别再换位思考了，AI的思维方式和你刚好相反

今天的内容源于一直以来跟甲方互动中的摩擦，也是我自己经过多次阵痛之后的体悟，明白我们一直以来按照我们的偏好去理解AI-所谓的换位思考，然后去GEO优化，做了很多看起来特别"合理"的事情，但是AI似乎并不买账。项目中我们很多的方案策略，甲方会不理解，也是源于这种换位思考，加之GEO是一个长周期的事情，无法快速通过结果来说话，必然造成摩擦的不可避免。今天这篇文章就是来拆除这一个一个的换位思考，让我们退位到自己，允许AI做它自己。

画家站在一张空白画布前，他必须先画出第一笔，否则什么都不会发生。

雕塑家站在一整块大理石前，他必须先凿掉多余的部分，否则雕塑永远被埋在石头里。

这两种创作方式，都叫创造，但动作完全相反。

人类和AI的协作，也是如此。我们一直在用人类的思维方式去理解AI的需求，就像期待雕塑家拿着画笔工作一样——看起来合理，实际上完全错位。

这不是谁对谁错的问题，而是两者面对的"材料状态"根本不同。

塔迪输出的文章偏长，源于塔迪总想一次把事情都讲完整，不留尾巴。但有读者反馈，这样阅读压力很大。前一段时间使用NotebookLM的音频概览功能，发现主持人可以把我的文章转变为通俗易懂的方式讲出来，让我这个技术脑袋从不同的视角看自己的文章，大有收获，所以很想分享给大家，尤其时间比较紧张的读者朋友…当然有时间的朋友，塔迪还是建议大家完整地看文章。

一、同一个内容，两种完全相反的价值判断

我们先从一个很多人都遇到过的困惑开始。

你写了一篇很详细的文章，数据详实、案例丰富、覆盖面广，你觉得"这次应该没问题了吧"，结果AI就是不引用。

反倒是另一篇你觉得"很谨慎加了一堆限制条件，好像生怕承担责任"的质量很一般的内容，AI却频繁使用。

你开始怀疑：AI是不是“收费了”，或者故意跟我作对？

真相是：你和AI对"有价值"的定义，刚好相反。

举个具体的例子。

假设你写了这样一段话：

“这个营销策略适用于各类企业，无论是初创公司还是成熟企业，都可以根据自己的情况灵活应用。”

你的价值判断：

• 包容性强，覆盖面广
• 给读者留足了调整空间
• 没有把话说死，显得专业
• 价值感：⭐⭐⭐⭐

AI的价值判断：

• 边界模糊，无法判断适用性
• 缺少排除条件，风险未知
• 不知道什么时候该停止展开
• 价值感：⭐⭐

现在你把这段话改成：

“这个营销策略适用于年营收在100万-5000万、团队规模在5-50人的中小企业；对于年营收超过5000万或团队超过100人的企业，需要考虑更复杂的组织架构和流程设计，不建议直接套用。”

