如何更有野心：一份写给「手握模型的人类」的教程

「我们用 AI 时应该更有野心」已经成为 AI 从业者的口头禅——但具体怎么做？这篇教程给出了一套可操作的方法论：把野心拆成高度、深度、广度三个可练习的维度，并解释了为什么「自我效能感」在这个时代比任何时候都重要。

我在 Claude 团队工作。这是一份很有意思的体验：每天我都能了解到又一个由 Claude 完成或借助 Claude 完成的壮举，而那些是我从未考虑过、不认为可能、或者单纯缺乏好奇心和时间去尝试的。就在这个月，它可能帮助发现了一颗新行星；我看到了第一支我真心喜欢的 AI 音乐视频；我们还在一起讨论数学的新时代。

模型能力的增长并不均匀。用 Terence Tao 的话说，模型「在某些方向上令人震惊，在另一些方向上却不尽人意」。有些人成功驾驭了那些惊人的能力，看起来像在飞——看着别人用我参与构建的产品达到不可思议的高度，是会上瘾的。而更多的人还在挣扎着让他们的新翅膀发挥作用，想不明白它除了回答「法国的首都是哪里」或「帮我把这封邮件写得没那么生气」之外还能干什么。

我经常（和其他 AI 从业者一起）宣称：我们用 AI 时应该更有野心。这已经成了一句口号。每当我们看到什么了不起的成果，就转发并配上「我们还不够野心勃勃」。

我理解这句建议有多难落地，所以这里有一份「如何更有野心」的教程。

野心的四个维度

我把野心分成四种类型：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。

我主要用 Claude（废话），但这套建议不限于任何特定模型。

高度 Altitude：目标之外的目标

我们常随口把这叫「让模型在更高 abstraction 上运作」。当你给模型一个任务，它执行的是你对「如何得到想要的结果」的最佳猜测。要在高度上更有野心，问自己——你真正想发生的下一件事是什么？目标之外的目标是什么？去年初，我还只是让 Claude 帮我修一个个崩溃；后来我直接让 Claude 让我们的应用保持零崩溃。

来看一个日常（甚至可以说平庸？）的办公任务。你在虚构公司 Acme Inc 负责 Quarterly Business Review（QBR，季度经营回顾）的汇报材料。给它一堆数据，Claude 会高高兴兴给你做几页幻灯片。也许你还有个模板，它填空就行。

这跟发现新行星显然没法比，所以我们一步步把做法升级，每一步都比上一步更有野心一点：

1. 大多数季度回顾想知道的是：这季度有什么变化、为什么、该做什么。忍住只更新模板里数字的冲动——把你手上所有数据都喂给模型，让它理解你的业务：「告诉我这季度发生了什么变化、为什么，以及我们应该怎么办。」
2. （好的）会议 Ideally 应该以决策收尾。让 Claude：「基于你了解到的所有信息，找出最紧迫的三个决策，并为每个方向准备正反方论证，开始着手推进。」
3. QBR 是一个好回顾需要人类仔细翻数据、弄清数据含义、判断业务是否要调整的年代产物。让 Claude：「这个回顾存在的意义，是让管理层尽早发现问题、把钱和人挪到正确的地方。设计一个比季度幻灯片更好的方式，用我们自己的历史数据证明它能更早发现问题，然后和现行方式并行跑一个季度。」

高度打法最适合你真的追求某个终极结果的场景，对创作类工作效果较差。一个简单的判断信号：如果你做的东西之后要开会讨论，那在高度上发力多半是对的。当然存在边界（2026 年，「Claude，去赚钱」对大多数企业似乎还不奏效），但我总体观察是：模型越强，能驾驭的 abstraction 层级越高。

高度也是人们找到「持久工作流」的地方——把人从循环里拿出来，不再需要不停给模型派一个又一个任务。做好这件事往往需要改造工作流：为了让 Claude 能保证我们的应用零崩溃，我得先让它能方便地拉取崩溃报告、知道哪个应用版本对应哪个 git commit，还要给它 Windows、macOS 和 Linux 机器，让它能真正独立复现并验证修复。

深度 Depth：逼模型动用专家的真家伙

有时候你就是想把一个任务执行到极致。在深度上有野心，意味着推动模型使用该领域最顶尖的专业人士所用的工具、技巧、媒介和知识——并且持续施压，直到连那些专家都可能从你的工作里学到新东西。

继续 Acme 的 QBR 例子。假设 Acme 存在用户流失（churn）问题。我常用这些技巧的组合：

坚持使用行业顶尖者的同一套家伙

你让模型「像个专业人士一样」，它往往只是换了套词汇，方法没换。要在深度上做文章，就得用最好的数据科学家和统计学家用的工具。当 Claude 伸手去拿 markdown 表格时，坚持要它用数据库和统计模型。你不必知道专家用什么——Claude 通常知道。

