更有野心地使用 AI

引言：我们可能低估了 AI，也低估了自己

2026 年 10 月 13 日，Anthropic 工程经理 Felix Rieseberg 在个人博客发表了一篇文章：《How to be more ambitious: A tutorial for humans with models》，中文可译为《如何更有野心：一份写给与 AI 模型协作的人类的实践指南》。

Felix 曾负责 Claude.ai、Cowork 和 Claude Code Desktop 的工程开发工作。作为直接参与 AI 产品建设的人，他每天都能接触到大量令人意外的使用案例：AI 协助科学研究、参与数学探索、创作音乐视频，以及完成许多过去难以想象的复杂任务。

但他也观察到一个明显的反差。

一些人已经能够借助 AI 实现过去难以企及的目标，另一些人却仍然主要用它回答简单问题、润色邮件、整理资料，或者完成一些重复性工作。

这并不完全是技术能力的差异，更深层的原因可能在于：人们对 AI 能够完成什么，以及自己能够借助 AI 做到什么，仍然存在认知上的局限。

Felix 经常和其他 AI 从业者一起呼吁，人们应该更有野心地使用 AI。然而，“更有野心”很容易成为一句空泛的口号。具体应该怎样提高目标？怎样改变工作方法？又怎样判断一项大胆的尝试是否真正有效？

这篇文章正是对这些问题的回应。

Felix 将使用 AI 的野心划分为四个维度：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。

这四个维度构成了一套相当实用的思考框架。它们所改变的，不仅是我们向 AI 提问的方式，还包括目标设定、专业实践、跨领域协作，以及人与技术之间的分工关系。

一、速度：提高效率只是起点

速度是最容易理解、也最先被广泛接受的 AI 价值。

过去需要几个小时完成的工作，现在可能只需要几分钟；过去需要手工编写的代码、整理的资料、制作的报表，都可以借助 AI 大幅缩短时间。

它的核心逻辑非常直接：用更少的时间完成同样的工作。

这也是当前 AI 最普遍的应用模式。无论是写代码、处理文档、搜索信息还是生成内容，人们首先想到的往往是怎样提高效率。

但 Felix 并没有在这一部分展开太多讨论，因为他认为，这种价值已经相当明确，也不需要特别有创造性的使用思路。

真正值得讨论的问题是：

当一项工作已经能够被 AI 更快地完成，我们是否还应该继续按照原来的方式工作？

如果 AI 只是让原有流程运行得更快，那么工作效率提高了，但工作本身的目标、边界和组织方式可能并没有发生变化。

因此，速度虽然是 AI 应用的基础，却远远不是它的能力上限。

二、高度：从完成任务，转向实现目标

这是全文最重要的观点之一。

在传统工作模式中，人们通常先判断应该怎样解决问题，再把其中的某个步骤交给工具执行。

例如，我们希望解决软件故障，于是让 AI 修复一个 Bug；希望了解业务情况，于是让 AI 制作一份季度报表。

但这些具体任务，往往只是实现最终目标的手段。

Felix 提出，要在高度上更有野心，就应该不断追问：

我真正希望实现的结果是什么？这个目标背后，还有没有更高一层的目标？

他以自己的工作经历举例。

过去，他让 Claude 逐个修复应用程序出现的崩溃问题。后来，他改变了任务要求，直接让 Claude 以持续保持应用稳定、避免崩溃为目标。

两种要求之间存在本质区别。

修复 Bug 是一项具体任务，而保持系统稳定是一项持续性的结果要求。

如果只要求修复 Bug，AI 完成当前任务就可以停止。但如果目标是持续稳定，它就需要进一步考虑故障监控、问题发现、原因分析、修复验证，以及避免同类问题再次出现。

这意味着 AI 的工作范围从单一操作延伸到了完整的工作流程。

为了实现这个目标，Felix 还必须改变原有的工程环境，使 Claude 能够获取崩溃报告、识别软件版本与代码提交之间的关系，并在不同操作系统中独立复现和验证问题。

