我们需要怎样的AI助手:不只是一个更高效的自己

我们通常希望 AI 更懂自己。

理解自己的需求，熟悉自己的方法，记住自己的习惯，最好还能把那些反复解释的背景都记下来。这样，它就能更顺畅地协助我们工作，减少沟通，提高效率。

但还有一个问题值得追问：

当 AI 越来越擅长沿着我们的思路回答时，那些没有进入我们视野的东西，又由谁来发现？

这个疑问，最初来自我对 AI 投研工作台的思考。

作为一个主观交易者，我当然希望 AI 帮助自己更快地查资料、做分析、推演不同情景。但我逐渐意识到：自己需要的，可能不只是一个研究速度更快的助手。

因为我擅长的研究方法、习惯关注的问题，以及过去积累的经验，既构成了我的优势，也可能限定了我的视野。如果 AI 只是把这些方法复制一遍，再用更强的执行能力把它们做得更完整，那么那些原本没有被考虑的问题，可能仍然不会出现。

这并不只是交易中的问题。

一个人可以很擅长讲故事，却不知道如何把故事变成一种新的互动体验；可以非常理解某种需求，却不熟悉把需求转化为产品的方法；也可以拥有丰富的行业经验，却因为缺少另一领域的知识，始终无法解释一个反复出现的现象。

因此，对于需要理解、判断和创造的工作，我们对 AI 的期待应该更进一步：

不只是提高已有能力的效率，还要补充那些限制已有能力发挥的知识、方法与视角，让原本连接不起来的东西，开始产生联系。

有些短板很容易识别。

不会编程，不熟悉外语，不理解一个专业概念。面对这些不足，我们能够明确地求助：帮我完成这个任务，解释这段材料，或者告诉我应该从哪里开始学习。

但更隐蔽的局限是：我们不知道，眼前的问题还需要什么知识。

在研究中，这种情况尤其值得警惕。

当我看好一个方向时，很自然地会追问：需求能够增长多少？公司的收入和利润会有多大弹性？如果发展比预期更快，又会出现什么结果？

这些都是合理的问题。AI 也可能把每一个问题回答得很认真，资料充分，计算正确，推演完整。

然而，如果有一个关键前提从未进入讨论，那么后续分析越精细，也可能只是把同一个未经检查的前提展开得越充分。

这里甚至不需要 AI 刻意迎合。

每个回答都可能局部正确，但整个研究仍然可能不完整。问题不一定出在答案里，而可能出在我们始终只问了某一类问题。

因此，“补齐短板”不能只理解成补充执行能力。它还包括发现：我现在使用的解释，缺少了哪一部分？哪些看似理所当然的前提，其实超出了我的知识范围？

这也意味着，一个人的短板并不总是固定的。它取决于正在处理什么问题。同一个人，在一种任务里是经验丰富的专家，换到另一种任务里，可能连应该向谁提问都不知道。

用一个简化的研究情境来说明。

假设我们正在研究一家为某类智能设备提供核心零部件的公司。下游设备的需求正在增长，公司也具备一定的技术优势。

一个熟悉财务分析的研究者，可以据此建立相当细致的模型：未来卖出多少台设备，每台使用多少零部件，公司能够获得多少订单，价格与利润率如何变化。

AI 可以让这项工作快很多。整理历史数据，核对订单信息，比较不同增长情景，检查计算错误，都有价值。

但这套分析中，藏着一个未必被注意到的工程前提：

未来的设备，是否仍然会沿用现在这套技术方案，以相同的方式使用这类零部件？

研究者可能很擅长判断行业需求，却不熟悉系统设计。他知道这个零部件的参数很好，也知道它在现有产品里很重要，却未必能够区分两件事：

客户需要这个零部件所完成的功能，与客户必须持续采购这种形态的零部件，并不是一回事。

进一步构造这个例子：早期的小批量设备，为了方便调整方案，把几项功能分别交给不同零件完成。进入规模化生产以后，客户准备将这些功能整合进一个模块。

原来的功能并没有消失，行业需求也没有变差，但采购对象、设计关系和价值分配都可能发生变化。

这时，目标公司究竟只是原有某个零件的供应商，还是能够进入新的模块方案？它的优势会被保留在模块内部，还是被另一种实现方式绕开？它有没有可能利用原先积累的技术与客户经验，从提供单一零件，走向提供更完整的功能模块？

这些问题，不能仅靠把销量预测做得更精确来回答。

一个能提供有效补充的 AI 助手，应该帮助研究者跨过这道知识门槛：梳理不同方案如何完成同一项功能，解释零件、模块与整套系统之间的关系，指出哪些技术资料、产品设计或客户信息，能够支持某一种判断。