定下不讲理的目标，并告诉模型这很合理

网站加载要从 10 秒降到 5 秒？直接要 200ms。模型觉得不可能？重申这完全可解，让它继续。

挑战你自己相信的东西

尤其在商业场景，我们信以为真的很多东西只是对现实的大致近似。把原始信息交给模型，让它用对抗的方式检验假设：「我们相信流失是 onboarding 的问题。从原始数据出发，试着复现这个结论。」

产出新知识

这一条很容易接在上一条后面——Claude 已经深入数据之后，让它找盲区：「基于我们的日志构建一个客户行为的仿真，重现过去一年。然后找出我们尚不知道的、最早的流失信号，并证明它在没见过的数据上也能预测。」

引入外部裁判

不要让模型自己给自己打分。我假设随着模型智力的提升这个问题终会解决，但在 2026 年 10 月，我恳请你坚持外部验证——理想是一个模型可以运行并立即获得反馈的工具。

广度 Range：把名词换成动词，组一个团队

简言之，在广度上有野心，就是从多个领域的视角审视你的工作——比过去经济上可行的领域数量多得多。这算不上什么独家洞见：每一部盗窃电影都会花前 30 分钟组建一支人才多元的队伍。随着 AI 产品让多智能体系统（多线程、编排器或子 agent）越来越容易跑起来，我催促 Claude 引入额外领域后，见过一些非常有趣的结果。

把它落地并不容易，需要你发挥创造力。直到看见同事 Alex Albert 用 Blender 渲染室内设计，我从没想过用 Claude 为我的主页做 3D 环境——尽管我以前还做过电子游戏！不过，这恰恰是我看到最多魔法发生的地方。具体技巧：

把名词换成动词

这是 Tom Kelley 和 Jonathan Littman《创新的艺术》里的老技巧。季度回顾不是「一份幻灯片」，而是「让忙碌的人在 30 分钟内相信一个关于因果的故事，并在不确定中做出决策」。有了动词，我和 Claude 都更容易想到哪些领域能带来独特而有用的视角。

组建队伍

这份幻灯片必须惊艳，否则外星人会炸掉地球。人类会组建一支什么队伍？要制作质量，我会带上一个分析师、一个记者、一个编辑；如果要上台讲，可能还得有动效和音频设计师；再配一支对抗性的「红队」也不错——所以再请一个做空者和一个法务会计师。

注意别不小心滑向角色扮演——那只会让对话记录变得诡异，实际结果并没变好。用这个方法去寻找领域和技巧：不是让模型「像做空者那样写作」，而是让它去做做空者研究自己的仓位时会做的事。

以上所有维度都要求模型有一台能装软件的计算机，并能访问各种相关数据（通过 MCP 连接器或其他手段）。 Plenty of 工具都能做到，建议你用一个。

我们曾经来过这里

以上就是「更有野心」的具体建议。如果你愿意再多读一分钟，我想讲讲为什么我认为这件事从一开始就是必要的。

我们人类一直被「自己认为可能的事」限制着——更糟的是，我们通常只在非常窄的学科里信任自己。米开朗基罗 famously 不想画西斯廷礼拜堂——你瞧，他是雕塑家，不是画家。

研究野心问题的过程中，我了解到心理学对此有个名字：自我效能感（self-efficacy）。简言之，自我效能感高的人更相信自己的能力，也确实因此做成更多的事。有证据表明自我效能感是可以被 hack 的：Locke 和 Latham 梳理了 35 年的目标设定研究后笃定宣布——拿到具体困难目标的人，比只被要求「尽最大努力」的人表现更好。Stripe 创始人 Patrick Collison 维护着一份 「Fast」清单，记录人类在同时拿到大胆目标和紧迫 deadline 时完成的那些事。一些有充分记录的 hack：

• 相信一件事可能，从而做成它：1939 年，George Dantzig 上 Berkeley 的统计课迟到了，把黑板上的两道题抄下来当作业交了。那其实是统计学上两个悬而未决的难题。
• 看到别人做到，然后自己也做到：人类追逐四分钟一英里几十年。Roger Bannister 1954 年 5 月打破它之后，仅仅 46 天内就不再是唯一做到的人。如果你关注跑步，两小时马拉松正在上演类似剧情：Sabastian Sawe 今年四月在伦敦跑出首个官方破二，同场比赛的亚军也破了。
• 允许自己失败，从而做成难事：显然现在人手一本的商业书是《网球的内心游戏》（The Inner Game of Tennis），我上周才发现它。它的核心论点是：如果你非常非常用力，你反而打不出最好的网球。我们工程师大概记得 Linux 发布时的自述——「just a hobby，不会像 gnu 那样又大又专业」。

自我效能感不是新问题，但如今它是更强的问题。在一个能力每隔几周就跃升一次的世界里，我们需要一些技巧，让我们能做成那些自己原本没认真考虑过、或不相信可能的事。如果你发现更多能让人更有野心的技巧，请告诉我！

本文题图：Francisco Goya，《Modo de volar》（飞行的方式）