0u · 约束迁移与 AI 时代的决策

——先检查题目,再开始答题:为什么"答案变便宜"反而让"决策变贵"

本编是 0a-认知纠错、0r-问题空间与映射、0t-竞争垄断与必要劳动 的 AI 时代应用补丁。

它本身不创建新现象描述,而是把"约束变化 → 最优解变化"这个元规律,落到"AI 时代的选择成本上升"这一具体场景。

来源:new/7.md(2026-10-01 整理入 v34)

〇、本编在 v34 体系中的位置

v34 已经存在的相关补丁:

0u 位于这一组补丁的应用前沿:

0a 讲"如何发现模型错了"; 0r 讲"如何换空间"; 0t 讲"如何评价市场"; 0u 讲"如何发现题目已经变了"。

它是 v34 体系中第一个显式命名"约束迁移"作为元规律的补丁。

一、很多"最优解",只在特定约束下成立

假设一个程序员正在优化程序。

过去计算机资源非常昂贵,因此程序员会花大量时间优化:

• 内存;
• CPU;
• 磁盘;
• 网络流量。

为了节省一点计算资源,可能愿意多花几个小时写出更加复杂的代码。

在当时,这可能是合理的。

因为:

计算资源贵,人力相对便宜。

于是系统的最优策略就是:

用人的时间换计算资源。

但如果几十年以后,计算资源的价格大幅下降,而优秀程序员的时间越来越昂贵,那么问题就发生了变化。

这时候再为了节省一点 CPU,花几个小时让代码复杂化,可能恰恰是不经济的。

系统可能应该变成:

用计算资源换人的时间。

注意,这并不是程序员突然变聪明了,也不是以前的方法突然全部错误。

而是:

约束条件变了。

过去的最优解,是过去约束条件下的最优解。

今天的问题,必须重新计算。

所以我们可以得到第一个规律:

最优解不是一个固定答案,而是约束条件的函数。

可以简单写成:

其中:

• $X^*$ 是系统最优方案;
• $C\_i$ 是影响系统的约束条件。

当某个重要约束发生数量级变化时:

原来的最优方案就不一定还是最优方案。

二、所以遇到问题,第一问不应该是"怎么优化"

而应该是:

什么东西正在变便宜?

因为"变便宜"往往意味着:

它正在从瓶颈位置退出。

例如:

互联网出现以后,信息复制的成本急剧下降。

以前一本书只能印几千本、几万本。

报纸每天需要:

于是:

版面、印刷能力、运输能力、销售渠道

都是重要约束。

互联网出现以后,信息可以几乎零成本复制和传播。

于是过去很多瓶颈突然失去了原来的地位。

这时候如果还问:

"怎样让报纸印得更快?"

其实已经没有抓住主要问题。

真正应该问的是:

如果复制和分发已经不再稀缺,那么什么东西开始稀缺?

答案可能逐渐变成:

人的注意力。

于是问题从:

怎样生产更多信息?

变成:

怎样让真正重要的信息被看见?

但当信息生产进一步自动化以后,甚至连"内容"本身都可能大量过剩。

于是新的问题又出现:

这些信息可信吗?

于是稀缺性继续向:

筛选 → 判断 → 信任 → 真实反馈

迁移。

这就是一个非常重要的规律:

旧瓶颈被消除以后,瓶颈不会凭空消失,而会沿着价值流动链向下一环迁移。

本节是 v34 第一次显式命名"约束迁移"作为元规律——下游各节均可引用此节。

三、稀缺不等于价值

这里还必须特别注意一个容易出现的错误。

很多人看到某种东西稀缺,就直接得出:

"它很有价值。"

这并不成立。

稀缺性和价值不是同一个概念。

钻石可以稀缺。

空气在某些特殊环境下也可以稀缺。

但不能因为某个东西稀缺,就直接判断它对社会的重要程度。

同样:

价格高 ≠ 社会价值高。

难获得 ≠ 贡献大。

稀缺 ≠ 必然应该获得更多资源。

所以,"什么正在变便宜"并不是一把直接计算社会价值的尺子。

它更像是一台:

寻找系统瓶颈变化的雷达。

它告诉我们的不是:

"什么最有价值?"

而是:

"原来的约束是不是正在失效?"

