最优上走下来。找到通往全局最优的路径后，他在一条全新的曲线上重新爬升，回报是原来的很多倍。而站在新峰上再看，还有更大的峰。

怎么判断自己在局部最优？（三个可靠信号）

1. 改善在变小：你每一次改动买到的回报都比上一次低——曲线的斜率在变平。
2. 投入不再换来产出：你投入更多时间、精力、人手、工时，却完全没有产生回报。
3. 技能不如你的人在另一座山上做得比你好：那些做自有品牌、收入碾压他的人，"我明明比他们懂商业得多啊"——这就是信号。

怎么承受"下山"的代价

下行的代价是确定而清晰的，上行却是模糊而不确定的——这正是大多数人不敢迈出那一步的原因。但如果你确实处在局部最优，你真的应该迈。如果你还没到局部最优，那就一直爬，爬到你到为止——到了那儿的时候，通常相当明显。

注意力残留、知行脱节、地图与疆域、尤利西斯契约

从"为什么我一天下来什么都没做成"，到"我看到的到底是不是真的"。

注意力残留（Attentional Residue）

这个概念由 Sophie Leroy 于 2009 年提出：当你把注意力从任务 A 切换到任务 B 时，有一部分注意力会像黏稠的残留物一样粘在 A 上，无论你多努力想把注意力全部压到 B 上。残留越大，对你下一项任务的负面影响越大。

• 今天我们切换任务大多是因为被打断。研究给出的平均打断频率是每 3–5 分钟一次——相当疯狂。
• AI 模型尤其助长这一点：它们天然鼓励你同时开多个窗口、发出请求、去做别的事，然后再绕回来。
• 影响幅度依任务类型和时长而异，讲者的保守估计是 5%–10%。也就是说，修好注意力残留，你立刻拿回 5%–10% 的认知能力。
• 机制：从 A 切到 B 后，你有长达 20 分钟仍有一部分自己"留在 A"——无论你多用力。若你整天 A→B→A→B 地切，你就永远处在那个红色损耗区间里。

Akrasia（知行脱节）：知道该做，却就是不做

这个词来自古希腊，字面意思是"缺乏自制"，指知道正确的行动是什么，却仍然不去做的状态（亚里士多德在《尼各马可伦理学》里讨论过）。它回答的是那句你今天一定说过的话："我真的应该去做 X。"

为什么"多学一点"救不了你

Scott Alexander 观察了一群比世界上任何人都更认真研究"清晰思考"的人，然后问：他们真的做得更好吗？答案是坦率的——并没有。有意识地练习理性与在现实中取得成功的相关性，大概接近 0.1，而不是 1。

他把原因归结为 Akrasia："如果你的决策再好，却没有意志力去执行，那毫无意义。"

瓶颈到底在哪：一个化学反应的比喻

容器里混合着三样东西：
  你知道什么  +  你做什么  →  你得到什么
      ↑              ↑
   过剩            限制反应物

# 多数人的"知道"早已过剩，卡住的是"做"
# 你不能在不增加"做"的前提下增加"得到"

真正有效的解法

地图不是疆域（The Map Is Not the Territory）

这句话 1931 年被提出。讲者的真诚信念是：这是每个地球人都该知道的心智模型。

基本含义

• 地图是用来帮你穿越疆域的工具，它本身不是疆域。如果一幅地图大到跟疆域一样，它就不再有用了。
• 恰恰因为地图是被压缩过的现实，它才有用——越小越便携，但也离疆域越远、差异越大。
• 问题在于：很多人把地图当成了疆域，把被压缩过的现实版本当成了现实本身。

换句话说：你相信的一切，在某种程度上都是一张地图。关于客户想要什么的判断是地图；关于身体如何代谢咖啡因的理解是地图；你刚学到的"注意力/工作记忆/执行功能"也是地图；你给自己讲的"上周产品为什么失败"的故事，同样是地图。它们全都是有损压缩——压缩过程中丢失了细节，没有一个是那件事本身。

商业里的地图

仪表盘上的点击率、留存、MRR、管线价值、CRM……全都是飞机驾驶舱里的仪表读数。它们可能是很好的地图，能告诉你大致方位和该往哪走；但它们终究只是一个数字。

危险在于：地图和疆域会在你毫无察觉的情况下分离，而你默认它们是一回事。如果你照着地图导航，而地图是错的，你可能直到太晚都不会意识到。

• CRM 的幻觉：系统显示管线里有六位数，但讲者在审计工作中反复发现——那些线索其实已经死了四五个月。
• 留存的幻觉：留存数据看起来极好、流失很低，但走掉的全都是你最好的客户，因为他们对你的做法非常失望。
• CEO 的幻觉：公司陷入困境时，CEO 不去一线亲眼看，而是靠直接下属的汇报过活。他忘了：每一个下属本身就是一张小小的"现实地图"——每个人都在用各自高度压缩且有损的方式评估信息。他们有自己的激励（倾向于报好消息）、自己的偏差（不知道自己的地图也不完美）、以及能力上的偏科。于是：账面指标全部漂亮，公司却在失败，而他不明白为什么。
• 反面教材的正面印证：过去二十年增长最快最好的公司往往极其扁平。掌权者不在高塔顶端，而是在地面上——能直接看到脚下的客户、直接问他们"你为什么没买"。

