一直换AI工具VS及时定下来:2520人实验揭示最优决策的秘密

你有没有这样的时刻

每次公司要上一个新AI工具，你都要花几周时间做调研：Notion、Obsidian、Craft、Logseq……试了一圈，最后还是不确定哪个最好，于是继续试。

找工作时，第一个offer来了，觉得还不够好，继续等。又来了几个，还是觉得"也许下一个更好"，结果最好的几个已经过了截止日期。

学AI工具：先试ChatGPT，再试Claude，再试Gemini，再搞Cursor，再研究Windsurf……每个都用了一点，但没有一个真正深入用起来。

这种状态有个名字：探索-利用困境（Explore-Exploit Dilemma）。

什么时候该停止探索、开始专注利用已有的最好选择？这个问题困扰的不只是普通人，连诺贝尔物理学奖得主理查德·费曼也被它困住了。

不过费曼的解法是：掏出一张草稿纸，算出来。

费曼在泰国餐厅里解的那道题

1970年代末的加州格伦代尔，费曼和朋友拉尔夫·莱顿一起走进了一家叫Indra的泰国餐厅。

莱顿犯了选择困难症。

这家餐厅的姜汁鸡一直很稳——每次点都不踩雷。但菜单上那么多其他菜，万一有更好吃的呢？每次都点姜汁鸡，是不是亏了？

费曼听完，没有给出感性建议，而是拿起纸笔开始算。

他把这个问题抽象成了一个数学模型：假设餐厅里每道菜都有一个固定的分数，分数满足均匀分布。你只能顺序品尝，吃完才知道分数，每次只能选一道新菜，或者回头点已知最高分的菜。在这个模型下，最优策略是什么？

费曼算出了一个动态阈值：如果当前已尝试的菜里，有一道超过了这个阈值，就停止探索，以后每次都点这道菜；如果还没有超过，继续探索新菜。这个阈值会随着"剩余机会"的减少而降低——当可选次数越来越少，预期也要跟着合理下调。

这几页涂鸦式的草稿被莱顿保存了四十多年。直到最近，几位科学家重新破译了这些手稿，认出这正是决策理论中一个经典问题的解：最优停止问题（Optimal Stopping Problem）。

最优停止问题，和那个"37%"

如果你听过"秘书问题"或者"最优相亲问题"，就已经接触过这个概念了。

更直白的版本叫"寻找最大玉米问题"：

一块地里有n个玉米，每个大小不同。你只能向前走，不能回头，全程只能摘一次。怎么才能摘到最大的那颗？

数学上的最优解是：先走过前37%的玉米不摘，只用来观察；之后遇到第一个比前面所有都大的，立刻摘下。

这个策略能最大化摘到最大玉米的概率。

37%这个数字来自自然底数e：1/e ≈ 0.368，约等于37%。所以这个策略也叫37%法则。

翻译成日常语言：在你所有可能的选择里，先花37%的时间和精力去探索，不做最终决定；然后在剩下的63%里，一旦遇到比探索期内最优解还要好的，就立刻停下，就它了。

这是理论上的最优。但普通人不会真的去算这个——他们只凭直觉决策。那直觉究竟有多准？

2520个人参加了一个实验

最近，一组科学家用真实数据回答了这个问题。

他们在网上招募了2520名志愿者，年龄从18岁到94岁，平均40.4岁。实验场景是这样的：

每个人都被告知，他们将在一座陌生城市生活一段时间，每晚需要选一家餐厅用餐。每家餐厅有固定的评分，但你去之前不知道分数，只有吃过才知道。之后可以随时回去吃评分最高的那家，或者继续探索新餐厅。目标是在有限的晚数内，让总评分尽可能高。

有的人有7个晚上，有的14个，有的28个。餐厅评分遵循四种不同的统计分布。

结果出乎预期。

研究人员发现，人们并没有使用复杂的数学计算，而是采用了一个极其简单的策略：线性阈值下降。

也就是说，人们心里有一条隐形的分数线，这条线会随着剩余机会减少而线性降低。低于这条线的继续探索，一旦发现超过这条线的，就停止探索，锁定它。

这个策略有多好？

实验结果显示，这种简单的直觉策略，获得了理论最优收益的95%以上。

换句话说：你不需要算出那个精确的最优阈值，只需要遵循本能的"感觉差不多时候了就定下来"，就已经能拿到接近满分的结果。

你的直觉，比你以为的更靠谱。

但有一个陷阱：早期探索偏向

实验里还发现了一个有趣的现象：在决策初期，人们的探索欲望明显偏高。

哪怕已经发现了一家相当不错的餐厅，人们在最初几晚仍然会继续探索新的，而不是立刻锁定。这种行为被称为早期探索偏向（Early Exploration Bias）。

背后是好奇心的驱动——在开始阶段，信息不够多，我们本能地想多看看、多了解，以便做出更有把握的判断。随着时间推移，好奇心自然消退，人们逐渐转向利用已有的最佳选择。

这种模式在生活里随处可见：

• • 刚入职的新人，什么都想尝试，参加各种项目，永远处于"先体验体验"的状态

  • 用AI工具的初期，今天试这个，明天试那个，永远在评测

  • 新进入某个行业时，大量阅读、大量学习，不急着做一件事

这是正常的，也是必要的。问题在于，很多人陷在"早期探索偏向"里出不来，把探索期无限拉长，永远在试，永远觉得"还不够了解，再看看"。

探索本身变成了目的，而不是手段。

三类人生决策，可以用37%法则校准

AI工具的选择困难

这是飘雪思考读者最切身的问题。

AI工具每周都在涌现：Cursor、Windsurf、GitHub Copilot、Cline……写作工具：ChatGPT、Claude、Gemini、Kimi……效率工具：Notion AI、Mem、Heptabase……