这一区分非常重要。

本节与 11-价值参考系.md §三"价值还会随着时间变化"对应——但 11 编讲"价值随时间变",本节讲"约束随时间变"。

四、真正需要寻找的是"价值流动中的瓶颈"

如果把一个社会活动拆开,可以得到一个简单的过程:

技术进步经常做的一件事情,就是降低其中某一个环节的成本。

例如互联网降低信息复制和流动成本。

自动化降低重复劳动成本。

机器人降低部分物理劳动成本。

人工智能降低大量认知劳动的生成成本。

于是:

所以技术进步并不只是简单地:

"创造更多价值。"

更准确地说,它经常是在:

重新安排价值流动中的摩擦。

原来的堵点被打通以后,水就会流向下一个堵点。

五、AI 最值得关注的,不只是"生产力提高"

人工智能正在快速降低很多认知工作的边际成本。

例如:

• 查资料;
• 翻译;
• 整理;
• 写初稿;
• 普通代码生成;
• 常规数据分析;
• 格式转换;
• 文案生成。

过去一个人一天只能产生几个方案。

AI 可能几分钟就产生几十个。

于是一个很有意思的事情出现了:

方案本身开始变得不稀缺。

假设一个人一天只能设计三个方案。

他的主要问题可能是:

"怎样设计出更多方案?"

但如果 AI 一天可以生成一万个方案,问题立刻变了:

"这一万个方案里,哪个值得做?"

这不是同一个问题。

六、当"答案"变便宜,"选择"就会变贵

AI 可以生成很多答案。

但它不知道:

• 哪个需求是真需求?
• 哪个用户真的愿意付钱?
• 哪个方案在现实环境中能够运行?
• 哪个变量被遗漏了?
• 哪个结果只是看起来很好?
• 哪个方案会产生副作用?
• 哪个错误会造成巨大的损失?

因此:

并不意味着:

甚至可能出现:

导致:

于是新的瓶颈开始出现。

不是"怎么产生答案",而是"怎么从大量答案中找到能够经受现实检验的答案"。

这也是为什么 AI 时代真正重要的能力,不应该简单理解成"更高级的脑力劳动"。

更准确地说,是:

与现实建立反馈回路的能力。

本节是 0u 相比 14-价值不是蛋糕.md 的最大增量——14 编说"蛋糕被切掉",本节说"答案被生产过剩、筛选变贵"。

七、为什么真实世界反馈会越来越重要?

因为 AI 可以在信息空间里不断推演。

但现实世界有一个 AI 无法凭空取消的东西:

结果。

• 一个商业方案最终要面对消费者。
• 一个工程方案最终要面对设备。
• 一个医疗方案最终要面对患者的实际结果。
• 一个社会制度最终要面对真实的人。
• 一个理论最终要面对现实世界的反例。

所以:

才构成完整的认知循环。

如果没有最后的现实反馈,那么前面的推理即使非常漂亮,也可能只是:

在一个封闭模型里面自洽。

因此,AI 越强大,一个社会越需要真实世界的反馈机制。

这也解释了为什么:

实验、试错、测量、用户反馈、独立验证、开放讨论

不会因为 AI 变强而失去意义。

恰恰相反,它们的重要性可能上升。

八、这其实就是"认知纠错"

我们可以把认知过程简单写成:

其中最危险的不是:

"我不知道。"

而是:

"我的模型看起来已经解释了一切,因此不再接受现实检验。"

这就是为什么一个真正健康的认知体系,不能只有:

逻辑。

还必须有:

现实连接。

可以把它概括成:

逻辑解决:

"这个推论是否成立?"

现实解决:

"这个模型是否对应真实世界?"

两者缺一不可。

本节与 0a-认知纠错.md 直接对应——0a 给纠错的具体步骤,本节解释为什么 AI 时代更迫切需要它。

九、问题空间本身,也可能需要重新定义

这其实比"寻找新瓶颈"还要更深一层。

很多时候,人们不是在错误地回答问题。

而是在:

正确地回答一个已经失效的问题。

例如:

• 过去的问题是:怎样让计算机运行得更快?

• 后来变成:怎样用更多计算资源换人的时间?

• 过去的问题是:怎样生产更多信息?

• 后来变成:怎样筛选信息?

• 再后来:怎样判断信息是否可靠?