目标层次的提升，往往需要相应的工具能力和工作流程作为支撑。

文章还使用季度业务回顾作为例子。

最初，我们可能只是要求 AI 根据数据制作一份 PPT。

进一步，可以要求它解释本季度业务发生了什么变化、原因是什么，以及下一步应该采取哪些措施。

再进一步，可以让它找出最紧迫的三个管理决策，分析不同方案的利弊。

最终，我们甚至可以重新思考：企业为什么需要季度业务回顾？

如果它的真正目的是帮助管理层尽早发现问题，并及时调整资源配置，那么是否可以建立一套更及时、更有效的决策支持机制，逐步减少对季度汇报的依赖？

从制作 PPT，到分析经营，再到支持决策，最后重新设计决策机制，工作目标的抽象层次被不断提高。

这一思路的价值在于，它促使我们重新审视许多习以为常的工作流程。

有些工作之所以存在，是因为过去的信息处理成本很高、专业能力稀缺，或者工具无法承担更复杂的任务。

当 AI 能力发生变化，原有的工作方式也就有了重新设计的可能。

当然，提高目标层次并不意味着一句“帮我解决所有问题”就能获得理想结果。

越是宏观的目标，越需要明确的约束、充分的信息，以及能够检验结果的执行环境。

三、深度：真正采用专家的方法，而非模仿专家的口吻

如果说高度解决的是“应该追求什么目标”，那么深度解决的就是“怎样把一件事情做到足够好”。

Felix 认为，AI 在专业领域中的潜力，远不止于生成一份看起来专业的答案。

一个常见的问题是：当我们要求模型“像某个领域的顶尖专家一样工作”时，它可能只是改变了语言风格，使用更多专业术语，却没有真正采用专家解决问题的方法。

例如，在分析用户流失时，AI 可能输出一份条理清晰的文字报告，列出一些常见原因，并给出改善建议。

但优秀的数据科学家不会只凭一般经验作出判断。

他们会接触原始数据，使用数据库、统计模型和实验方法，检验假设是否成立，并评估结论的不确定性。

因此，专业性的关键不在于答案听起来有多专业，而在于它是否采用了专业的方法。

Felix 提出了五种值得实践的方法。

首先，要求 AI 使用行业顶尖专家真正使用的工具。

如果任务需要统计分析，就应该引入数据处理与统计建模；如果需要工程验证，就应该运行真实代码和测试；如果需要研究某个问题，就应尽可能追溯一手资料。

其次，尝试提出更有挑战性的目标。

例如，网站加载时间需要从十秒缩短到五秒时，可以先尝试要求更高的性能水平，以迫使模型探索常规优化之外的可能路径。

这里的重点是主动挑战既有目标，而不意味着所有极端指标都能实现。大胆设定目标之后，仍然需要通过实际测试确定技术边界。

第三，主动质疑已有认知。

许多看似确定的业务结论，其实只是长期积累的经验判断。

比如，一家公司认为用户流失主要源于新用户引导体验不佳。与其让 AI 围绕这一结论提出改进建议，不如把原始用户数据交给它，要求它尝试证明或推翻这个假设。

第四，尝试发现新的知识。

当 AI 已经深入接触数据和工具，就可以进一步寻找过去没有被注意到的规律。

例如，通过历史行为日志构建模拟模型，识别用户流失发生之前的早期信号，再使用未参与模型建立的数据验证预测能力。

第五，引入外部验证。

这是 Felix 特别强调的一点：

不要让模型自己充当自己工作成果的最终裁判。

模型可以给出看似合理的解释，也可以对自己的答案作出积极评价，但这些都不能替代客观证据。

程序应该通过实际运行验证，预测应该通过新数据检验，设计方案也应该尽可能接受真实环境的反馈。

Felix 还分享了一个很实用的提示词思路：当我们希望 AI 把任务做得更深入时，可以先让它回答四个问题。

1. 这个领域最优秀的专业人士，还会做哪些我们没有提出要求的事情？
2. 他们会从哪些最原始的资料入手？
3. 他们会使用哪些具体的方法和工具？
4. 除了人和模型自身的判断，还有什么方式能够客观证明结果正确？

然后，再让模型根据这些答案重新定义任务。

这一方法真正有价值的地方，是将注意力从答案的篇幅和复杂程度，转移到研究方法、证据质量和结果可信度上。

深度并不意味着把事情做得更大，而是把问题研究得更透彻。

四、广度：让不同领域的专业能力共同解决问题

在广度方面，Felix 强调的是跨领域思考。

许多复杂问题本来就不属于单一学科，只是过去组织跨专业协作的成本太高，因此人们往往只能在熟悉的领域内寻找答案。

AI 的出现，让我们有机会以更低的成本引入不同领域的知识、方法和工具。

Felix 使用了一个生动的比喻：经典的盗窃电影，通常会花费大量篇幅介绍一支由不同专业人才组成的团队。

每个人拥有不同的技能，最终通过协作完成一项单独依靠某个人无法完成的任务。

类似的思路也可以用于 AI。

例如，制作一份重要的商业报告，不仅需要数据分析师，还可能需要记者、编辑、视觉设计师、声音设计师，甚至需要擅长质疑企业经营状况的做空者和法证会计师。

不同领域会带来不同的关注点。

数据分析师重视证据，记者关注事实与叙事，编辑改善表达，做空者寻找潜在风险，法证会计师则可能发现财务信息中的异常。

通过这些方法的组合，最终成果有机会获得单一专业视角无法提供的完整性。

Felix 还提出一个有趣的技巧：尝试把名词变成动词。

例如，不要把任务定义为“制作一份季度汇报 PPT”。

可以将其重新描述为：“在三十分钟内，让一群忙碌的管理者理解业务变化背后的因果关系，并在不确定条件下作出决策。”

