这是三湘问道第003篇。上一篇讲财富公式：被看见 × 被信任 × 被留住。这一篇，讲另一把刀。
半小时 vs 十年
2020年，AlphaFold 2参加蛋白质结构预测竞赛。
德国科学家 Andrei Lupas 卡了10年的一个蛋白质结构，它半小时给出结果。
到2022年7月，AlphaFold 数据库放出了超过2亿个蛋白质结构预测。
覆盖了地球上几乎所有已知蛋白质。
真正让我着迷的，不是它有多强。
是它换了一个问题。
一条100个氨基酸的短链，理论上可能的折叠方式有多少种？
10的300次方。
**
**
什么概念？可观测宇宙里的原子总数才10的80次方。
在这个天文数字面前，"搜索正确答案"根本不现实。
不管算力多强，时间不够。
AlphaFold的第一代就在试图"找答案"。
用深度神经网络预测氨基酸之间的距离，再拼装出结构。
方向没错，但工具的上限到了——拿了第一名，也只有60分。
然后DeepMind做了一个极其罕见的决定：
把所有代码扔进垃圾桶，推倒重来。
两年后，AlphaFold 2得了92.4分。
不是因为算力更强。
是因为它不再问"正确答案在哪"。
它问的是：哪些答案不可能存在？
用约束条件，把不可能的答案一刀一刀切掉。
切到最后剩下的那一个，就是唯一解。
这不是搜索。
这是排除。
三把刀
翻成人话，它其实只有三步。
第一步：读历史。
几亿年的进化，已经替你筛掉了大部分错误答案。
AlphaFold 2扫描几百万种生物的基因序列，找"总是一起变化"的氨基酸对——一起变的，空间上大概率是近邻。
它不预测未来。它读历史。
历史上活下来的模式，就是约束条件。
第二步：找铁律。
化学键有范围，原子有最小间距，某些角度能量上不稳定。
物理定律不可违背。
违背的答案，直接排除。不用讨论。
第三步：自我攻击。
第一轮算出粗糙结构，重新输入系统，再审问一遍。
哪里不合理？修正。再输出。再审问。
一轮一轮排除错误，逼近答案。
AlphaFold 2厉害，不是一次算对。
是在反复否定自己的过程中，逼近真相。
讲人话
我把这三步翻成了一条更土、但更好用的公式：
推演能力 = 历史数据 × 约束条件 × 迭代深度
历史数据，帮你少走弯路。
约束条件，帮你排掉死路。
迭代深度，防止你第一眼就把自己骗了。
这套东西，我最常拿来拆AI产品。
跑给你看：妙鸭相机
2023年，妙鸭相机刷屏。
几块钱生成一张AI写真照。朋友圈到处是晒图。
很多人盯着效果好不好。
我盯的不是效果。
我先问一句：这是不是高频需求？
读历史——脸萌（2014年，火一个月消失）、ZAO（2019年，火两周消失）。
妙鸭之前已经死了一排同类。共同死因：用完一次就走。
找铁律——低频需求的产品，无法靠自身留住用户。
拍完一套写真，下次什么时候再需要？半年？一年？
这条铁律一旦成立，天花板就锁死了。
自我攻击——能绕过去吗？
做企业版？频率还是低。做订阅制？动机不够。做社交？可能走通，但妙鸭没做。
问题不是功能不够好。
问题是需求频率不够高。
我为什么越来越信这把刀
2024年初，OpenAI推出记忆功能。
很多人很兴奋：AI终于记住我了。
我当时写下的判断正好相反：
如果记忆不能驱动行动，就是玩具。
因为"被记住"不是高频需求。
"替我做事"，才是。
后来发生的事，基本沿着这条线走了。
2025年1月，OpenAI上线Tasks（定时任务）。
7月，Agent Mode上线——AI代你操作网页、执行任务。
Gmail、日历、Slack这些连接能力也陆续接入ChatGPT。
记忆本身没火。
记忆接上行动链，才开始真正变成日常工具。
你今天再看OpenClaw为什么火成这样，就更清楚了。
它首页写的不是"我记得住你"。
而是：The AI that actually does things.
清邮箱、发邮件、管日历——它不是在聊天，它在替你干活。
这就是它跟之前所有AI助手最大的区别：它能动手了。
记忆是基础设施，行动才是高频需求。
公平地说，妙鸭那个例子是事后分析。
但ChatGPT记忆这个判断，是2024年初做的，2025年的产品迭代验证了它。
这套公式不能100%预测未来。但它能在你决策之前，排掉大部分走不通的路。
你今天就能用
拿三张纸，跑一遍。
第一张，写下3个同类产品怎么死。
第二张，从死法里提1条铁律。
第三张，用这条铁律攻击你自己的想法。
跑完这三步，
你未必立刻知道该做什么。
但你大概率会更早知道：
哪条路别再骗自己。
最后一个问题
你最近看过哪个AI产品，
越想越觉得：
它的问题不是功能， 而是需求频率？
这是三湘问道第003篇。
001讲实战判断。
002讲财富公式。
003讲推演公式：不找正确答案，先排除不可能。
下一篇，拿Gamma跑一遍：50个人，估值21亿美金。怎么做到的？
关注，或者私信聊聊。
