社交媒体上有人半开玩笑地说，只要对AI加一句 “think from first principles”，感觉就像瞬间多了20点IQ。
当然，不是念出秘密咒语后，硅基大脑真的收到20点智力属性。
有意思的是，这句话改变了AI被要求做的工作。
它不是“多列几个问题”，也不是“找竞争对手”，更不是“给我更聪明的点子”。
更接近：
退回根部。现在这个问题、目标、约束和前提本身对吗？从那里重新构建。
普通优化看到墙裂了，会比较十种补墙材料。
第一性原理思考看到一半会抬头问：
“等等，这堵墙真的需要吗？”
施工队突然转专业去了哲学系。
1. “找问题”和“怀疑问题本身”是两种工作
让AI改进系统时，它通常很擅长三件事：
- 列出现有问题。
- 搜索竞争对手、案例和现成方案。
- 在当前结构里做出更好的方案。
都很有用。但它们通常默认现在这张游戏地图是对的。
相关文章点击率低，就换位置、放大卡片、改文案、提升推荐精度。
第一性原理会再退一步：
相关文章这个功能到底是为了什么？
是为了让读者再点一页吗？ 还是为了帮助读者解决下一个问题？ 如果是后者，“相关文章卡片”一定是必要形式吗？ 有时直接在当前页面回答不是更好吗？
这时被审计的不只是解法质量，而是问题定义本身。
你本来请AI参加优化会议，结果它先把白板最上面的“目标”擦掉了。
这基本就是重点。
2. 第一性原理与其说是“点子生成”，不如说是播种前先把地翻一遍
把第一性原理理解为“产生更多创意的方法”有点窄。
核心动作是暂时移开现成答案，然后问：
- 我们真正想要的结果是什么？
- 哪些约束真的不可改变？
- 哪些是已经观察到的事实？
- 哪些“必须”其实只是习惯？
- 如果完全不知道现有方案，会怎么设计？
所以它不是简单捡种子，而是决定种什么之前先把土翻开。
你可以研究十个竞争对手，但如果十家公司都共享同一个隐藏前提，第十一家仍然会盖出同一种楼。
第一性原理会问：
“为什么大家都这样盖？”
最后得出“因为这确实最合理”也完全可以。
怀疑前提，不等于必须摧毁前提。
如果每个路标都要质疑，然后逆向行驶，那不是哲学，是交通事故。
3. 这正好与双环学习连接起来
Chris Argyris在1977年讨论的双环学习，不只是修正错误行为，还会追问产生这些行为的政策、目标、规范和支配性假设。[1]
简单说：
单环学习
结果不好 → 改动作。
双环学习
结果不好 → 在改动作之前，重新审视“什么叫成功”以及“哪些规则制造了当前行为”。
比如“点击率太低”。
单环会优化文案、位置、颜色、排序。
双环先问：
“为什么我们要提高点击率？”
如果真实目标是“读者解决当前问题，并在需要时自然进入下一步”，点击率可能只是代理指标。
问题就从“怎样让人再点一下”变成“怎样让下一个问题被自然解决”。
AI从优化KPI升级到审计为什么选这个KPI。
4. AI正在进入过去被认为“只能由人类做”的区域
自动化讨论里，人们常说最后留给人类的是设定目标、提出问题、赋予意义、做审批。
执行可以自动化。 搜索可以自动化。 汇总、比较、总结、生成也可以自动化。
但是：
“我们为什么要做这件事？”
看起来像人类最后的圣域。
这个边界并没有想象中那么硬。
ICLR 2024的Step-Back Prompting研究，让语言模型在直接解决具体问题前，先退到更抽象、更高层的概念或原则，再回到具体任务。研究在多个模型和推理任务上报告了性能提升。[2]
这并不证明“think from first principles”这句原话本身是万能魔法。
但它支持一种相邻的操作：
具体问题 → 抽象化 → 原则 → 回到具体问题
因此，“AI负责细节，人类负责哲学”的分工不再那么稳固。
AI已经开始应聘哲学系兼职教师。
5. 把它放进“发芽”流程后，创意发现会分成两条线
文章、产品、功能、研究主题的发芽，可以从两个方向开始。
从外部捡种子
- 搜索需求出现
- 话题变热
- 读者在某处流失
- 同类咨询重复出现
- 竞争对手发布新功能
