KeyFrame內部研究專用

想把 AI 用得好,你得再瘋一點

Gary Chen中文
觀看原始影片

三句話摘要

如何在 AI 時代更有野心地使用工具,通過提問與框架突破自己的認知上限,讓 AI 發揮更深更廣的能力。 --- 在 AI 時代,野心決定你敢交付多大的問題,認知決定 AI 能為你發揮多深多廣的實力——只要願意試一次,每個 AI 的回答都會把兩者都推上一層樓。 高度是最關鍵的分水嶺。 過去大多數人習慣將問題拆解成小步驟,逐步指揮 AI。現在該改成拉高視角,直接交付最終結果而非中間步驟。Felix 的例子:從「幫我修這個 bug」改成「讓我們的 App 不當機」,AI 就自動搞定診斷、修復、測試的全流程。

重點整理

  1. 高度是最關鍵的分水嶺。 過去大多數人習慣將問題拆解成小步驟,逐步指揮 AI。現在該改成拉高視角,直接交付最終結果而非中間步驟。Felix 的例子:從「幫我修這個 bug」改成「讓我們的 App 不當機」,AI 就自動搞定診斷、修復、測試的全流程。

  2. 深度來自問對問題。 專業人士有一套嚴謹方法論,而非靠直覺。在 AI 執行前,先問它該領域頂尖專家會做什麼、看哪些第一手資料、用什麼工具、如何驗證。這四個問題能讓 AI 從平庸答案躍升到專家水準。

  3. 廣度需要撕掉產品標籤。 人傾向於說「做一個網站首頁」,這把 AI 鎖進網頁設計框框。改成問「五秒內抓住陌生人注意力的方法」,AI 就能借用電影預告、短影音創作者、櫥窗設計師的手法跨界組合。

  4. 心理障礙比技術限制更大。 許多人還沒問就認定 AI 做不到,但費用只是幾分鐘和 Token,失敗代價近乎為零,根本值得大膽嘗試。

  5. --

實用技巧與重點

  • 四個提升維度的問題:
  • 能不能用 AI 做得更快?(速度)
  • 能不能直接交付最終結果,不只是流程中的一小部分?(高度)
  • 能不能要求頂尖專家水準的品質?(深度)
  • 能不能結合其他領域的做法?(廣度)
  • 深度拉升的四個前置問題:
  • 該領域頂尖專家處理時會做哪些你沒想到的事?
  • 他們看哪些第一手資料而非整理好的報表?
  • 他們具體用哪些專業方法與工具?
  • 要怎麼證明結果有用(不靠感覺)?
  • 網站首頁的深度案例中提到的工具:
  • LIFT 模型:六個面向檢查(價值主張、相關性、清晰度、焦慮感、分心、急迫感)
  • 五秒測試:陌生人五秒內能否說出網頁的作用
  • A/B 測試:用實際客戶資料驗證新舊文案效果
  • 心理學研究:
  • Locke 與 Latham 的 35 年研究:要求達成具體困難目標的人表現優於「盡力就好」的人
  • 歷史案例:
  • 1939 年柏克萊學生因不知題目無人解過而解開統計學兩道難題
  • 1954 年 Roger Bannister 破 4 分鐘英哩紀錄後,46 天內有第二人也破紀錄
  • 28 歲西班牙產品經理用 Claude Code 掃描 12 萬多顆恆星公開資料,發現潛在新行星
  • --

結論

在 AI 時代,野心決定你敢交付多大的問題,認知決定 AI 能為你發揮多深多廣的實力——只要願意試一次,每個 AI 的回答都會把兩者都推上一層樓。

完整解析

這支影片出發自一個觀察:同樣的 AI、同樣的模型、同樣的月費,為什麼有人做出驚人成果,大多數人還在用它寫郵件?Anthropic 工程主管 Felix Rieseberg 在一篇文章中指出,限制我們的不再是模型智商,而是舊習慣導致的認知上限。

講者梳理了 Felix 提出的四個維度框架。速度最直覺,就是讓執行變快。但真正拉開差距的是後三個。高度涉及改變視角——不要習慣性地把問題拆成小步驟交給 AI,而是退後一步問:做完後我真正要的結果是什麼?然後直接交付給 AI。以季度復盤為例,從最低層的填充數字→往上一層增加分析理由→再上一層挑出關鍵決策→最高層重設計整個監測流程,用同一個 AI,差別在於多問幾次「然後呢」。

深度解決品質問題。一般人解決問題靠直覺,專家有一套方法論。講者實際用四個前置問題問 Claude 網站首頁轉換率的問題,AI 回答竟然是:先別改文案,要確認問題根源(可能是廣告受眾、網速或追蹤碼故障);看客服對話與錄影熱點圖而非報表;用 LIFT 模型或五秒測試逐一檢驗;用 A/B 測試驗證新文案。這種深度來自先問 AI 專家方法論。另一個訣竅是故意要求不合理的目標(如 0.2 秒打開網站),逼迫 AI 跳出常規思維。

廣度是跨領域借方法。人習慣說「做一個網站首頁」,這把 AI 困在網頁設計框框。改用「五秒內抓住陌生人注意力」,AI 就能借用電影預告剪輯師、短影音創作者、櫥窗設計師的手法。關鍵在於把名詞(產品名稱)換成動詞(真實功能),撕掉行業標籤。

最後,講者強調心理障礙才是真正的限制。大多數人過度高估風險,低估回報。用 AI 失敗的代價只是幾分鐘和 Token,而且看別人已經成功的案例(像那位無天文訓練的產品經理發現新行星),會打破「不可能」的心理限制。

---

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。