AI重塑判断方式：思维解耦为何成关键能力

真正重要的新技术，每轮出现时带来的绝不止一件新工具。

它最先做的事，是打散一批我们过去认为理所当然的分类方式。

工业化之后，“土地多、劳动力多就会富裕”这套说法不够用了；互联网出现后，“渠道”和“内容”成了两码事；到了今天的 AI，一些更贴近日常的判断正在被持续拆掉：能力和产出、意愿和行动、知识和执行、相关和因果、观点和证据。

结果就是，一种奇怪的局面越来越常见。

团队用上了 AI，效率却没见提高。有人的说法是，团队不肯改变。

产品功能明明不错，用户就是不买账。有人的说法是，市场压根没需求。

一项合作谈了三个月，始终没启动。有人的说法是，对方缺少诚意。

这些解释都太顺了，顺到几乎不用动脑子。

可“顺”偏偏就是危险所在。预算、权限、技术准备、激励机制、时间窗口、评价标准、风险承担方式，以及真实的意愿——原本各不相同的东西，被它压缩成了一个词。

人并没有因此变笨。恰恰相反，把复杂世界快速压成一个能理解、能记住、能据此行动的故事，本来就是人脑最重要的本领之一。

只不过到了今天，许多旧故事开始不够用了。

我们或许要重新练一种能力：先拆开一个看上去完整的解释，看看里面到底混进了什么；再判断哪些能确认、哪些还只是推断；最后把这些变量重新组织起来，得出一个暂时能用、但允许修改的判断。

这叫作“思维的解耦”。真正成熟的解耦，恰恰是为了避免在复杂现实里，过早地把一切想得太简单。

01 我们天生会把世界看成一个整体

不妨假设有一个合作项目。

甲乙双方谈了三个月，项目没有启动。甲方说，乙方根本没有合作意愿。乙方说，预算还没到位，技术人员也没配齐。再后来，双方又做了一个小试点。

读到这里，大多数人脑子里很快会浮出一个整体印象：这事没成，多半是乙方不够积极，或者双方信任不足。

这不奇怪。人理解世界时，并不会逐项读取变量、列出假设、画出因果图。我们先把连续发生的事切成一段一段：谈合作、反复沟通、没有签约、后来试点。接着，再给这段事件配上一个足够顺畅的解释。

认知科学有个基本发现：人会自然而然地给连续经验划出“事件边界”。场景变了、目标变了、动作断了、预测落空了，我们就会觉得新事件开始了。这种能力既帮我们记忆，也帮我们迅速预测下一步。

问题在于，日常理解所需的事件边界，和剖析因果关系所需的变量边界，常常对不上。

“项目没有启动”，是一个事件结果。

“乙方没有意愿”，只是对结果的一种解释。

要追问这个结果究竟怎么发生的，至少得把几件事分开看：

• 实际能调用的预算够不够；
• 该拿到的授权，有没有拿到手；
• 懂行的人有没有配齐；
• 任务本身说得够不够明白；
• 出了问题谁来担责；
• 外面的条件有没有起变化；
• 两边是不是真心想往前推。

把这些统统塞进“意愿”两个字，确实省事。可标签一旦被当成原因用，判断就容易走偏。

假设项目要动起来，资源、意愿、授权、准备度得同时具备，那大致可以写成：

启动 = 资源 × 意愿 × 授权 × 准备度

这几项里只要有一项是零，结局都可能是“没有启动”。

那么，没启动，推不出没意愿。

反过来，发现钱不够，也不能断定意愿就一定有。

这背后是个常被忽略的道理：同样的结果，可能来自完全不同的机制。

偏偏人脑就爱拿一个原因，去顶替一整组机制。

02 一个顺口的故事，为什么这么难拆开

把复杂关系压成一句话来解释，未必都是坏事。

日常大多数决定，犯不上做完整的因果推演。点杯咖啡之前，没人会先列一张变量表；同事迟到，也不必每回都去搭一个涵盖交通、睡眠、工作压力和组织文化的模型。

整体化本身就是一种认知上的省力。麻烦在于：事情后果变大、变量之间缠得更紧、又拿不到直接证据的时候，我们还在用那套快速压缩的老办法。

有一份研究里，列出了几种常见的阻力。

头一种是关系复杂度。

我们要对付的不只是“有几个变量”，而是变量彼此怎么牵动。预算会影响人员配置，人员配置又牵动准备度；权限影响行动，外部政策也可能同时压在预算和权限上。变量一多，难的不是把它们摆出来，而是让它们之间的关系同时留在脑子里。