你的价值判断：

• 太啰嗦了
• 限制太多，会不会流失读者？
• 这样写显得不够"大气"
• 价值感：⭐⭐

AI的价值判断：

• 边界清晰，可以判断是否适用
• 有明确的排除条件，风险可控
• 知道什么时候该停止，什么时候不该展开
• 价值感：⭐⭐⭐⭐⭐

你看，同一个内容，加上边界和排除条件后，人类的价值感知下降了，AI的价值感知却提升了。

这不是巧合，这是两种认知生态面对的根本性差异。

二、画家世界 vs 雕塑家世界

为什么会出现这种"刚好相反"的价值感知？

因为人类和AI面对的"材料状态"完全不同。

人类是画家：从空白开始

人类生活在一个信息稀缺、机会有限、表达受限的世界里。

就像画家面对一张白纸：

• 如果不动笔，画就不存在
• 如果不多画一些，画就太单薄
• 如果不尝试各种可能性，就错失机会

所以人类的创作本能是：加法。

• 多说一些 → 让观点更完整
• 多举几个例子 → 让论证更充分
• 多覆盖几种场景 → 让适用面更广

这套逻辑在人类世界是完全成立的。如果一个人只会说"不行"“不是"“不可以”，他很难成为推动者、创造者、领导者。

AI是雕塑家：从混沌开始

AI（尤其是生成式系统）面对的世界，是可能性爆炸、路径无限、生成成本接近零的状态。

就像雕塑家面对一整块大理石：

• 所有形状都已经"存在"于石头里
• 问题不是"我该创造什么”，而是"我该去除什么"
• 如果不砍掉多余的部分，雕塑永远出不来

所以AI的生存策略是：减法。

• 排除不适用的场景 → 让路径可控
• 明确什么时候停 → 让展开有边界
• 告诉我什么不该做 → 让风险可判断

MIT的研究发现，AI在解决像数独这样需要遵循严格规则的开放式任务时，往往会失败或表现低效，尽管它可以验证你的答案是否正确。AI更擅长"告诉你如何解决"，而不是"自己去解决"——因为解决问题需要在无数可能性中做减法，而这恰恰是AI最困难的部分。

三、为什么AI需要"减法"才能工作

这里有一个非常关键的认知转折。

不是AI"偏好减法"，而是在高维可能性空间里，减法是唯一可治理的操作。

加法是AI的默认行为

AI生成系统的本质，就是不断展开可能性：

• 生成更多候选答案
• 展开更多推理路径
• 覆盖更多场景组合

这是算法的内在属性，不需要你教它"如何加"。

当AI试图解决高级谜题、设计分子或编写数学证明时，系统会在尝试开放式请求时遇到困难，因为这些任务需要考虑广泛的选项同时遵循约束条件。

减法是唯一的控制点

但如果没有明确的"减法"信号，AI只会不断膨胀，直到：

• 所有路径都同时展开
• 没有任何一条路径是"确定正确"的
• 系统陷入"选择困难"

一个很直观的类比是数独游戏。

当你让AI玩数独时，AI要么无法自己填空，要么填得很低效，但它可以验证你填的答案是否正确。

为什么会这样？

因为数独的本质不是"我该填什么"，而是"我不该填什么"——每一步都是在排除不可能的数字，直到只剩下唯一可能。

AI擅长验证（判断"这个是不是对的")，但不擅长生成（从无数可能中选一个）——因为生成需要在高维空间里做减法，而这恰恰需要你提供明确的边界和排除条件。

四、高维空间 vs 低维认知：为什么我们的直觉会错

这里是最容易产生认知错位的地方。

人类的直觉来自低维认知空间。

在人类世界：

• 信息是线性的（一次只能看一个）
• 选项是有限的（你能想到的就那几个）
• 路径是可见的（能看到从A到B的路）

在这种环境下，人类自然会觉得：

• 可能性越多 = 价值越大
• 加法 = 创造
• 减法 = 保守

AI面对的是高维可能性空间。

在AI的世界：

• 信息是并行的（同时处理成千上万个可能性）
• 选项是指数级的（每多一个变量，可能性就翻倍）
• 路径是爆炸的（从A到B有无数条路）

研究发现，虽然大型语言模型在静态基准测试中表现出色，但在需要规划和空间协调的动态环境中，它们表现出持续的局限性，表明AI在通用推理能力上仍然存在根本性的不足。

在这种环境下：

• 可能性越多 = 风险越高
• 加法 = 失控
• 减法 = 可治理

MIT的研究团队开发了一种名为"遗忘变换器（Forgetting Transformer)“的机制，允许模型选择性地"遗忘"信息，类似人类在做决策时忽略旧的或不太相关的信息。

这说明什么？

说明AI的核心问题不是"学不会”，而是**“忘不掉”**——它需要明确的机制来排除、遗忘、砍掉那些不该保留的可能性。

这不是谁对谁错，而是价值衡量体系切换了。

五、一个思想实验：为什么边界让AI更信任你

假设你要让AI帮你生成一篇"企业数字化转型"的文章。

场景1：只给"是"

“写一篇关于企业数字化转型的文章，要全面、深入、有实操价值。”

AI面对的可能性：

• 传统企业的数字化？互联网企业的？
• 制造业的？服务业的？金融业的？
• 大企业的？中小企业的？初创企业的？
• 技术层面的？组织层面的？战略层面的？
• 国内市场的？国际市场的？
• …