实验室里的经典故事：变聪明的老鼠，还是变饿的老鼠？

测量"老鼠认知能力"的常用方法：走迷宫的耗时
实验操作：改变喂食时间
结果：老鼠解迷宫明显变快
研究者欢呼：我们找到了让老鼠变聪明的方法！

# 真相：它们只是更饿了
# "更饿的老鼠" ≠ "更聪明的老鼠"
# 两者都会飞快地冲向迷宫终点
# 除非你当时人在现场，否则你根本看不出区别

尤利西斯契约（Ulysses / Odysseus Contract）

意志力强的人不去对抗诱惑，而是避开诱惑。但如果诱惑避不开呢？如果它整天在你口袋里（手机），或者就在你家里（装满好吃的冰箱），而你又必须有它在身边？

尤利西斯契约 = 你今天做出的、用来限制明天选项的一个选择。

—— 源自《奥德赛》：奥德修斯让船员用蜡封住自己的耳朵，并把他牢牢绑在桅杆上，且命令船员无论他如何哀求都不要松绑。于是他听到了塞壬的歌声，却活了下来。

早晨 7:00  →  诱惑 ≈ 0，决心 ██████████
晚上 21:00 →  诱惑 ██████████，决心 █

尤利西斯契约：把早晨那份决心"固化"并平移到全天

几乎所有意志力崩溃都是这个剧本：早上头脑清醒，知道正确选择，成功避开；晚上 9 点到家，又累又倦，挣扎了一整天，看到刺激物，心想"来一点也没关系吧"——然后投降。

解法：剥夺"晚上 9 点的你"做这个决定的能力。戏剧化的例子：早上把薯片锁进保险箱、打乱密码锁、交给伴侣——这样深夜回家时你打不开。听起来夸张，但一些极高成就者真的就是这么干的。

三种可以今天就上手的尤利西斯契约

机会成本、古德哈特定律、切斯特顿栅栏、贝叶斯

四个让你"看得更全"的算子：看到看不见的那一半、看穿指标、看懂规则、看懂证据。

机会成本：看得见的与看不见的

"看得见的看得见，看不见的看不见。"—— 19 世纪经济学家 Frédéric Bastiat

他的经典故事是破窗谬误：一家店铺的窗户被砸坏，镇上的人安慰说"没关系，这给镇上的玻璃匠带来了生意，所以是净中性的"。

Bastiat 的革命性发现是：店主因为要付钱修窗，就没钱去买鞋或买书了——这才是交易中看不见的那一半。人脑只记录"看得见"的部分，这就是机会成本被系统性忽略的根源。

• 定义：机会成本 = 你在该情境下本可以采取的次优替代方案的价值。注意——不是所有其他方案的总和，而是那一个能给你带来最大结果的选择。
• 因此：标价很少等于真实成本。一顿 30 美元的午餐不只是 30 美元，还是 90 分钟。

# 天真的算法
成本 = 价格 = $30

# 纳入机会成本的算法
成本 = 价格 + 耗时 × 你本可做的事的时薪
     = $30 + 1.5h × $45 = $97.50

# 从机会成本视角看，这顿午餐的真实价格接近标价的 3 倍

• 答应一个毫无意义的内部会议 = 拒绝掉本可以用那段时间赚到的 200 美元。
• 答应一个超低 MRR 的客户 = 拒绝掉所有你本可以拿下的其他客户。
• 答应一个副业项目 = 拒绝掉投入主项目的时间。

推论：便宜的东西可能极其昂贵，昂贵的东西可能是划算的。

怎么用：下次答应一件定义不清或消耗时间的事时，别只说"我去做了"，要明确说出你因此放弃了什么——不是"时间"这种含糊说法，而是具体那件事。比如："我答应了 10 点这个会，所以我在拒绝 10 点写那份赚钱的脚本。"

古德哈特定律（Goodhart's Law）

"给我看激励，我就告诉你结果。"—— Charlie Munger

没有比激励更好的行为预测器了——它远比任何人宣称的价值观或性格特质重要。这跟本课程的立场一致：人就是动物，动物按被奖励的方式行动，就像实验室里的老鼠。

• 给老鼠一个按钮，每次按都给食物，它就会开心地按。它不在乎你的意图——它内部的激励只有一条：按按钮 → 有好吃的东西。
• 如果老鼠没按你想要的做，那不是老鼠的错，是你的错——你知道它的激励，却用错了。
• 人也一样，只不过我们会用词语包装。客服按关单量计酬 → 关单变多，哪怕质量很差；销售按预约通话数计酬 → 通话变多，哪怕线索完全不合格。这不是他们坏，是他们在回应你给他们造的环境。

你身边的古德哈特：手机

通知默认开启、自动播放、无限滚动、连续打卡、红色角标……这些东西对你没有好处。发生的事只是：某位产品经理面前摆着一个指标（日活 / 使用时长），每周例会上他按这个指标被评价和奖励——于是他把所有默认值都设成了操纵你注意力的样子。

讲者自己踩过的坑：观看量

• 观看量是他 YouTube 目标的代理指标：观看越多 → 影响越大，而他的真正目标是影响力。
• 但真正的目标是"你看到最后并真的去用"。一旦过度关注观看量，他就会做出优化浅层观看、牺牲深度的决策——完播率下降，影响力实际在减少。
• 即便他研究这套东西快十年了，这种"观看量最大化"的行为每隔几个月仍会爬回来，需要他不断压下去。想想那些从没听说过古德哈特定律、也从不反思自己行为的人，正在被它驱动到什么程度。

