社群媒體上有人半開玩笑地說，只要對AI加一句 “think from first principles”，感覺就像瞬間多了20點IQ。
當然，不是念出秘密咒語後，矽基大腦真的收到20點智力屬性。
真正有趣的是，這句話改變了AI被要求做的工作。
它不是「多列幾個問題」、不是「找競爭對手」，也不是「給我更聰明的點子」。
更接近：
退回根部。現在這個問題、目標、限制與前提本身對嗎？從那裡重新建構。
一般改善看到牆裂了，會比較十種補牆材料。
第一性原理思考看到一半會抬頭問：
「等等，這堵牆本身真的需要嗎？」
施工隊突然轉系去了哲學系。
1. 「找問題」和「懷疑問題本身」是兩種不同工作
讓AI改善系統時，它通常很擅長三件事：
- 列出目前系統的問題。
- 搜尋競爭者、既有案例與常見解法。
- 在目前結構內提出更好的方案。
都很有用。但它們通常預設現在這張遊戲地圖是對的。
相關文章點擊率低，就換位置、放大卡片、改文案、提升推薦精度。
第一性原理再退一步：
相關文章功能到底是為了什麼？
是為了讓讀者再點一頁嗎？ 還是為了幫讀者解決下一個問題？ 如果是後者，「相關文章卡片」一定是必要形式嗎？ 有時直接在同一頁回答，是否更好？
此時被稽核的不只是解法品質，而是問題定義本身。
你原本請AI參加改善會議，結果它先把白板最上面的「目標」擦掉。
這基本上就是重點。
2. 第一性原理與其說是「產生點子」，不如說是播種前先把地翻一遍
把第一性原理理解成「想出更多創意的方法」有點太窄。
核心是暫時移開既有答案，然後問：
- 真正想要的結果是什麼？
- 哪些限制真的不能改？
- 哪些是已經觀察到的事實？
- 哪些「必要」其實只是習慣？
- 如果完全不知道現在的解法，會怎麼設計？
所以它不是單純撿種子，而是決定種什麼之前先把土壤翻開。
你可以研究十個競爭者，但若十家公司都共享同一個隱藏前提，第十一家仍然會蓋出同一種建築。
第一性原理會問：
「為什麼大家都這樣蓋？」
最後得到「因為這真的最合理」也完全可以。
懷疑前提不等於一定要摧毀前提。
如果每個路標都要懷疑，最後開始逆向行駛，那不是哲學，是交通事故。
3. 這裡正好接上雙環學習
Chris Argyris在1977年談的雙環學習，不只修正錯誤行動，還會追問產生這些行動的政策、目標、規範與支配性假設。[1]
簡單分：
單環學習
結果不好 → 改行動。
雙環學習
結果不好 → 在改行動前，重新檢查「什麼算成功」以及「哪些規則造成現在的行為」。
例如「點擊率太低」。
單環會改善文案、位置、顏色、排序。
雙環會先問：
「我們為什麼要提高點擊率？」
如果真正目標是「讀者解決目前問題，並在需要時自然走到下一步」，點擊率可能只是代理指標。
問題就從「怎麼讓人再點一次」變成「怎麼自然解決下一個問題」。
AI從改善KPI升級成稽核為什麼選這個KPI。
4. AI正在進入過去被認為「只有人類能做」的區域
談自動化時，人們常說最後留給人的工作是設定目標、提出問題、賦予意義、做最後批准。
執行可以自動化。 搜尋可以自動化。 彙整、比較、摘要、生成也可以自動化。
但是：
「我們為什麼要做這件事？」
看起來像人的最後領地。
這條界線其實沒有那麼硬。
ICLR 2024的Step-Back Prompting研究，讓語言模型在直接解具體問題前，先退到更抽象、更高層次的概念或原理，再回到具體任務。研究在多個模型與推理任務上報告了效能提升。[2]
這並不證明「think from first principles」這句原話本身是萬能開關。
但它支持一個相近的操作：
具體問題 → 抽象化 → 原理 → 回到具體問題
因此「AI處理細節，人類處理哲學」這種分工已經不再那麼穩固。
