我们谈论 AI 提升效率，谈论 AI 自动化，谈论 AI 降本增效。但有一件事几乎没人谈——AI 悄悄改变了我们在哪个层级上思考问题。这个变化，比效率提升更根本，也更难被量化。
在过去相当长的一段时间里，每当一个新想法出现，我的大脑几乎是同步运行着两条并行线程：一条在评估「这个目标方向是否值得」，另一条在估算「我能不能技术上实现它」。表面上看，这像是正常的可行性评估。但实际上，这两个问题的混跑造成了一个严重的认知污染——大量想法在还没想清楚「该不该做」之前，就已经因为感知到的实现难度而悄悄死掉了。
这是一种隐蔽的思维陷阱。它不像「懒惰」或「恐惧失败」那样容易被识别，甚至看起来很理性：我在做「资源评估」。但它实际上做的，是用执行层的噪音干扰了目标层的判断。
§ 01 技术复杂性是目标判断的污染源
假设你在思考：「我们是否应该为仓库管理系统引入视觉识别来替代人工盘点？」
在 AI 工具不够成熟的年代，你的脑子会很快运行到：「这需要训练一个物体检测模型，需要大量标注数据，需要部署推理服务，需要处理光照变化、遮挡问题……」——然后在这些实现细节的重量下，原本的战略问题「视觉识别是否是正确的方向」往往还没被认真讨论，项目就已经在心理上被否定了，或者被缩水成一个很小的 POC。
这就是污染。执行层的摩擦力，提前终止了目标层的思考。
实现成本越高，你就越难把注意力放在目标本身是否正确这个更根本的问题上。技术复杂性不只是执行障碍，它是一种认知税。
AI 做的事情，是大幅降低这个认知税。当你知道「实现」这件事的摩擦力可以被压缩到几天甚至几小时，你的思维资源就会自然地向上移动一个层级——从「我能不能做」移到「我该不该做」，从「怎么实现」移到「目标本身是否成立」。
这个向上移动，就是思维层级的跃迁。而第一性原则，正是在这个更高层级上工作的工具。
§ 02 第一性原则：被误解的思维工具
「第一性原则」这个词在过去几年被用滥了。Elon Musk 提到它，产品经理提到它，投资人提到它。但大多数时候，人们用它指代的，不过是「想得更底层一点」。这是对它的误读。
物理学意义上的第一性原则（First Principles），指的是从不需要进一步推导的基础事实出发，通过演绎推理得出结论。它的对立面不是「想得浅」，而是类比推理——即「别人都这么做，所以我也这么做」，或者「这个领域一直是这样的，所以我从这个起点开始」。
// 两种思维模式的对比
类比推理:
输入：行业惯例 / 他人经验 / 历史做法
过程：我 → 复制并微调
风险：继承了别人的假设，包括错误的假设
第一性原则:
输入：你认为最可靠的基础事实
过程：事实 → 推导 → 结论
风险：你的「基础事实」本身可能是错的
注意最后一行。第一性原则的风险，不在于推理过程，而在于你选取的「基础事实」的质量。这就引出了一个经常被忽略的问题：你的认知基础，从哪里来？
§ 03 认知基础的质量差异
对 AI 从业者来说，这个问题非常具体。
假设你要用第一性原则判断：「现在用多模态大模型做工业质检，技术可行性到底如何？」你需要一个认知基础：当前 VLM 的实际能力上限在哪里？在光照变化、小缺陷检测、推理速度等约束下，模型的表现边界是什么？
这个认知基础，主要有三种来源：
| 认知来源 | 典型形态 | 可靠性 |
|---|---|---|
| 媒体叙事 | 新闻报道、社交媒体、会议演讲中的 Demo | 最低。存在严重的选择性偏差，只展示成功案例，隐去失败边界 |
| 他人经验 | 同行分享、博客、技术报告 | 中等。有上下文缺失，他人的场景约束未必与你的相同 |
