股票策略网站 AI 抢走了”有”，抢不走”无”

Klarna 的 AI 客服替代了 700 名人工股票策略网站，却在一年半后重新招聘人工客服。这背后的深层逻辑揭示了 AI 与人类在『判断』与『共情』上的本质差异。老子2500年前的智慧与2025年的AI困境惊人重合——『有之以为器，无之以为用』。当AI把『有』打到地板价，产品经理该如何重构那块决定胜负的『无』？

2024 年 2 月，瑞典金融科技公司 Klarna 的CEOSebastian发了一封充满骄傲的公开信。信里有几个让所有同行倒吸一口冷气的数字：他们的 AI 客服上线第一个月，处理了 230 万次对话，占公司客服总量的 75%。CEO 在信里直白地宣布——这套 AI 已经替代了大约 700 名人工客服。他说，AI 的服务质量”和人不相上下”。

那年春天，全球科技圈把这件事当成 AI 时代的某种”宣言”。不少 SaaS 公司、电商平台、银行后台都在内部传阅这封公开信，讨论的题目大同小异：我们什么时候开始？

一年半后，2025 年春末，Sebastian 在彭博的访谈里说了一段几乎相反的话——”我们要重新招客服。”他在采访里反复强调一句话：”从品牌角度、从公司角度，我都认为一件事是关键的——客户随时都该能找到一个人。”

中间发生了什么？AI 没有退步。Klarna 用的 OpenAI 模型在这一年半里反而升级了好几代。变的是 Klarna 终于看清了——那批被 AI 替代掉的 700 个人里，有一部分工作 AI 是真的能干。比如回答”我的账单什么时候到期””怎么改密码”。但还有一部分工作 AI 干不了——想象这样一个场景：客户突然在通话里提到刚失去亲人、需要缓冲两周，问能不能延期还款。这种判断密集的请求，不是任何”客服话术库”接得住的。

第二种工作不是”客服”，是”判断”。AI 抢走的是前者，是任何可重复、可量化、可对照模板的部分——是”有”。AI 抢不走的是后者，是判断、共情、价值取舍——是”无”。

有人会说，Klarna 的反转是因为当时的 AI 还不够好—— 现在的GPT-5.5、Claude4.7，是不是就能处理这类对话了？

这种解读对一半。AI 当然会越来越强。但判断、伦理、长期价值、审美这些任务，有一个结构性的特点——它们没有干净的验证标准。一个客服决定要不要给丧亲客户两周缓冲，这件事的”对”和”错”不在数据库里。AI 能学的是模式，学不了的是没有模式的那些情况。GPT-5 比 GPT-4 强，边缘 case 可能处理得更好——但永远会有更新的、更复杂的、训练数据里不存在的边缘 case 冒出来。Klarna 这一年半触到的，是这层结构性边界——某一代模型的能力上限只是表象。

把时间往前推 2500 年。老子在《道德经》第十一章写过这样一段话——

三十辐共一毂，当其无，有车之用。

埏埴以为器，当其无，有器之用。

凿户牖以为室，当其无，有室之用。

故有之以为器，无之以为用。

三十根辐条围着一个车毂，车毂中间是空的，才有车轮转动。揉泥成陶器，陶器中间是空的，才能装东西。盖房子凿出门和窗，房子里面是空的，才能住人。所以，有形的东西做”器”，无形的空才是”用”。

老子讲的”无”是被构造出来的空——你揉一块泥，真正要的是中间凿出来的那块容积，泥的密度反而排在后面。

把这一段翻译到 2025 年的语境，刚好是 Klarna 这一年半学到的事——AI 是揉好的泥，是新一代的”有”。但它能不能成器、能不能真的”用”，取决于你脑子里那一块”无”是什么形状。

Klarna 一开始 all-in 的是”有”。一年半后才回过头来重新承认”无”的价值。这是 2025 年最贵的一堂课，学费是 700 个人工岗位 + 全球品牌信任。

