因此，“思维”不是一种单独能力。概念思维、逻辑思维、因果思维、概率思维、创造性思维和系统思维，是从不同功能出发对思维活动所作的划分。

这些思维方式不是互相排斥的心理模块，也不处在一张完全统一的分类表中。它们分别突出思考过程中的不同任务。

本文把概念思维与逻辑思维当作思考活动中的两种功能，重点说明它们怎样与其他方法协作。关于“概念”与“逻辑”各自的定义和理论边界，分别见概念与逻辑；本文不把这些领域重新合并成一套学科定义。

什么是概念思维？

概念思维是通过形成、使用、比较和修订概念，对经验进行分类并建立可理解结构的思维活动。

“概念思维”并不是像“形式逻辑”那样边界高度统一的单一学科名称。它在哲学、教育和心理学语境中，常与概念形成、抽象思维、分类和概念推理相联系。这里把它作为一个功能性名称，指人怎样借助概念组织经验。

概念思维至少包含六种操作。

区分

概念形成首先需要识别差异：

• 需求与欲望；
• 目的与意图；
• 产品与商品；
• 事实与观点；
• 规则与原则。

如果没有区分，多个不同问题就会被压进同一个词中。

抽象

抽象暂时忽略具体对象的一部分差异，保留当前问题所关心的共同结构。例如，从许多交易中提取交换、主体、对象和条件。

抽象不是把细节全部删除，而是根据研究目的决定哪些差异暂时不重要。

分类

分类判断新对象应当进入哪个类别。例如，一项付费在线服务究竟是产品、商品、服务，还是同时具有多重身份。

建立边界

概念思维不仅寻找中心例子，也要区分属于、不属于和边界不清的情况。

建立关系

概念需要进入关系网络：

处境 → 需要 → 目标 → 意图 → 行动
能力 → 产品 → 商品 → 交换 → 使用结果
证据 → 判断 → 推理 → 决策 → 反馈

修订

当反例、新事实或新用途出现时，原来的概念可能需要调整。拒绝修订的概念会逐渐变成保护既有看法的标签。

什么是逻辑思维？

逻辑思维是把判断组织成论证，并依据推导关系检查结论是否由前提成立地推出。

它主要处理：

• 判断是否相互矛盾；
• 一个结论依赖哪些前提；
• 推导是否遗漏步骤；
• 结论是否超出证据；
• 是否存在前提为真而结论为假的反例；
• 同一个词是否在论证中改变含义。

例如：

成功产品都满足某种需求。
这个产品满足某种需求。
所以这个产品一定成功。

这个论证肯定了后件，并不有效。满足需求可能是成功的必要条件之一，却不是充分条件。

逻辑思维把观点转换为可以公开检查的前提、步骤和结论。

概念思维不等于逻辑思维

概念思维主要解决：

我们正在谈论什么？应当怎样区分、分类和组织它？

逻辑思维主要解决：

接受这些判断以后，能够推出什么？

二者可以组成一条循环：

经验
↓
概念形成与分类
↓
形成判断
↓
逻辑推导
↓
产生新判断
↓
现实检验
↓
修订概念和前提

没有概念，逻辑缺少能够组织的内容；没有逻辑，概念之间的连接可能任意、矛盾或无法检验。

但概念思维比逻辑推理更宽。创造新分类、改变概念边界和重新描述问题，并不只是从已有前提中推出结论。

概念思维为逻辑推理提供对象、分类和意义；逻辑思维约束由概念构成的判断与推导。

概念思维与抽象思维是什么关系？

抽象思维强调从具体经验中提取一般结构。概念思维还包括使用已有概念、比较概念、处理边界、建立体系和修订分类。

因此，抽象是概念形成的重要方法，却不是概念思维的全部。

人也可以抽象出错误结构。概念是否有用，还要看它能否正确分类新的对象、支持可靠推理，并在行动和证据中得到检验。

感知与直觉思维

感知使对象首先呈现出来，直觉则常表现为快速的模式识别。

经验丰富的医生可能迅速注意到一组异常症状，设计师可能立即感到一个页面的层级有问题。直觉不一定是神秘能力，它经常来自大量经验被压缩后的快速判断。

但直觉也会受情绪、偏见和错误样本影响。它适合发现线索和提出方向，不能自动代替证据和论证。

概念也并非完全脱离感知和身体经验。关于具身认知的研究强调，认知可能依赖身体与环境的互动，而不是只在头脑中操作抽象符号。Stanford Encyclopedia of Philosophy: Embodied Cognition

因果思维

因果思维研究哪些因素使结果发生或改变。

它会问：

• 用户为什么退出付款页？
• 如果降低价格，购买率是否会变化？
• 如果没有这项政策，结果是否仍会出现？
• 当前看到的是原因、结果、共同原因，还是选择偏差？

因果思维需要机制、时间顺序、反事实和干预。仅仅发现两个现象同时出现，并不能证明一个造成另一个。

逻辑可以检查因果论证的形式，但不能仅凭形式发现现实原因。

概率思维

概率思维处理不确定性。它不只问一个判断是否为真，还会问：在现有信息下，各种可能性得到多大支持？

概率思维要求人：

• 区分可能、很可能和必然；
• 明确基准率和条件信息；
• 随新证据更新判断；
• 比较结果概率与后果大小；
• 避免把一次结果当成稳定规律。

逻辑研究前提对结论的确定性约束，概率研究不完整信息下的程度化支持。概率计算本身仍然需要遵守逻辑和数学规则。

批判性思维

批判性思维不是习惯反对别人，而是系统检查一个主张是否值得接受。

它会检查：

• 概念是否清楚；
• 证据是否可靠；
• 来源是否可信；
• 推理是否有效；
• 是否遗漏反例；
• 是否存在替代解释；
• 结论是否超出证据；
• 自己是否受到立场和偏差影响。

批判性思维比形式逻辑更宽，因为它还处理自然语言、证据质量、语境和认知偏差。Internet Encyclopedia of Philosophy: Critical Thinking

创造性思维

创造性思维扩展候选空间。它通过联想、类比、重组、改变问题表述、跨领域迁移和反事实想象，产生原来没有直接给出的概念、解释或方案。

创造性思维与批判性思维不是对立关系：

创造性思维生成候选
→ 批判性思维检验候选
→ 新问题促使再次生成

只有生成，可能得到大量无法成立的想法；只有评价，可能在没有足够候选的情况下过早收敛。

系统思维

系统思维把对象放进关系网络，关注：

• 要素之间怎样相互作用；
• 是否存在正反馈或负反馈；
• 结果是否存在时间延迟；
• 局部优化会不会损害整体；
• 系统边界怎样影响结论；
• 干预会不会产生意外后果。

降低价格可能增加用户，也可能改变客户结构、服务成本和品牌预期。系统思维拒绝用单一局部变量解释所有结果。

它与因果思维重叠，但系统思维更强调多变量互动、反馈、边界和跨时间行为。

辩证思维

“辩证思维”在不同哲学传统中并没有完全相同的定义。广义上，它强调对象处于关系和变化中，内部张力可能推动变化，同一事物在不同条件下可能表现不同。

辩证视角能够提醒人避免静态、孤立地理解对象。但“事物都是辩证的”本身不能代替概念定义、事实证据和具体机制。辩证思维只有落实到可以说明的关系、条件和变化过程时，才具有分析作用。

战略思维与博弈思维

战略思维研究在资源有限、环境变化并存在其他行动者时，怎样选择长期方向。它关注目标、资源、取舍、能力建设和行动顺序。

博弈思维进一步考虑：自己的结果取决于他人的行动，而他人也会预测并回应自己的选择。

二者都需要系统思维，但关注点不同：战略思维围绕长期位置和资源配置，博弈思维围绕行动者之间的相互依赖与回应。

决策思维

决策思维把认识推进到行动承诺。它需要综合：

• 事实和信息质量；
• 不同结果的概率；
• 因果与可干预条件；
• 目标和价值；
• 成本、风险与机会成本；
• 行动的可逆性；
• 权限与责任。

许多所谓“思维模型”确实服务于决策，但并非所有模型都是决策模型。分类模型帮助识别对象，因果模型帮助解释变化，预测模型估计未来，决策模型才把状态、行动和价值连接起来。

