AIMeticulously

写在前面据说 2017 年，阿里云奠基人王坚博士看到一组数据，全球35 岁以下人口占比有50%。同时根据他的经验，大部分的机会给了成功人士，于是就想着办这样一个年青的人聚会，直到 2050 年。而对于年青人而不是年轻人，一个非常好的榜样是 52 岁学开飞机，拿着自拍杆追日出。显然，如果 30 岁就开始养生，恐怕不太适合。而第一次看到介绍文章时，一度以为 自愿者 是笔误，自愿者也就是自己愿意来的人，这非常 2050。 初遇 2050，火箭机器狗和马在杭州的云栖小镇上，每年 4 月的最后一个周末都会举行一个年青人的聚会，发起人是阿里云的奠基人—工程院院士王坚博士。今年的活动上，见到了真正点过火，13 米高的火箭。见到机器人，机器狗列队，还有真正的马，甚至还在纠结为了迎接马的到来，打算要放弃卡丁车（轻、强动力）。活动里有真正硬核科学，有院士，教授，青年学者，有带着小朋友横渡英吉利海峡的自愿者，也有 AI+即兴剧这样的跨界娱乐天花板。当然，同一个会场里有人在讨论学术问题，有人在旁边打牌，也是很和谐的。 离谱是 2050 的主旋律 今年的时间是 4.26-4...

#挑战100天100个GPTs 写在前面朋友来问两个 offer 怎么选：A 公司薪资高三成，但业务线刚换帅、半年内两次调架构；B 公司薪资低些，但赛道稳、晋升通道清楚。他纠结了一周，把两家官网、脉脉评价、行业报告翻了个遍，还是定不下来。 我问他一句：你觉得 A 公司那条业务线，一年后还活着的概率有多大？他愣住。再问：如果它活了，你拿到的那三成溢价能值多少？如果它没活、你被裁，半年空窗加 N+1 能补回来多少？ 他说不出数。这就是大多数人做决策的真实状态——能列利弊、能查信息，可一问到”概率多大、期望多少”，就只剩”感觉”。查理·芒格在《穷查理宝典》里反复讲，人脑天生不擅长概率，进化给的那套直觉”不是费马和帕斯卡”（his words: “The basic neural network of the brain… it’s not Fermat/Pascal”），所以要专门学一套”略显反直觉”的初等概率数学，焊进决策习惯。这套镜头，芒格明确叫做 the mathematics of Fermat and Pascal——这是他在公开材料里少数几个点名借用的模型之一，不...

#挑战100天100个GPTs 写在前面某银行风控系统连续三天凌晨告警，团队拉了七页排查清单：从数据库主从同步、到消息队列堆积、到怀疑是新型攻击、再到要不要把链路切到灾备。三天没睡，最后发现是某个监控探针的时区配置错了，每天零点切换时多算了一次。一个本该十分钟查完的常识项，被排到最后。 这类事我见过太多：面对一个异常，团队本能先奔着最复杂、最戏剧化的那个解释去——是不是被黑了、是不是架构有硬伤、是不是出了什么没人见过的边界情况。越是高手越容易这样，因为日常的事太”没意思”，配不上他们的脑力。奥卡姆剃刀就是来治这个的：当你面对一堆互相竞争的解释，先从假设最少的那个查起——不是因为它一定对，而是它概率最高、查起来最快。一旦先排除了最常见的，真要往深处挖，也心里有数。这款 GPT 把这个原则做成一个问题诊断陪练：你把一个故障、一个怪现象、一个纠结的决策丢给它，它不替你拍板，先逼你列出所有可能解释、给每个标注假设数量，再从假设最少的开始排。本文先把两个最常见的误读拆掉（它不是”越简单越好”、那句”如无必要勿增实体”也不是奥卡姆亲口原话），再讲清怎么用、最容易在哪翻车，最后用十个场景和十个...

