上周六我发了一篇文章，核心观点是：人+（模型+token）= 最终价值。

意思是AI只是车，你是赛车手。车再好，不练圈速，你永远是普通司机。

那篇文章发完不到一周，我就想写这篇。原因是——那篇文章总结的是我当时已有的认知，但从今年4月开始，我就已经在用这套方法论改造自己了。文章发出来的时候，我的实践已经跑到了认知前面。

具体来说，我漏掉了一个东西：飞轮。

今天把这两个月的飞轮实践讲清楚——它是什么，我是怎么建的，以及两个月后发生了什么。

一、什么是AI飞轮

先定义。

大多数人用AI的模式是：点状使用。遇到问题，打开AI，问一下，拿走答案，关掉。每次都从零开始。

飞轮是：你思考 → AI多维补充 → 你整合判断 → 沉淀下来 → 下次思考站在更高起点。

关键区别：上一次的终点，是这一次的起点。

每个环节的输出是下一个环节的输入。转起来之后，你的思考不是一条直线，而是一个螺旋——每一圈都比上一圈更高。

这个概念听起来抽象，但用起来很具体。因为它有三个可操作的"齿轮"。

二、飞轮的三个齿轮

齿轮一：多模型对比

不要只问一个AI。

我每天做思维复盘的时候，会把同一个问题同时丢给4个不同的AI模型——DeepSeek、Claude、豆包、智谱——让它们各自独立回答。

然后把4个回答并排放在一起，做一件事：找差异。

谁想到了别人没想的？谁的逻辑有跳跃？谁在迎合我，谁在挑战我？

一开始这个过程很慢，每天光对比就要花半小时。但两周之后，一个有趣的事情发生了：我开始能一眼看出"这个模型的盲区在哪"。

不是看模型。是看我自己。

因为4个模型的不同，本质上是我4个提问角度的不同。差异揭示的不是模型的优劣，是我思考过程中选择性忽略的东西。

盲区是被对比出来的，不是被指出来的。

齿轮二：角色对抗

我有一个特点：偏保守稳。做了很多年产品，职业习惯是先想风险，再想机会。

这个特点有好有坏。好处是不容易翻车。坏处是我会系统性地忽略激进的选项——不是看不到，是看到了也会本能地跳过。

发现这个问题之后，我做了一个设计：让AI专门扮演"激进派"。

每次我做决策或者思考方向的时候，除了让AI帮我分析，还专门加一句："请从激进视角给出完全相反的建议。"

一开始，那些激进建议我基本都否了。但很奇怪——被否掉的激进建议里，大概有三成，过了一两天我会重新想起来，然后发现某个保守方案确实过于保守了。

这不是AI聪明。是我给了它一个明确的角色，让我的思维盲区被系统性地暴露出来。

你如果不刻意设计这个机制，AI默认会迎合你——你问什么它答什么，你倾向什么它顺着什么。

大多数人用AI的体验之所以"越来越顺"，不是因为AI越来越好用，是因为AI越来越懂你的偏好——但它懂你的偏好，不代表它在帮你突破你的偏好。

顺，有时候是进步的敌人。

齿轮三：外脑沉淀

以前想完一件事，就完了。脑子里过了一遍，觉得"我想清楚了"，然后第二天就忘。

现在我的流程是：思考 → AI提炼 → 存文档 → 下次调用。

举个例子：我帮一个做全屋定制的老板做业务诊断，AI帮我跑了三版不同的分析视角，我综合之后输出了诊断报告。这个过程里我的决策逻辑、踩的坑、客户的反馈——全部存了下来。

下次遇到类似场景，我不用从零开始。我的"外脑"里有整个决策链条。

这不是收藏。是可检索的认知资产。

飞轮跑了两个月，我的外脑文档"原始人进化计划"从一个空文档，变成了包含思维飞轮复盘日志、对抗机制设计、执行框架、访谈剧本、客户诊断报告、运营手册在内的完整知识体系。每次往里加东西，下次遇到问题时能调用的"弹药"就多一分。