元认知

元认知是对自己认知过程的认识和调节：

• 我依据了什么前提？
• 我是否真正掌握这个概念？
• 我的确信程度是否超过证据？
• 我是否只在寻找支持自己的材料？
• 什么事实会使我改变看法？
• 当前应该继续分析，还是进入行动和反馈？

元认知不提供某个具体问题的答案，却能检查思考过程是否需要暂停、修订或转换方法。

这些思维方式不处在同一个层级

可以按它们在认识与行动中的主要功能建立一张工作地图：

这张表按主要功能组织，不代表每种思维只能出现在一个位置。批判性思维会检查整个过程，逻辑参与概率和因果分析，概念也贯穿所有阶段。

从认识到行动的完整循环

可以把多种思维方式连接成一个可修正循环：

现实与感知：发生了什么？
↓
概念与表征：这是什么？
↓
逻辑、证据与概率：现有信息支持什么？
↓
因果与系统：它为什么发生，改变什么会不同？
↓
创造与批判：还有哪些方案，哪些经得起检验？
↓
价值、战略与决策：追求什么，选择什么？
↓
行动与结果：现实发生了怎样的变化？
↓
反馈与元认知：哪里需要修正？
└──────────────→ 返回概念、前提与模型

真实思考不会严格按顺序进行。新事实可能迫使人修改概念，资源限制可能重构目标，行动结果也可能推翻原来的因果解释。

不同错误需要不同修正

概念错误

把用户购买的对象全部归结为“功能”，可能遗漏体验、信任、身份表达和风险降低。问题首先出在购买对象的概念过窄。

逻辑错误

从“成功产品满足需求”和“某产品满足需求”推出“它一定成功”，问题出在推导无效。

事实错误

即使概念清楚、推导有效，前提也可能不符合现实。

概率错误

把低概率事件的实际发生，当成原来的概率估计必然错误，混淆了单次结果和概率模型。

因果错误

把同时出现或能够预测结果的变量直接当作可干预原因。

价值与决策错误

事实和推理都可以正确，但行动目标可能不正当，代价也可能不可接受。

只有先识别错误属于哪一层，才知道应该修改概念、推导、证据、模型还是目标。

结论

概念思维和逻辑思维是人的认识能力中的两个基础部分，却不能代表思维的全部。

概念思维形成并管理理解世界所使用的分类；逻辑思维约束判断之间的推导；概率、因果、创造、批判、系统、战略、决策与元认知分别处理不确定性、解释、候选生成、证据评价、整体关系、行动方向和自我修正。

好的思考不是永远使用同一种方法，而是识别当前问题处在哪一层，选择合适的方法，并让结果反馈回来修正原来的概念、前提和模型。

它回答的不是“下一次一定会发生什么”，而是：

如果把各种可能结果及其概率一起考虑，这个分布的概率加权中心在哪里？

从随机变量开始

期望值不直接属于一个模糊的“事件”，而是属于随机变量。

随机变量是把随机结果映射为数值的函数。例如，抛一枚硬币后，可以定义：

正面 → X = 1
反面 → X = 0

如果硬币是公平的，那么：

P(X = 1) = 0.5
P(X = 0) = 0.5

对离散随机变量，期望值定义为：

E[X] = Σ xᵢ P(X = xᵢ)

在硬币例子中：

E[X] = 1 × 0.5 + 0 × 0.5 = 0.5

一次抛币不可能得到 0.5 个正面。期望值是分布的均值，不必是随机变量真正能取到的值。

期望值不是最可能的结果

假设一个游戏有两种结果：

期望收益是：

E[X] = 0.1 × 100 + 0.9 × 0 = 10

但是：

• 一次的实际结果只会是 100 元或 0 元；
• 最可能的结果是 0 元；
• 10 元不是任何一次必然出现的收益；
• 期望值不承诺单次结果会接近它。

因此需要区分：

一个分布的期望值可以很好，但最常出现的结果仍然可能很差。

期望值等于长期平均吗？

教材常把期望值解释为“长期平均”。这是有用的直观，但需要补充条件。

期望值首先是根据概率分布定义的数学量。在满足相应条件时，如果同类试验被大量重复，观测平均才可以趋近期望值。

这个语境通常默认：

• 试验能够重复；
• 概率机制没有在重复过程中改变；
• 各次观测具有合适的独立性或稳定性；
• 相关期望存在且是有限的。

人生选择、重大手术、一次性投资和不可逆决策，往往不能被同一个人在同样条件下无限重复。这时，期望值仍然可以描述概率分布，但“长期一定能回到平均”不再是个人决策的充分理由。

期望值为什么有用？

期望值把多个不确定结果压缩成一个可比较的数。它尤其适合：

• 重复次数较多的决策；
• 多个彼此分散的项目组合；
• 保险、库存、排队和实验设计；
• 需要把概率与金额、数量或损失结合的问题；
• 对不同方案进行第一层筛选。

期望还具有线性。对适当的随机变量：

E[aX + bY] = aE[X] + bE[Y]

这意味着可以先分别计算多个部分的期望，再把它们组合起来。线性本身不要求这些随机变量彼此独立。

为什么不能只看期望值？

考虑两个方案：

两个方案的期望值相同，但风险结构完全不同。

一个完整决策还需要检查：

1. 波动：结果会离期望值多远？
2. 尾部风险：小概率下会不会出现极大损失？
3. 破产风险：一次失败会不会使主体无法继续参与？
4. 时间：收益何时出现，期间是否需要承担成本？
5. 可逆性：决策失败后能否撤回或重试？
6. 机会次数：这是否是能够分散的多次决策？
7. 概率误差：概率是已知的，还是从有限数据中估计出来的？

期望值只保留了分布的一个特征。两个形状完全不同的分布可以拥有相同的期望值。

从期望值到期望效用

金钱和结果对人的实际价值不一定线性增长。

对一个资源充足的人，损失 1 万元可能只是普通波动；对一个现金流已经断裂的人，同样的损失可能意味着无法继续生活或经营。

决策理论因此不只计算结果的期望值，还可以对每个结果赋予效用：

E[U(X)] = Σ P(X = xᵢ)U(xᵢ)

这里的 U(x) 表示结果对特定主体的价值，而不只是结果的名义数额。

期望效用理论是不确定决策的规范性模型：它说明在一组偏好和信念满足相应条件时，如何使选择保持一致。它不是人类心理的完整描述。

卡尼曼和特沃斯基的前景理论就是对期望效用作为实际选择描述模型的批评和替代。他们的实验工作表明，人对获得、损失、确定结果和仅有概率的结果，并不总是按照简单的期望效用方式处理。

概率从哪里来？

任何期望值都依赖于一个更基础的问题：用来加权的概率是什么？

概率可能表示：

• 可重复机制的长期频率；
• 物理系统的倾向或机会；
• 证据对某个判断的支持程度；
• 一个主体的信念程度；
• 由统计模型估计得到的预测分布。

这些解释并不完全相同。数学公式可以是正确的，输入的概率却可能来自错误模型、过少样本或过时数据。

因此：

期望值的精确度不会超过结果划分、数值估计和概率输入的可信度。

现实决策中怎样使用期望值？

可以按下面的顺序分析：

1. 列出选项。 当前真正可以选择的行动是什么？
2. 列出结果。 每个选项可能导致哪些结果？
3. 检查遗漏。 是否把重要的间接后果排除在外？
4. 估计概率。 概率来自机制、数据、经验还是主观判断？
5. 为结果赋值。 计算的是金额、时间、生命、满意度，还是其他价值？
6. 计算期望值。 把结果按概率加权求和。
7. 检查分布。 不只看均值，还看波动、分位数和尾部。
8. 检查承受力。 主体能否活着等到长期平均？
9. 做敏感性分析。 如果概率或价值估计改变，结论是否立即反转？
10. 按新证据更新。 期望值是当前模型的输出，不是永久答案。