它不是简单提醒“存在技术替代风险”，而是让研究者理解：替代可能发生在哪一层，为什么会发生，以及原有公司的能力能否在变化中找到新的位置。

在这种理解之上，研究者原有的长处才有机会继续发挥。他可以结合公司的研发投入、交付记录、客户关系和经营选择，判断哪种路径更有可能实现，再重新估计收入与利润。

原先的财务能力并没有失去作用，而是接上了一个此前缺失的工程环节。

结果也未必更加悲观。补进这部分知识以后，既可能发现原先的增长推演高估了公司的机会，也可能发现它的业务边界比原先理解的更宽。

这里真正得到改善的，不是“多想到了一条风险”，而是整个判断的依据发生了变化。

短板不在于不会计算，而在于没有意识到，计算依赖了一个自己尚未理解的前提。

这个例子来自研究场景，但其中的结构并不局限于研究：我们已经具备的能力，往往需要另一领域的知识作为连接，才能真正作用于眼前的问题。

再设想一个与交易无关的场景。

一位擅长塑造人物的小说作者，想做一个让读者参与选择的悬疑故事。

他的长处很明确：理解人物为什么会隐瞒、犹豫、背叛，也知道如何让一个决定在情感上成立。但他不熟悉程序设计，也没有设计互动作品的经验。

最自然的想法，是把线性故事不断分岔：读者选择相信甲，就进入一段剧情；选择相信乙，就进入另一段剧情。之后再继续选择，继续分岔。

这时，他可以让 AI 替自己写更多分支。原本一天只能完成的内容，现在可以得到许多版本。

但问题并没有因此真正解决。

如果每次二选一都产生两条从此不再汇合的剧情，十次选择之后，就会出现一千多条可能的路径。需要处理的，不只是文字量，还有人物是否前后一致、角色是否知道了不该知道的信息、前面的承诺是否在后面被遗忘。

一个只负责提高效率的助手，会继续帮助作者生产和整理这些内容。

一个能够补充方法的助手，则可以提出另一种设计：先不为每一种选择分别写完整故事，而是记录人物处于什么状态，以及什么规则会让状态发生变化。

例如，记录谁掌握了哪条证据，谁向谁作过承诺，谁误解了某件事，以及某个人愿意在什么条件下提供帮助。不同选择可以让人物再次进入同一个场景，但因为此前积累的信息与关系不同，同一场对话会产生不同的含义。

这样，作者面对的就不再只是“还要写多少条剧情”，而是“这个故事中的信息与关系，应该怎样运转”。

考虑一个具体情节：主角得到了一份关键证据，却答应提供证据的人，暂时不公开它。

如果立即公开，主角可能获得另一位人物的合作，却违背了保密承诺；如果继续保密，又可能被怀疑在掩盖事实。

这里的选择，不必分别导向两部完全不同的小说。它可以改变几个人接下来知道什么、相信什么，以及愿意共同承担什么后果。后续相同的事件，因为这些差异而产生不同走向。

在设计过程中，AI 还可能先给出一个看似方便的办法：为每个人设置一个“信任分数”，根据选择加减。

但作者的经验会提醒他，这个处理太粗糙了。

一个人物可能相信主角说的事实，却不再相信他会保守秘密；也可能认为主角能力很强，却怀疑他的动机。把这些关系压缩成一个分数，会损失故事最重要的部分。

于是，作者与 AI 可以继续修改设计，把不同类型的信任、具体的承诺和已经发生的误解分别记录下来。AI 协助把这些关系转化为规则和可运行的小样，作者则检验这些规则能否承载真实的人物动机，而不是把人物变成机械的奖惩装置。

一个新的创作方向也可能在这个过程中出现：

读者参与的，不只是“决定下一件事发生什么”，而是“决定谁知道什么，以及人们怎样理解同一件事”。

当然，这种方法不会消除全部复杂性，也不能保证作品好看。规则是否清楚、人物是否可信、选择是否有意义，仍然需要实际体验与修改。

但作者的能力边界已经发生了变化。

AI 不只是替他写了更多文字，也不只是替他写了一段程序。来自另一领域的表达方法，让他原本关于人物、隐瞒与信任的理解，有机会进入一种过去难以实现的创作形式。

如果没有作者的经验，规则可能僵硬而空洞；如果没有这部分方法与技术的补充，作者的经验又可能停留在线性叙事之中。

补齐短板的价值，在这里不是把一个不会编程的人变成工程师，而是让一个会讲故事的人，拥有了新的讲故事方式。

这也是我理解的“跨学科连接”。

李飞飞在一份访谈整理中，曾以视觉研究和嗅觉研究之间的知识隔阂为例，讨论 AI 辅助跨领域科研的价值：即使在自己的领域积累很深，也未必熟悉另一个领域的基本术语。

这种隔阂，不只存在于科学研究中。

前面的研究者，需要把财务分析与工程设计连接起来；后面的作者，需要把人物理解与状态、规则的设计连接起来。

他们缺少的，并不是再听一遍“要全面考虑”“要换位思考”。这些原则即使完全认同，也不会自动告诉人应该怎样做。

真正有帮助的，是获得一套此前不熟悉、但能够处理眼前问题的方法。

它可能让我们识别原本看不见的变量，重新划分问题的层次，也可能让某种只能模糊感受到的经验，变得可以表达、讨论和试验。

但连接的价值不在于数量。

在一个问题里引入十几个学科，并不必然比引入一个更好。来自其他领域的概念，也不能因为听起来深刻，就被直接套用。

需要追问的是：它解释了什么？改变了哪个前提？打开了什么原本没有考虑的方案？又会在什么条件下失效？

在研究案例中，工程视角改变的是“需求如何转化为订单”的理解；在创作案例中，状态与规则的方法改变的是“故事可以怎样被组织”。

如果补充的知识没有进入判断或行动，只是让表达更丰富，那么我们获得的可能只是更多材料，而不是更强的能力。

因此，补齐短板也不意味着必须把自己训练成全才。

有些知识只需要理解到能够提出正确的问题，有些任务适合交给合作者，有些能力则值得自己长期学习。关键不在于消灭所有不足，而在于找到：当前最重要的那个缺口，究竟在哪里。

