提示词阶数:一个关于AI生成物价值的理论一个简单的观察
问AI"写一篇关于区块链的介绍"，你会得到一篇规范的说明文。问十个人用同样的提示词去问，十个人得到的东西大同小异。这类内容的稀缺性几乎为零——任何人、任何时候都可以用同样的方式获得差不多的结果。但另一种情况截然不同。你跟AI做一次深度对话，先让它给出一个论断，然后找到论证中最薄弱的环节进行反驳，迫使它修正立场，你再反驳修正后的立场，再修正——反复十轮之后，你可能到达一个从起点直线出发几乎不可能抵达的认知位置。这个最终产物的稀缺性显然远高于前者。这两者之间的差异，不在于文字质量的高低，不在于篇幅的长短，而在于到达它们所需的路径搜索复杂度不同。这个复杂度，就是本文要定义的核心概念：提示词阶数。定义
提示词阶数指的是：为了首次生成某一认知产物，所需的人机交互（或机机交互）的最小轮次深度。一阶产物是单次提示即可直接生成的内容。"写一封感谢信""总结这篇文章""翻译这段话"——这些都是一阶的。它们位于AI概率分布的高概率区域，是模型最自然、最倾向于给出的回答。二至三阶产物需要少量的追问或修正。比如你让AI做一个分析，然后指出某个遗漏的变量，让它重新考虑。AI在修正后的方向上展开，给出一个比初始回答更精确的结果。高阶产物——五阶、十阶甚至更高——需要多轮精确的方向修正才能到达。每一轮交互在高维认知空间中执行一次转向，将搜索推离AI的默认轨道。这些转向不是随意的；最有效的转向是否定性的——不是让AI继续展开，而是指出它的某个前提有问题，迫使它在一个全新的约束条件下重建论证。可以用一个地理隐喻来理解。AI的默认输出是主干道——宽阔、铺设良好、所有人都知道。一阶产物就在主干道旁边。高阶产物在荒野深处——它作为一个可能的认知位置是存在的，但没有现成的路通向它。每一轮高质量的追问相当于在荒野中开辟一小段路，多轮追问连起来，才形成一条从主干道通往目的地的完整路径。阶数为何有价值
一个自然的问题是：高阶产物为什么更有价值？仅仅是因为花了更多轮次吗？AI是训练数据的概率分布的近似器。它的默认输出偏向高概率区域——主流的、安全的、符合既有共识的内容。而认知空间中大量有价值的位置处于低概率区域，模型不会自发地走向那里。概率盲区的成因包括训练数据的覆盖偏差（有些话题和视角在语料中被低估）、范式共识的压制（主流观点获得更高权重）、以及连贯性偏好（模型被训练为产出"合理"的内容，因而系统性地回避反直觉的方向）。高阶交互的本质，就是把AI从高概率的默认区域推向低概率的盲区。每一轮精确的否定或约束，都在缩小搜索范围，排除高概率但平庸的路径，迫使AI在一个更狭窄但更有可能包含新洞见的空间中展开。阶数越高，离开默认轨道的距离越远，到达之前无人到过的位置的可能性越大。但这里还有第二层原因。在无限可能的认知空间中，选择探索哪个方向本身就是一种稀缺资源。即使AI有无限的生成能力，从任何一个节点出发都有无数条路可以走，但大多数路通向平庸的终点。选择正确的方向——知道该否定哪个前提、该引入什么新约束——需要某种"方向感"，而这种方向感本身携带着不在AI参数中的信息。每一轮有效的追问都在消耗这种稀缺的方向感资源，这就是为什么阶数越高，产物越稀缺。阶数的相对性
需要指出的是，提示词阶数不是一个绝对量。它至少在三个维度上是相对的。相对于模型。对于模型A是十阶的产物，对于训练数据更丰富的模型B可能只是三阶。更强的模型"知道"更多路径，因此能更快到达同一位置。相对于提问者。同一个认知位置，不同的提问者因为起点和方向选择效率不同，所需的交互轮次也不同。一个领域专家可能三轮到达的位置，一个外行可能需要十轮。提示词阶数取的是最短路径——即最优路径的长度。相对于时间。一个高阶认知产物被公开后，它可能进入未来模型的训练数据。这意味着同一个认知位置在未来模型中的阶数会下降。这种现象可以叫做"阶数通胀"——随着AI能力提升，所有现有的认知产物都在经历阶数贬值，就像货币通胀让同样面额的钞票买到更少的东西。坍缩定理