• AI 时代同样如此。

• 过去:怎样提高人的信息生产能力?
• 现在:怎样提高人与 AI 协作的产出?
• 未来:当生产能力已经远远超过需求以后,人类应该把什么作为新的探索方向?

所以真正高级的思考,不只是:

在问题空间里寻找最优解。

而是:

检查问题空间本身有没有发生变化。

本节与 0r-问题空间与映射.md 直接对应——0r 说"换空间",本节说"先检查空间是不是已经换了"。

十、这就是"同构映射"的价值

面对复杂问题,我们经常很难直接观察整个系统。

这时候可以把问题映射到一个更容易观察的空间。

例如:

一个企业的问题看起来可能是:员工不够努力。

但换一个空间看:

收入、成本、需求、产能、库存、劳动时间、设备利用率、消费者反馈

可能会发现:

问题根本不是员工不努力,而是市场需求已经不足。

同样,一个社会可能不断鼓励:

"增加劳动时间。"

但如果整个系统已经出现:

生产能力 > 有效需求

那么继续增加劳动时间可能只是把竞争转化成内卷。

这时候真正的问题就不是:

"怎样让每个人工作得更多?"

而是:

"怎样减少无效竞争,让有限劳动流向真正有需求的地方?"

所以:

换一个问题空间,往往比在原来的问题空间里继续优化更重要。

十一、为什么"局部最优"经常会变成"整体浪费"

假设森林里有很多蘑菇。

每个人都发现:

多采一个小时,可以多获得一些蘑菇。

于是个人选择:

多工作一小时。

刚开始,确实有效。

但随着越来越多人进入森林:

如果大家继续按照个人收益最大化行动,就可能出现:

每个人都更加努力,但每个人得到的结果反而没有明显增加。

甚至:

而:

于是增加的劳动变成了:

相互竞争的成本。

这就是:

局部最优,不等于整体最优。

真正应该优化的,不是:

"每个人还能不能多采一点?"

而是:

"社会为了获得这些蘑菇,到底需要多少必要劳动?"

这与"约束迁移"其实是同一个问题。

因为当森林资源不再是瓶颈以后,继续增加采集劳动,就已经不再是在解决主要约束。

本节与 0t-理论补丁-竞争垄断与必要劳动.md 直接对应——0t 用 $\min H\_{social}$ 评价市场结构,本节用"约束迁移"评价问题本身。

十二、市场竞争也存在同样的问题

市场竞争能够解决很多问题。

但竞争本身并不是最终目标。

如果两个企业竞争的结果是:

更低价格、更高质量、更低成本

那么竞争降低了价值实现的摩擦。

但如果竞争变成:

重复建设、广告大战、无意义功能堆叠、互相压价、重复物流、过度包装

那么竞争就可能开始消耗社会资源。

因此不能简单地说:

竞争越充分越好。

真正值得观察的是:

竞争到底减少了社会必要劳动,还是增加了社会必要劳动?

如果两种制度都能满足同样需求,那么:

通常意味着更少的资源消耗和更大的自由时间空间。

这比抽象地追求某种"充分竞争"更加接近系统结果。

十三、六把尺子可以帮助我们避免把"稀缺"误认为"价值"

当约束发生变化以后,我们仍然需要回答:

到底应该怎么判断一个变化是好是坏?

这时候"稀缺性"不能独立承担这个任务。

可以回到六把尺子:

• 保障:一个变化有没有让人在失去市场交换能力时仍然能够维持基本生存?
• 选择:它有没有增加人的真实退出权和选择空间?
• 劳动:为了得到同样结果,人类付出了多少不可逆的时间、体力和生命成本?
• 贡献:一个行为究竟给目标结果带来了多少可归因的因果变化?
• 激励:这个制度有没有让有益行为更容易持续发生?
• 意义:它有没有让人获得自己认可的目标、体验和发展空间?

然后再观察:

价值是怎样流动的?

最后再观察:

系统有没有持续接受现实反馈并纠错?

这样就不会因为:

某个东西稀缺、昂贵、热门

就直接把它当成社会最重要的东西。

十四、技术进步真正改变的,可能是"人应该把时间花在哪里"

如果 AI 和机器人不断降低必要劳动成本,那么社会面临的问题就会发生根本变化。

过去:

所以社会需要:

尽可能让人投入生产。

未来如果:

而:

那么继续要求所有人用更多时间从事重复劳动,就可能越来越没有必要。

真正值得讨论的问题变成:

被释放出来的人类时间应该流向哪里?