这是从世界里收集信号。
另一条是：
从内部挖种子
- 这个功能到底想实现什么？
- 这个KPI真的代表目标吗？
- 这个约束是物理/法律约束，还是历史遗留？
- 从零重建还会选同样结构吗？
- 如果禁止现有解法，还剩什么？
- 这本来就是该解决的问题吗？
这一条挖的是系统内部的假设。
趋势发现是在地上捡种子。
第一性原理路线更像是把地板撬开，发现下面自己长了一株陌生植物。
没人搜索过的问题，也可能从拆解结构的过程中长出来。
6. 真正落地时，用“三段式”：破前提、重建、现实检验
如果只对AI说“自由地哲学吧”，它有时会直接飞出地球轨道。
实务需要固定流程。
第一阶段：前提审计
把目标、指标、观察事实、不可避免的约束、组织便利、历史原因、当前惯例分开。
尤其不要把“事实”和“我们一直这么做”混在一起。
第二阶段：从零重建
把现有方案当作候选之一，而不是默认真理。
只用目标和真正不可避免的约束，重新生成多个方案。
最后回到原方案也没问题，只要能解释为什么。
第三阶段：回到现实
用成本、法律、安全、用户行为、迁移负担、已有数据、运营约束来筛选。
第一性原理不是逃避现实的通行证。
“服务器要花钱，所以我们把服务器重新定义成一个概念”不是哲学，是逃账单。
7. 仍然留给人的部分：决定什么最重要
AI可以广泛探索：
- 这个前提必要吗？
- KPI和目标错位了吗？
- 换一种价值函数会怎样？
- 去掉什么还能保留结果？
但最后还有一道边界。
最终要选择什么价值。
最大化停留时间，还是最小化获得答案的时间？ 最大化利润，还是保护信任？ 自由、安全、公平、乐趣、可访问性分别要给多大权重？
这些不是观察世界就能唯一推出的答案。
AI可以说：
“如果价值A优先，设计X更合理；如果价值B优先，设计Y更合理。”
但最终把A还是B放在最高层，是人的责任。
所以自动化的终点既不是“人什么都想”，也不是“AI什么都决定”。
而是：
AI把前提怀疑到最底，人负责带价值判断和责任的分叉。
8. 真正有用的核心提示词其实很短
最短的问题就是：
更完整的版本可以是：
不要把当前实现、行业惯例或竞争案例当成答案。
先分离目标、已观察事实、不可避免的约束、隐含前提和代理指标。
检查哪些前提可以去掉而仍能保留目标。
仅从剩下的第一性原理重建多个方案，并用现实约束验证。
如果最终回到现有方案，也要解释为什么。
重点是不要只说“大胆创新”。
直接要求新奇，AI有时会发明出戴着三顶帽子的自行车。
需要的不是怪，而是从基础重新计算后真正出现的不同。
9. 结论：AI可以从“回答问题”走向“拆掉问题”
列问题有用。 竞争调查有用。 渐进优化也有用。
但它们仍可能只是让我们在同一张棋盘上走得更快。
把第一性原理明确交给AI后，自动化边界可以扩展到：
解决问题 → 怀疑问题定义 → 怀疑目标 → 分解前提 → 从基础重建
双环学习的第二环，不必每次都靠人类意志力手动启动。
可以定期让AI问：
“所以，这件事到底是为了什么？”
原本以为最后只能由人完成的“哲学”，其中一部分也能变成流程。
不过，如果哲学AI突然说：“好消息，我也替你决定价值观了。”这时人类最好重新坐回桌边。
拆掉问题可以委托。
决定答案应该服务于怎样的世界，仍然是我们的工作。
资料来源
- Chris Argyris, “Double Loop Learning in Organizations,” Harvard Business Review, September 1977 hbr.org
- Huaixiu Steven Zheng, Swaroop Mishra, Xinyun Chen, Heng-Tze Cheng, Ed H. Chi, Quoc V. Le, Denny Zhou, “Take a Step Back: Evoking Reasoning via Abstraction in Large Language Models,” ICLR 2024 proceedings.iclr.cc