对“期望值”的最终定义

可以把期望值定义为：

期望值是随机变量各个可能取值按其概率加权得到的均值，用来表示概率分布的中心位置。

它不是：

• 下一次的保证；
• 最可能的结果；
• 一定能被实际取到的数值；
• 对风险的完整描述；
• 自动正确的决策答案。

期望值的力量在于，它把概率与结果放进同一个计算。它的边界也在这里：一个加权平均无法单独告诉我们，一次失败有多严重、主体能否承受，以及用来计算的概率是否值得信任。

参考

• OpenStax: Mean or Expected Value and Standard Deviation
• Stanford Encyclopedia of Philosophy: Interpretations of Probability
• Stanford Encyclopedia of Philosophy: Decision Theory
• Stanford Encyclopedia of Philosophy: Normative Theories of Rational Choice: Expected Utility
• Kahneman and Tversky: Prospect Theory: An Analysis of Decision under Risk

“思维模型”在中文商业和个人成长内容中，经常指第一性原理、机会成本、贝叶斯更新、二阶思维、安全边际或 OODA。它们被放在同一份清单里，好像都是同一种认知工具。

但这些工具承担的功能并不相同：有些帮助定义问题，有些解释因果，有些更新信念，有些比较行动，还有些组织反馈循环。

可以先给出一个宽泛的工作定义：

思维模型，是主体为了表示、理解、解释、预测或回应现实，对对象、关系、机制和可能结果形成的可重复使用、可以操作并能够修正的简化结构。

其基本过程是：

复杂现实
→ 选择相关信息
→ 建立对象、关系与机制
→ 在模型中推断或模拟
→ 形成判断与行动
→ 用现实反馈修正模型

模型不是现实的缩小复制品。它会主动忽略信息。忽略使模型可用，也构成模型犯错的来源。

“思维模型”与 mental model 是同一个概念吗？

不能直接画等号。

认知科学中的 mental model 通常指人为了理解语言、情境或系统而构造的内部表征。Johnson-Laird 的心智模型理论研究人怎样通过表示可能情形进行推理，而不是只依赖形式逻辑规则。Cambridge University Press：Mental Models and Reasoning

现代中文“思维模型”还常被用来指一套可以主动调用的分析工具。这种用法更宽，可能包括：

• 心理内部形成的情境模型；
• 从科学理论中提取的因果结构；
• 形式化的概率与决策模型；
• 帮助行动的检查表和循环框架；
• 经验总结形成的启发式规则。

所以，本文讨论的是广义的实用思维模型，同时保留它与认知科学 mental model 的区别。英文对应文章会从英语内部的 mental model、model-based reasoning 和决策工具边界重新展开，而不会把“思维模型”逐字译成 thinking model。

模型为什么不是现实？

模型至少进行四种处理：

1. 选择：保留与当前问题有关的对象；
2. 压缩：省略大量细节；
3. 组织：建立类别、关系、顺序和机制；
4. 模拟：改变条件，观察模型会推出什么。

地铁图不保存街道的真实形状，却适合规划换乘；地形图更接近空间关系，却未必适合快速选线路。模型的好坏不是看它是否包含最多信息，而是看它在指定任务中保留了什么、忽略了什么，以及这些取舍是否合理。

科学哲学把模型的一项重要作用称为替代性推理：研究者操作模型，从而学习它所代表的系统。Stanford Encyclopedia of Philosophy：Models in Science

思维模型不等于什么？

不等于概念

概念帮助识别和分类对象。模型进一步组织多个概念之间的关系。

“用户”“需求”“产品”“结果”是概念。下面的结构开始成为模型：

用户在特定处境中产生需要
→ 产品提供一种解决方案
→ 使用结果检验需要是否得到满足

不等于理论

理论通常包含一组系统主张、解释和证据要求。模型可以由理论支持，也可以只是为特定任务建立的局部表示。同一个理论还可以产生多个模型。

不等于框架

框架规定从哪些维度观察问题；模型还应说明要素怎样关联、变化或共同产生结果。“人、货、场”可以是观察框架，只有进一步说明三者的关系和机制，才成为更完整的模型。

不等于方法

模型表示事情怎样构成或运行；方法规定具体怎样操作。因果图是一种模型，随机对照试验是一种识别因果的方法。

不等于启发式

启发式是减少搜索成本的简化规则，例如“先排除不可逆且最坏损失无法承受的选项”。它可能来自某个模型，但不一定解释现实机制。

不等于决策模型

决策模型是思维模型中面向行动选择的一类。

思维模型：这个世界或问题怎样构成和运行？
决策模型：在这些证据、目标和限制下，应该选择什么？

六类思维模型

下面不是按流行名称分类，而是按模型在思考过程中承担的功能分类。同一个模型可能跨越多类。

1. 表征与结构模型

它回答：

当前对象由什么构成？边界在哪里？要素之间是什么关系？

常见形式包括层级、网络、地图、流程、分类和系统边界。例如商业模式把用户、价值、渠道、收入和成本组织起来；心理表征则说明心智怎样承载关于对象与情境的内容。

这类模型首先帮助人看见问题，而不是直接作出决定。

2. 解释与因果模型

它回答：

为什么发生？什么因素通过什么机制产生结果？

因果链、激励结构、供需关系、反馈循环、路径依赖和瓶颈模型都属于这一层。

解释模型的危险，是把容易讲述的故事当成已经验证的机制。相关性、时间先后和有说服力的叙事都不能自动证明因果。

3. 推理与信念更新模型

它回答：

根据现有前提和证据，应该相信什么？

演绎、归纳、溯因、贝叶斯更新、基础概率、反事实和证伪都可以作为推理结构。

贝叶斯更新主要改变信念：

先验判断
+ 新证据
→ 后验判断

它还没有决定行动。只有加入结果价值、约束和决策规则，才进入决策模型。

4. 预测与模拟模型

它回答：

如果条件改变，接下来可能发生什么？

情景分析、敏感性分析、趋势模型、二阶效应、系统动力学和蒙特卡洛模拟都服务于这一问题。

预测不只是给出一个点估计。较好的模型还应暴露范围、假设、关键变量和不确定性。一个无法说明适用条件的准确预测，很难被可靠复用。

5. 评价与决策模型

它回答：

面对多个可行方案，怎样比较并选择？

机会成本、期望效用、多目标决策、最小化最大损失、安全边际、决策树、可逆性和探索—利用权衡都属于这一层。

它们把关于世界的判断连接到行动，却必然引入价值：什么算收益，什么代价不可承受，谁的结果应被计算。

6. 行动与反馈模型

它回答：

怎样把决定变成行动，并根据结果修正？

OODA、PDCA、假设—实验—反馈、控制回路、小步试错和复盘都在处理行动的连续性。

这类模型提醒我们：生成计划、执行动作、观察结果和验证目标是不同状态。没有反馈，模型只是对现实的想象；反馈进入下一轮以后，模型才可能学习。

六类模型怎样连接？

表征模型
告诉我们正在面对什么

解释模型
告诉我们为什么发生

推理模型
告诉我们应该相信什么

预测模型
告诉我们可能发生什么

决策模型
告诉我们准备选择什么

行动模型
告诉我们怎样执行和修正

这是一种功能关系，不是强制流程。真实思考会来回移动：新的行动反馈可能迫使人重新定义对象；价值冲突可能让人寻找新的选项；预测失败可能暴露错误的因果模型。

一个真实问题通常需要多个模型

以“是否停止一个产品”为例：

1. 用结构模型界定产品、用户、市场和成本；
2. 用因果模型解释增长停滞；
3. 用基础概率和新数据更新判断；
4. 用情景模型预测继续、缩减和停止的后果；
5. 用机会成本、最坏损失和可逆性比较方案；
6. 用阶段试验和反馈检验决定。