| 亲手实验 | 自己跑的 POC、实际测试、生产环境反馈 | 最高。认知直接来自现实的校准，有具体的失败数据 |
大多数人的「第一性原则」，其实建立在第一种或第二种来源之上。这没有错，我们不可能对所有事情都亲手实验。但关键在于：你是否清楚你的认知基础属于哪一类？你是否知道它在哪里可能失效？
⚠️ 常见陷阱： 最危险的状态，是把「来自媒体叙事的类比推理」误认为「来自基础事实的第一性原则推导」。外表看起来一样底层，但一个来自可靠的实验观察，另一个来自一篇你觉得写得很有道理的 Medium 文章。
§ 04 认知局限不是障碍，不透明才是
理解了上面的问题，就能理解一个常见的误解：「我对某领域认知不够深，用第一性原则会不会在错误的地基上建楼？」
这个担忧是真实的，但它指向了一个错误的解法——「等我认知足够深再用」。这个等待永远不会结束。认知局限是人的常态，不是需要被消除的前提条件。
第一性原则的正确使用方式，是带着明确的认知边界去推理。具体来说：
// 透明的推理链结构
已知事实（来源：亲手实验）：
当前 GPT-4V 在标准光照下检测 >2mm 缺陷，准确率 ~91%
在逆光场景下准确率下降至 ~67%
已知边界（来源：未测试）：
不清楚在动态传送带速度下的表现
不清楚在粉尘遮挡场景的鲁棒性
推导结论（基于以上）：
技术可行性：部分场景成立
需要追加验证的假设：[具体列出]
建议的 POC 范围：[针对已知边界设计]
这个结构的关键不是「认知要足够深」，而是「推理链要足够透明」。透明意味着：当新的信息进来，你能准确定位在哪个节点上需要更新。如果你不能做到这一点，你的结论就不是推导出来的，而是某种程度上猜出来的。
§ 05 AI 作为第一性原则思维的放大器
回到开头的问题。AI 的真正价值，不只是「帮你更快地做事」，而是改变了你在哪个认知层级上分配注意力。
当实现层的摩擦力被大幅压缩，你的认知资源会自然上移。这是一个结构性的变化，不是自律问题，不是「我要强迫自己想得更底层」。摩擦力改变了，注意力的分配就会改变。
但这里有一个值得警惕的副作用：摩擦力降低的同时，迭代速度加快，这会让人产生一种「快速行动等于深度思考」的错觉。你可以在一天内跑出三个 POC，但如果每个 POC 的目标都没有经过第一性原则的推导，那速度只是在更快地走错路。
AI 清除了执行层的噪音，但信号仍然需要你来判断。它是放大器，不是替代品。你判断信号的质量，取决于你认知基础的质量——它从哪里来，它的边界在哪里。
所以，真正值得追问的问题是：AI 帮你节省下来的认知资源，你把它放到哪里去了？放到更快地执行，还是放到更诚实地审视目标本身？
§ 06 一个实践性的结语
对 AI 从业者来说，有一个具体的习惯值得建立：在每一个技术方向的判断上，主动把自己的推理链写出来——不是为了展示，而是为了检验。
写出来之后，检查三件事：
- 我的基础事实，来源是什么？ 是媒体叙事，是他人经验，还是亲手实验？
- 我的认知边界在哪里？ 哪些假设我明确知道还没有验证？
- 如果某个基础事实被证伪，我的结论会在哪里改变？
如果这三个问题你都能回答，你就是在做真正意义上的第一性原则推理——无论你的认知有多深，无论这个领域你有多少经验。如果你不能回答，那值得先停下来，搞清楚你的推理建立在什么之上。
认知局限人人都有，这不是问题。问题是认知来源不透明，推理链不可检验，结论无法被更新。AI 给了我们更多思考目标层的机会——用好这个机会，需要的不是更快的执行，而是更诚实的推理。
