这个世界有很多地方都需要这种直觉思维过程，但在以前软件这是没法实现的★★■。想象一下风投家评估创业公司的pitch或医生评估患者的情形。他们或许能用语言表达自己的思维过程，但这些语言背后隐藏着某种难以言喻的东西。

　　在后人工智能时代，创造性工作跟园艺有点类似。园丁的工作不是从泥土中雕出叶片◆◆★，而是创造合适的阳光◆■◆◆■、土壤和水的条件，让植物能够自然生长。例如，用 AI 代码编辑器（如 Cursor）编写代码的过程更像是为工作创造条件——通过向模型提供你想要构建的提示★◆◆，而不是逐行手动编写代码。

　　如果说创造性工作的原材料是序列与直觉，而不是规则、本质和过程的话◆■◆，那么你的工作方式也将大不相同。它看起来更像是做园艺，而不是雕塑。

　　在前人工智能世界■◆★■，不管是开发软件还是建设团队，不管是撰写书籍还是营销计划◆◆★■，你都需要将问题抽丝剥茧到基本要素（本质），然后再从这个根本出发。在开发软件时，你需要定义核心用户是谁，要解决的问题是什么★★◆◆■★；在撰写书籍时■◆，你需要有论点和大纲◆★■■。

　　我们正步入软件 2◆■■◆◆.0，描述想要实现的目标，并训练模型来实现。训练工作不是由人类为计算机编写指令，而是通过搜索可能的程序空间，直到找到一个可行的程序■■★◆。在软件 2★★■■★■.0 里，科学问题（与正式理论和规则有关）变成了工程问题■■■◆★，也就是与实现结果有关。

　　这种技术为创意团队的每一位成员提供了一种可以复制你品味的工具■◆。随着提供的例子不断丰富，它还可以捕捉到以前没法用语言表达的东西。

　　在前人工智能时代◆◆★，你需要定义游戏规则——从第一性原理基本出发去思考，然后应用到具体情况中。在后人工智能时代，你需要构建和使用能够识别底层模式的模型——而这些模式是没法简化为简单规则的。

　　就拿软件开发来说吧。在前人工智能时代，你得定义清楚希望用户完成哪些任务，以及希望系统如何运行★★■◆■◆，这样才可以将那些定义编码成程序员编写的，计算机可读的规则。

　　甚至我们用来理解商业的框架也是科学★◆◆◆★★：如果没有物理学的启发■■，哈佛商学院教授迈克尔·波特不太可能找到或发现支配商业的五★★■■“力”◆■；克莱·克里斯坦森的待办事项框架相当于创业理念的原子理论。

　　在后人工智能时代■■★，我们不再关心本质◆★★，我们更关心序列：也就是导致某件事发生的一系列事件◆★◆。语言模型在预测字符串的下一个单词时就是这样做的；自动驾驶汽车在根据视频■◆■★◆■、景深与 GPS 数据序列预测下一步要开往何处时也会这样做。

　　在后人工智能时代◆■★◆，情况就不同了。直觉是可转移和可用的◆◆。它不会停留在任何人的头脑中★◆◆★◆，也不需要将其简化为过程。

　　为了更好理解这一点，我们可以想象一下在前人工智能时代的 SaaS 企业里如何预防客户流失的问题。你得明确即将流失的客户的定义规则是什么，比如已经有几个月未登录或信用卡即将过期的客户■★。这就是寻找本质的过程★■◆。

　　在后人工智能时代，做事的底层逻辑变了★◆■★，本质让位于序列，规则让位于模式◆◆，过程让位于直觉，雕塑让位于园艺，解释让位于预测，你的认知必须做出根本改变★◆。文章来自编译■◆◆■。

　　在这个世界■■■★★，训练模式匹配器的好例子就是通行的货币，不再需要明确要遵循什么规则■★★。

　　我们把科学和理性主义浪漫化了，因为这两个太成功了。自启蒙运动以来，当伽利略、牛顿、笛卡尔和哥白尼开始用这种方式思考时，我们就利用理性主义来创造现代性。所以我们才有了火箭与疫苗，所以才有了电脑与智能手机。

　　西方人默认的思维方式是科学、理性。你上次在会议上听到有人谈论假设或理论是什么时候★★◆■★？上次坐下来解决问题时■★◆★，你提醒自己要用第一性原理思考是什么时候？你上次在工作或个人生活中尝试做实验是什么时候■■★？

　　对预测的追求取代了解释的追求，将科学问题转化为工程问题。问题不再是“它是什么？”而是“我如何构建一个能预测它的系统？”