不存在一个名称响亮的模型能够替代整条链。模型选择本身也是判断：当前最缺的是事实、机制、预测、价值比较，还是执行反馈？

为什么流行的思维模型大多像决策模型？

商业和个人成长内容通常围绕行动问题展开：该不该做、先做什么、何时停止、怎样减少错误。因此，它们会集中介绍最靠近行动的模型。

但“服务决策”和“本身是决策模型”不同：

• 第一性原理主要用于重新构造问题和前提；
• 系统思维主要用于识别结构与反馈；
• 因果模型用于判断干预可能改变什么；
• 贝叶斯更新用于修正信念；
• 机会成本直接比较行动；
• OODA 连接观察、判断、行动和反馈。

所以，更准确的关系是：

决策模型是思维模型中面向行动选择的一类；很多其他模型为决策提供表征、证据、解释和预测。

怎样评价一个思维模型？

对象是否清楚

模型表示的是什么系统、处境或问题？它的边界在哪里？

用途是否明确

它用于描述、解释、预测、评价、决策还是控制？不能因为一个模型擅长分类，就假定它也能证明因果。

假设是否可见

模型忽略了什么？哪些条件变化后，它就不再适用？

能否产生可检查的推论

一个模型如果可以解释任何结果，就很难被证据修正。

是否优于更简单的替代方案

复杂模型需要带来额外判断价值。更多变量和术语不必然意味着更接近现实。

是否接受现实反馈

模型错误时，是修改模型，还是不断为它增加例外？能够失败，才可能真正学习。

思维模型的哲学边界

人无法脱离所有模型直接获得“未经解释的完整现实”。概念、语言、感知和测量本身已经进行选择与组织。但这不意味着所有模型同样正确。

现实仍然通过预测失败、行动受阻、反例、测量和他人经验限制模型。模型可以多元，却不能因此免于证据。

模型也不是价值中立的。选择哪些对象、结果和风险进入模型，会影响谁被看见、谁被忽略以及什么行动显得合理。

结论

思维模型不是一组需要背诵的聪明术语，而是人用来压缩现实、组织关系、进行推断和指导行动的可修正结构。

它们至少承担六种功能：

表示结构
解释机制
更新信念
预测可能
比较行动
组织反馈

模型的价值不在数量，而在于是否适合当前问题、是否公开假设、是否区分事实与价值，以及是否能够被现实修正。

模型帮助我们在有限认知中接近现实；决策使我们在这种有限理解之上承担行动。

延伸阅读

• 决策是什么？从判断、选择到行动承诺
• 心理表征是什么？人如何在头脑中表示世界

参考资料

• Cambridge University Press：Mental Models and Reasoning
• The Mental Models Global Laboratory：Publications
• Stanford Encyclopedia of Philosophy：Mental Representation
• Stanford Encyclopedia of Philosophy：Models in Science
• Stanford Encyclopedia of Philosophy：Thought Experiments

人会感知问题、判断事实、想象未来，也会形成愿望和目标。但这些活动不会自动产生行动。一个人只有在若干可能方向之间作出取舍，使其中一个方向获得行动优先权，才进入决策。

可以先给出一个定义：

决策，是主体面对一个需要回应的处境，在多个可能行动、价值冲突或不确定后果之间，形成并承诺一条行动方向的过程及其结果。

决策最关键的变化是：

多个仍然开放的可能
→ 判断、比较与取舍
→ 一个方向获得行动优先权
→ 进入计划和执行

这里的承诺不表示决定永远不能修改，而是主体暂时结束部分犹豫，开始按照这个方向配置注意力、时间、资源和行动。新证据、环境变化和执行失败，都可能要求重新决策。

决策不等于什么？

很多与决策相邻的概念会在同一过程中出现，但它们回答的问题不同。

其中最容易被混淆的是判断与决策。

这个方案成功的概率较高。

这是判断。

在现有证据和风险限制下，选择执行这个方案。

这是决策。

从前一句不能直接推出后一句。即使成功概率已经知道，行动者仍要考虑收益、损失、替代方案、风险承受能力以及伦理边界。

一个完整决策包含什么？

需要回应的处境

为什么现在需要作出回应？如果没有需要改变的状态、冲突或分岔，就没有明确的决策问题。

问题框架

同一现实可以被表达成不同问题：

• 要不要继续这个项目？
• 怎样降低项目失败的概率？
• 哪个目标值得优先保留？
• 是否应该把资源转移到其他项目？

框架决定哪些选项和证据会进入分析。后续计算即使精确，也无法补救一个被错误定义的问题。

主体与权限

谁能够让决定生效？谁只提供建议？谁承担后果？个人、家庭和组织的决策结构不同。讨论形成共识并不自动等于形成有效决定，还需要授权、程序和责任机制。

目标、价值与约束

目标说明希望达到什么状态，价值说明它为什么值得，约束说明哪些手段、风险和代价不可接受。

困难决策经常不是缺少数据，而是多个价值无法同时满足，例如收益、安全、自由、公平、速度和关系之间发生冲突。

可行选项

“成功”和“失败”是可能结果，不是行动选项。“继续”“停止”“缩小范围”“先试验”“延期并获取信息”才可能是选项。

不行动、延迟、委托和维持现状也会产生后果，因此也应进入选项集合。

后果、因果与概率

决策需要判断：如果采取行动 A，哪些结果会因此改变？这需要因果模型，而不只是相关性。

概率表示结果有多可能，却不能说明结果有多值得。把概率与价值混为一谈，是决策中最常见的错误之一。

取舍规则

行动者可能选择：

• 最大化期望收益；
• 避免无法承受的损失；
• 保护不可替代的价值；
• 选择最坏情况下仍可接受的方案；
• 先进行低成本、可逆的试验；
• 达到“足够好”的门槛后停止搜索。

不同规则可能产生不同答案。规则本身也需要理由，不能把公式当作没有价值前提的结论。

承诺、执行与反馈

决定使一个选项获得行动优先权，但还要转化成计划、资源、权限和实际执行。现实结果随后进入下一轮：

决定
→ 执行
→ 观察结果
→ 比较预期
→ 修正信念、目标或规则
→ 新的决定

决策理论研究什么？

决策研究至少有三个不同目标。

描述性决策理论

心理学研究注意力、记忆、情绪、默认项、框架、社会影响和启发式怎样塑造实际选择。APA 将 decision making 概括为在两个或更多方案之间进行选择的认知过程。APA Dictionary of Psychology

描述一种行为常见，不能证明它合理。

规范性决策理论

规范理论研究信念、偏好和选择应当满足哪些一致性要求。经典的期望效用模型是：

EU(A) = Σ P(Oᵢ | A) × U(Oᵢ)

其中，P(Oᵢ | A) 表示采取行动 A 后结果 Oᵢ 的概率，U(Oᵢ) 表示结果的效用。规则要求比较不同行动的期望效用。Stanford Encyclopedia of Philosophy：Expected Utility

效用在现代决策理论中常表示偏好结构，不必等于金钱或快乐。模型也不会自动告诉我们有哪些选项、概率是否可信、价值能否统一换算，以及谁承担代价。

处方性决策方法

处方性方法把规范标准与人的现实限制连接起来，例如：

• 把事实、推断、概率、价值和未知分开；
• 寻找被当前框架遗漏的选项；
• 设置停止、退出和复查条件；
• 使用外部基准而不只依赖内部感觉；
• 通过小规模试验降低关键不确定性；
• 记录决策时的信息，避免事后只按结果评价。