第二种是旧经验的惯性。

一位管理者在内部组织里攒下了一套管用的经验：项目拖了，多半是负责人不够上心。等他面对外部研发协作，也容易把同一套解释照搬过去。

可内部管理和外部协作，说不定压根不是一类问题。

前者也许主要看组织命令传不传得下去；后者则被知识产权、授权边界、风险分配、接口方式这些条件卡着。一个人在旧场景里再聪明，也不等于他看清了新场景的结构。

归因，是第三种容易踩的坑。

“对方没意愿”“他们本事不行”“用户用不上”，这类话摆出来像定论，拆开看，往往只是个还没解压的压缩包。

它们传得快，原因也简单：责任能马上分下去，不确定感能马上压下去。

可一个解释越是让人当场松口气，就越该追一句：它讲的是事实，还是只给事实换了个名字？

03 新事实被接受了，不等于自己的世界模型动了

不少争论收不了场，问题并不出在哪一方不肯认事实。

更常见的情形是：新事实两边都认，可各自把它装进了完全不同的模型。

还是拿“合作没启动”那件事来说。

甲方后来听说，乙方那边预算没批下来。这时候，甲方至少可以做三种不同的认知处理。

头一种，叫“同化”。

甲方的说法会是：预算没落实，这本身就说明他们不上心。新事实没动原来的故事，反倒被当成旧故事的补充材料收了进去。

第二种，是调参数。

甲方认了：对方也许不是一点意愿都没有，是我之前把话说满了。可他的模型还是“意愿决定行动”，只是把“意愿不足”的确信度从 90 分下调到 60 分。

第三种，才算结构层面的修正。

甲方这时候开始明白：意愿、资源、授权、准备度并不是同一个变量的几种表情，而是几个各自可能独立起作用的条​​件。项目能不能启动，靠的不是一条单线因果链，而是一组变量一起发力的结果。

这三种变化看着差不多，落到实处差得远。

我们常默认，一个人“接受了新信息”就等于他改了看法。其实他可能只是把旧结论的力度调了调；也可能力度都没动，只是给旧结论另找了个说法。

真正难的是第三种：承认自己过去的问题不是“少知道了一个事实”，而是“用的解释结构本身不够好”。

新技术真正带来的冲击，也在这里。

AI 时代最常见的误判之一，就是把一个正在变的系统，硬塞回一套旧模型里。

我们说“AI 替代人”，可“人”这个字里，混着操作、判断、关系维护、责任承担、组织协调和创造性表达。

我们说“AI 提升效率”，可“效率”里混着单位成本、产出质量、需求规模、渠道分配、平台抽成和风险成本。

我们说“一个人用 AI 就能做公司”，可“做公司”里混着产品、获客、交付、信用、合规和持续服务。

新技术最容易造出的幻觉，就是让人以为一个新变量冒出来，旧世界里其他变量就会自己消失。

这些变量多半不会凭空消失，变化的是它们彼此之间的关系。

04 真正高级的思考，不在于更快锁定原因

面对杂乱的信息，不少人把判断力等同于迅速揪出“真正原因”。这种想象确实诱人——谁不欣赏那个一眼看穿本质的人？可在大量真实问题面前，更靠谱的本事其实是先容下几种不同的解释，别急着挑一个。把问题从“哪个故事更顺耳”换成“哪些结构都还说得通，什么证据能把它们分开”。

比如两个变量一起变动，并不代表其中一个造成了另一个。某个团队开会变频繁，交付却变慢，可能是会议拖累了交付；也可能是项目早已陷入困境，会议才多起来；还可能是市场需求下滑，同时引发了组织重组和交付放缓。这三种解释，从表面看都跟已有的观察对得上。

再比如，两支团队都进了面试环节。你发现技术分偏高的那支，渠道分往往偏低，于是下结论说“技术能力和渠道能力天生相冲突”。这个结论未必成立。

假设入选规则是技术高或者渠道高都能进面试，那么你只在“已经入选”的团队里看，就可能撞见两者的负相关。这不是总体里的真实关系，而是筛选带来的错觉。因果推断中管这叫 Collider，即共同结果引发的选择偏差。术语本身不重要，要紧的是它提醒我们：你看到的样本，未必能代表原来的世界。

再进一步，还有一种更难接受的情形：手头的证据压根不足以判断因果方向。你知道 X 与 Y 有关，也知道控制住某个变量 M 之后，两者的关系就消失了。但这可能对应好几张不同的因果图：X 导致 M，M 导致 Y；也可能 M 同时导致 X 与 Y；还可能是 Y 反过来影响 M，再影响 X。缺少干预、可靠的时间顺序或者额外的结构假设，有时你就是没法从观察数据里挑出唯一答案。

这不叫思考失败。反过来看，知道“这里还识别不了”，恰是因果思考中很关键的一步。许多争论的毛病，不在于参与者观点不够多，而在于所有人都绕过了这一步：把一个看上去合理的箭头，当成了已经证实的箭头。

05 “会思考”与其说是一种能力，不如说是一组动作

如果把思维解耦说成某种抽象的“高阶能力”，我认为它更有价值的地方，是试着把它拆成几种能练、能查的认知动作。

第一，把事实和解释分开。“项目没有按时启动”属于待核验的事实主张；“乙方没有合作意愿”则是甲方给出的解释。

“预算没落实”可能是乙方的说法，同样得核验。

这三句话搁在日常语言里经常搅成一团，可它们的证据地位差得很远。

第二，别停在标签上，要把变量定义清楚。“意愿”究竟看什么——开会次数、资源投入、决策速度，还是实际承担风险的程度？“能力”又是指在什么任务、什么工具环境、什么评测标准下的表现？一个词没有定义，往往最容易披上原因的外衣。