记忆密度即能力密度。不记录的思考，等于没想过。

三、两个月的飞轮跑下来，发生了什么

先说可感知的变化。

思考方式的改变：从"遇到问题想答案"变成"遇到问题先看本质"。

4月份刚开始飞轮的时候，我遇到问题习惯性反应是：怎么解决？两个月后，我的第一反应变成了：这个问题的本质是什么？我在哪一层思考？

不是变聪明了。是每天被4个模型从不同角度"拷问"之后，我自然养成了一种思维习惯：在给出答案之前，先确认自己在回答对的问题。

视角的打开：更容易从系统和全局的角度看问题。

以前我分析一个客户的业务，会从"他的问题是什么"切入。现在我会从"这个行业在发生什么变化、他的位置在哪里、竞争格局是什么"切入——不是刻意，是飞轮复盘天天这么练，变成了本能。

决策更快、更准。

飞轮复盘跑了两个月，外脑里积累了大量经过对抗验证的决策案例。遇到新问题时，我不是从零开始想，而是在已有认知资产上做增量判断。速度更快，准确率更高。

再说认知层面的三个推翻。

推翻一：AI是工具 → AI是环境

之前那篇文章，我的底层假设还是"AI是工具"。你是使用者，它是被使用者。

两个月的实践下来，这个假设我改了。

AI不是你拿在手里的锤子，是你脚下的地。

锤子你可以选择用或不用。地不行——你已经在上面了，你不适应它，它就变成障碍。

你不能问"我要不要用AI"。你得问"我怎么在这个新环境里活下来，然后活得好"。

推翻二：关键是选对工具 → 关键是建对流程

v1.0的文章里，我花了大量篇幅讲"怎么问AI、怎么判断AI的输出"。这些都是对的，但不够深。

更深的真相是：单个环节的优化，天花板很低。真正拉开差距的是流程设计。

飞轮就是一个流程。多模型对比、角色对抗、外脑沉淀——单独拿出来，每一个都不算什么。但三个齿轮咬合在一起，形成一个闭环，每个环节的输出是下一个环节的输入——这个结构一旦转起来，进化速度是指数级的。

大多数人用AI的问题不是"用得不好"，是根本没有流程，每次都从零开始。

推翻三：要学会用AI → 要学会不被AI用

飞轮的刹车系统同样重要。

怎么防？三个动作：

每次用AI之前，先写下来你的初步判断。哪怕是一句"我觉得应该是X"。有这个动作和没有这个动作，是完全不同的两种结果。没有判断就直接问AI，你是在让AI替你思考；有判断再问AI，你是在让AI帮你校准。

对AI的输出保持怀疑。不是怀疑它错，是怀疑它对的方式是不是你能理解的。如果它给了一个结论，你不能用自己的话复述它的推理过程——那这个结论对你没有价值，因为它没有变成你的认知。

定期脱离AI，纯手动作一件事。写一篇不做AI润色的文章，做一个不问AI的决策。不是为了证明"我不用AI也行"，是为了检验"我到底有没有在退化"。

四、怎么建你自己的AI飞轮

说了这么多，如果你只记住一件事，记住这个：

飞轮的起点不是工具，是流程。

不用4个模型，先从2个开始。 不用复杂的文档体系，先建一个"外脑文档"——随便什么工具都行，腾讯文档、飞书、Notion、甚至Word。 不用每天飞轮复盘，先从每周一次开始。

但关键是——你必须有一个闭环。思考必须沉淀，沉淀必须可调用，调用必须产生新的思考。中间断了任何一个环节，飞轮就停了。

飞轮停了，你就回到了"每次从零开始"的点状使用模式。

五、AI是统计学，人是经历学

上篇文章结尾，我写过一句话：决定你是要让AI替你变强，还是你自己借助AI变强。

两个月的实践之后，我想把这句话改得更准确：

AI是统计学，人是经历学。

AI能在一秒内处理你一辈子读不完的信息，但它永远不知道——你为什么在那个深夜做了一个决定，你失败了之后是怎么扛过来的，你看到女儿笑的时候在想什么。

这些东西，是经历。经历不能被计算，只能被活过。

AI能给你的，是更好的视角、更广的信息面、更快的验证速度。但最终做决定的那个人，承担后果的那个人，从中成长的那个人——是你。

工具在进化，环境在变化，模型在迭代。这些东西你控制不了。

你能控制的是一件事：在AI时代，你怎么建一个属于自己的飞轮，让它帮你转，而不是让它替你想。

两个月前我是个"觉得AI很厉害但不知道从哪开始"的普通人。

现在我也还是普通人。但我不一样了。

不一样的地方不在我学会了什么AI工具，在于我开始用不同的方式思考。

这才是飞轮能给你的，最值钱的东西。

把这篇文章发到你的文件传输助手，一个月后回来看——你的飞轮卡在哪一个齿轮上了？