有限理性：为什么不能永远寻找最优？

现实中的人没有无限信息、时间、注意力和计算能力。有限理性不是简单地说“人不理性”，而是研究有限主体怎样在具体环境中使用可承受的程序。

Herbert Simon 提出的“满意化”思路，不要求遍历所有可能方案并找到绝对最优，而是在搜索成本与结果质量之间取舍，达到足够好的门槛后停止。Stanford Encyclopedia of Philosophy：Bounded Rationality

所以，还要评价：

继续获得信息的预期价值
是否高于
搜索、等待与错失机会的成本

花无限时间寻找最优答案，本身可能成为一个糟糕决定。

人实际怎样偏离形式模型？

人的风险选择会受到参照点、损失感受、表述方式和概率权重影响。Kahneman 与 Tversky 的前景理论用这些因素解释了部分系统性选择模式。2002 年诺贝尔经济学奖材料将这项贡献概括为把心理学研究引入不确定条件下的经济判断和决策。Nobel Prize 2002

不过，“偏差”不能成为给所有不同于公式的决定贴标签的工具。必须先确认所采用的规范标准适用于当前问题，并考虑信息成本、环境结构和行动者的真实目标。

决策为什么不只是计算技术？

事实不能单独推出行动

事实和概率描述世界可能怎样，却不能单独说明什么值得追求。决定必然引入目标、价值或规范前提。

价值不一定可以统一换算

一个选项可能更赚钱，另一个更自由；一个更安全，另一个更符合承诺。把所有价值压缩成一个数字能够帮助比较，也可能掩盖无法替代的差异。

真实选择不只取决于选项数量

表面上存在多个选项，不代表主体具有同等能力选择。贫困、信息控制、权力关系、成瘾、习惯和制度设计都会改变可行选项和责任条件。

程序本身可能具有价值

在集体决策中，即使结果有效，程序也可能不公正。谁能发言、谁有否决权、信息是否公开、受影响者是否参与，都可能成为决定正当性的一部分。

好决策与好结果必须分开

一个合理决定可能因低概率事件产生坏结果；一个草率决定也可能因为运气获得好结果。复盘必须回到作出决定时能够获得的信息，而不能用后来发生的事情重写过去。

怎样检查一个决定？

1. 真正需要决定的问题是什么？
2. 是否因为错误框架而解决了错误问题？
3. 不行动、延迟和先试验是否也是选项？
4. 哪些是事实，哪些是推断、概率、价值和未知？
5. 行动与结果之间是否有合理的因果解释？
6. 优化什么、保护什么、愿意放弃什么？
7. 最坏结果能否承受，决定能否逆转？
8. 谁获得收益、承担风险并拥有决定权？
9. 决定是否已经进入计划、资源和行动？
10. 什么新证据会触发重新决策？

决策在思维与行动之间的位置

处境与需求
→ 认知和思维形成表征
→ 判断事实、因果与概率
→ 价值和立场规定什么重要
→ 目标与意图形成行动方向
→ 决策处理具体分岔和取舍
→ 计划与战术组织行动
→ 行动产生结果
→ 反馈修正下一轮决策

这不是固定的单向流水线。决策可以形成意图，既有意图也会约束后续决策；行动结果还可能改变原来的目标。

好决策不是保证得到好结果，而是在当时可获得的信息、价值和限制下，形成可解释、可执行、可承担并且能够修正的行动承诺。

延伸阅读

• 思维模型是什么？人怎样简化现实并指导行动
• 思维是什么？人如何形成理解、判断与行动

参考资料

• APA Dictionary of Psychology：Decision Making
• Stanford Encyclopedia of Philosophy：Normative Theories of Rational Choice—Expected Utility
• Stanford Encyclopedia of Philosophy：Descriptive Decision Theory
• Stanford Encyclopedia of Philosophy：Bounded Rationality
• Nobel Prize 2002：Psychological and Experimental Economics

专题：思维、意图与行动（2/4） 上一篇：人的思维；下一篇：AI 如何理解用户意图

AI 是否在“思考”？

当人们说 AI 在思考，通常混合了三个不同问题：

1. 它能否完成推理、规划、比较和判断等任务？
2. 它内部是否存在可以称为思维的计算过程？
3. 它是否像人一样具有意识、体验、理解和自主意图？

对第一个问题，可以肯定回答：现代大语言模型能够完成许多过去需要人类思考才能完成的任务。

对第二个问题，可以使用功能性的说法：

AI 的“思考”，是系统根据输入、上下文、内部参数和外部工具，对信息进行表示、转换、预测、比较与选择的计算过程。

但第三个问题不能从任务表现直接推出。一个系统能够解释概念、写出论证、规划步骤，并不能证明它具有人的主观体验，也不能证明它以人的方式理解自己正在做什么。

因此，讨论 AI 思维时，最好区分：

功能表现
≠
内部机制
≠
主观体验

本文讨论的是前两层：AI 怎样形成输出、怎样处理复杂任务，以及怎样从语言生成走向外部行动。

大语言模型的基本工作是什么？

大语言模型的基础任务是：根据已有文本，预测接下来最可能出现的语言单位。

可以简化为：

P(下一个 token | 当前输入、上下文、模型参数)

模型在训练中接触大量文本，通过调整参数，学习词语、句法、语义、文体、事实陈述和推理形式之间的统计关系。它得到的不是一本逐条查询的词典，也不是一组人工写好的全部规则，而是一套分布式的参数结构。

生成答案时，系统反复执行：

读取当前上下文
→ 计算候选 token 的概率
→ 选择一个 token
→ 把它加入上下文
→ 继续预测

这个描述很重要，但不完整。因为“预测下一个 token”并不意味着模型只能机械续写。要准确预测技术解释、数学证明、程序代码或行动计划，模型必须形成能够支持这些输出的内部结构和中间计算。

问题在于：这些结构究竟多大程度上对应稳定的概念、世界模型和推理过程，仍然是正在研究的问题。

为什么预测语言可以产生推理能力？

语言记录了人类对世界的描述，也记录了大量推理、解释、计划和纠错过程。模型学习语言规律时，也会学习这些结构之间的关系。

例如，一个有效的回答需要处理：

• 哪些信息与当前问题相关；
• 哪些概念应当区分；
• 前提能否支持结论；
• 哪个步骤必须先完成；
• 哪种工具适合取得缺失信息；
• 新证据是否推翻原来的判断。

这使大模型能够表现出归纳、演绎、类比、因果解释、程序模拟和任务分解等能力。

但能力并不稳定。模型可能在熟悉形式上表现良好，在轻微改写、长链推理、分布外问题或需要精确状态跟踪时失败。语言上流畅的结论也可能没有足够证据。

所以，不能把“能生成推理文本”直接等同于“始终执行了可靠推理”。

模型输出前发生了什么？

输入文本首先被切分为 token，并转换成向量表示。Transformer 通过注意力机制计算上下文中不同位置之间的关系，经过多层变换形成新的内部状态，最后输出候选 token 的概率分布。

可以概括为：

提示词与上下文
→ token 与位置表示
→ 多层注意力和非线性变换
→ 当前上下文的内部状态
→ 候选输出分布
→ 生成结果

这里的内部状态不是可以直接翻译成人类句子的“内心独白”。研究者可以分析激活、注意力和中间表示，但不能简单地把某个神经元或向量当作一个完整、透明的思想。

模型有时会输出“思考过程”或逐步解释。它们可以帮助系统分解问题，也能让人检查答案，但这些文字不必然忠实记录了导致答案的全部内部计算。研究表明，链式思维解释可能遗漏真实影响因素，甚至为已经形成的答案补写看似合理的理由。Turpin 等：Language Models Don’t Always Say What They Think