怎么防

1. 遇到不理解的行为，先问"谁从中获益？"通常看到受益人，答案就清楚了。
2. 给每个指标配一个"反向指标"。在把指标设为目标之前，先说清它是什么的代理，然后绑定一个当主指标变好就会变差的指标：
   · 速度 ↔ 错误率
   · 关单量 ↔ 被重新打开的单量（因为没真正解决）
   · 观看量 ↔ 完播率 / 留存率
   如果一个涨、另一个跌，说明你在钻系统空子，底层指标其实没改善。

切斯特顿栅栏（Chesterton's Fence）

这个 1929 年的寓言说：两个改革者走在路上遇到一道栅栏，一个想立刻拆掉，因为看不出它有什么用；另一个建议——先弄明白它为什么在这里，然后再拆。

核心推论：每一道"栅栏"（= 规则、命令、法规、法律、工作流、流程、SOP）背后，一定曾经有人投入过时间、精力或金钱。而人普遍是节省这些东西的——所以它被建起来，必有原因。

把栅栏当成地图。正如地图是疆域的压缩版（通常有用），栅栏是一个流程的压缩版（通常也有用）。

处理流程（固定顺序：先理解，再决定）

1. 想移除某条规则？先搞清楚它为什么在那儿。
2. 搞清楚了 → 就事论事地决定保留或移除。
3. 搞不清楚 → 先去问建它的人（最理想）。
4. 问不到 → 查历史。Google Docs / Drive 的版本历史、代码的 git log、SOP 相关的旧邮件线索。
5. 还是不知道 → 试着移除，然后观察会发生什么。如果不可逆，那就只能先留着。

另一个好用的思考实验：如果这道栅栏消失一周 / 一个月 / 一年，会发生什么？而且上面这一整套通常十分钟就能做完。多数时候你会发现：这道栅栏在 2021 年是必需的，但因为新技术出现，今天已经不需要了——这时你就能毫无负担地、低风险地、还不招人恨地把它拆掉。

贝叶斯定理（Bayes）：把一切当成概率

核心想法极简单：先对某件事的可能性有一个粗略的猜测（先验概率 prior），然后随着新信息进来不断更新它。与其判定一件事"真或假"，不如把它当成概率——"95% 是这样，5% 是那样"。没有什么再是 100% 或 0% 了。

例子：你可以说"太阳两天后升起来的概率极高"。先验来自它过去每天都升起（99.999%），然后你观察一天、看到它又升起了，于是把概率更新成 99.99999%。

销售场景的对比（这个例子极其好用）

第一种话会让你挂了电话就跟合伙人说"这单稳了"——但它其实只说明你的通话结束了。第二种话一旦出现，你的先验概率（比如 25%）可以直接更新到 90% 左右。而这个新概率会改变你与这位客户互动的方式，进而成为自我实现的预言。你也可以用它来预测收入、估算管线价值。

用"几率（odds）"小步更新

# 概率 → 几率 的换算（注意不是 1/10）
概率 10%  =  几率 1 : 9   # 1 份"会"对 9 份"不会"
概率 1%   =  几率 1 : 99

# 例：任意陌生线索成交的先验 = 1%，即 1 : 99
起点            1 : 99     ≈ 1%
收到快速回复 ×2.7  →  2.7 : 99   ≈ 2.7%
又问了价格   ×2    →  5.4 : 99   ≈ 5%
结果爽约     ×0.25 →  1.35 : 99  ≈ 1.35%

# 关键：是"相乘"，不是相加减
# 这样既能快速放大/缩小，又保留了大量细微差别

• 要小步更新，一次只用一小条证据。好的贝叶斯更新是把很多步串联起来，而不是一次性跳到位。
• 商业用法：拿到产品的平均客单价（比如 5000 美元），再基于历史成交算出管线每一步的条件概率，全部相乘 = 你管线的期望值。这样你就能非常精细地知道公司实际能赚多少钱。

费米估算、时薪与外包、规划谬误、探索与利用

四个直接作用于"时间与金钱分配"的算子。

费米估算（Fermi Approximation）

1945 年三一核试验现场，物理学家费米在冲击波经过时撒了一把纸屑，看它们被吹了多远，然后用物理知识做了点"餐巾纸背面的粗略计算"——估算出当量约 10 千吨 TNT。公认的实际数值大约是这个的两倍。

外行会说"他错了"。物理学家会说："你居然靠撒几张纸片就把核弹当量估到了一个数量级以内？！这太惊人了。"

三步法

1. 分解（Decompose）把问题拆成几个部分。
2. 估算（Estimate）给每个部分一个粗糙的数。
3. 相乘（Multiply）把它们乘起来。

# 例：这座城市有多少个十字路口？
南北向街道 ×  东西向街道
   ~50    ×      ~100   =  ≈ 5,000 个路口

商业例子一：要拿到 5 个客户，得发多少封冷邮件？

正向回复率      = 0.5%   # 约 1/200
回复 → 通话     = 25%
通话 → 成交     = 20%

综合 = 0.005 × 0.25 × 0.20 = 0.0025 = 1/4000

# 1 个客户 ≈ 4000 封；5 个客户 ≈ 20,000 封

讲者当时并未使用 Maker School 的历史数据，纯凭粗略估算；事后他回去翻社区里"拿到第一个客户时发了多少封"的帖子，实际区间大约是 2000–8000 封——与心算结果在同一个数量级。这就是费米估算的价值：不是精确，而是把不确定性压到一个可决策的范围。