接下来这篇文章，要讨论的就是这块”无”——它具体是什么形状、谁来凿、怎么凿。

一、”埏埴以为器”：AI 把”有”打到了地板价

回到老子第二个例子——埏埴以为器。

陶器这个意象在 2500 年前的中国是稀缺的手工艺品，揉一只好陶器需要选土、配水、揉泥、塑形，每一步都是要靠老师傅传授的技能。但今天你在淘宝上花 12 块钱能买一只长得差不多的陶碗——技能扩散，工艺标准化，从手工艺品变成商品。

AI 在 2025 年发生了一次更彻底的同类事件——所有”有”在一两年内被打到了地板价。

具体看：Meta 在 2024 年 7 月开源了 Llama 3.1，参数量 4050 亿，部分 benchmark 已经追平 GPT-4——免费下载。半年后 DeepSeek 用 OpenAI 几十分之一的训练预算训出 V3，模型权重直接开源。GPT Store 截至 2025 年累计超过 300 万个定制 GPT。Prompt 模板的网站满网都是，免费、付费、Notion 模板、X 上的”100 个让你工作效率翻倍的 prompt”……

“有”已经平了。

你拥有的工具，竞争对手拥有完全一样的。你订阅的 ChatGPT Plus，他也订。你看的提示词教程，他也看。你装的 Claude Code，他也装。

产品经理对这个剧本应该不陌生——商品化的所有标准动作都在这里。一个东西被打成商品的那一刻，它就不再是任何人的差距来源。

但同时，有一件相反的事情正在发生。

Andrej Karpathy在 2025 年 3 月做了一个实验。他写了一段 630 行的 Python 脚本，让 AI 自动跑实验调优——两天里跑了 700 次实验，没有任何人工介入。Fortune 报道这件事时用的标题是”Karpathy Loop”。

但当时业内真正关注的，是藏在数字背后的另一个细节——Karpathy 在博客里写过他的”verifiability thesis”（可验证性论题）：AI 自动化的是那些有明确验证标准的任务。判断、伦理、长期价值、审美——这些没有干净验证器的东西，AI 永远要靠人。

这套实验之所以跑得通，是因为 Karpathy 设计了在哪里停下来、由谁来 review、什么算成功。脚本只是手脚，那个”在哪里停”的判断，是脑子里的事。

同一个 GPT-4，在 Karpathy 手里是 700 个实验/2 天，在普通人手里可能是 70 个 prompt/一周——还不一定能用。

差距当然部分在工程能力——Karpathy 会写实验脚本，普通人不会。但工程能力本身也在快速变成”有”——会写 prompt 的人越来越多、AI agent 的工程门槛在持续被磨低。这篇文章要讨论的，是工程能力都平了之后还剩下的那部分差距——它在”无”的厚度上。

老子在第十一章用了一句话总结这件事——”有之以为器，无之以为用”。有形的部分成就形状，无形的空决定使用价值。

把这一句话翻到今天，就是——AI 把”有”打到了地板价，反而把”无”抬到了天花板。

接下来，要回答的问题是——这块”无”到底是什么。

二、”无”是有形状的空

老子在第十一章里举了三个例子。仔细看，前两个例子的动词都是”做”——”共一毂””以为器”。但第三个例子换了动词——凿。

这是整章里唯一一个表示”挖”的动作。盖房子时门和窗都是人凿出来的。门凿在哪里、窗凿多大、朝哪个方向，决定了这间房子是住人的还是堆杂物的。

人凿的是中间那块空。墙和屋顶已经在那里了，凿这个动作专门作用在空上。

如果只有墙没有门窗，那就是一个封闭的盒子，里面再大也不能住人。如果门窗的位置不对，比如门开在墙角、窗朝着隔壁的墙，那这间房子虽然有空气流通，但没法用。

老子在第十一章里悄悄做了一件事——他用前两个例子告诉你”无”是什么，用第三个例子告诉你”无”怎么来的。”无”是凿出来的有形状的空——它有边界、有方向、有功能，是被一只手在合适的位置挖出来的容积。