坍缩定理：任何已被显式表达的高阶认知产物，都可以被压缩为一阶提示词，使得AI能从该提示词生成在认知内容上等价的产物。这个定理的意思很直白：一旦你知道了目的地是什么，你就可以直接描述那个目的地，然后让AI一步到达。到达目的地的过程可能极其复杂（高阶），但结果一旦存在，复现它只需要一步（一阶）。为什么这是成立的？因为任何认知产物的核心内容——论点、论证结构、关键结论——都可以被自然语言描述。一旦这个描述被写出来，它本身就是一个一阶提示词。"请详细阐述以下理论框架：[核心论点]，论证结构为：[逻辑关系]，关键概念定义为：[术语定义]"——这段话就足以让AI重建一个在认知内容上等价的产物。这个定理可以被实验验证。取一个已知的高阶认知产物，让AI将其核心内容压缩为一段尽可能简短的描述，然后用这段描述作为一阶提示词在独立会话中重新生成，最后比较原产物和重建产物在核心命题、论证结构和关键结论上的等价性。如果等价性很高，坍缩定理就得到了经验支持。坍缩定理有一个更强的版本：你甚至不需要看到完整的原作品，只需要知道核心思想的一句话概括，就足以构造一阶提示词来重建它。如果强形式成立，那意味着一条朋友圈、一条推文、一句转述，就足以让全世界零成本获得一个原本需要多轮深度对话才能首次到达的认知位置。需要指出坍缩定理的适用边界。它在认知内容维度上几乎必然成立——理论框架、分析报告、学术论文的核心论点都可以被压缩和重建。但在审美形式维度上适用性减弱。一首诗的认知内容可以被一句话概括，但它的审美价值——特定的语言节奏、意象选择、声音质地——不能被压缩后无损重建。这暗示一个有趣的推论：在AI时代，形式创新可能比内容创新更持久地保持稀缺性。坍缩不仅发生在最终产物层面，还会逐层向上递归。第一层是产物坍缩——一个具体的结论被写出来后，任何人可以一步获得它。第二层是路径坍缩——到达那个结论的方法（比如"每次攻击论证中最弱的前提"）本身也可以被描述为一条提示词指令。第三层是元路径坍缩——"在什么情况下该用什么类型的方法"这个判断规则，同样可以被编码。理论上，一切可以被语言表达的认知成果，最终都可以被坍缩为一阶。只不过随着抽象层级上升，坍缩时的信息损耗也逐渐增大——越高层的认知内容，压缩重建的保真度越低。稀缺性的重新定义
坍缩定理直接导向一个颠覆性的结论：任何已经被表达出来的认知产物都不具有持久的稀缺性。稀缺性存在于认知产物被首次生成之前的那个状态。在那个状态下，到达它需要复杂的路径搜索，它是高阶的。但一旦有人（或某个AI系统）到达了这个位置并公开了结果，稀缺性就消失了。后来者可以通过一阶提示词直达同一位置。这不是AI时代才有的现象。发明和模仿之间的成本不对称，是信息经济学的经典问题。经济学家Paul Romer在1990年就指出，知识作为非竞争性商品，固定生产成本高而边际复制成本为零——写出《国富论》需要亚当·斯密二十年，但抄写一份几乎没有成本。但AI时代极端地加剧了这个不对称：不仅复制成本为零，首次生成成本本身也在大幅下降。以前需要一个经济学家浸泡二十年的理论构建，现在一个有洞察力的提问者和AI进行一个下午的深度对话，可能就到达类似的位置。所以提示词阶数衡量的不是产物的稀缺性，而是首次到达的难度。价值在首次到达的瞬间最高，随后随着产物被公开和传播而迅速贬值。稀缺性是一个时间属性，不是产物属性。