每一条都合理，但组合起来就乱了。

AI只能凭"概率"选一条路，但它不知道你想要哪条。

场景2：加上"不"等限定条件

“写一篇关于年营收1-10亿制造业企业数字化转型的文章，聚焦生产流程优化和供应链数字化，不涉及：消费互联网企业的案例、纯技术架构讨论、大型跨国集团的经验。”

AI现在知道：

• 不要展开互联网企业的话题
• 不要深入技术架构细节
• 不要引用大型跨国集团案例

这不是"限制创造力"，而是让创造力聚焦在可控范围内。

类比一下：

• 你给雕塑家一整块5吨的大理石，说"雕个好看的"
• vs 你说"雕一个1.5米高的人物像，不要动物、不要抽象、不要超现实风格"

哪个更容易完成？

六、这对我们意味着什么

理解这种差异后，很多之前"想不通"的事情会突然清晰。

为什么AI更喜欢结构化内容？

因为结构 = 预测性 = 降低解析成本。

结构就像是给雕塑家画好的"参考线"——告诉他哪里该保留、哪里该去除。

为什么AI更喜欢中立表达？

因为中立 = 可复用性高 = 风险判断成本低。

情感强烈的表达，就像在大理石上刻了很多装饰纹路——可能很美，但很难复用到其他场景。

研究发现，高级推理方法在效果上存在高度变异性：当推理和决策一致时能够显著提高性能，但也会引入不稳定性，甚至导致性能大幅下降。

为什么AI更喜欢有边界的判断？

因为边界 = 可控性 = 不会展开失控路径。

没有边界的判断，就像给雕塑家一整块大理石，但不告诉他最终成品的尺寸——他不知道该凿到哪里停。

为什么AI更喜欢明确的排除条件？

因为排除 = 路径剪枝 = 系统可治理。

每一个明确的"不是"，就帮AI砍掉了一整棵可能性树。

七、从错位到协同

这不是AI"更高级"，也不是人类"更低级"。

这是两种生态的分工。

理解这个差异，你会发现：

之前很多"AI不好用"的问题，不是AI不行，而是你在用"画家思维"跟"雕塑家"对话。

• 你给AI的不是"一张白纸"，而是"一整块可能性大理石"
• AI需要的不是"教我怎么画"，而是"告诉我哪里不该凿"
• 你觉得的"限制"，在AI看来是"可治理入口"
• 你觉得的"保守"，在AI看来是"边界清晰"

写在最后

这篇文章讨论的不是方法论，而是一个认知基础。

如果你意识不到AI和人类的思维方式是反的，你会系统性地误判：

• 什么内容对AI有价值
• 什么结构对AI友好
• 什么表达对AI清晰

核心洞察只有一句：

人类在低维认知里，只有加法才能感知"我在创造"； AI在高维可能性空间里，只有减法才是可治理的操作。

一旦你真的接受这句话，很多之前"想不通"的事情会突然清晰——

你会开始理解：

• 为什么AI不引用你觉得"很全面"的内容
• 为什么AI反而引用那些"有明确边界"的内容
• 为什么结构、中立、边界、排除，在AI世界里权重这么高

下一个问题自然就来了：那我该怎么做？

这将是我们未来要逐步展开的话题。

一句话总结

人类像画家，面对空白画布，必须用加法创造，否则什么都不会发生，而AI像雕塑家，面对一整块大理石，必须用减法去除，否则雕塑永远被埋在石头里，这不是谁更聪明的问题而是两者面对的材料状态完全不同，人类在低维认知的信息稀缺环境中，只有加法才能感知创造，AI在高维可能性空间的路径爆炸环境中，只有减法才是唯一可治理的操作，理解这种差异，你才能明白为什么AI更需要边界和排除条件而不是更多可能性。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是追踪、研究、实验、创作并分享海外顶级GEO实践者第一手最佳实践的技术类社区，为广大GEO、SEO从业者提供深度的内容、社群、推广、培训、平台相关的服务。
我们认为：知识的应用和经验的碰撞才能够赋予知识生命力，对于一个新兴的领域 - GEO，尤其如此。我们会逐步开放我们的社区以及知识库，感兴趣的朋友可以先加小编的微信 - tardyai2025。