因此：

可读的推理过程是工作界面和证据之一，不是模型内部过程的完整扫描。

基础模型为什么会服从指令？

单纯进行下一词预测的基础模型，主要学习“什么文本可能接在后面”。但助手还需要判断“用户要求我完成什么”。

常见的训练过程包括：

• 在大量文本上进行预训练；
• 使用示范数据进行指令微调；
• 根据人类或模型反馈进一步调整行为；
• 通过系统规则和工具协议约束运行时行为。

GPT-3 展示了大模型通过上下文示例完成多种任务的能力；InstructGPT 则说明，仅仅扩大模型并不会自动使其更符合用户意图，指令微调和人类反馈能显著改变模型的行为方向。GPT-3 · InstructGPT

这意味着，AI 助手的回答不是只由用户最后一句话决定。它同时受模型参数、系统规则、对话历史、可见环境、工具返回值和解码策略影响。

推理、决定和行动不是一回事

在一个 AI 系统中，可以区分四个环节：

语言模型可以生成一个行动建议，却没有实际执行它；也可能调用了工具，却没有充分推理。把这四层分开，才能定位错误发生在哪里。

“删除文件”是行动。“这个文件可能是重复的”是判断。“删除它最节省空间”是决策理由。“用户允许删除”则是权限事实。它们不能相互替代。

AI 怎样从模型变成 Agent？

大语言模型本身主要接收上下文并产生输出。要成为可以持续完成任务的 Agent，通常还需要外部系统提供：

• 目标与任务状态：现在要完成什么，进展到哪里；
• 规划机制：把较大的目标拆成可执行步骤；
• 工具：搜索、读取文件、执行代码、调用服务；
• 记忆：保存当前任务状态、既往结果和长期约定；
• 环境观察：读取工具结果和外部状态；
• 权限边界：哪些操作允许执行，哪些需要确认；
• 反馈与终止条件：怎样判断成功、失败或需要修正。

典型回路是：

观察环境
→ 解释当前状态
→ 选择下一步
→ 调用工具
→ 读取结果
→ 更新计划
→ 继续或停止

ReAct 把推理轨迹与行动交错起来：模型根据当前信息提出下一步，通过工具取得观察结果，再据此继续处理任务。ReAct

这里真正行动的不是一段孤立文本，而是“模型 + 工具 + 状态 + 权限 + 执行环境”组成的系统。

AI 有自己的目标和意图吗？

工程系统可以具有目标变量、奖励函数、任务说明和停止条件。但这些“目标”不必等同于人的欲望、承诺或行动意图。

可以区分：

模型生成“我打算先检查文件”时，这句话通常描述系统接下来的操作计划，不能单凭第一人称表达证明它具有人的主观意向。

这一区分也解释了为什么一个 Agent 可以表现出持续目标导向，却仍需要外部权限、监控和责任主体。

行动为什么必须依赖反馈？

一次生成无法保证计划与现实一致。工具可能报错，网页可能改变，文件可能不存在，早先假设也可能被新证据推翻。

可靠的行动系统需要闭环：

提出假设
→ 执行动作
→ 观察结果
→ 比较预期与实际
→ 修正解释或计划
→ 再次行动

没有反馈，AI 只能把行动当成语言中的想象；有了反馈，它才能发现自己是否真的改变了外部状态。

这也要求系统区分不同证据：

• “命令已生成”不等于“命令已成功执行”；
• “代码通过构建”不等于“用户界面符合预期”；
• “已经推送仓库”不等于“线上版本已经部署”；
• “用户没有反对”不等于“用户授权了高后果行动”。

AI 推理与行动的主要局限

语言流畅会掩盖证据不足

模型可以用完整句子表达错误判断。表达质量与事实可靠性不是同一指标。

上下文有限且具有选择性

系统只处理当前可见的信息。遗漏的文件、隐藏的环境状态和未表达的用户目的，都可能改变正确行动。

长任务会产生状态漂移

任务越长，越需要外部记录、检查点和明确的完成条件。否则模型容易重复、遗漏或把计划误认为结果。

工具结果也需要解释

工具返回的内容可能不完整、过期、错误或恶意。调用工具并不会自动消除不确定性。

目标可能冲突

用户要求、系统规则、现实约束和不同子目标之间可能不一致。AI 需要识别冲突，而不是把任何一句指令都当作最高目标。

行动后果由整个系统承担

模型选择工具调用，执行器改变现实，平台决定权限，人承担或分配责任。不能只评价模型文本而忽略整个行动链。

怎样判断一个 AI 系统是否真的完成了任务？

不能只看它是否给出自信的回答。更可靠的判断需要逐层核验：

是否理解了正确对象？
→ 是否引用了足够证据？
→ 推理是否支持结论？
→ 是否拥有行动权限？
→ 工具是否实际执行？
→ 外部状态是否按预期改变？
→ 结果是否满足原始目标？

复杂任务还需要保留可回退的中间状态，让错误能够被发现和修正。

结论

AI 的“思考”可以在功能上理解为：系统对输入和上下文进行表示、转换、预测与选择，从而产生判断、计划和输出。它与人的思维存在可比较的功能，却不能因此被断定为具有同样的意识和体验。

AI 的“行动”也不是模型单独完成的。它来自一个更大的系统：

模型
+ 上下文
+ 工具
+ 状态
+ 权限
+ 环境反馈

所以，理解 AI 不能只问“模型想了什么”，还要问：

• 它依据了什么证据；
• 它怎样形成和检查计划；
• 谁赋予它行动权限；
• 工具实际改变了什么；
• 结果如何被验证；
• 错误怎样进入下一轮修正。

AI 推理是生成行动方案的计算过程；AI 行动是受权限约束、接受现实反馈并能够修正的系统过程。

参考资料

• Brown 等：Language Models are Few-Shot Learners
• Ouyang 等：Training Language Models to Follow Instructions with Human Feedback
• Yao 等：ReAct: Synergizing Reasoning and Acting in Language Models
• Turpin 等：Language Models Don’t Always Say What They Think

专题：思维、意图与行动（4/4） 从第一篇开始阅读：思维是什么？人如何形成理解、判断与行动

人与 AI 之间真正要连接什么？

人类与 AI 的协作常被描述成：

人给出提示词
→ AI 给出答案

这个结构只描述了一次语言交换。它没有解释人为什么提出请求、AI 怎样理解请求、谁决定可以采取什么行动，也没有说明现实结果怎样反过来修正双方的判断。

更完整的结构是：

人的处境、需要与目的
→ 人形成暂时意图
→ 用语言表达请求
→ AI 构造任务解释
→ 双方校准目标、对象与边界
→ AI 形成计划并在授权内行动
→ 观察现实结果
→ 人评价结果，AI 更新解释
→ 进入下一轮