这就进入了"探索社会"。

本节与 0g-理论补丁-探索社会.md 直接对应——0g 讲"探索需要低失败成本",本节讲"约束迁移让探索变成必须"。

十五、探索社会不是"不劳动",而是把劳动从生存约束中逐渐释放出来

人类过去的大量劳动,是为了:

食物、住房、能源、医疗、交通、基础设施。

如果技术让这些东西需要的必要劳动越来越少,那么人类就获得了一个过去非常稀缺的资源:

自由时间。

而自由时间可以投入:

• 科学探索;
• 艺术;
• 游戏;
• 教育;
• 创业;
• 发明;
• 社区活动;
• 陪伴家人;
• 探索未知领域。

这些活动有一个共同特点:

它们不一定能够提前知道结果。

这恰恰是探索的本质。

探索不是把已经知道的方法做得更快。

而是:

尝试寻找原来不知道的可能性。

十六、所以"失败"本身也需要重新理解

在一个已经高度优化的生产系统里:

失败意味着成本。

但在探索活动里:

失败可能是信息。

例如一个研究项目没有成功。

如果因此得到:

"这个方向在当前条件下不可行。"

那么失败实际上改变了整个知识空间。

可以写成:

这也是为什么一个真正支持探索的社会,需要一定程度的:

失败容忍度。

如果所有失败都会导致巨大的生存风险,那么人们自然会选择:

已经证明安全的事情。

于是社会越来越擅长:

优化旧答案。

却越来越不擅长:

寻找新答案。

本节是 0u 的最大独立贡献——"探索 = 成功价值 + 失败信息" 这个公式 v34 之前没有显式提出。

十七、真正危险的不是技术进步,而是认知还停留在旧约束里

技术变化本身不会自动告诉我们:

"接下来应该怎么生活。"

它只是不断改变约束。

• 计算资源便宜了。
• 信息便宜了。
• 复制便宜了。
• 认知输出便宜了。
• 机器人劳动可能越来越便宜。

当这些变化发生以后,如果我们的制度、组织和个人思维仍然按照过去的稀缺条件设计,就容易出现:

旧问题消失以后,继续解决旧问题。

于是产生大量:

无效劳动、重复竞争、资源浪费和时间浪费。

所以面对任何重大技术变化,都应该重新问一遍:

1. 什么正在变便宜?
2. 什么不再是瓶颈?
3. 新的瓶颈在哪里?
4. 这个瓶颈是真实的,还是人为制造的?
5. 价值流动卡在哪里?
6. 为了解决它,需要多少必要劳动?
7. 如果这个瓶颈继续下降,人类时间又应该转向哪里?

这 7 问是 0u 的核心方法论——任何面对 AI / 自动化 / 新技术冲击的决策,都可以按这 7 问检查一遍。

十八、可以把这个认知规律压缩成一条链

最终可以得到这样一个非常简单的模型:

这就是我认为比"什么东西正在变便宜"更深的一层:

技术进步不是简单地让世界变得更便宜,而是在不断改变"什么东西值得我们花时间"。

附录 A:本编与其他编的对应关系(速查表)

附录 B:核心金句(候选第 76-78 句)

第 76 句(0u · 元命题 A · 约束迁移): 用十倍效率解决一个已经不重要的问题,仍然是浪费时间。

第 77 句(0u · 元命题 B · AI 时代的决策): AI 时代,答案变便宜,决策变贵。真正的瓶颈不再是"产生多少方案",而是"从大量方案中找到能经受现实检验的那个"。

第 78 句(0u · 元命题 C · 自由时间的流向): 让越来越少的人类时间,被迫用于已经解决的问题;让越来越多的人类时间,用于尚未解决的问题。

参考

• 来源:new/7.md(2026-10-01 整理入 v34)
• 关联补丁:0a-认知纠错.md、0g-理论补丁-探索社会.md、0r-理论补丁-问题空间与映射.md、0t-理论补丁-竞争垄断与必要劳动.md、9-约束模型.md、11-价值参考系.md、13-增量创新系统.md、14-价值不是蛋糕.md