#挑战100天100个GPTs 写在前面一个 AI 转型项目，立项会上大家都在谈”怎么才能成功”——怎么搭、怎么推、怎么落地。我让团队停一下，改问一句：”如果一年后这个项目烂尾了，最可能是怎么烂的？”半小时内，原本”一切就绪”的房间里冒出 17 条失败路径——数据没人愿意给、业务部门应付式上线、试点一结束就退回老流程……排前三的那几个，恰恰是立项报告里一行没提的。这就是逆向思维最狠的地方：它不帮你把成功想得更圆满，它逼你看见正向思考时下意识绕开的那些坑。 逆向思维模型，核心就一句话：与其只问”怎么得到想要的”，不如同时问”怎样保证得不到想要的”。它有三个常被搅在一起、其实分得清的动作——反着想（不问怎么成功，问怎么失败）、反着推（不问现在该干什么，问最后要这个结果得先有什么）、假设反过来（把”必须有 X”翻成”没 X 会怎样”）。这条在国内”100 个思维模型”清单里几乎都挂在芒格名下，因为那句”反过来想，永远反过来想”太有名。但把账理清楚：这句话的原话出自 19 世纪德国数学家雅可比（Carl Gustav Jacob Jacobi，”man muss immer umkehr...

#挑战100天100个GPTs 写在前面一个团队里两个平级经理，业绩差不多，年终奖一高一低，拿低的那个整年郁郁寡欢。哪怕绝对数已经不低，他盯着的就是”凭什么他比我多”。再比如朋友圈里看到同行晒某个 AI 工具月入十万，你心里咯噔一下，转头就打乱自己的节奏去追那个方向。这些都不是贪婪，是嫉妒。芒格把它单列为 25 条心理倾向的第 8 条，并说它是”唯一一种你绝对不可能从中得到快乐的愚蠢之罪”。没有一丝收益，纯痛苦，可人就是停不下来。 嫉妒倾向（Envy/Jealousy Tendency），大白话就是”别人有的，我受不了”。它跟欲望不同：欲望是想要某样东西本身，嫉妒是受不了”别人有、我没有”这个落差。芒格在《The Psychology of Human Misjudgment》第 8 条里给了它正式户口，原话大意：”嫉妒/猜忌在神话、宗教、文学里一而再、再而三地触发仇恨和伤害”，并提醒它占了十诫里的两条（天主教传统把”不可贪图”拆成贪人妻、贪人物两条）。学术这一头，根在社会比较：Leon Festinger 1954 年的社会比较理论说，人在没有客观标准时会本...

#挑战100天100个GPTs 写在前面一位央企数字化负责人跟我抱怨：他团队写了一份 40 页的 AI 转型方案给一把手汇报，讲了半小时背景、过程、技术选型，一把手最后只问了一句”你到底想让我拍什么板”。这不是表达能力问题，是思考没有先收口。金字塔原理解决的就是这件事：先把结论立起来，再用论点支撑、用论据兜底，让听众十秒钟抓到核心、需要细节再往下钻。它的提出者是麦肯锡历史上第一位女性咨询顾问芭芭拉·明托（Barbara Minto），她在 1963 年入职、1973 年离开的十年里专门编辑欧洲同事的报告，从重复修改同一类毛病中提炼出这套纪律。这款 GPT 是个表达陪练：你丢一段没组织好的稿子或想法进去，它不替你写，逼你先回答”你要说的那一句话是什么、支撑它的是哪几个论点、它们之间是归纳还是演绎”。 效果呈现 GPTs 源码https://github.com/iaiuse/100day100gpts/blob/main/055、金字塔原理思维模型 把下面的整段 yaml 提示词粘进支持系统提示的对话框（ChatGPT 创建 GPTs 的「Configure」、Gemini Ge...

#挑战100天100个GPTs 写在前面一家公司今年要”全面 All in AI”，命令每个部门报项目。报上来的清单一水儿是”我们要做 AI 客服、AI 报表、AI 风控”——全是 WHAT（做什么）。我问决策层一句话：”你们为什么非做 AI 不可？是为了什么？”答不上来，只说”别人都在做，不做就落后”。一个季度的预算投下去，AI 客服上线没人用、AI 报表没人看，团队疲于奔命却讲不清这一波到底解决了谁的什么问题。这是”从 WHAT 出发”最典型的发作姿态：动作很满，方向不明。 黄金圈思维模型，看的是思考的顺序。Sinek 把它画成三个同心圆：最里是 WHY（为什么存在、相信什么），中间是 HOW（怎么做、靠什么与众不同），最外面是 WHAT（具体做什么、卖什么）。多数人和组织习惯从外往里讲——先说我有什么产品、什么功能，再补一句怎么不同，WHY 通常压根没有。Sinek 的主张反过来：先讲清楚”我们为什么存在”，WHY 会自己推导出 HOW，HOW 再落到 WHAT。最被反复引用的那句是”People don’t buy what you do, they buy why yo...