人机协作不是一次准确翻译，而是双方围绕共同任务持续校准、行动和纠错的过程。

人的意图为什么不能完整进入提示词？

人在行动以前，并不总有一个完整、固定、清晰的目标等待表达。很多意图是在表达、比较和尝试中逐渐形成的。

一个请求至少可能包含四层：

提示词通常只显式表达其中一部分。其余信息可能存在于前文、当前文件、既往约定、组织规则和用户自己尚未说清楚的判断中。

所以，“把提示词写得足够长”不能从根本上消除意图问题。表达长度会增加信息，也可能增加冲突、噪声和虚假的精确感。

AI 理解的不是完整的人，而是当前任务

AI 能接触的只是证据：

• 当前语言；
• 对话历史；
• 可见文件和页面；
• 工具返回结果；
• 已保存的偏好与规则；
• 用户对中间结果的确认和修正。

据此，AI 构造的是一个工作性的任务模型：

当前对象是什么？
期望产生什么变化？
有哪些约束？
哪些事实仍然未知？
哪些行动已经获得授权？
怎样判断完成？

这个模型可以很准确，却仍然不是用户全部心理状态。把任务理解限制在当前可观察证据上，反而有助于防止 AI 把猜测写成事实。

三种“理解”需要分开

语义理解

AI 能否识别词语、句子和上下文的含义？例如，“使用第一种”中的“第一种”指向前面哪一个选项。

操作理解

AI 能否把语言转化成具体任务？例如，它是否知道要修改哪篇文章、生成哪些语言版本、使用什么格式。

结果理解

AI 是否知道什么结果才算满足人的目的？例如，文件已经生成，是否还需要提交仓库、部署网站，并验证线上地址。

三者并不自动同时成立。

听懂一句话
≠
知道该做什么
≠
知道怎样才算做完

很多人机协作失败并不是模型完全没有理解语言，而是操作对象、完成条件或结果标准没有对齐。

共同任务模型怎样形成？

双方需要逐步建立一个共享但可修正的任务模型。它通常包含六个部分：

这不是要求人把所有内容一次性写进提示词。AI 可以先利用已有上下文完成低风险、可逆的工作，再在真正影响行动边界的地方取得必要信息。

良好的协作会保留已经确认的决定，避免每一轮都从头询问；也会在新证据出现时允许旧解释被推翻。

澄清、假设与行动怎样选择？

AI 面对歧义时，不应只有“猜”或“追问”两个选项。更合理的策略取决于三个变量：

歧义程度 × 出错代价 × 可逆性

低代价且可逆

可以说明合理假设后先做。例如先生成一个文章草稿，用户可以直接修改。

中等歧义

可以保留多个候选、先完成共同部分，或者给出可比较的方案。

高代价或不可逆

需要确认关键对象、权限或范围。例如公开发布、向他人发送消息、支付、删除不可恢复数据。

关键不是让 AI 永远等待，而是让确认发生在真正决定后果的边界上。

提示词是证据，不是完整契约

提示词对当前任务具有直接约束力，但它仍需要与上下文、权限和现实条件一起解释。

同一句话在不同位置具有不同作用：

• “这个能发布吗？”是在询问可行性；
• “准备成可发布版本”是在授权编辑；
• “发布到网站”是在授权外部行动；
• “我以后可能发布”只是陈述计划。

AI 需要识别请求、讨论、假设、背景和授权之间的差别。

对话也会形成承诺。用户已经选择方案、批准发布或规定格式以后，系统应当把这些决定带入后续步骤。共同理解并不只存在于最后一句提示词里，而存在于整个交互历史中。

行动怎样成为理解的检验？

单靠复述不能证明双方已经对齐。行动会把隐藏差异暴露出来。

例如，人说“把文章更新到网站”。AI 可能完成了本地 Markdown，却没有提交；完成提交，却没有部署；线上页面出现了，却缺少英文版本或 sitemap。

因此需要逐层验证：

任务解释正确
→ 产物内容正确
→ 行动实际执行
→ 外部状态改变
→ 用户目标得到满足

每一层都提供新的证据。失败不是单纯的终点，也会告诉双方此前的任务模型哪里不完整。

一个完整的人机行动回路

可以把共同回路分成八步。

1. 人感知问题

人从需要、阻碍、机会或不满意的结果中发现需要改变的状态。

2. 人形成初步意图

人确定一个大致方向，但目标、手段和判断标准可能仍然模糊。

3. 人表达请求

语言把部分意图外化为提示词，并带入背景、材料和限制。

4. AI 构造候选解释

AI 识别对象、动作、约束和缺失信息，并比较可能的任务解释。

5. 双方校准

AI 利用历史决定、复述、草稿、选项或必要追问，使任务达到足以行动的清晰度。

6. AI 在授权内行动

AI 规划步骤、调用工具、保存中间状态，并对高后果边界检查权限。

7. 系统观察结果

读取文件变化、命令结果、线上页面、用户反馈或其他外部证据。

8. 双方修正

用户可以改目标、指出偏差或接受结果；AI 据此更新任务模型，继续行动或结束。

这构成：

意图
→ 表达
→ 解释
→ 校准
→ 行动
→ 观察
→ 评价
→ 修正后的意图

谁负责什么？

共同回路不意味着人的责任和 AI 的责任完全相同。

人主要提供

• 需要改变的现实处境；
• 价值判断和最终目的；
• 私人背景与未公开限制；
• 对高后果行动的授权；
• 对结果是否值得接受的最终判断。

AI 主要提供

• 对当前证据的结构化解释；
• 候选方案、推理与风险差异；
• 可执行的步骤和工具使用；
• 对不确定性、权限和完成状态的显式记录；
• 根据新证据快速修正计划。

系统与组织必须提供

• 身份和权限控制；
• 数据与隐私边界；
• 日志、版本和可回退机制；
• 失败处理和责任分配；
• 对外部行动的可验证状态。

AI 不能替人决定所有价值；人也不能把一切错误归因于一个孤立模型。结果来自整个社会技术系统。

常见的断裂位置

人把感觉直接当成明确目标

用户知道“不对”，却还不知道要变成什么。此时 AI 应帮助比较结果，而不是假装存在唯一正确答案。

AI 把最可能解释当成真实意图

概率最高只说明现有证据更支持某种解释，不证明它就是用户内心的完整目的。

双方只确认内容，不确认行动

一篇文章得到认可，不自动等于获得公开发布的权限。

AI 把计划当成完成

“将会更新网站”不是更新证据。本地文件、提交、部署和线上验证是不同状态。

人只评价输出，不评价过程

一个偶然正确的答案可能来自不可靠方法；一个暂时失败的尝试也可能暴露关键未知。长期协作需要同时评价结果、证据和纠错能力。

反馈没有进入下一轮

如果用户的修正没有被保存或使用，同一种偏差会重复发生，协作就无法形成真正的闭环。

怎样提高共同回路的质量？

对人而言：

• 先说希望改变什么，而不只是给出一个动作词；
• 区分探索、草拟、修改、批准和发布；
• 在关键地方说明不能接受的结果；
• 用具体反馈指出哪一层理解错了；
• 允许意图在获得新信息后改变。

对 AI 而言：

• 把明确要求、推断和未知分开；
• 利用已确认的上下文，不重复索取信息；
• 在低风险任务上用可逆产物推进；
• 在高后果边界核对对象和权限；
• 报告实际结果，不把计划写成完成；
• 让反馈更新任务模型和后续行为。

结论

人类先在现实处境中形成需要、目标和意图，再通过语言把其中一部分交给 AI。AI 根据可见证据构造任务模型，通过推理与工具采取行动。现实结果和人的评价随后反过来修正这个模型，也可能修正人原来的意图。

所以，人机之间需要建立的不是一次性的“正确提示词”，而是一个能够持续校准的共同回路：

人提供目的、价值与授权
+
AI 提供解释、方案与执行
+
环境提供结果与证据
+
反馈推动双方修正

真正可靠的人机协作，不要求 AI 读懂一个不可见的“真实内心”；它要求双方把当前任务、行动边界和完成证据逐步变得清楚。

延伸阅读

• AI 能断定用户的真实意图吗？
• AI 如何推理并行动？
• 思维是什么？人如何形成理解、判断与行动
• EMNLP 2024：让语言模型显式处理歧义

战略是在不确定、受约束且可能存在他人回应的环境中，为实现重要结果而形成的一套总体选择逻辑。

它把五类问题连接起来：

1. 结果：最终希望形成什么状态；
2. 诊断：当前最关键的障碍、矛盾或机会是什么；
3. 路径：准备通过什么作用机制改变现状；
4. 资源：有限的人、钱、时间、能力和注意力集中在哪里；
5. 取舍：为了保持一致性，明确不做什么。

战略不是关于未来的所有想法，而是对重要结果、关键问题和有限资源作出的有约束力的选择。

在军事学中，克劳塞维茨把战术与战斗中的武力运用联系起来，把战略与为了战争目的运用各次战斗联系起来。这一定义的重点不是“战略更大”，而是局部战斗必须通过某种关系服务战争目的。《战争论》第二卷第一章

现代军事理论常用“目的—方法—手段”说明战略：目的是什么，以什么总体方法实现，使用哪些资源。英国国防条令也把战略表述为把政策目的与方法和手段连接起来。UK Defence Doctrine