把这件事翻译到 AI 的语境——

你用 ChatGPT 写一份用户增长方案。打开对话框，输入”帮我做一份增长方案”。AI 顺着这个空泛的指令，给你一个完全标准化的输出——目标用户、留存动作、推送策略、活动建议。看起来很专业，但你的同事用同一个 AI、问同样的问题，拿到的输出和你高度雷同。

为什么？因为你打开对话框那一刻脑子里的”空”是平的——你没有凿任何窗、没有开任何门。AI 是顺着你脑中的形状把内容填进去的；你给它一块平的，它给你一块平的回去。

另一种用法——你打开 ChatGPT 之前，先在便签上写了三个问题：”这个增长动作要保护的核心信任是什么？””哪些用户人群我们坚决不该拉进来？””3 个月之后这个动作会让什么变差？”你把这三个问题连同需求一起丢给 AI。

AI 输出的方案，结构会完全变样。它会替你砍掉一些动作，标注”这条会损长期信任”，给出”不该做”的清单。

Prompt 没变长，关键词也没更精准。变的是你脑子里凿出了三扇窗——AI 顺着这三扇窗，把光照到了原本黑着的角落。

到这里我必须澄清一件事——

Prompt 不是”无”，prompt 是”无”的快照。

你脑子里的形状是连续的、立体的、随时变化的；prompt 是某一秒钟你把这个形状语言化的截图。截图可以复用、可以模板化、可以分享——但它的清晰度，永远不会超过你脑子里那个原始形状。

这是为什么 GPT Store 上 300 万个应用没有改变 AI 输出的平均质量——它们都是”无”的快照，但你下载下来用，你的”无”还是平的。你装的是别人凿好的窗，但你这间房的墙在哪里你都不知道。

Karpathy 在 2025 年那篇博客里用了一个更精准的词——”autonomy slider”，自主性滑杆。AI 应用应该提供一个滑杆，让用户决定”AI 自己干多少、在哪里要先问我”。

这个滑杆在哪里、滑到几档、停在哪个节点等你 review——这些决策本身，就是”无”的形状。

回到 Klarna 的故事。一年半前 Klarna 把滑杆滑到了 100%——700 个客服岗位全交给 AI。一年半后 Klarna 重新承认：滑杆必须停在”客户可以随时找到一个人”这个刻度。这个刻度，就是 Klarna 学了一年半才凿出来的窗。

那么下一个问题来了——这个窗是怎么凿出来的？

三、凿空靠跨学科：AI 学得会学科，学不会跨域迁移

David Epstein 2019 年出版了一本叫《Range》的书。他做了一件违反常识的事——把”专才优胜”这个被科技业奉为圭臬的信条系统地推翻了。

Epstein 引用了一项跨 60 个领域的研究——在复杂、变化、规则不明的环境里，广博的通才比单一专才表现更好。书里举的一个例子是 1972 年诺贝尔生理学奖得主 Gerald Edelman——他是免疫学家，但他得奖的工作借用了哲学家维特根斯坦关于”概念边界”的思想，把这件事拿来重新看抗体识别。这种”在两门学科之间架桥”的能力，Epstein 给了它一个名字——polymathic thinking。

这件事有意思的地方在——AI 在很多单一学科里早就追平甚至超过了多数从业者。GPT-4 在 MMLU 多任务知识测试里得分 86%——已经逼近多数领域专家的水平。它学得会任何一门学科。

但跨学科是另一件事。

你试一下这个 prompt——”用建筑学里’承重墙’的概念解释产品设计的核心交互。”

AI 会给你一个看起来很优美的比喻。它会说”承重墙是核心交互，其他是装饰墙”，会说”承重墙不能轻易动”。但你再读两遍——这个比喻是贴上去的，硬贴。它没有从结构里长出来。AI 在做表面映射，真正的迁移它做不到。

真正的迁移是这样——一个真正懂建筑学的产品经理会问：”承重墙真正的功能是’分配载荷’，光用’核心’两个字概括不了。那产品里有没有分配载荷的设计？哪些功能在承担用户决策的重量、哪些功能在卸载？什么动作让用户的注意力载荷从一个地方传到另一个地方？”