#挑战100天100个GPTs 写在前面做决策的人最容易栽的，不是没想，是只想了一步。2025 年光伏九大龙头合计预亏超过 435 亿元、最高约 500 亿元，通威一家就亏 90 到 100 亿元（来源：华夏能源网、大公国际《2026 年光伏行业分析》、新浪财经）。它们栽的不是”没想”——每一家当年扩产、压价、抢单的一阶逻辑都对：拿份额、挤对手、上规模。栽的是没想二阶：所有人都这么干的时候，产能就过剩、价格就崩、银浆硅料一涨价、全行业一起进 ICU。一阶全对，二阶把整个行业送进冰河。 二阶思维模型，讲的就是”然后呢”。它最干净的出处是霍华德·马克斯（Howard Marks，橡树资本 Oaktree Capital 联合创始人）2011 年的《最重要的事》（The Most Important Thing: Uncommon Sense for the Thoughtful Investor）第 1 章 “Second-Level Thinking”。他给的对子经典到被反复引用：一阶思维说”这是家好公司，买它的股票”；二阶思维说”这是家好公司，但所有人都觉得它是伟大的公司，而它不...

#挑战100天100个GPTs 写在前面2001 年互联网泡沫破灭，亚马逊股价跌掉 90%，每周都有科技公司倒闭。就在这时候，贝索斯把管理学家吉姆·柯林斯（Jim Collins）请到亚马逊，跟高管团队聊了几天。柯林斯刚出版《从优秀到卓越》（Good to Great），带来一个概念——飞轮效应（the flywheel effect）。他说，一家公司从优秀到卓越，不靠某次决定性的大动作、不靠某个奇迹产品，更像推一个 5000 磅的重金属飞轮：你咬牙推、一寸一寸推，转完第一圈、第二圈、第三圈，每推一圈都在给下一圈蓄势，推到某个临界点，飞轮自己开始加速，越来越快、停不下来。贝索斯听完，在一张餐巾纸上画下了亚马逊的飞轮：低价 → 更多客户 → 更多卖家 → 更大的选择和分销 → 更高的营收 → 固定成本摊薄 → 更低价，循环。这就是后来被叫作”亚马逊飞轮”的那张图。 飞轮效应思维模型，讲的是把战略做成一个自我强化的增强回路，让每一步都给下一步蓄势。它最常被误读成两副样子。一副是把它和复利搅一起——复利是数学上的指数增长（钱滚钱，靠时间），飞轮是战略上的增强回路（每个环节放大下一个环节...

#挑战100天100个GPTs 写在前面1896 年，意大利经济学家维尔弗雷多·帕累托（Vilfredo Pareto）在其著作《Cours d’économie politique》里记录了一件让他自己都意外的怪事：意大利约 80% 的土地属于约 20% 的人口（同期他注意到自家花园里 20% 的豌豆荚结了约 80% 的豌豆）。这种”少数决定多数”的不均匀分布，四十多年后被质量管理大师约瑟夫·朱兰（Joseph M. Juran）拣了出来。朱兰 1941 年读到帕累托的著作，把它用在了质量管理上：80% 的质量问题由 20% 的原因造成——找出这 20% 的关键少数，比到处救火有效十倍。朱兰把它命名为帕累托法则，又叫 80/20 法则、关键少数法则（the vital few）。 帕累托法则思维模型，讲的是”投入和产出不成正比，关键少数决定大部分结果”。这款 GPT 是个”关键少数侦探”：你给它一摊事——一堆客户、一堆产品、一堆 bug、一堆预算项都行——它不替你拍板，逼你量化分布、找出那驱动 80% 结果的 20% 关键少数，然后把资源从次要的多数里挪过来。本文先讲...