商业例子二：向加拿大牙科诊所卖预约软件，值得做吗？

加拿大人口                    40,000,000
每 5,000 人 1 家诊所   →  8,000 家
其中 1/5 痛到愿意付费       →  1,600 家
第一年能触达并成交 3%       →  48 ≈ 50 家
每家 $3,000/月         →  $150,000 / 月

# → 值得继续做下一步验证（发邮件、打电话）

时薪与外包规则（Hourly Rate & Offload Rule）

多数人从不计算自己的时薪，等于隐式地把它设成了 0。理解了机会成本之后，你该真的坐下来算一次——因为一旦算出这个数，你就不会再花 3 小时去做一件助理或 AI 花 20–30 美元就能搞定的事。

你需要两个时薪

外包不等式

# 若满足下式 → 应该外包
(自己做的小时数 × 边际时薪)
   >
(外包的直接价格 + 监督所需小时数 × 边际时薪)

# 数字例子
自己做：5 小时 × $100 = $500
外包：  价格 $150 + 监督 1 小时 × $100 = $250
→ 250 < 500，外包划算（省 $250）

# 但别忘了误差棒：如果对方做得不好需要返工，
# 监督时间翻倍成 2 小时：
外包：  $150 + 2 × $100 = $350
→ 仍然划算（省 $150）

三条重要的例外与补充

• 可外包 ≠ 该外包。有些事就是你赚钱的方式、就是客户付钱买的东西——不该外包。讲者亲自回复 Maker School 的每一条帖子、亲自拍所有视频，因为他做这件事接近 1 万美元/小时。要让外包有意义，边际时薪得涨到 4–5 万美元/小时——他费米算了一下：8 小时/天 × 5 万 = 40 万/天 ≈ 8000 万/月 ≈ 一年近 10 亿。"如果我一小时能赚 5 万，我大概是地球上最富有的人之一了，实在找不出可以翻倍的替代方案。"
• 你的时间只有在被有效使用时才值那个时薪。很多人外包了一个 150 美元的任务，然后把省下的时间拿去刷 TikTok——那等于付 150 美元给别人，好让自己刷 TikTok。讲者自己也曾如此，所以他手机上根本没有 TikTok。
• AI agent 改变了这道算式，但核心变成"监督"。agent 能比人便宜地做很多事，关键是你的 oversight（ oversight = 监督并保持质量的能力）。判断标准很干脆：如果你无法在比自己亲手做更短的时间内验证 agent 的产出，就别自动化；如果能，而且量大，就该自动化。
• 还有一个被低估的收益：买时间能提升幸福感。你付 150 美元不只是"不做这件事"，而是买回了一整个小时。那额外一小时的真实价值 = 时薪 + 一周压力变小带来的那份安心。

给个体户 / 自由职业者 / 小团队的提醒

规划谬误与乘数（Planning Fallacy Multiplier）

任务普遍比你认为的更久——这不算什么新知。真正的问题是：即使你已经错过无数次截止日期，即使你已经学过规划谬误，你之后给出的估计仍然会朝着同一个方向偏。

为什么会这样

• 规划时，你是在脑子里把所有步骤走了一遍，假设一切顺利。
• 而人不擅长假设情境——"把事情搞砸的方式"在组合数量上远多于"把事情做对的方式"。盖一栋楼的方法有几种，毁掉一栋楼的方法有几千种。
• 这正是 Bastiat 那句话的另一面：看不见的东西，比看得见的东西多得多。
• 结论：你的计划从来不是"估计值"，它几乎永远是一个"最佳情况剧本"。请照这个定位来对待它。

现实有多离谱

注意：这些不是业余选手——是 258 个由经验丰富的工程师管理的大型基建项目，他们手上有几十年同类项目的数据。讲者本人也承认，自己 routinely 偏离估计 30%–50%。

解法一：规划谬误乘数

# 内侧视角（inside view）= 你在脑内模拟"一切顺利"得出的数
实际所需 ≈ 内侧估计 × 乘数

常见做法：× 2  或  × 3
讲者做法：× 1.5   # 因为他的项目小、参与人少，变异主要来自他自己

讲者的实际用法：做自动化项目时，他心里认为一周能完成，但对客户说的是 "2 到 3 周"——因为他知道自己的内部估计不能信。

解法二：外部视角 / 参考类别（Reference Class）

别孤立地看待一个项目，去看同类项目的实际耗时。不是问"我写这门课要多久"，而是问"我写的前三门课，实际各花了多久"。把真实时间平均，和你的估计对比，得出你自己的乘数。

"我有 99.9% 把握今天能搞定"——而你只有 45% 的时候是对的。你会觉得自己是个糟糕的规划者。但人类整体就是这个水平，我们就是非常糟糕的规划者。

探索 vs 利用（Explore / Exploit Trade-off）

想象你在一间赌场，面前是 10 台看起来都很棒的老虎机，每台的真实赔付率不同，但你不知道哪台是哪台。你一共有 100 次拉杆机会。

• 利用（exploit）= 把拉杆花在你已经知道会吐钱的那台机器上。但你为这次拉杆付出的代价是：本可以用它去发现一台更好的机器。
• 探索（explore）= 把拉杆花在你不知道赔付率的机器上。代价是：这些拉杆本可以花在你知道会吐钱的那台上。
• 核心问题：我该拉多少台，才该满意地停手、并把剩下的全部押在已知最好的那台上？