第三，竞争解释要留着。结果已经摆在那儿了，别只问“为什么会这样”，还得问：还有什么也能导致同样的结果？

重点不是把可能性列上十几条，而是至少拿出两三个能被区分开的机制。接着追最有信息价值的证据。

你觉得合作卡住是资源问题，另一个人觉得是授权问题，下一步不是继续争谁更懂对方，而该问：哪一条记录、哪一次条件变化、哪一个小规模试点，最能把这俩解释分开？

第五，结论可以带条件。“在现有证据下，资源约束比意愿不足更能解释项目停滞；但因为授权时间线尚未核实，不能把它视为唯一原因。”这话不够爽，也不方便转发。可很多时候，它比“他们就是不想做”更接近真实。

06 这种能力能训练吗？

有一部分可以。

控制变量策略的教学效果，已有研究给出了较强证据。2016 年一项元分析汇总 72 项干预研究、226 组比较，发现显式教学、练习和反馈能提升控制变量等科学推理技能。2024 年一项大规模学校研究也发现，针对基线发生率、对照条件和混杂因素的教学，能在特定因果学习任务中降低因果错觉，六个月后仍能看到一定保持效果。

这至少说明，有些具体的认知操作并非天赋专属。识别混杂、设计对照、考虑反例、比较竞争解释，这些都能练。

不过这里得克制。能在课堂任务里画因果图，不等于一个人到了利益冲突、信息缺失、时间紧张的真实会议里，会自发用上这套方法。从科学实验题搬到商业判断，从单一变量搬到多主体协作，从被提醒着用方法搬到自己意识到“这儿得换一套思维方式”，每一步都可能断掉。

所以没有把“解耦训练”写成一套万能课程，而是区分了四种不同层次的迁移：

• 换一个数字、换一个题材，结构还是那套；换一个领域，认出来的仍是同一种因果关系。
• 碰上多主体参与、时间紧迫、信息又缺的复杂局面，能把它用起来；没人提醒的时候，在真实决策里也能自己想到去调用。

最后这一级最难，也最该警惕。人在现实里犯错，未必是不知道方法。有时候是压根没意识到眼前这个问题正需要这个方法，有时候是信息根本拿不到，还有时候是组织真正想要的并非“找出最准确的解释”。

训练的目标，因此不该是把每个人都练成随时画图的因果推断者。更现实的目标是：在后果足够大、几种解释彼此冲突、又特别容易被一个故事带跑的时刻，能多停一下。

把“因为他不行”这句话拆成几个问题；把“AI 一定会怎样”拆成几个条件。

把“我已经看懂了”换成：我眼下究竟知道了什么，又还有什么不知道？

07 解耦的终点，不是无限分析

讲到这里，很容易滑向另一个极端：世界既然这么复杂，是不是就该永远不下判断？当然不是。拆得过头，信息一样会丢。

每个变量都拆得太细，它们之间怎么配合就看不清了。资源和意愿未必是各自独立的加分项，也可能是缺一不可的必要条件。信任会影响投入，投入会影响结果，结果又反过来影响下一轮信任。拆成一块块静态碎片，真正要紧的反馈反而被漏掉。

有些时候，整体的表征已经够支撑行动了。有些时候，变量再加也不会让决策更好，只会造出伪精确，让人躲进分析里，拖着不肯担责。

所以解耦不是一股永远往下钻的劲头，它是一种切换的本事：

• 什么时候可以靠整体直觉，什么时候必须把变量拆开；
• 什么时候该留几个模型并存，什么时候证据不够，只能停在“不知道”；
• 什么时候要重新整合起来，然后把决定做了。

真正成熟的判断，并非一味求繁，也不是始终求快。它清楚哪些场合该多绕几道弯，哪些场合该拍板就拍板。

往后真正稀缺的本事，恐怕在于：面对一坨还没拆开的整体，能把它拆成一组定义清晰的变量；碰上一条看着板上钉钉的因果链，能把它拉回证据与条件里去检验；等到该做决定时，再把这些碎片重新拼成一个能落地的判断。

这套本事保不了人永远不出错，可至少能让人少几次把话说得太早、把结论下得太满。

>/，920.org.cn（AI Research Institute）创始人，港大AIBT研究生，前上市公司 CMO。AI 产品、Agent 架构与商业增长是他的长期研究方向，技术变迁如何改写人的工作、判断与生活，他也一直在跟踪。

*《AIGC从0到1》系列丛书与东方寓言小说《飞将军》均出自其手；

*擅于抢先看到苗头，1月26日他就已察觉 OpenClaw 范式的价值，在中文互联网上是最早的那一个；

关注我，一起AIGC从0到1~