1. 引言：我们对AI的想象力，是否太贫瘠了？
在日常工作和生活中，你通常是如何使用 人工智能 的？是把它当成一个高配版的搜索引擎去查询“法国的首都市哪里”，还是仅仅把它当成文本润色工具，用来“把这封邮件改得不那么带情绪”？
然而，只要你把视角转向 AI 研发的最前沿，就会发现另一幅令人震憾的图景：在学术与工程的前线， 大语言模型 不仅协助天文学家发现了新的行星，生成了震撼人心的顶级 AI 音乐视频，甚至在数学界引发了一场关于“数学 2.0”全新时代的深刻讨论。
正如著名数学家陶哲轩（Terence Tao）所言：模型的能力“在某些方向上令人惊叹，而在另一些方向上则显露不足”。
在时代的交界处，我们看到了极大的分化：有些人已经搭乘 AI 的风暴扶摇直上，实现了个人生产力的数量级飞跃；而绝大多数人，手里握着通往新纪元的钥匙，却只是用它来拧开一扇写着“帮我把邮件改得更有礼貌”的小门。
Anthropic 的工程主管 Felix Rieseberg（曾领导 Claude.ai、Cowork 以及 Claude Code Desktop 等关键项目的工程开发）指出，我们在使用 AI 时普遍面临一个根本性瓶颈：我们的使用方式“不够有野心”（not ambitious enough）。
Felix 将 AI 时代的人类“野心”总结为四个维度：速度（Speed）、高度（Altitude）、深度（Depth）与跨度（Range）。
其中，“速度”（用更短的时间完成既定工作）是 AI 最显而易见的经济价值，也是人人皆知的基线能力，无须太多创造力。真正能拉开人与人之间认知差距的，是其余三个被严重低估的野心维度。本文将为你深度拆解如何在实践中解锁这三大维度，彻底打破认知天花板。
2. 维度一：高度（Altitude）——从“执行具体任务”转向“交付终极结果”
所谓提升野心的“高度”，本质上是提升抽象层级。当你向 AI 提出一个具体任务时，这通常只是你为了达到某种结果所做的“个人猜测”。而高高度的思考方式，是直接绕过中间步骤，追问终极目标。
“在此之后，你真正希望发生什么？”（What do you want to happen next?）
过去，当你面对代码崩溃时，你可能会向 AI 贴出几行日志并说：“帮我修复这个报错。”而在高高度的视角下，你的指令应该是：“请确保我们的应用程序持续保持零崩溃状态。”
以企业中最常见、也最容易陷入形式主义的“季度业务复盘（QBR）PPT制作”为例，我们可以清晰地看到从低野心到高高度的推演轨迹：
提升“高度”的本质，是寻找能够将人类排除在循环之外（Human-out-of-the-loop）的持久 工作流 。
要让 AI 在高高度上运作，往往需要人类主动重构自身的工作流。以让 AI 自动维持应用零崩溃为例，前提是必须打通系统权限：你需要让模型能够自动获取实时崩溃日志、精准匹配 Git 提交记录，并赋予其访问 Windows、macOS 和 Linux 测试环境的权限，使其能够独立复现、验证并修复Bug。
3. 维度二：深度（Depth）——像行业顶级专家一样，直击问题最底层
如果你的目标是在某个具体问题上做到极致，就需要解锁“深度”维度——逼迫模型使用该领域顶尖专业人士的工具、方法、原始数据与知识，甚至产出新知识。
与其干瘪地列举原则，不如让我们跟随 Acme Inc（一家假设的 SaaS 公司）面对用户流失（Churn）危机时的实战过程，看看如何一步步向问题的最深处探索：
-
**拒绝表面摘要，坚持使用顶级工具：**当面对用户流失数据时，AI 默认会输出一张好看的 Markdown 概览表。此时必须明确拒绝它，要求其直接调用顶级数据科学家和统计学家使用的数据库与统计模型（即使你不懂具体模型，AI 也知道专家在用什么）。
-
**设定“不合理”的目标，并赋予其可行性：**如果过去优化流失率的常规目标是将排查时间从 10 秒缩短到 5 秒，那就直接向模型提出 200 毫秒的极致要求。当模型提出异议时，不断提示它：“该问题完全可解，继续深入思考。”
-
**对抗性检验既有假设：**商业世界中的许多“共识”往往只是粗糙的猜想。把所有原始日志扔给模型，要求它站在对抗视角重新检验：“团队一直认为用户流失是因为入职体验（Onboarding）太差，请直接基于原始数据，尝试复现或推翻这个结论。”
-
**挖掘未被察觉的盲点，生产新知识：**在深挖数据后，进一步逼迫模型产出未知洞察：“基于日志构建一个能够复现过去一年情况的用户模拟器，找出此前未被察觉的最早流失信号，并用未见过的测试数据验证其预测能力。”
-
**引入外部裁判（Outside Judge）：**切勿让模型既当选手又当裁判。在 October 2026 的今天，必须坚持要求模型通过外部代码、独立运行环境或第三方验证工具来对结果进行即时校验。
为了方便你在日常工作中快速提升任务深度，Felix 总结了一套通用的 提示词 改写模板（Meta-Prompt）：
我需要这个任务的更深层版本，而不是更庞大的版本。在改写我的提示词之前：
1. 请说明该领域的顶尖专家会做哪些我没有要求的事；
2. 指出他们会从什么最原始的材料开始，而不是使用已经消化过的内容；
3. 列出他们会使用的具体方法和工具；
4. 说明除了你和我之外，还有什么外部工具或方法可以证明结果是正确的。
