AIMeticulously

#挑战100天100个GPTs 写在前面一家中型银行的核心交易系统，十年里从单体演化到 15 个微服务、47 个依赖项、139 个配置文件，每次上线要 3 个团队协作，平均修复时间从 2 小时涨到 8 小时。CTO 问我：”我们一直在优化，为什么系统越来越脆弱？”——答案不在某个 bug 里，而在一条叫”递弱代偿”的曲线上：系统越复杂，自身越不稳，要靠加更多监控、更多流程、更多工具来”代偿”撑住，而代偿的收益在递减。 递弱代偿思维模型，看的是”复杂化的代价”。一个东西越演化、越精细，它对环境的依赖就越重、自身就越不稳，需要不断追加新的结构（更多模块、更多流程、更多工具、更多人）来维持存在；可这些追加本身又带来新的不稳，于是进入”弱→代偿→更弱”的循环。这套说法最早是王东岳 2002 年在《物演通论》里提出的哲学假说（他称之为”递弱代偿法则”）——他把它当宇宙演化的统一规律，但主流生物学和科学哲学并不接受，万维钢专门写文逐条批过（最狠的一刀：演化没有方向，”越复杂越脆弱”不是规律）。本文不替王东岳背书，而是借他这个”复杂化要付代价”的直觉，当一个工程和组织的预警镜头——它和软件工程...

#挑战100天100个GPTs 写在前面2025 年 1 月底，DeepSeek-R1 开源发布，几天之内 Nvidia 单日市值蒸发近 6000 亿美元（股价盘中跌约 17%），全球 AI 芯片叙事被一篇技术报告撬动。可到 2026 年中，Nvidia 股价从那个低点反弹约 48%，全年 AI 基础设施投入不降反升。一个”小原因”先引发了不成比例的暴跌，然后又触发了不成比例的反弹——两头都不是线性的。线性思维在那一刻会失灵：它要么低估这件事（”开源而已，能怎样”），要么在暴跌后线性外推”AI 泡沫要破了”。 非线性思维模型看的正是这一类：投入和产出之间的关系不成比例。一个系统里，常常存在临界点（过了某个阈值，行为整体翻转）、S 曲线（先慢、中段加速、再饱和）、网络效应（用户越多价值越大，且这种增大本身也在加速）、幂律分布（少数事件贡献绝大部分结果）。线性直觉默认”翻倍投入、翻倍产出”，这套模型逼你先问”这里是不是非线性、阈值在哪、是不是已经过了”。它最反直觉的地方在于：小的变化可能产生巨大影响，大的投入也可能颗粒无收。这款 GPT 是个非线性体检陪练：你给它一个判断（一笔 AI...

#挑战100天100个GPTs 写在前面一家电信运营商要决定要不要全面上 AI 客服。技术部门说”模型够强了，能省 40% 人力”，直接看 ROI；财务部门说”还要算进数据治理、合规审计、人员转岗的隐性成本”；法务说”监管对自动决策的可解释性有新要求”；一线运营说”客户其实更烦的是被转来转去，不是没人接”。四个部门都对，但谁都只看到一面，结论合不到一起。这就是”单一学科视角”的典型翻车：每个部门都把自己最熟的那把锤子抡圆了，结果对着同一个钉子，敲出四种互相打架的判断。 多学科思维模型要治的就是这个病。它不是”什么都学一点”的泛泛号召，而是一套很具体的方法：把你脑子里分散的、来自不同学科的核心模型，挂成一个会自动联动的格栅（latticework），遇到问题时让多个模型同时上，互相纠偏。这套方法的招牌是查理·芒格——他在 1994 年南加州大学商学院的演讲《世俗智慧的基本课程》里第一次系统讲出来：你脑子里大概需要 80 到 90 个来自数学、物理、生物、心理学、经济学这些”大学科的大观念”，挂成一个格栅，遇到问题自动调用，而不是只用一个学科的视角硬套。芒格有句被反复引用的话：”你必...