持续到达新位置的能力。不断提出新的高阶问题、不断搜索未被探索的认知区域的能力。这种能力不因某一次结果被公开而贬值，因为它的价值不在于任何一次终点，而在于持续出发。这种能力需要两样东西的结合：一是在概率盲区中导航的方向感——知道该否定哪个前提、该从哪个领域借用概念、该沿着哪个反直觉的方向坚持下去；二是在每个方向上高速展开论证的能力——这是AI的强项。前者目前主要存在于人类这一边，后者属于AI。两者合在一起，构成一种新型的认知生产力，任何一方单独都无法替代。生成难度与复制难度的分离
坍缩定理揭示了AI时代知识产品的一个核心结构特征：生成难度和复制难度的彻底分离。生成难度由提示词阶数决定，可以极高。到达一个之前没有人到过的认知位置，可能需要十轮精确的追问，每一轮都要求提问者具备方向感和否定判断的能力。这个过程是困难的、不确定的、不可机械化的。复制难度则趋近于零。一旦那个位置被到达并被公开描述，任何人用一阶提示词就能复现它。在AI出现之前，这两者之间虽然也存在不对称，但生产成本仍然是一个粗糙有效的价值代理指标——一个花了十年写出的理论，通常（虽然不总是）比一个花了一周写出的理论更深刻。社会因此建立了一整套基于生产成本的评价体系：学位年限、论文发表层级、职称晋升阶梯——它们本质上都在用"你花了多长时间"来间接估计"你的产出有多深刻"。AI打断了这个相关性。当一阶提示词可以在几秒内产出形式上完备的论文，当一个下午的人机对话可以到达原本需要数年才能到达的位置，生产成本就不再是深刻性的可靠代理了。一篇AI辅助的论文可能生成成本极低但极具洞见，也可能生成成本极低但毫无价值——低成本不再能告诉你任何关于内容质量的信息。这意味着所有基于生产成本建立的评价体系——学术论文的同行评审、学位的信号价值、专业资质的含金量——都面临根基性的动摇。不是因为这些体系设计得不好，而是因为它们赖以建立的基础假设——"生产成本与内容价值正相关"——在AI时代不再成立。阶数通胀
随着AI能力持续提升，同一阶数能到达的认知范围在不断扩大。今天需要五轮人机对话才能到达的见解，明年的模型也许一步就能给出——因为这些见解已经通过各种路径进入了训练数据，或者模型的推理能力提升到了可以自行推导出来的程度。这就是阶数通胀：所有现有的认知产物都在持续地经历阶数贬值。原本的高阶产物逐渐坍缩为低阶产物。今天你引以为豪的深度分析，明年可能成为AI的一阶默认输出。这对知识工作者意味着什么？意味着维持价值需要不断向更高阶的位置迁移——不停地到达新的、当前模型尚未覆盖的认知位置。这是一个认知层面的"红皇后效应"：在一个所有人都在加速的跑道上，你必须不停地加速才能维持原来的相对位置。回到起点
提示词阶数度量的是首次到达某个认知位置的路径搜索复杂度。它之所以能作为价值指标，是因为AI存在概率盲区——高阶交互的本质是把AI推离默认轨道，到达低概率但可能高价值的位置。但坍缩定理揭示了这个指标的内在悖论：高阶产物一旦被表达，就可以被一阶复现。稀缺性不是内容的属性，而是时间的属性——存在于首次到达之前，消亡于表达之后。这两者合在一起，指向一个关于AI时代知识经济的基本判断：AI不改变知识的内容，但根本性地改变了知识的成本结构。当生产成本不再是内容价值的可靠代理时，所有建立在生产成本之上的评价体系——学位、论文、职称、专业资质——都需要寻找新的根基。那么新的根基应该是什么？这个问题这篇文章无法回答，但可以指出一个方向：未来的价值衡量标准，可能需要从"你知道什么"转向"你能到达哪些还没有人到过的地方"。前者会被坍缩，后者不会——因为它不是一个终点，而是一种持续出发的能力。
夜雨聆风