当任务被描述为需要实现的行动时，我们就更容易发现，它其实涉及数据分析、沟通、叙事、心理学、决策科学和视觉表达等多个领域。

不过，跨领域协作也存在一个常见误区。

让 AI 扮演不同角色，未必意味着它真的采用了不同领域的专业方法。

Felix 提醒我们，重要的是引入不同专业的实际工作方式，而不只是让模型模仿不同职业的说话风格。

与其要求 AI“像做空者一样表达”，不如要求它“采用做空者研究企业时的方法，对现有结论进行调查和质疑”。

跨领域的价值，来自方法的组合，而不只是角色的数量。

五、真正限制我们的，可能是对可能性的判断

在文章的最后，Felix 将讨论从 AI 的使用方法延伸到了心理学。

他认为，人类一直受到自身认知边界的限制。

我们往往根据过去的经验，判断哪些事情能够完成、哪些事情不可能实现。

而且，人们通常只相信自己在某些熟悉的专业领域内具备能力。

他引用米开朗基罗的故事：这位艺术家最初并不愿意绘制西斯廷教堂的天顶壁画，因为他认为自己首先是一名雕塑家，而不是画家。

这种对自身能力的判断，在心理学中与“自我效能感”（Self-efficacy）密切相关。

简单来说，自我效能感是一个人对于自己能否组织和执行必要行动、完成特定任务的信念。

研究表明，较高的自我效能感有助于人们面对挑战、保持投入，并提高完成困难任务的可能性。

Felix 总结了三种值得关注的方式。

第一，相信困难的事情有可能完成。

他引用了统计学家乔治·丹齐格的故事。丹齐格曾误将两道尚未解决的数学难题当作普通家庭作业，并最终完成了解答。

第二，通过观察他人的成功，重新认识可能性的边界。

1954 年，罗杰·班尼斯特首次跑进一英里四分钟。此后，这项曾被认为极难突破的纪录，很快又被其他运动员打破。

当一个人证明某件事能够实现，其他人对自身能力的判断也可能随之改变。

第三，允许自己失败。

过分执着于表现完美，有时反而会影响发挥。

如果一个人始终要求自己必须成功，就可能不愿尝试那些结果不确定、但具有突破价值的事情。

这些案例共同指向一个结论：

人的行动边界，不仅取决于实际能力，也受到其对自身能力和外部可能性的判断影响。

而 AI 正在让这个问题变得更加突出。

过去，一个人的知识、技能和经验通常需要较长时间才能明显增长。但现在，随着模型能力不断提高，人们可调用的外部能力可能在短时间内发生显著变化。

这意味着，我们对自己“能够做什么”的判断，可能正在落后于我们实际可以调用的能力。

如果依然完全按照过去的经验设定目标，就可能错过许多新的机会。

六、更有野心，也需要更成熟的判断

Felix 的文章鼓励人们突破习惯性的目标设定方式，但其中也包含着非常现实的工程思维。

他并没有认为，只要向 AI 提出一个足够宏大的目标，模型就能自动完成所有事情。

相反，文章反复强调三个重要条件。

首先，模型必须能够接触任务所需的真实信息。

缺乏原始数据、业务背景和必要上下文，再强的推理能力也可能建立在错误或不完整的前提上。

其次，模型需要具备实际行动能力。

要让 AI 真正完成任务，就需要适当的计算环境、软件工具、数据连接与操作权限。仅仅通过对话，并不足以支撑所有复杂工作。

最后，结果必须接受外部验证。

尤其是在工程、金融、科研和商业决策等领域，答案是否令人信服，与结论是否真实可靠，是两件不同的事情。

因此，提高目标的高度、研究的深度和协作的广度，并不意味着放弃人的判断。

恰恰相反，目标越复杂，越需要清楚地理解约束条件、控制风险，并建立可靠的反馈机制。

人的角色也随之发生变化。

过去，我们主要负责执行具体任务，再借助工具提高效率。

未来，我们可能需要投入更多精力来确定目标、设计工作系统、选择专业方法、组织能力，以及评价结果。

从这个角度看，AI 带来的变化，不仅是执行成本下降，也包括个人能够组织和调用的能力范围不断扩大。

结语：野心的本质，是不断重新审视可能性

Felix Rieseberg 的这篇文章，表面上讨论的是怎样更有效地使用 AI，实际上提出了一个更深层的问题：

当完成一件事情所需要的能力和成本发生巨大变化，我们是否也应该重新思考自己想要完成什么？

速度让我们把过去的事情做得更快。

高度让我们从具体任务转向最终结果。

深度让我们借助专业工具和客观证据，把事情做得更好。

广度则让我们突破单一专业的限制，组合过去难以同时获得的能力。

而贯穿这四个维度的，是对既有认知边界的持续挑战。

当然，技术能力的增长并不意味着所有困难都会消失。模型仍然存在局限，现实世界仍然需要资源、时间、判断、责任和验证。

但随着 AI 的不断发展，越来越多过去因为知识不足、技能欠缺、成本过高而无法尝试的事情，正在变得可以探索。

这也许是文章最值得记住的启发：

不要只问 AI 能帮我们把现有的事情做得多快，还应该不断追问，有了这些新的能力，我们是否可以去做一些过去没有认真考虑过的事情。

更有野心，并不意味着一味追求更大的目标。

它意味着，在充分理解现实条件的基础上，不轻易让过去的经验决定未来的边界。