在组织和商业中，战略的对象从战争扩展到竞争、产品、组织发展和公共行动。概念的基本结构仍然是：面对环境与其他行动者，选择一种能够集中资源、产生差异并形成总体结果的路径。

战术是什么？

战术是在既定目标、约束和总体方向下，针对具体对象、时间、地点和条件选择的行动方法。

它主要回答：

• 当前要完成哪个局部任务；
• 面对什么具体对象与情境；
• 使用哪些动作、工具、顺序和节奏；
• 怎样利用当前机会或处理阻力；
• 怎样判断这次行动是否有效。

战术不是执行本身。战术是“选择怎样做”，执行是“实际把它做出来”。同一种战术可以执行得好或坏；高质量执行也可能忠实完成一个错误战术。

战略和战术的核心边界

最稳妥的区分不是长期与短期，而是决策功能。

因此：

战略改变的是选择系统，战术改变的是系统中的行动方法。

为什么不能用“长期和短期”区分？

时间尺度只能提供线索。

一次当天作出的决定，如果改变了目标市场、商业模式或全部资源配置，就是战略决定。一项持续三年的流程优化，如果始终在既定方向中提高效率，仍可能只是运营或战术。

战略通常影响较长时间，是因为资源承诺、能力建设和取舍需要积累；但“长期”是常见结果，不是定义条件。

为什么不能用“大事和小事”区分？

规模也不是可靠边界。

一个很小的产品限制可能体现战略取舍，例如决定产品永远不收集某类数据。一次预算巨大的广告投放，如果只是使用既定渠道获取用户，仍然可能是大型战术行动。

判断标准是它是否改变总体路径和取舍，而不是花了多少钱。

为什么不能用职位区分？

高层会处理战略，也会处理战术细节；一线人员也可能发现足以改变战略的事实。

职位决定谁有权作出某类承诺，不决定一个问题在逻辑上属于战略还是战术。把“领导做的事”称为战略，容易把行政层级误认为概念层级。

战略、战役、战术和执行

在复杂体系中，战略和战术之间通常需要中间层。

政策或使命：为什么行动，哪些边界不能突破
        ↓
战略：选择总体结果、作用路径、资源集中与取舍
        ↓
战役 / 项目组合 / 运营设计：把多项行动按时间、空间和目的组织起来
        ↓
战术：针对具体情境选择行动方法
        ↓
技术与程序：动作怎样被标准化完成
        ↓
执行：实际发生的行为与结果

军事理论中的作战层或战役层，就是为了把战术行动在时间、空间和目的上组织起来，使其共同服务战略目标。U.S. Army Center of Military History, On Operational Art

在商业中，这个中间层可能表现为产品组合、年度主题、阶段性项目、渠道组合和组织机制。缺少中间层时，战略容易停留在抽象方向，战术则成为彼此分散的动作。

战略与目标、计划、运营有什么区别？

目标

目标说明希望实现什么结果。战略说明为了这个结果，怎样理解关键问题，并选择什么路径和取舍。

“三年内成为第一”是目标，不是战略。

计划

计划把行动安排在时间表中。战略说明这些行动为什么能共同克服关键问题。

一个计划可以非常详细，却没有战略；一个战略也不可能只停留在抽象原则，最终必须产生可执行计划。

运营效率

运营效率是在既定活动中做得更快、更好、更便宜。战略决定采用哪些活动、怎样组合，以及为何形成不同的价值。

波特特别区分了运营效率与战略。改进效率对组织很重要，但如果所有竞争者都采用同一套最佳实践，改进本身不会形成独特位置。战略需要选择、取舍和活动之间的配合。Michael Porter, What Is Strategy?

策略

中文日常语言中的“策略”覆盖范围很宽，可以指总体方针，也可以指具体办法。因此不能只凭“策略”这个词判断它位于战略还是战术层，必须查看它实际改变的是总体路径还是局部方法。

战略和战术不是单向关系

战略为战术提供方向，但战术反馈也会改变战略。

战略假设
   ↓
战术行动
   ↓
现实反馈
   ↓
动作是否失效？——调整战术
判断是否失效？——修正战略

如果局部行动失败只是因为时机、渠道或执行方式不合适，应先调整战术。如果多次行动共同显示目标对象不存在、作用机制不成立或资源条件被误判，就应回到战略层。

战略不是制定一次后机械执行的固定计划。面对会学习和回应的对手、用户、组织与环境，战略必须随新证据修正，但修正仍要保持目标、路径、资源与行动之间的一致性。

一个具体例子

假设一个软件产品资源有限，希望建立稳定业务。

它作出以下选择：服务对数据隐私要求高的专业用户；产品采用本地优先架构；放弃依赖广告和大规模收集用户数据；把有限开发资源集中于可靠性、数据迁移和专业工作流。

这些选择共同构成战略，因为它们规定了服务对象、价值机制、能力建设、资源集中和明确放弃。

接下来，团队选择先发布桌面版、在哪个社区找到首批用户、如何设计 onboarding、采用哪种定价实验。这些属于战术或项目层问题。

如果某个社区获客效果差，换渠道通常是战术调整。如果持续证据表明专业用户并不愿意为本地隐私能力付费，团队决定改变目标用户和价值主张，就发生了战略修正。

战术成功为什么可能造成战略失败？

局部目标和总体结果可能冲突。

• 降价可以迅速提高销量，却可能破坏高端定位和服务能力；
• 夸张标题可以提高点击，却可能消耗长期信任；
• 赢得一次谈判可以取得眼前利益，却破坏重复合作；
• 赢得一场战斗可能消耗无法补充的力量，使战争目标更难实现。

因此，战术不能只按局部指标评价。还要判断它是否服务战略目标，是否消耗更重要的资源，是否改变其他行动者的未来回应。

哲学层面

目的与手段

战略属于实践理性，研究行动者怎样把目的转化为行动。它必须处理“想要什么”和“通过什么实现”之间的关系。

手段有效不代表目的正当，目的正当也不保证任何手段都可以接受。战略判断必须受到伦理和制度边界约束。

有限理性

战略建立在诊断之上，但诊断不是现实本身。行动者只能使用不完整信息、有限模型和有限认知能力理解环境。因此，战略总是带有假设，必须允许反馈和修正。

他人的回应

战略常发生在博弈中。对手、用户、盟友和组织成员会根据行动作出回应。一个在静态环境中有效的计划，可能因为他人的适应而失效。

选择与放弃

资源有限意味着选择必然产生机会成本。拒绝放弃任何目标，通常会导致资源平均分散，使所谓战略失去约束力。

局部理性与整体结果

每个战术行动都可能在局部合理，却共同造成战略失败。战略的作用之一，是让局部行动接受整体结果的约束。

怎样判断战略和战术的边界？

面对一个决定，可以依次检查：

1. 它服务的上一级结果是什么？
2. 它是否改变了对关键问题的判断？
3. 它是否改变总体作用路径？
4. 它是否重新配置关键资源？
5. 它是否引入新的重要取舍？
6. 它只是改变动作、工具、顺序或时机吗？

前五项发生变化，通常意味着战略调整；主要是第六项，通常属于战术调整。

还需要明确观察层级。同一个决定可以同时具有两种身份：对集团而言是一个执行手段，对独立业务单元而言却规定了其目标、资源和取舍，因此是该单元的战略。

结论

战略与战术的区别不在于一个宏大、一个细小，也不在于一个长期、一个短期。

战略决定重要结果、关键问题、总体路径、资源集中和取舍。战术在这些条件下选择具体行动方法。计划安排动作，运营维持和改进系统，执行让行动真正发生。

战略必须通过战术产生现实结果，战术必须接受战略结果的约束。战术反馈可以修正战略，但局部成功不能自动证明总体方向正确。

最清楚的边界是：

如果一个决定改变了选择系统，它属于战略；如果它在既定选择系统中改变了行动方法，它属于战术。