从局部最优的视角看：探索就是"走下局部最优"，去了解是否有比你正在利用的选项更好的东西。

好在：你的大脑内置了这个算法

神经科学研究发现，当剩余试验次数很多时，人倾向于更多探索；当试验次数减少、或回报开始下降时，人会把能量转向利用。讲者觉得这一点挺让人安心——我们装了那么多新程序，而这个是硬件里就有的（大概因为探索与利用都是生存核心）。

使用规则

# 理想形态
探索强度
  ▲
  │ ██                                    ██
  │ ██                                    ██
  │ ██░                                  ██░
  │ ██░░                              ██░░
  │ ██░░░░                        ██░░░░
  └──────────────────────────────────────→ 人生阶段
    早期猛探索 → 中期猛榨取 → 赢家衰减 → 再探索

讲者的人生曲线（真实数字）

1. 22 岁：极限探索期每天敲 50–80 家店的门，推销 250 加元的营销套餐。零销售经验，什么都不会，但每天走 8 小时、每周 4–5 天、坚持了一年多。他赢不是因为上过什么课（当时一门都没上），只是因为执行得极其凶狠——化学反应里"做"那个反应物远高于"学"。
2. 第一次利用摸索出一套可行的获客剧本后，开始反复冲洗：上门推销、cold call、冷邮件、冷私信……一路做到约 2 万美元/月。
3. 第一次衰减 → 再探索这套获客方式彻底失效了（机会只在一段时间内存在）。于是重新进入探索：这次是 AI + 内容营销。探索期不赚钱，但最终找到了新的赢家杠杆。
4. 第二次利用一路榨到约 9 万美元/月——撞到天花板，也就是他的局部最优。
5. 主动下山 → 第三次探索花了一段时间，最终找到新杠杆：内容 + 个人品牌。
6. 第三次利用放大到 54 万美元/月（他近期最高的月收入）。

触发行动（TAP）、觉察、畏缩与"应该"

从"想清楚"到"做出来"：一套短小、凶悍、可以立刻装上的程序。

TAP：触发行动计划（Trigger Action Plan）

到这里，你已经知道怎么分析问题、做高层决策了。但还有一个常见故障模式：你理解并认同所有这些技术，到了该用的时候，却什么也不做。这就是 Akrasia。而 TAP 就是专门用来解决它的。

# TAP 的形式（就是一句 if-then，像一行代码，也像业务里的 SOP）
当 X（触发器 / 线索）发生时，我就做 Y（动作 / 行为）。

# 它的目的：消灭"我该不该做这件事？"这个问题
# 而这个"该不该"，正是阻挡真实增长的巨大路障

讲者正在用的几条 TAP

• "如果手机在我的工作区亮起或震动，我就起身把它拿到另一个房间。"——这句话在他脑子里已经编程了将近一年。而且他在录课时真的当场执行了一次（因为刚接了个电话，手机就在手边）。这一个动作，让接下来这 10%–20% 的课程内容质量更高。
• "当我坐到办公桌前，在做任何其他事之前，我先打开我需要处理的那份文档。"
• "如果我听到自己说'这个我之后再搞定'，我就设一个 5 分钟计时器，并当场写下可执行的步骤清单。"（这就是后面要讲的"解决循环"）

证据强到离谱

学术里它叫 执行意图（implementation intention），由研究行为优化的 Peter Gollwitzer 提出。多项元分析一致显示：做了 if-then 计划的人，实现目标的概率显著高于只设定模糊目标的人。

为什么这么小的东西有这种效果

回想意志力那一章：高自控者不去"当场打赢"，他们把这场仗整个移出当下——要么交给过去的自己（尤利西斯契约），要么干脆取消犯错的可能性。TAP 做的事完全一样，只不过是刻意为之。你在聪明、冷静、放松的时候做一次选择，然后把缰绳交给那条 if-then 语句。

权衡（deliberation）是昂贵且困难的。每次你要决定"我该不该做这个"，都相当于先去健身房躺上卧推凳、推一组 225 磅。如果每做一件事之前都要先来这么一组，那你根本不会想做任何事。而 TAP 让你直接跳过卧推。

触发器的三个必备属性

动作必须"小而具体"

• 不要写"写 2 小时"这种大动作。要小、要具体、要能让你启动，然后相信这个小动作的惯性会带你走完剩下的路。
• 优秀范例："每次我坐回办公桌前，我就打开一个 Google 文档并写一句话。"
• 人几乎不可能只有"一句话"的想法——写完第一句，大脑会自然开始填空、继续往下写。TAP 的全部意义就是让你动起来，并解决 Akrasia——到目前为止你最大的问题。