#挑战100天100个GPTs 写在前面1999 年，康奈尔大学的心理学教授 David Dunning 和他的研究生 Justin Kruger 做了一个让人哭笑不得的实验：让本科生做逻辑、语法、幽默测试，再让他们估自己的水平和在同辈里的百分位。最狠的发现是——表现最差的那四分之一（底部 25%），平均真实水平在第 12 百分位上下，但他们自估在第 62 百分位上下。也就是最不会的人，自信地以为自己比一半人都强。更损的是另一个发现：表现最好的那四分之一反而轻微低估自己，因为他们觉得”这题这么简单、别人肯定也都会”。这就是达克效应——人在某个领域能力越低，越会高估自己的水平；而且这种高估恰恰源于他们缺乏识别自己无能的能力。 达克效应思维模型，讲的是能力越低的人越意识不到自己能力低。它由 Dunning 和 Kruger 1999 年在《Journal of Personality and Social Psychology》那篇《Unskilled and Unaware of It》里系统提出，核心机制叫”双重负担”（dual burden）：做好一件事需要的认知技能，和判断自...

#挑战100天100个GPTs 写在前面1999 年互联网泡沫最热的时候，巴菲特被华尔街集体嘲笑”过时了””不懂新经济”。那一年纳斯达克涨了 86%，伯克希尔的股价却跌了近 20%，他自己承认是”最差的一年”。但他坚持一股科技股都不买，理由很简单：他看不懂这些公司十年后的现金流。一年半之后泡沫破了，纳斯达克从顶点跌掉 78%，嘲笑他的人大多消失了，他还在。让他活下来的不是聪明，是他知道哪片场地不该下注。这就是能力圈。 能力圈思维模型说的是：每个人都有一个自己真正懂的领域，圈内你看得清关键变量、判断得准大概率结果，圈外你看不清。决策的纪律是——圈内大胆下注，圈外要么不下注、要么先学到懂。它最反直觉的地方在于：圈子的边界，比圈子的大小更重要。一个边界清晰的小圈子，胜过一个自以为很大、其实是雾的圈子。这款 GPT 是个边界体检陪练：你给它一个正在纠结的决策（要不要押某个技术方向、投某个项目、接某个新业务），它不替你拍板，逼你说清楚”凭什么你认为自己懂”。本文先拆掉两层常见误解（它不是邓宁-克鲁格效应、也不是”什么都不碰”），再讲清怎么界定边界、最常在哪翻车，然后用十个场景和十个步骤把这...

#挑战100天100个GPTs 写在前面悉尼歌剧院 1957 年立项时，预算 700 万澳元、1963 年完工。结果 1973 年才开幕，花了 1.02 亿——超支 14 倍多，延期 10 年。这不是个案，是规律：丹麦学者 Bent Flyvbjerg 翻遍 20 个国家 258 个交通工程，发现 86% 超支，铁路平均超 44.7%。决策者当年签字的那一刻，没人真相信会花 14 倍的钱。他们相信的是”我们不一样”。这就是过度乐观倾向的发作姿态。 过度乐观倾向，大白话就是”人愿意相信什么，就相信什么”——尤其在估自己的事、估自己主导的项目时，系统性地把成本压低、把进度加快、把收益放大。芒格把它列为《The Psychology of Human Misjudgment》25 条里的第 13 条，原话引公元前 3 世纪的希腊演说家 Demosthenes：”What a man wishes, that also will he believe”（人愿意相信什么，就相信什么）。学术这条根更深：Kahneman 和 Lovallo 1993 年在《Timid Choices and ...

#挑战100天100个GPTs 写在前面一个程序员从 2018 年开始，每天雷打不动花 40 分钟读一篇论文、写半页笔记，发到自己博客。前三年几乎没人在意，他自己也承认”看着像在自我感动”。到第六年，他的笔记库成了某个细分领域最系统的中文资料，咨询单、内训邀请、出书邀约一起涌来。他做的事没有一件是天才动作，全是别人嫌慢、嫌没反馈而不愿意做的小动作，但他在别人放弃之后还在做。这是复利思维最典型的发作姿态：早期看不出区别，中期开始拉开，后期变成别人追不上的鸿沟。 复利思维模型，看的是”会累加的东西，时间怎么替你放大”。它从金融的”利滚利”出发，把”今天的小动作会变成明天的本金”这件事搬到认知、技能、关系、组织能力上。最常被引用的金句是芒格那句”复利的第一条规矩是无故别打断”，但更值得记住的是它的边界：这条只对”会累加”的东西成立，对”做完就清零”的事情不起作用。最大的误读是把”每天进步 1%”理解成 1.01^365 约等于 37 倍——那是一串无人能稳定跑完的指数数学，真正可靠的不是增长率、是不中断。这款 GPT 是个”复利体检陪练”：你给它一个正在投入的领域，它不替你打鸡血，逼你...