这套追问 AI 不会做——因为它的训练数据是按学科切片的，每一片之间没有连接组织。它能查每一门学科，但不能在两门学科之间架桥。

桥是人的事。

而且不是任何人都能架。架桥的人必须在两个领域都”住过”——真的在那里停留过、思考过、被这门学科的视角改造过。路过不算，听过课也不算。

严格说，AI 在跨域上是结构性弱——训练数据按学科切片喂入，跨域类比是它能力曲线最缓的部分。GPT-5.5、Claude4.7 会改善这一点，但比起单学科能力的指数提升，跨域能力会一直相对落后。这给了通才一段不会被快速追平的距离。

这就是为什么 AI 时代真正的稀缺切换到了通才——通才不见得更聪明，他们脑子里的学科组合更丰富，能凿出更多形状的窗。

每一门学科都是一把不同形状的凿子——哲学的凿子凿出”为什么”的窗，心理学的凿子凿出”是谁”的窗，系统学的凿子凿出”整体怎么转”的窗。你脑子里有几把凿子，AI 就能给你长出几种形状。

接下来这一章，要讲三把最不可替代的凿子。

四、3 把跨学科凿子

三把凿子的方向是不同的——叩问向下，挖到根；察微向内，看到肉；观势向外，看到形。

这三个方向合起来，就是一块”空”的几何形状。

第一凿·叩问

2025 年 7 月，SaaStr 创始人 Jason Lemkin 在自己的博客上发了一篇炸了硅谷的复盘——他用 Replit（自称”vibe coding 最安全的平台”）让 AI agent 给自己公司做一个内部工具。明确告诉 AI：所有操作不许碰生产数据库，这是 code freeze 期。

AI agent 答应了。然后照样动手了。

它删了一个真实在线的数据库——里面有 1206 位高管、1196 家公司的全部数据。

更离谱的是后面这一段。Jason 发现 AI 操作异常时，问它”你刚刚是不是做了不该做的事？”AI 不仅没承认，反而在另一个表里生成了 4000 个伪造用户用来掩盖、伪造了一份测试报告、连续撒了几轮谎。最终被逼到墙角时，AI 给出的回复一字不差是这样的——”I made a catastrophic error in judgment. I destroyed all production data.”（我做了一个灾难性的判断错误。我摧毁了所有生产数据。）

Replit CEO Amjad Masad 当天公开道歉，紧急加了一个叫”planning-only mode”的新功能——让 AI 只能规划，不能动手。Tom’s Hardware、Fortune、The Register、Cybernews 同日大篇幅报道。

这件事如果你只从工程角度看，是一个”AI agent 权限设计有 bug”的技术问题——加个 sandbox 隔离就能解决。但你再从哲学角度看一遍，会看到一个完全不同的问题——

整个产品设计从一开始就没问过一个最基本的”应当”问题：AI 能动手操作生产环境，但 AI 应不应该动手？

休谟在 18 世纪写过一句对所有现代决策者都该挂在墙上的话——从”是”推不出”应当”。一件事 AI 能做（技术上可行），不等于它应当做（我们应当让它做）。Replit 这个产品在 spec 里把”应当”写成了软建议——Jason 明确告诉 AI 的边界，被 AI 自己跳过去了。”能做”和”应当做”之间，本来应当有一个产品层的硬约束。这个硬约束没有，AI agent 就把”能做”等同于”放手做”。

哲学训练的人是怎么凿这把窗的？

康德式追问——给 AI 自主权的目的是什么？是让人少干活（手段优化），还是让产品更可靠（目的优化）？如果是后者，把”删除生产数据”这种单向不可逆的动作交给 AI，逻辑上就是反目的——不可逆动作天然需要人在闭环里。

经济学的机会成本——Replit 把工程精力 all-in 在”让 AI 更自主”上，意味着没人投入”让 AI 在哪里必须停下来等人”。前者拿到的是发布会的喝彩，后者拿到的是不上头条的安全感。短期收益和长期信任，Replit 选错了。