　　但众所周知，解释起来很难。聪明商人不读《像扎克伯格一样思考：Facebook 不可思议的天才 CEO 马克·扎克伯格的五个商业秘密》（顺便说一句◆◆★★■◆，这不是胡诌）的原因是■★，我们知道这本书不大可能写得出马克·扎克伯格成功的真正原因。扎克伯格也许能解释其中的一些原因，但哪怕是他自己，也可能会说，他已经形成了一种指导决策的潜在直觉◆◆，而这种直觉是没法完全解释清楚的■◆。

　　我们也经常会问成功企业：◆★★★“我们该如何解释他们的增长？如何解释他们的大批忠实用户？”我们追求的是解释■◆◆，因为能够解释意味着能够控制。

　　在后人工智能时代，我们会优先考虑预测而不是解释，尤其是在复杂领域。扎克伯格的智慧可能没法归结为规则，但如果给予合适的序列来训练直觉，那这种智慧就可以被封装进模型里。科学领域也开始出现这种情况◆◆■◆■■。2024 年诺贝尔物理学奖和化学奖得主都是开发出了更好预测架构的计算机科学家，而不是提出了更好解释的物理学家。

　　在前人工智能时代★■★■，为了开发应用，你的将想法简化为过程——也就是一套规则，你的软件会按照这些规则运行，去实现你设定的目标。有时候不难；比方说，像 Salesforce 这样的客户关系经理自然可以简化为规则。

　　在后人工智能时代，你未必要用这种方式减少工作量★■★。相反★◆★，你可以找到代表自己品味与声音的范例，然后丢给模型★◆■◆★■，模型可以在不遵循规则的情况下重现所发现的模式。

　　思考本质与序列的另一种方式，尤其是在牵涉到智力与创造性任务时，是从寻找规则转向寻找模式。

　　在前人工智能时代■◆★◆★■，创意工作跟雕塑比较类似★■◆。不管是编程还是写作◆◆◆■★，你都得将一块大理石一点一点地塑造成你脑海中的形状。你就像是在一点一点地雕刻出脑海中的作品，每一次击打都由你独立完成。

　　我们追求规则和本质，执着于流程和雕塑，最终目的是为了寻求解释。解释在西方世界是至高无上的追求——不管是科学■■★、商业还是生活■◆，我们都在寻求解释。比如我们经常问成功人士：“你能解释一下你是怎么做到的吗？有什么秘诀★◆★★？■★”

　　从科学到工程的转变将成为本世纪推动进步的最大动力■★■◆。这将带领我们超越启蒙时代的理性主义，进入一种全新的世界观——并对我们自身形成全新的理解。

　　或者假设你在管理一支创意团队。在前人工智能时代，为了创造一致性，你得将工作简化为原则和系统，好让作者和设计师能够一致地捕捉到你的品牌声音与风格■■★★★。

　　但新技术需要新的思维方式。随着人工智能时代的到来，我们与特斯拉以及 OpenAI 前工程师 Andrej Karpathy 所谓的软件 1.0——由人类编写的指令组成的软件受益于科学◆■■★★、理性的思维方式的软件——正渐行渐远★★◆。

　　寻找规则和本质，执着于过程和雕刻，最终都是在寻找解释。解释是西方的圣杯——也是我们在科学◆■、商业和生活中寻找的东西。想想我们倾向于问任何成功人士的问题：“你能解释一下你是如何走到今天的吗◆★◆？你的秘诀是什么？”

　　你只需要识别出导致流失的序列。对于每一位流失的客户，你可以将其最近 100 天的用户数据输入给分类器模型；对没有流失的客户也如此操作■◆■■。最终，你将得到一个模型，这个模型能够在无数种变化中识别出谁最有可能流失，不需要任何规则■◆◆★◆■。这就是寻找序列的意义◆■■■。

　　在后人工智能时代，你可以给那些没法归结成规则的任务开发应用。比方说◆◆■◆，光学字符识别 (OCR)■◆◆◆，这项技术可让计算机识别图像里面的文本。人类级别的 OCR 是没法归结成一组规则的，但现在在 ChatGPT 等应用常见的深度学习方法可让你创建具备某种识别字符★★■■■“直觉◆■”的软件■■■。

　　可是到了后人工智能时代，你要找例子，而不是定义规则。你不用明确说明用户能用你的应用做什么和不能做什么。你可以创建一个包含有你最喜欢的 UI 元素的情绪板，或者一个关于你希望应用如何运行的高级（不那么具体的）清单——人工智能会识别你输入的模式，然后转化为规则集。

　　这种从科学到工程的转变将对我们解决问题的方式以及我们理解世界的方式产生巨大影响。以下是一些我对这种转变将如何发挥作用的初步看法。