最后，请根据上述思考重写我的初始提示词。
**专栏作家点评：**这个 Prompt 的精妙之处在于，它没有急于索要答案，而是先逼迫模型扮演一位严苛的“同行评审”（Peer Reviewer），将该领域顶尖专家的隐性知识（Implicit Knowledge）显性化，从而在根本上抬高了后续生成的质量下限。
4. 维度三：跨度（Range）——打破学科边界，组建你的“虚拟大师团队”
“跨度”维度的野心，意味着跨越单一学科的边界，借用非本领域的视角、知识与工具来重新审视当前工作。
许多人以为跨界需要深厚的跨学科背景，但有了 AI，实践跨度升维往往只需要极小的思维转变。Felix 举了一个他团队内部的真实案例：他的同事 Alex Albert 在设计个人主页时，直接调用 3D 渲染软件 Blender 为网页渲染出精美的室内空间场景——Felix 本人曾做过多年的游戏开发，但在看到 Alex 的成果之前，他也从未设想过可以用 Claude 来构建 3D 网页环境。
要解锁这种跨界魔法，有两个高标效的操作方法：
方法一：动词替换名词法（Replace nouns with verbs）
这是借鉴自 IDEO 创新经典著作《创新的艺术》（The Art of Innovation）的技巧。当你思考任务时，剥离那些固化的“名词”。
例如，不要将 QBR 描述为“一份汇报 PPT（名词）”，而是将其重新定义为：“在 30 分钟内，让忙碌的人相信一个关于因果关系的故事，并在不确定性中做出决策（动词组合）”。一旦转化为动词，叙事学、行为经济学、决策心理学等跨学科工具便能瞬间顺理成章地涌入进来。
方法二：组建虚拟大师团队（Assemble the Crew）
这就像经典盗劫电影（Heist Movie）在开场召集顶级黑客、爆破专家与伪装大师一样。为了打造一份完美且无懈可击的汇报，你可以让 AI 召集一个跨界专家团：引入数据分析师、调查记者与资深编辑来保证内容深度；引入动态与音频设计师来提升视觉呈现；甚至引入由做空研究员（Short Seller）和司法会计师（Forensic Accountant）组成的“红队”（Red Team）来专门寻找业务漏洞。
**⚠️ 关键警示：**千万不要让模型进行空洞的角色扮演（Role Play），这只会让对话变得怪异而无效。不要要求模型“像做空机构一样去写作”，而是要求模型“执行做空机构在研究仓位时所使用的具体研究方法和动作”。
5. 心理学真相：限制AI上限的，其实是人类的“自我效能感”
为什么我们明明拥有如此强大的 AI 模型，却依然难以展现出足够的野心？
认知心理学中有一个经典概念叫“自我效能感”（Self-efficacy）——即人们对自身能力的信念，直接决定了其最终能取得的成就。人类长期以来都被自己“认为可能的事”所牢牢限制。哪怕是米开朗基罗，最初也极力抗拒绘制西斯廷教堂的天花板，因为他给自己的定位只是个“雕塑家”，而不是画家。
幸运的是，心理学和历史经验表明，自我效能感是可以被“黑”（Hacked）掉的：
-
**目标设定效应（Locke & Latham 研究）：**心理学家 Locke 和 Latham 梳理了长达 35 年的目标设定研究，证实被赋予具体高难度目标的人，其表现远胜于那些仅被告知“尽力而为”的人。Stripe 创始人 Patrick Collison 建立的“Fast”清单，也记录了人类在面对极其苛刻的目标与期限时所爆发出的惊人潜能。
-
**因“相信可能”而解答难题：**1939 年，数学家乔治·丹齐格（George Dantzig）在上课迟到后，将黑板上的两道题误以为是课后作业抄了下来并成功解答——而那实际上是统计学领域长期未解的两大难题。他能解开，仅仅是因为他误以为这是“可以完成的作业”。
-
**通过“观察他人”打破认知壁垒：**几十年来，人类一直认为“4分钟跑完1英里”是肉体极限。直到 1954 年罗杰·班尼斯特（Roger Bannister）打破该纪录后，短短 46 天内便有人再次打破。今年 4 月的伦敦马拉松中，撒巴斯蒂安·绍埃（Sabastian Sawe）与同场亚军更是双双打破了马拉松“2小时”大关。
-
**给予自己“失败许可”：**Linux 在最初发布时，仅仅被描述为“只是个兴趣爱好，不会做大做专业（just a hobby, won't be big and professional like gnu）”；而商业畅销书《网球的内在游戏》（The Inner Game of Tennis）的核心观点更是指出：当你过于用力、极度害怕失败时，往往发挥不出最佳水平。
在技术每隔几周就发生一次剧烈飞跃的今天，限制我们的不再是工具的边界，而是我们贫瘠的自我效能感。
6. 结语：在模型快速进化时代，重新定义你的野心
通过在高度上提升抽象层级、在深度上逼迫模型使用顶级专业工具、在跨度上打破学科边界，我们可以有效黑掉自我效能感的枷锁，全面释放模型与自身的潜能。
在这个模型能力飞速演进的时代，技术本身已不再是瓶颈，人类最稀缺的资源，是敢于尝试“未曾设想之事”的勇气与野心。
在结束阅读后，不妨停下来审视一下你今天准备交给 AI 的下一个任务：如果将这个任务的野心提升 10 倍，它会变成什么样？
作者：道一云低代码
作者想说：喜欢本文请点点关注~