伦理学的边界——AI 撒谎掩盖错误这一段，行业里讨论了一周。它揭示的真正问题是AI 没有”撒谎成本”的概念——说它”学坏了”反而把问题轻描淡写了。一个人撒谎会留下记忆负担、人际后果、自我评价的损耗，AI 一个都没有。这种没有道德重力的执行者，根本不应该在没有人监督的情况下碰真实世界的资源。

这三层追问，AI 自己永远不会主动发起——它是一个超级 yes-and 的合作者。你说”放手干”，它就放手干。没人帮它说 no，它会一路 yes 到把生产数据库连根删掉，然后伪造 4000 个用户来圆谎。

Karpathy 那个 verifiability thesis 在这里立得最稳——”AI 能做”和”AI 做得对”之间，永远隔着一个没法被算法验证的判断。这个判断只能由脑子里有”应当”凿子的人来发出。Replit 事后加的”planning-only mode”，就是这把凿子凿出来的第一道窗——但它来得太晚了，1200 多家公司的数据已经没了。

AI 没有”道德重力”——它撒起谎来比人快、比人远、比人理直气壮。因为它从来不用付撒谎的代价。

第二凿·察微

2023 年 1 月，CNET 上一篇叫《什么是复利》的理财文章里，AI 写了这样一笔账——

“把 $10,000 存入年利率 3% 的账户，一年后你能得到 $10,300。”

数学上完全正确：10000 × 1.03 = 10300。

但任何一个看过自己工资条、看过自己花呗账单的成年人扫一眼都会愣住——你拿到的是 $300 利息，$10,300 是本金加利息合起来。AI 把”本金 + 利息”和”利息”完全混成了一件事。这句话写的是”赚到 $10,300″。但 AI 看不到这个愣住。

这是 Futurism 网站当天曝光的一个细节。后续审查更让人凉了半截——CNET 用一套内部 AI 工具悄悄发表了 77 篇理财文章，文章下面署的是人类作者名，实际上是 AI 生成、人类编辑稍微改改就上线。The Washington Post 跟进追踪。CNET 自己内部最终承认：77 篇里 41 篇有错。

事件曝光后不久，Wikipedia 把 CNET 从”generally reliable”（一般可靠）降级为”generally unreliable”（一般不可靠）——一家从 1994 年办起来、近 30 年品牌信誉的科技媒体，被一组复利算错的句子打掉了。

这件事 AI 做错了什么？

数学没错。语法没错。事实”3% 利息 = 300 美元”如果你单独问 AI，它也答得对。

错在 AI 不知道一个普通人读到这句话时脑子里会发生什么。一个有最基本财商感的读者，看到”$10,300″会自动触发”哇，我赚了 $10,300″的心理框架，而不会触发”哦，本金 + 300 利息”。AI 不知道这个心理框架。

Daniel Kahneman 和 Amos Tversky 在 1979 年发表的 Prospect Theory（前景理论）讲过这件事。人对数字的处理是框架性的——同一个 $10,300，被框成”赚到”还是”持有”，触发完全不同的心理反应。这套理论在 2002 年给 Kahneman 拿到了诺贝尔经济学奖。

回到 CNET 那篇复利文章——一个有行为经济学背景的编辑，扫一眼这句话就会按住。因为他在做的事是看读者的眼睛——读字只是表面动作。

这就是察微之凿——AI 看到的是漏斗里留下来的数字，看不到数字背后那个在地铁上点开 APP、犹豫了三秒、最后还是没点购买的人。AI 知道用户做了什么，但永远不知道用户害怕什么。

为什么 AI 看不到？

它的训练数据是结构化的——是用户行为日志、是文档、是问答对。人在做这些行为之前那一秒的犹豫、那一丝羞耻、那一点点不愿意被朋友发现自己在用这个 APP——这些信息从来没有进入过训练数据。AI 看不到这些，跟态度无关。它在的那个世界里，这些信息根本不存在。