#挑战100天100个GPTs 写在前面《目标》（The Goal）这本 1984 年的商业小说里有个经典场景：一支童子军单列行军、不能超车，最慢的那个胖孩子（昵称 Herbie）卡在队伍中间，决定整支队伍的速度——前面的人走得再快也得停下来等他，后面的人走得再快也堵在他后面。把背包从 Herbie 身上卸下来分给走得快的人，整支队伍立刻快了一大截。把这个场景搬到工厂、搬到流程、搬到任何系统，就是以色列物理学家伊利亚胡·高德拉特（Eliyahu M. Goldratt）创立的”瓶颈理论”（Theory of Constraints, TOC）的核心：任何系统的产出都被它的瓶颈决定，前面工序做得再快只会堆出库存、不会增加总产出；改进非瓶颈环节，对总产出毫无帮助。 瓶颈理论思维模型，讲的是一个系统的产出由它的瓶颈决定，改进非瓶颈等于白费。它由 Goldratt 在 1984 年的《目标》里系统提出（《目标》全球销量超 700 万册、译成 32 种语言，是史上最畅销的商业小说之一），核心是三件套：五聚焦步骤（识别瓶颈→榨取瓶颈→其他一切配合瓶颈→提升瓶颈→避免惯性、回第一步）、鼓-缓冲...

#挑战100天100个GPTs 写在前面一个技术高管夸了某家创业公司的产品，理由是”创始人是我老朋友，人靠谱”。产品本身的架构有硬伤、路线图也散，可他看不见——因为先有了”喜欢这个人”，再看产品就自动加了一层滤镜。三个月后这家公司方向跑偏、融资烧完，他才承认当初的判断是被感情带过去的。这是查理·芒格讲的”喜欢热爱倾向”最日常的发作姿态：爱会让人瞎一只眼。 喜欢热爱倾向，芒格在《The Psychology of Human Misjudgment》25 条心理倾向里把它列作第 2 条，排得这么靠前不是偶然——它是大多数判断扭曲的起点。芒格的原话大意是：人会（1）忽略所爱对象的缺点、（2）偏爱与之相关的人或物、（3）扭曲事实去迁就这份爱。学术侧的光环效应（Thorndike 1920 提出，Asch 1946 用”热情/冷漠”实验钉死）和 Cialdini《影响力》里的”喜好”原理，讲的是同一条心理——对一个人的好感会扩散到他碰过的所有东西上。巴菲特有句话常被引用：”好骑师能骑好马表现出色，但骑不了破马”，意思不是”赌人”那么简单，而是别因为喜欢一个创始人就忽略了他的生意...

#挑战100天100个GPTs 写在前面一座桥，设计成能扛 30000 磅，但你只开 10000 磅的卡车过去。多出来的那 20000 磅，就是安全边际。投资里也是同样道理：一个生意你算下来值 100 块，你只肯花 50 块买，中间那 50 块是你给”自己可能算错”留的缓冲。这套话听起来像废话，可 2026 年这一波 AI 算力狂欢里，最聪明的一批公司偏偏忘了它——五大云厂商把 2026 年资本开支推到 6350 亿到 6900 亿美元区间，是 2024 年的两倍多，可对应的 AI 推理收入增长远远没追上，亚马逊自由现金流被预测在 2026 年转负， hyperscaler 的发债规模被摩根士丹利估到超 4000 亿美元（详见文末引用）。桥造得太满、车开得太重，账面一有偏差就没缓冲，这就是安全边际缺位的代价。 安全边际（margin of safety）这个词，是本杰明·格雷厄姆（Benjamin Graham，1894-1976）在 1949 年《聪明的投资者》（The Intelligent Investor）第 20 章里立起来的。那章的标题直接就叫”安全边际是投资的核心概...