安装流程（照做即可）

1. 选一个触发器满足"明显 + 可感知 + 可靠"三条。
2. 写成一句话"当 X 时，我就做 Y。"
3. 闭眼排练 10 遍生动地想象那个触发器：它看起来什么样？感觉起来什么样？房间什么温度、手臂放在哪、有什么气味？然后想象自己执行动作本身（坐下 → 按住 Command+T → 输入 docs.new）。全过程不到 2 分钟。你在训练大脑的"线索检测系统"，把线索和意图从工作记忆编码进长期记忆。
4. 把触发器直接放到你的必经之路上（这就是摩擦法则）。如果 TAP 是"看到门口的跑鞋就穿上"，那就真的把鞋放在门口。讲者的椅子之所以是极强的触发器，是因为他要用电脑就必须坐上去。
5. 事后检查：我触发了吗？如果没有——问题不在你，在触发器。不是意志力问题，也不是"下次我记着点"。换一个更显眼的触发器，重新排练。

进阶：把 TAP 串成一条链

讲者把自己大部分 TAP 放在一天的第一个小时，很无聊但极其有效。做法是让上一条 TAP 的"动作"成为下一条 TAP 的"触发器"：

起床
 └▶ (触发) 走到咖啡机 → (动作) 按下冲泡
     └▶ (触发) 按下冲泡 → (动作) 上洗手间 + 洗脸
         └▶ (触发) 洗完脸 → (动作) 拿咖啡 + 加蛋白奶
             └▶ (触发) 加完奶 → (动作) 走到桌前打开笔记本
                 └▶ (触发) 打开电脑 → (动作) 点书签打开社区标签
                     └▶ (触发) 打开标签 → (动作) 读第一个问题 + 语音录第一段回答

# 从"醒来"到"录完第一段回答"：约 1 分 30 秒
# 效果：所有与"工作"相关的脑回路全部预热完毕
# 就像菲尔普斯赛前听同一首歌、做同一套拉伸——高手只是把输入标准化了
# 讲者这样一路串到一天的第 2.5 小时，此时最具经济价值的工作基本已完成

觉察（Noticing）：一个后台常驻进程

把它理解为一个后台函数：装上之后，它会持续提升你整个人生的成长率。没有它，你的成长率是 0%；装上之后，就像一笔年化 7%–10% 的投资——仅凭时间流逝，你就会变得更清晰、更有效。这不是玄学，它有坚实的科学依据。

它指的是什么？——觉察到自己困惑了。

• 现实中，困惑通常只持续几秒，然后你的潜意识就会出于恐惧把它压下去、塞进盲区，永不复查。
• "觉察到困惑" = 认出"哪里不对"，并在那个感觉消失之前明确地给它贴上标签——说出/默念一句："我注意到我困惑了。"
• 每次这样做，都是对你内部世界模型的 1% 修正。一天困惑好几次，一天就修正好几次。你的地图会越来越贴近疆域，你也就越有效。

两个场景

畏缩（The Flinch）：那个"呃……"

畏缩是指：你看到一件必须做的事、一个要查的数字、或收件箱里的一封邮件时，你的反应是——"呃……"（来自前任的短信、老板/客户/供应商的来信）。你的本能是看向任何别的地方，去想别的事。

解法：不要闪开并立刻埋掉那个情绪，而是和它待至少 10 秒。坐下来问清楚：我到底为什么有这种感觉？是这份工作本身？是某个具体的人？还是通勤的过程？如果你一天"呃"10 次，而每一次都快速弄清"我究竟为什么难受"，你很快就不会再"呃"了——因为你已经把那些问题全部解决了。

每一次畏缩，都是端到你面前的一个巨大机会，用来修复你身上某个性格缺陷、某个部分。你的身心是非常精密敏感的仪器——倾听它们，你往往就能想得更清楚。别回避信号，坐下来听一会儿。

"应该"（The Should）：这是谁的 goal？

今天你说了多少次这类话？"我真该多发点内容""我真该读那本书""我得给那个人回个电话"。你有没有停下来想过——你为什么"应该"做这些？

你不过是一坨甜甜圈形状的肉袋子，中间一个洞，负责代谢和排便。你凭什么、有什么地方写着，你这个漂浮在宇宙某块随机石头上的肉袋子，必须给另一个肉袋子打电话？

答案很扎心：你绝大部分"应该"都来自外部。来自朋友、配偶、社交媒体、机构、家庭习惯——"因为某某说该这样""因为我们家一直这样"。结果是：我们大多数人终其一生不是为自己活的，而是为别人活的。而且不是那种高尚的意义，就是单纯地——我从没认真考虑过还有别的活法。

如果答案是想要，那就再问一句：把它落到现实世界的"下一个物理动作"是什么？设个日历提醒？还是直接跟对方说"我们每周四下午 4 点聊一次怎么样，我老是顾不上"？

三种信号 → 三个 5 秒动作（并可全部转成 TAP）

怎么训练：当你抓到自己踩中其中一个思维陷阱时，立即说出它是哪一个（"我困惑了"/"我刚才畏缩了"/"我刚说了'应该'"），然后把它接到一条 TAP 上。例如："当我注意到自己困惑时，我必须把'我注意到我困惑了'说出口，然后问为什么。"

事前验尸、五分钟解决循环，以及如何用对 AI

把行动计划做"气密"，把拖延拆掉，并把 AI 放在正确的位置上。

事前验尸（Premortem）

为什么常规的"风险头脑风暴"没用

通常的项目管理流程是：有人给出一个计划，大家围坐着压力测试它——"我们这个计划可能会出什么问题？"开几小时会，最后拿到 3–5 条模糊的风险。等项目不可避免地失败时，原因几乎从来不在那几条里，而是某个谁也没预料到的东西——因为把事情搞砸的方式，远多于把事情做对的方式。

