前两天看了著名数学家陶哲轩（Terence Tao）接受 Dwarkesh Patel 的采访对话。陶哲轩（Terence Tao）是当代享誉世界的华裔数学家，被公认为当今最顶尖的数学家之一。他年少成名，13 岁就夺得国际数学奥林匹克金牌，24 岁成为美国加州大学洛杉矶分校正教授，31 岁斩获数学界最高荣誉菲尔茨奖。他研究领域极广，在数论、调和分析、组合数学等方面成果卓著，还解决了多个长期悬而未决的数学难题，兼具极高的学术天赋与影响力。如果你没听过这个名字，只要知道他是这个星球上智商最高、最顶尖的数学家之一就够了。我们经常看到很多人在吹 AI 能解奥数题，或者感叹人类在技术面前有多卑微。然而，我们这些带团队拿结果的人，应该从哪个角度来切入AI呢？在相当多的时间内，我也是比较困扰的。AI 到底是“牛顿”还是“开普勒”
陶哲轩提了一个特别有意思的视角：开普勒是“高采样率的 AI”，而牛顿是“第一性原理”。开普勒当年根本不懂什么物理定律，他就是靠“穷举”。尝试各种几何体去套行星轨迹，试错了无数次，最后硬生生从数据里“拼”出了定律。这就是我给你的第一个判断：AI 在现阶段，是你的“开普勒”，不是你的“牛顿”。它能帮你解决那些“低垂的果实”——那些需要大量尝试、组合、体力劳动的业务。比如陶哲轩提到 AI 解决了 50 多个 Erdős 问题，不是因为 AI 有了神谕，而是它扫描路径的速度比人快一百万倍。所以别再逼团队去憋什么“惊世创意”了。让 AI 像开普勒一样去穷举 100 个方案。而你和团队的价值是像牛顿一样，从这100 个噪音里，一眼看出那个能统一业务逻辑的“第一性原理”。另外呢，别指望大模型会员就能帮你做战略决策。AI 能帮你把报表做得维度更宽、内容更丰富，但它给不了你“深度”。如果你把决策权交给“开普勒”，你可能会在正确的数据里推导出一个挑战老板耐心的结局。成本归零后的“验证恐慌”
陶哲轩说，当生成的成本降为零，验证就成了唯一的瓶颈。这种感觉我太懂了。上周我试着用 AI 跑一个“内容生产的结构模型”，1分钟不到，它给了我六套方案。那一刻我没有成就感，反而浑身上下全是压力。因为我知道，AI 生成这六套方案我是没花钱，但我去验证和调整，将是一个非常繁杂的工作，可能要消耗大量的精力。就算让模型自己去验证，我去阅读他生成的内容，可能就把当天的脑细胞干完了，AI生成的速度很快了（我曾经还跟团队的人比拼，看谁的阅读速度能赶上AI的速度，你看把我们逼到这个程度了）。如果随便选一套去执行，可能几个兄弟跑下来的内容和素材采用率极低，还不如自己上来效率高。大家可能感同身受，现在的职场里，大家都在用 AI 制造“垃圾信息（AI Slop）”。团队的周报越来越长，方案越来越美，但真实的业务逻辑却越来越混乱。这种“繁荣的假象”第一个受伤的，还是各部门的leader，已经逐渐失去了老板的信任（不管是业务管理还是团队管理上的）。如何禁止团队用AI汇报
陶哲轩提到，科学界的瓶颈已经从“产生新点子”变成了“在噪音中筛选和验证”。我之前就说过，一个公司的管理层，千万别去研究怎么写 Prompt，当所有人都在用 AI 刷产出的时候，你要做那个“定义规则的人”。停掉所有“AI 生成初稿”的汇报。要求团队在提交任何 AI 方案前，必须附加一份“损益自测清单”：
这个方案如果全错了，我们最坏的代价是什么？
为什么要选这一条，而不是 AI 给出的其他 99 条？（必须用人话回答）
如果去掉 AI 的润色，这个方案的业务逻辑还剩几成？
AI 这种“核武器”，在聪明人手里是会斩获很多战利品，但是稍微糊涂一下，可能就要加速毁灭了。你不需要读完陶哲轩的所有论文，你只需要像他一样，在低效率的偶然中保持清醒，在 AI 的洪流里护住你真正该定义的业务和团队秩序。