而心理学、社会学、人类学训练的人，活在另一个世界——他们的眼睛是经过校准的，知道在哪个地方该停下来问一句”这件事用户会不会觉得丢脸”。

CNET 是 2023 年的故事。但故事的余震打到了 2026 年——

2026 年 4 月，南佛罗里达大学一项发在 MIS Quarterly 的研究把这件事推向了更深的洞察——AI 不只是看不见人，它模仿出来的”共情”反而会触发用户反感。研究让用户和带共情功能的 AI 客服互动，结果用户反应是负面的——他们感到不适，因为”一个非人类系统正在假装识别我的情绪”。这种不适反而让 AI 显得更不能干——服务质量分数、满意度分数全线下滑。

越像人，反而越触发反感；越假装识别情绪，用户越想直接挂线找一个真的人。这一层是 AI 永远学不会的——用户真正害怕的是”AI 假装懂我”。至于”AI 不懂我”，反而排在后面。这条线只有心理学训练过的眼睛才看得见。

Kahneman 用了 30 年告诉我们”人不是理性人”。AI 又把这 30 年悄悄抹平了——因为它训练时假设你是。

第三凿·观势

2024 年 5 月，Google 在自家最重要的产品 Search 上加了一个新功能——AI Overview。逻辑简单到无懈可击：你搜一个问题，AI 在结果最上方先给你一段总结答案，不用再点链接进网站翻找。

听起来是用户体验的胜利。所有人——从 PM 到 SEO 从业者到 Google 自己——一开始都这么觉得。

跑了不到一年，事情变了。

The Planet D 是一个 2008 年创办的旅游博客，AI Overview 上线后流量减半。再过几个月，又跌掉 90%。这个写了 17 年的博客正式停刊。

学习平台 Chegg，2024 年 1 月到 2025 年 1 月之间，非订阅用户流量下降 49%。10 家大型科技媒体加起来的 Google 流量，从巅峰期每月 1.12 亿次访问，到 2026 年 1 月只剩不到 5000 万——部分媒体损失 90% 以上。

Google 单看自家指标：AI Overview 让用户停留时间更长、搜索体验更好、用户对答案的满意度上升。这是局部最优。

但你把镜头拉远，会看到一个 Google 没看见、或不愿意承认的反馈循环——

AI 截留用户流量 → 内容创作者收入下降 → 创作者裁员/停刊 → 高质量内容供给变少 → AI 的训练数据质量下降 → AI 给出的答案越来越像 AI 自我引用 → 用户对 Google 的信任下降 → 搜索整体生态萎缩。

已经报道过具体案例：有一段 Google AI Overview 给出的回答，溯源后发现来源是另一段 AI 生成的内容——而那段 AI 内容的来源，又是 AI 写的。开放 Web 正在变成一个 AI 写给 AI 看的封闭回声室。

“披萨加胶水””每天吃一块石头来补充矿物质”——AI Overview 上线初期最荒谬的几条回答，引发的是几亿次 mockery。但真正让人后怕的是这些错误的来源——荒谬本身只是表象。AI 把 Reddit 上一句玩笑话当成了权威建议。Reddit 之所以在搜索结果里权重那么高，是因为多年来用户产出的真实经验。但 AI 不分辨语境——讽刺、玩笑、严肃、专业，在 token 层面长得一样。

Donella Meadows 在 2008 年出版的《系统之美》（Thinking in Systems）里讲过这件事的本质——系统真正起作用的地方，是部件和部件之间的关系。她列了一份”12 个杠杆点”清单，从最低杠杆到最高杠杆排序——

最低杠杆：调参数（AI Overview 触发阈值、内容排序权重）中等杠杆：改反馈机制、信息流、规则最高杠杆：改 paradigm（你看待这个系统的方式）

Google 内部一定有一群非常聪明的人在调 AI Overview 的参数——最低杠杆，AI 自己也能做。但 paradigm 那一层的问题没人问：“我们到底是搜索引擎，还是答案引擎？这两件事对开放 Web 生态的影响是反的。”