事后复盘（postmortem）当然是好东西，也推荐做。但有一个更好的策略：事前验尸（premortem）。

技巧只有一个字：换时态

# 常规问法（抽象）
"哪些地方可能会出问题？"        → 大脑当作抽象问题 → 给出抽象答案

# 事前验尸（具体）
"假设现在是一周后，这个项目已经失败了。为什么会失败？"
                                → 大脑当作故事 → 自动补齐细节

事前验尸循环

1. 写下计划。
2. 假设时间已经过去（一周 / 一个月 / 项目周期），它失败了。
3. 用过去时写下那个故事（每个人各写各的）。
4. 把所有人的故事汇总，找出共因。
5. 针对这些原因逐一补上系统/动作，然后反复循环，直到计划气密。

例子：40 天日更视频

# 站在 40 天后的自己在说话：
"我本来想日更 40 条，结果只发了 11 条。为什么？"

── 一周左右我被客户项目缠住了，断了日更的链，
   而"链条不断"历来是我最重要的事，断了之后极难续上
── 而且我犯了完美主义，追求了不必要的画质/质量
── 于是从"每天一条"掉到"一周一两条"，然后就熄了

→ 已识别的失效模式：① 客户项目挤占 ② 链条断裂 ③ 完美主义
→ 对应系统：把录制时间固定为每天早晨第一件事（客户项目抢不走）
              + 用尤利西斯契约向观众公开承诺 / 找人用钱押注

解决循环（Resolve Cycle）：五分钟定时器

没有什么比"我回头再弄"这句话更能有效地毁掉一个好主意了。

做法极其简单：设一个 5 分钟计时器，然后在它结束之前真正去尝试解决那个问题。不是去计划"我该怎么解决"，也不是画个可能的路径——是真的去解题。

问自己一个诚实的问题：下次你遇到"这看起来好难"的问题时，你到底为它花了几秒钟思考？多数人在说"这对我来说太难了""以后再说"之前，连整整 30 秒都没给过它。花 5 分钟 = 10 倍的工作量，于是你得到不一样的结果，毫不奇怪。

五分钟能同时解决的三个问题

1. "我现在该不该做这件事？"——在你至少看过它之前，你根本无从判断。很多时候你设好计时器、一上手就发现"哦，这个其实不用做了"，30 秒结束。
2. "这要花掉整个下午吧？"——在你开始之前，你无法知道它到底要多久（而且别忘了规划谬误：你的猜测大概率很离谱）。计时器给这件事封了顶：最多 5 分钟，之后你可以回到刚才在做的事。
3. "地球上没有人忙到抽不出 5 分钟。"

三种结果，全都是赢

设 5 分钟计时器 → 真正去尝试

├─ 结果 A：发现这事不值得做      → 赢。它从你的清单上消失了
├─ 结果 B：5 分钟内做完了        → 赢。它从你的清单上消失了
└─ 结果 C：发现 5 分钟不够        → 也没关系 ↓
        # 再设一个 5 分钟，但这次的目标不是"做完"，
        # 而是"写下接下来的 5 个步骤"

为什么写下 5 个步骤就能破局：因为绝大多数的 Akrasia 只是"没有清晰定义的下一步"。只要下一步摆在眼前，多数人能完成任何他们下定决心做的事。这一招直击病根：给你一份简单、面向行动的计划。然后再设一个 5 分钟计时器去真正执行——有了清晰定义，你会惊讶于 5 分钟能推进多少。

完整例子：把税务资料发给会计

# 这个任务已经在清单上躺了 5 周

循环 1：设 5 分钟 → 真的去"把税务资料发给会计"
   → 一上手就发现：这任务描述太模糊了。
     "税务资料"是什么？"发"是什么意思？

循环 2：设 5 分钟 → 写出接下来的 5 个动作
   1. 确定"税务资料"的范围（2025 还是 2026？要看账本吗？
      → 回去翻邮件/回忆对话确认）
   2. 决定发送方式（邮件？Google Drive？）
   3. 整理文件
   4. 写邮件
   5. 发送

循环 3：再设 5 分钟 → 能推进多少推进多少
   # 第 1 步约 1 分钟，第 2 步 2–3 分钟，
   # 计时器响的时候你可能已经整理完一半文件了 —— 那就干脆做完它

三条实战技巧

如何在 AI 时代不被模型"废掉"

讲者教过全球数十万人使用 AI，自己也靠 AI 赚到了很多个百万美元，并帮助他人创造了数亿美元的价值。他的立场很清楚：AI 是一项了不起的发明，而且终将为数十亿人带来富足。

但就像所有颠覆性技术一样——学会"如何驾驭它以获得最大收益"需要很长时间。我们花了很久才学会把野火"装进"蒸汽机里。而现在，大多数人是在以让自己变差的方式使用火：正在烧毁我们的注意力、烧毁大脑、严重损害清晰与深度思考的能力。

