1. 你雇了100个天才，但没有任务单，所以他们全在休息室
生成式AI能写代码、写文章、调查、翻译、比较方案，也能调用巨大的知识库。
听起来，明天每个人都应该已经开了十家一人公司。
但现实经常卡在一句话：
“所以，做什么？”
再强的AI，没有任务也只是闲置能力。100辆没有目的地的法拉利，只会组成一个非常昂贵的停车场。
AI时代真正稀缺的东西，不一定是模型性能。
可能是给能力安排第一份工作的人。
2. 真正强的往往不是惊天发明，而是制造第一个火花
“创意能力”很容易让人想到突然发明一个前所未有的东西。
实际工作里，更普通的问题反而非常强：
- 这里太麻烦了
- 这两个东西能不能连起来
- 现有功能能不能换个用途
- 这一步为什么一定要存在
- 先做一个最小版本会看到什么
这些都是点火点。
第一个想法不必完整。它的作用是制造一个可以继续思考的实体。
空桌子很难评论；哪怕放一个粗糙原型，人马上就会发现“不对”“有用”“缺了这个”“那下一步可以这样”。
第一步不是答案。
它是批量产生后续答案的装置。
3. “创意能力”不是单一能力
| 能力 | 作用 |
|---|---|
| 发散 | 从一个问题产生多个可能 |
| 类比 | 从其他领域搬来结构 |
| 重组 | 把已有A+B变成新的C |
| 问题发现 | 找到题目之前真正的不便 |
| 重构问题 | 重新定义真正应该解决的问题 |
| 收敛 | 选择值得实现的方案 |
| 分解 | 把目标拆成AI能处理的任务 |
| 启动 | 先做出第一个可见成果 |
| 再构想 | 看着成果产生下一个想法 |
APA把发散思维描述为偏离常用或既学策略的创造性思考方式。[1]
但发散思维测试并不等于现实世界的全部创造力。[2]
会列出很多点子还不够。
还要重新定义、选择、实现、观察，然后再思考。
4. 创造更像“生成→探索→再生成”的循环
创造性认知研究中的Geneplore模型，把创造过程看成生成和探索之间的循环。[3]
放到AI开发里非常直观：
- 想到一个点
- 和AI讨论
- 写成粗略规格
- 实现
- 跑起来
- 发现“不太对”
- 找到新角度
- 再做一次
想法不需要在实现之前完成。
实现本身就是思考的一部分。
原型要三个月时，人会尽量先在脑中想清楚。
原型三十分钟就能出现时，原型本身可以成为思考笔记。
5. “我不会多任务”——如果要求人类自己做全部事情，这句话完全正确
人脑很难同时维护十个项目、十套规格、十条代码路径和十种验证状态。
这不是人的失败，而是架构错了。
人不需要多任务，系统可以并行。
人只需要掌握：
- 想去哪里
- 什么最重要
- 哪些边界不能越
- 最终采用什么
之后，把调查、规格、实现、测试、翻译、审计按依赖关系拆开，能独立的就交给AI。
越不擅长多任务，越应该把工作从脑子里搬出去，变成清晰的职责。
6. 巨大语料库是材料仓库，不是建筑图纸
再大的AI和知识库，也不会自动决定“应该造什么”。
想象一家拥有木材、钢材、玻璃、工具和重型机械的超级建材店。
很厉害。
但没人决定建什么，它永远只是建材店。
当有人说：
“我想消掉这个麻烦。” “这两个系统合起来会不会更有意思？” “这个体验还能再上一个台阶。”
方向出现的瞬间，能力才变成工作。
你不需要比AI知道得更多。
你需要能告诉它去哪里挖。
7. 能重新制造问题的人，可能比只会解题的人更重要
设计研究长期讨论复杂开放问题中的“框架”和“重构框架”。Dorst把重新理解问题情境、创造更可操作框架视为设计实践的重要核心。[4]
AI越会快速回答，这越重要。
问题问错了，AI也能高速地产出“看起来非常正确”的错误方向成果。
除了问：
“怎样把这项工作做快？”
还要问：
“这项工作真的需要存在吗？” “用户要的是更快，还是根本不用做？” “能不能从另一个入口解决？”
答案生成越快，问题设定的杠杆越大。
8. 实现变快时，增加的不只是产量，还有想法数量
Noy和Zhang在专业写作任务的预注册实验中发现，在所研究任务里，使用ChatGPT的参与者平均完成时间减少40%，评估质量提高18%。[5]
这不是说所有工作都会快40%。
更重要的是：
试错成本降低，就能多试几次。
实际成果会告诉你：
- 真有用吗
- 比想象中难看吗
- 另一个用途是不是更强
- 能不能和旁边功能连接
- 用户会卡在哪里
于是
想法→实现→观察→新想法
的周期越短，创意越容易形成连锁反应。
9. 但如果让AI负责所有创意，大家可能会爬同一座山
Doshi和Hauser发现，生成式AI提供故事创意后，个体作品的平均评价有所提高，但AI辅助作品之间更相似，整体内容多样性下降。[6]
如果所有人都对同一个模型问“给我10个有创意的点子”，大家可能坐上同一辆观光车。
因此，人类的独特输入仍然有价值：
- 自己真的遇到过的麻烦
- 现场看到的奇怪细节
- 现有系统特殊的限制
- 从别的领域偷来的比喻
- 奇怪的组合
- “大家都这样做，但为什么？”的追问
人先丢一块奇怪的石头，让AI把涟漪放大。
通常更有趣。
10. 最实用的循环很简单：火花→一句话→拆分→委派→检查→再火花
- 火花：“如果这里能这样，会不会更方便？”
- 一句话：谁，要从什么状态变成什么状态。
- 拆分：调查、设计、实现、验证。
- 委派：不要把所有任务塞在脑里，交给AI。
- 成果：文章、界面、代码、数据，先做出可见物。
- 回读：确认目标状态真的出现。
- 再构想：有了这个以后，还能做什么？
A出现，B就可见。 A+B产生C。 C又让整个服务可以被重新定义成D。
开始只是一点火花，最后可能变成发电厂。
11. 最大陷阱：想法速度超过整理速度
想法越来越快，实现也越来越快，系统会不断扩建。
有一天打开配线：
“这谁做的？”
昨天的你。
对策不是压制想法，而是加强结构：
- 不要无意义增加真相源
- 不要为同一职责造第二套系统
- 能接入现有结构就接入
- 只并行真正独立的任务
- 实现后必须回读验证
- 重要变更加质量关卡
- 区分“能做”和“现在应该做”
不要减小油门。
升级方向盘和刹车。
12. 结论：AI时代的强项，从“会用AI”转向“能给AI创造工作”
模型会继续变强。
知识更多，代码更快，写作更快，多代理协作也会更容易。
于是人类的价值层开始上移：
发现应该存在什么。
制造第一个契机。
重新定义问题。
拆分工作。
交给AI。
观察真实成果。
从现实里产生下一个想法。
AI是巨大的能力。
但能力会等待任务。
在一家拥有100个天才AI的公司里，最先缺的未必是第101个天才。
可能只是那个在任务单第一行写字的人。
资料来源
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