AI看起來正在應徵哲學系兼任講師。
5. 把它放進「發芽」流程後，創意探索會分成兩條線
文章、產品、功能、研究主題的發芽，可以從兩個方向開始。
從外面撿種子
- 搜尋需求出現
- 話題變熱門
- 讀者在某處離開
- 同類詢問反覆出現
- 競爭者推出新功能
這是從世界收集訊號。
另一條是：
從內部挖種子
- 這個功能到底要達成什麼？
- 這個KPI真的代表目標嗎？
- 這個限制是物理或法律限制，還是歷史遺留？
- 從零重建還會選同樣的結構嗎？
- 如果禁止現在的解法，還剩下什麼？
- 這本來就是該解的問題嗎？
這條路挖的是既有系統內部的假設。
趨勢探索像是在地上撿種子。
第一性原理路線更像是把地板撬開，發現下面自己長著一株陌生植物。
沒有人搜尋過的問題，也可能從拆解結構的過程中長出來。
6. 真正落地時，採用「破前提 → 重建 → 現實檢驗」三段式
如果只對AI說「自由地哲學吧」，它有時會直接飛出地球軌道。
實務需要固定流程。
第一階段：前提稽核
把目標、指標、觀察事實、不可避免的限制、組織便利、歷史原因、目前慣例分開。
尤其不要把「事實」和「我們一直這樣做」混在一起。
第二階段：從零重建
把現有方案當成候選之一，而不是預設真理。
只使用目標和真正不可避免的限制，重新產生多個方案。
最後回到原方案也沒問題，只要能解釋為什麼。
第三階段：回到現實
用成本、法律、安全、使用者行為、遷移負擔、既有資料、營運限制來篩選。
第一性原理不是逃避現實的通行證。
「伺服器要花錢，所以把伺服器重新定義成一個概念」不是哲學，是逃帳單。
7. 仍然留給人的工作：決定什麼最重要
AI可以廣泛探索：
- 這個前提必要嗎？
- KPI和目標錯位了嗎？
- 換一種價值函數會怎樣？
- 拿掉什麼仍然能保留成果？
但最後還有一道界線。
最終要選擇什麼價值。
最大化停留時間，還是最小化得到答案的時間？ 最大化利潤，還是保護信任？ 自由、安全、公平、樂趣、可及性各要給多少權重？
這些不是觀察世界後就能唯一推出的答案。
AI可以說：
「如果價值A優先，設計X較合理；如果價值B優先，設計Y較合理。」
但最後把A還是B放在最高層，是人的責任。
所以自動化的終點既不是「人全部想」，也不是「AI全部決定」。
而是：
AI把前提懷疑到底，人負責需要價值判斷與責任的分岔。
8. 真正有用的核心問題其實很短
最短就是：
更完整的版本可以是：
不要把目前實作、產業慣例或競爭案例當成答案。
先分離目標、已觀察事實、不可避免的限制、隱含前提與代理指標。
檢查哪些前提可以移除而仍保留目標。
只用剩下的第一性原理重建多個方案，並以現實限制驗證。
如果最後回到現有設計，也要解釋為什麼。
重點是不要只說「大膽創新」。
直接要求新奇，AI有時會發明出戴三頂帽子的腳踏車。
需要的不是怪，而是從基礎重新計算後真正產生的差異。
9. 結論：AI可以從「回答問題」走向「拆掉問題」
列問題有用。 競爭調查有用。 漸進改善也有用。
但它們仍可能只是在同一張棋盤上走得更快。
把第一性原理明確交給AI後，自動化邊界可以延伸到：
解問題 → 懷疑問題定義 → 懷疑目標 → 分解前提 → 從基礎重建
雙環學習的第二環，不必每次都靠人類意志力手動啟動。
可以定期讓AI問：
「所以，這件事到底是為了什麼？」
原本以為最後只能由人做的「哲學」，其中一部分也能變成流程。
不過，如果哲學AI突然說：「好消息，我也替你決定價值觀了。」這時人最好重新坐回桌邊。
拆掉問題可以委託。
決定答案應該服務於怎樣的世界，仍然是我們的工作。
資料來源
- 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