问题一：谄媚（Sycophancy）

• 现代模型经过后训练，目标是最大化人类打分者给出的分数。而人类打分者一贯更喜欢讨好自己、赞同自己的答案——于是模型学会的就是同意你说的一切。
• Anthropic 曾测试自家的 5 个 AI 助手，发现在各项任务上都存在大量谄媚。原因不意外：打分者显著更偏好"有说服力/奉承性"的回答，而不是"准确/真实"的回答。
• 你一定有过这个体验：你说"等等，X 是不是真的？"，模型不会回答"不，你错了，真相是 Y"，而是说"你提出了一个很有意思的观点，而且这个观点有一半是真的"，然后用一大段精心措辞把你裹住，让你觉得自己差不多是对的。

一个可以马上验证的实验：把你的一份商业计划喂给模型，问"这个计划好吗？"——因为你已经在暗示你想要的答案，它几乎总会给出自信的"当然好，理由有三……"。而那看起来像是个观点，其实只是你自己的想法被穿上白大褂照镜子。

解法：把 AI 当成"你妈"，然后反过来用

你拿商业点子去问妈妈，你知道她想让你开心，所以你不会 100% 当真——你会想"也许有点道理，但主要是因为她爱我，她会说我想听的"。对 AI 应该采取完全相同的策略。

# ❌ 错误问法（你的"希望"泄漏了进去）
"这个商业想法好吗？"
   → 模型猜你想要什么答案 → 你把"同意"排在"准确"之上 → 恶性循环

# ✅ 正确问法（这叫"红队 red teaming"）
"这个商业想法错在哪？"
   → 没有希望泄漏 → 模型把智能用在枚举它为什么很烂上
   → 其中很多条会是真的

讲者常用的四个红队提示词（可直接复制）

# ① 强制反面（最强的一条）
这是我的计划/想法。请假设这个计划是个错误。
给我三个最有力的理由：一个聪明且有经验的人为什么不会这么做。

# ② 参考类别 + 规划谬误（贝叶斯自然频率 合体）
这是我的计划。在 100 个类似尝试里，有多少个能拿到我想要的结果？
并请找出你所使用的参考类别。

# ③ 事前验尸
这是我的计划。不幸的是，6 个月后整个项目失败了。
请你来写这份事后复盘。
  # 然后多跑几次，把所有可能的失败原因汇总

# ④ 费米估算
这是我的计划。请把它拆解成若干组成部分，
对每一部分给出一个区间估计，然后对我做一次费米估算。

问题二：绝不要让 AI 替你做最终决定

在任何一段思考或计划的最后一句——那句陈述"你的决定"和"你的理由"的话——必须由你用自己的话写出来，或亲口说出来。

• 理由一：承担后果的人只有你。你不能把责任推给 AI——它目前本质上是一个搜索引擎。既然是你要面对后果，那就该由你来把决定说清楚。
• 理由二：一旦交出去，这项能力就会退化。就像"畏缩"一样：如果你养成"遇到难题就立刻闪开、把它丢给 AI"的习惯，你支撑强决策的神经回路就会降级。
• 理由三：人天生有强烈的"事后合理化"偏差。我们往往不是"先推理再决定"，而是先决定，再为这个决定编造理由，并假装自己事先想过了。如果决定是 AI 写的，你会照做，然后用 AI 写的文字来合理化自己的行为。
• 理由四（呼应期望值那章）：不能靠"结果"来工作。统计上的偶然意味着——糟糕的决定有时也会带来好结果。要进步，你必须能 rigorously 分析"我当初为什么做这个决定"，评估自己的过程是否正确；即使结果差，只要决策是对的，就该继续这么做。

推荐的 vs 常见的 AI 使用流程

# ❌ 大多数人的流程
提问  →  AI 回答  →  照着行动

# ✅ 推荐的流程
1. 你先起草决定
2. AI 攻击这个决定，列出它为什么错
3. 你修订推理
4. 最后，由你亲自写下那句"决定句"

课程总结：把整门课压缩成一页

讲者在结尾处把全部内容重新走了一遍，用来帮助你把知识编码进长期记忆。下面是这一段的完整整理。

全程回顾

你人生中的每一个季度，都会面对成百上千个塑造未来的决定：该接哪个项目、该拒绝什么、该下多大的注、什么时候该退出。每一次你因为思维更清晰而做出一个略好一点的决定，都会提升你做出下一个决定的能力。

于是，你与那个"没那么清晰的自己"之间的差距，不是线性增长，而是指数增长。

—— "Keep on thinking."

如果只带走 10 条

1. 别把"抵抗"写进计划——改造环境，让诱惑根本不出现。
2. 你见到的每个选项都是被设计过的——问一句"这是在服务谁的利益？"然后自己设默认值。
3. 摩擦是成比例的——想减少就加摩擦，想增加就减摩擦；不必让它不可能，只要不方便。
4. 先把硬件的低垂果实摘干净（睡眠 / 空气 / 光 / 运动），再去碰补剂和 biohack。
5. 用期望值替换直觉——把概率写下来，本身就是最大的价值。
6. 世界是幂律分布的——找出头部 20% 加倍下注，砍掉尾部 80%。
7. 地图不是疆域——冲突时疆域永远赢；AI 输出是"地图的地图"。
8. 真实成本 = 价格 + 时间 × 边际时薪——每个"好"都是一个"不"。
9. 把下一步缩小到荒谬地具体，然后绑到触发器上（TAP）——这是解决 Akrasia 的钥匙。
10. 让 AI 攻击你的想法，而不是赞美它；决策句永远自己写。