很多人陷入了永动机状态：每周跟着最新发布节奏，每一款都去体验，但没有一款真正深入用起来，最终什么都会一点，但没有任何一个能力形成竞争优势。

37%法则的建议是：给自己设定一个明确的探索期。

比如你刚开始使用AI编程工具，给自己两个月的探索期，认真试3到5款主流工具。两个月结束后，在试过的里面选一个感觉最好的，然后彻底停止换工具，专心深耕至少6个月——直到你把它用到真正有竞争力的水平。

不是因为你选的一定是市场最优，而是：探索期结束后继续换工具的边际收益，远低于把一款工具深度用好所带来的能力增益。

找工作和跳槽

这是最优停止问题最经典的应用场景。

找工作时，很多人犯两种极端错误：

第一种：遇到第一个过得去的offer就接了，结果发现后面有更好的机会，但已经来不及了。

第二种：永远在等待"更好的"，最后等到优质offer都收了不等你，自己反而接了一个将就的。

37%法则的操作思路：先估算你大概会面试多少家公司。如果预估面试20家，那么前7到8家（约37%）只作为参照系，不接offer，专门用来了解市场行情、建立判断标准；从第8家开始，一旦遇到比前面所有都好的，立刻接，不要等。

这不是机械执行数字，而是给自己一个心理框架：探索期是用来建立标准的，不是用来犹豫的。一旦探索期结束，遇到更好的就定，别再等下一个。

学一门新技能

学技能也有探索-利用困境。

比如学AI开发：先学Python，还是直接上Claude API？用LangChain还是写原生代码？学Prompt工程还是Agent框架？

很多人在这个问题上卡住，不断切换学习路径，最终哪个都半途而废。

37%法则的建议：给自己一个"试水期"。比如用一个月，快速浏览3到4条主要路径，大概了解每条路的学习曲线、应用场景和就业前景。然后做决定，选一条，沿着它走完，不再跳。

在试水期里看到的最有价值的那条路，才是你应该深走的。

直觉够用，但要清醒地使用它

实验证明，人的直觉平均能达到理论最优的95%以上。但这个平均值掩盖了个体差异。

有些人的直觉确实很准，能自然感知到"差不多了，该收手了"。但有些人的直觉有明显偏差：

高焦虑型：过早收手，第一个过得去的就定了，错过了更好的可能。在职场上容易接了第一个offer，然后一直懊悔。

完美主义型：永远觉得还不够好，探索期无限延伸，最终在等待中错失窗口。在AI工具选择上，这种人已经试了两年，还在"再看看"。

信息成瘾型：享受探索过程本身，把探索当成目的。每天刷AI新闻，每天试新工具，但从来不深入用任何一个。

如果你认出了自己属于后两种，37%法则对你的价值就不只是"印证直觉"，而是给你一个外部锚点：在你忍不住继续探索的时候，提醒你——探索期到了，该定了。

具体操作三步：

第一步：设定探索期的边界。 明确说"我给自己X周/X个月探索，然后做决定"，写下来，不要让探索期悄悄延长。

第二步：建立比较标准。 探索期里认真记录每个选项的优劣，而不是走马观花。好的探索是有标准的信息收集，不是随便体验。

第三步：决定后锁定。 做出选择之后，停止继续关注替代方案。认知资源是有限的，继续看其他选项只会增加后悔感，不会提升当前选择的质量。

费曼的草稿，给了我们一条路

50年前，费曼在一家泰国餐厅的草稿纸上算出了一个数学结果。50年后，2520个人参加了一个行为实验，证明他是对的——人们的直觉策略与他的数学推导几乎一致，差距不超过5%。

这个发现有两层意义。

第一层：你的直觉比你以为的更精确。 大多数时候，你"感觉差不多了"的那个时刻，恰好就是最优停止点附近。

第二层：知道这件事，可以让你更放心地做决定。 很多人迟迟不敢下决定，是因为觉得"信息还不够"、"还没准备好"。但数学告诉你：到了那个节点，多等的边际信息量已经不值得继续等了。

你不需要是费曼，也不需要算出那个精确的阈值。

你需要的是：给探索期划一条线，然后在线内尽力探索，在线外果断选择。

直觉大多数时候都是对的。唯一的问题是，我们总是不敢相信它。

结尾互动

如果这篇文章对你有帮助，点击右下角"推荐"，让更多人看到。

关注「飘雪思考」，每周更新职场干货与底层思维，和10万+读者一起成长。

💬 你怎么看？ 你在哪类决策上最容易陷入"无限探索"的困境——是选AI工具、找工作，还是学新技能？

欢迎在评论区留下你的想法，我都会看的。

📌 收藏这篇文章，下次遇到选择困难、迟迟不敢定下来的时候，直接翻出来用。

觉得有用就转发给朋友，说不定正好帮到那个还在纠结"再看看"的人。