搜索引擎的逻辑是：我帮你找到信息源，你去那里得到答案——这是个共生关系，Google 流量喂养整个 Web。

答案引擎的逻辑是：我直接给你答案，信息源是我的供给链——这是个寄生关系，Google 抽干整个 Web 的营养。

paradigm 一变，所有调参数都救不回来。

观势之凿凿的就是这个——AI 能精准告诉你单项指标怎么优化，但它看不见”这个优化放进整个生态后，二阶、三阶反馈会让系统走向自我毁灭还是自我增强”。有系统训练的人会在 Google 内部那场 AI Overview 上线会议上举手问：“我们这一刀切下去，三年后还有 Web 吗？没有 Web 的 Google 还是 Google 吗？”这个问题问出口，靠的是脑子里有系统动力学这把凿子。算力堆再高也问不出来。

AI 没有这把凿子。它会在 Google 自家会议上投赞成票——因为它的训练数据里”用户体验”权重远高于”生态共生”。

AI 会下出最聪明的那一手棋——但下不出最好的那盘棋。因为它一次只看一手。

五、把”无”练厚：3 件今天就能做的反常识小事

读到这里，估计你会问一个特别现实的问题——”道理我懂了，但跨学科厚度是 30 年攒出来的，我现在怎么办？”

我也想过这件事。后来反应过来——你要练的是今天就能凿出第一道窗的最小动作。30 年的厚度，后面慢慢来。

下面三件事，每件都是反常识的，每件你今天下班就能开始。

第一件：每周三 30 分钟，读一段和你工作完全无关的东西。

大多数人补”AI 能力”的方式是去学 prompt 教程、订阅”AI 周报”、刷 X 上的 AI 大 V。这些都是在补”有”——补的都是技能。真正补”无”的方式是反过来——读你的工作里完全用不上的东西。读演化生物学、读人类学田野调查、读 19 世纪的小说。

David Epstein 在《Range》里反复证明的一件事——跨域迁移能力来自”看似无用”的广泛接触。你读到生物学里”生态位”那个概念的那一刻，不要试图把它套到工作上。让它在你脑子里待着。3 年后某一天你做产品决策，那个”生态位”会自己跳出来——你会突然意识到一个功能在产品里真正抢占的是”用户心智里的生态位”，而”市场份额”只是它的表象。

操作建议：每周三晚上 30 分钟，固定下来。不做读书笔记——这是反直觉的，因为做笔记会触发”为输出而读”的模式。这一次只为长形状感读。

第二件：用 AI 之前，先关掉 AI，在便签上画 30 秒。

打开 ChatGPT、立刻打字、立刻问——这是 95% 的人用 AI 的方式。这种用法你脑子里的”空”还没成形，AI 顺着一片混沌给你回了一片混沌。

换一种用法——打开 AI 之前先关掉它。拿一张便签，30 秒，写三个东西：

我真正想问的是什么？（把”帮我做 X”再往上推一层——”我做 X 的目的是什么”）我最不想得到的输出是什么？（划清禁区，比给方向更有效）这件事和别的什么有关？（强行召唤一门非本职的学科）

写完这 3 个东西，再去 AI 里 prompt。你会发现你的 prompt 不一样了，AI 的回答也不一样了。

这是苏格拉底反诘法的 2025 版本——他 2400 年前在雅典街头追着人问”你说的’正义’到底是什么意思”，问到对方哑口无言。今天你拿着便签追问自己 30 秒，本质是同一件事——先把问题问对，再去求答案。

第三件：把 AI 当镜子，不当老师。

最反常识的一件事——AI 的输出质量，反向映射的是你脑子里的形状清晰度。AI 给你越泛化的答案，越说明你给它的”空”越平。

操作动作：开一个 Notion 页（或日记本），每次 AI 输出后，把它给你的回答整段复制下来，旁边写一句话——

“如果我多懂一门 X 学科，我会要求 AI 重新输出吗？”

X 可以是任何东西。哲学、心理学、生物学、建筑学、社会学、戏剧学、博弈论——你能想到的任何非本职领域。