但我们还要再往前追问一步。

如果研究者必须先知道系统设计会改变零部件需求，作者必须先知道状态与规则可以重组故事，才能要求 AI 提供帮助，那么最困难的一步，仍然留给了人。

不知道自己缺少什么的人，也很难准确地索取自己需要的知识。

因此，一个值得期待的 AI 助手，应该参与问题的形成，而不只是等待问题被完整交付。

它需要有空间提出：当前分析是不是跳过了某个环节？这个问题在其他领域是否有另一种处理方法？我们是不是把某种实现方式，误当成了目标本身？

不过，这种主动性，不等于不断反驳。

在研究中，它可能帮助我们发现错误前提；在创作中，它也可能帮助我们发现一个尚未被充分发挥的想法。补齐视角，既可能让人更谨慎，也可能让人更有信心去尝试。

它不应该以支持我们为目标，也不应该以反对我们为目标，而应该以增加有依据的理解、拓展可行的选择为目标。

同样，换几个角色名称，也不会自动形成有效补充。

让 AI 扮演工程师，不等于它真的掌握了这家公司的设计资料；让它模拟读者，不等于作品已经接受了真实读者的检验。角色可以帮助组织问题，却不能代替信息来源和现实反馈。

我们希望拥有一个不与自己共享全部盲区的伙伴，但这是一种需要努力实现的合作方式，不是给 AI 换一个称呼就能获得的保证。

尤其在重要问题上，它应该能够解释：为什么提出这个补充，依据是什么，哪些部分还只是猜测，下一步怎样判断它是否成立。

与其不断输出令人惊讶的关联，不如把少数真正重要的关联推进到可以检查的程度。

在这种合作关系里，人的主观判断仍然重要。

什么值得做，什么符合真实需求，哪些代价可以接受，一个方案在具体情境中是否合适，都需要结合经验、目标与现实条件进行取舍。

但不能因此把分工固定为：AI 提供知识，人负责正确判断。

人的经验可能包含 AI 没有获得的信息，也可能包含尚未察觉的偏见；AI 可能提出有价值的新解释，也可能误用概念，或者把一个不适用的类比说得很有说服力。

人的判断需要更多信息支持，AI 提出的信息与解释也需要接受检验。

在前面的创作例子里，新方法可能首先由 AI 提出，再被作者的人物经验修正；在研究例子里，也可能是人的行业观察，让 AI 发现原先的技术解释并不适用。想法可以在多次来回中形成，不必预先规定创造力必须属于哪一方。

人保留决策权，不等于人的初始判断不需要改变；AI 能够提出新方案，也不等于方案已经得到证明。

同时，快速补充知识，不应被理解成跳过理解。

读完一段流畅的解释，并不意味着已经能够判断这个领域的所有问题。我们至少需要逐渐知道：结论依赖什么条件，哪些信息仍然缺失，什么地方必须请教专业人士，什么地方可以通过小规模试验获得反馈。

真正有用的合作，不应该让我们越来越习惯于接受一个无法检查的答案，而应该让我们逐渐更清楚地知道，自己凭什么作出判断。

这也不是要求每一次使用 AI 都展开一场深入讨论。翻译文字、整理清单、执行明确任务，准确高效就已经很好。主动拓展问题的价值，主要体现在那些目标尚不清楚、前提尚未充分检查，或者仍有多种可能路径的工作中。

一个人的知识、经验与注意力都有边界。

我们可以在某个方向积累很深，却不熟悉相邻领域的语言；也可以拥有很好的观察，却缺少把观察转化成方案的方法。有时，阻碍一个新想法出现的，不是长处还不够突出，而是长处与另一部分知识之间，始终没有建立联系。

AI 值得期待的价值，是降低建立这种联系的成本。

它不必让每个人都成为全才，却可以让个人经验获得更大的发挥空间。它不仅可以帮助我们更快地完成已经会做的事情，也可以协助我们理解原本看不懂的机制，尝试原本难以实现的表达，发现此前没有进入考虑范围的选择。

对于需要理解、判断和创造的任务，这比单纯增加答案的数量更值得追求。

我们需要的 AI 助手，不只是一个更高效的自己，而是一个能够提供有效补充、参与提出问题，并与我们一起检验想法的伙伴。

衡量这种合作的价值，不仅要看我们做得快了多少，还要看：那些补进来的知识与视角，是否让我们原本拥有的经验，产生了新的理解、想法与行动。

用人文的眼光看技术，用商业的逻辑看文化，用历史的纵深看当下。

AI · COMMERCE · HUMANITIES