不要急着优化答案，先看看约束有没有变

很多人解决问题时，第一反应都是：

怎样把现在的事情做得更好？

怎样提高效率？

怎样降低成本？

怎样让员工更努力？

怎样让程序运行得更快？

怎样让产品卖得更多？

这种思维当然有用。

但它隐藏了一个经常被忽略的前提：

你正在优化的东西，还是现在真正的瓶颈吗？

如果答案已经不是，那么你越努力优化，可能越是在浪费资源。

真正重要的认知能力，有时候不是找到更好的答案，而是先发现：

出题的条件已经变了。

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：

$$ X^*=f(C_1,C_2,\cdots,C_n) $$

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：

$$ C_i(t_1)\neq C_i(t_2) $$

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：

生产内容
↓
印刷
↓
运输
↓
销售
↓
读者

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。

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。

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：

$$ 创造 \rightarrow 转化 \rightarrow 流动 \rightarrow 实现 \rightarrow 回流 \rightarrow 再生产 $$

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：

$$ 某个环节成本下降 \rightarrow 该环节不再是主要瓶颈 \rightarrow 大量资源涌入 \rightarrow 下一环节成为瓶颈 $$

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：

$$ 答案成本\downarrow $$

并不意味着：

$$ 决策成本\downarrow $$

甚至可能出现：

$$ 答案数量\uparrow $$

导致：

$$ 筛选成本\uparrow $$

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。

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：

$$ 方案 \rightarrow 现实 \rightarrow 结果 \rightarrow 反馈 \rightarrow 修正 $$

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：

$$ 认知 \rightarrow 行动 \rightarrow 现实反馈 \rightarrow 发现误差 \rightarrow 修正认知 $$

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：

$$ 认知纠错 = 现实反馈 + 逻辑纠错 $$

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。

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？

后来可能变成：

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？

再后来可能变成：

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？

未来可能进一步变成：

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。

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：

$$ 采集者增加 \rightarrow 单位蘑菇减少 \rightarrow 竞争加剧 $$

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：

$$ 总劳动时间\uparrow $$

而：

$$ 社会总产出\approx不变 $$

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。

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：

$$ 社会必要劳动时间\downarrow $$

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：

$$ 人力稀缺 $$

所以社会需要：

尽可能让人投入生产。

未来如果：

$$ 机器生产能力\uparrow $$

而：

$$ 必要劳动\downarrow $$

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”。

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：

$$ 探索 = 成功价值 + 失败信息 $$

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。

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：

什么正在变便宜？

什么不再是瓶颈？

新的瓶颈在哪里？

这个瓶颈是真实的，还是人为制造的？

价值流动卡在哪里？

为了解决它，需要多少必要劳动？

如果这个瓶颈继续下降，人类时间又应该转向哪里？

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：

$$ 技术变化 $$

↓

$$ 旧约束下降 $$

↓

$$ 旧瓶颈消失 $$

↓

$$ 资源重新涌入 $$

↓

$$ 新的瓶颈出现 $$

↓

$$ 价值流动重新组织 $$

↓

$$ 社会必要劳动重新计算 $$

↓

$$ 人的自由时间重新分配 $$

↓

$$ 新的探索空间出现 $$

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”。

结语：先检查题目，再开始答题

一个人如果一直在优化旧问题，即使效率提高十倍，也可能只是：

用十倍效率解决一个已经不重要的问题。

一个企业可以把流程优化得非常漂亮，却发现市场已经改变。

一个行业可以把竞争做到极致，却发现大量竞争只是重复消耗。

一个社会可以要求所有人更加努力，却没有发现真正的瓶颈已经从“生产不足”转移到了“有效需求、分配、选择和探索”。

所以，面对一个复杂问题，我认为最值得养成的第一个习惯不是：

“我怎么才能把它做得更好？”

而是：

“决定这个问题的约束，还是原来的约束吗？”

如果不是，那么不要急着优化。

先重新画一遍问题空间。

看看什么变便宜了。

看看什么不再稀缺了。

看看新的瓶颈在哪里。

看看价值流动卡在哪里。

看看为了这个结果，人类到底还需要付出多少必要劳动。

然后再决定：

我们究竟应该继续优化旧答案，还是开始探索一个新的问题。

这可能正是从“解决问题”走向“发现真正的问题”的一步。

而一个真正进入探索社会的文明，最终追求的也许不是：

让所有人越来越忙。

而是：

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。