先开火，再瞄准

当首次尝试代价高昂时，预备、瞄准、射击自有其道理。

第一次尝试可能耗时数年、耗资数百万，或让人身临险境。先思考再行动，是理性的选择。

而人工智能正在改变首次认真尝试的成本。

在越来越多的工作中，先做出一个版本，正成为弄清自己该做什么的最快途径。

第一发炮弹

炮兵中有一个古老的概念，帮我理解了这一点。

当观察员不知道精确的射击诸元时，可以先发射一发校正弹，观察落点。也许炮弹越过了目标。下一次修正便将弹着点拉回来。如果这一发又打近了，观察员便有了一个夹叉区间，可以不断收窄。

最终，命令改变了。

效力射。

早先的炮弹与最后的炮弹，任务各不相同。第一发买来的是信息。后续的炮弹花掉的，是信息所带来的信心。

几十年来，商业界一直在尝试“预备、射击、瞄准”的各种变体。如今让我感兴趣的是，为什么这个顺序应当改变。

这个顺序，遵循的是犯错的经济学。

更便宜的犯错之地

1901年，莱特兄弟遇到了难题。他们的滑翔机产生的升力远低于计算预测，1901年的飞机仅产生了预期升力的三分之一左右。

他们本可以继续制造全尺寸飞机，并通过试飞来学习。但他们却在自行车铺里建了一个小型风洞。

兄弟俩测试了大约一百到两百个小翼模型，然后更仔细地研究了有前景的设计。他们所学到的帮助制造出了性能更佳的1902年滑翔机。

风洞为他们提供了一个更便宜的犯错之地。

飞行模拟器对飞行员而言也是如此。软件团队使用预发布环境，以便在不影响生产环境的情况下进行破坏性测试。原型让团队在支付成品成本之前，就能对真实情况做出反应。

进步往往源于找到更便宜的方式让现实来纠正我们。

人工智能正属于这一脉络。它或许会成为我们有史以来发明的最通用的工具之一，让严肃的初次尝试变得足够廉价，从而从中学习。

当顺序改变时

“准备、瞄准、射击”依然适用于手术室。而阿波罗计划更接近“瞄准、准备、射击”。目的地先行，随后NASA才构建抵达所需的能力。A/B测试则更像是“准备、射击、瞄准”，因为测量系统必须先存在，测试才能让你学到更多。

初创公司和创作者有时更接近另一端的边缘。一个大客户出现，或受众意外回应，方向在事情已经启动后才变得清晰。

每种顺序在不同经济条件下都可能合理。

一项需要数年时间且难以逆转的决策，值得更多准备。一个下午就能完成且可丢弃的原型，则应面对低得多的门槛。随着首次尝试变得更便宜、更可逆、更具信息量，尽早行动就变得理性。

大多数公司仍在使用为旧成本结构设计的流程。可逆的产品决策要收集六项审批。原型在任何人制作之前就被讨论。人们撰写文档，描述某个智能体可能做什么，而一个受限版本的工作当天下午就能尝试。

执行成本的变化速度，超过了我们围绕执行的习惯。

AI让这种不匹配更难忽视，因为当团队还在争论抽象概念时，它就能返回具体成果。

产物融入思考

在我职业生涯的大部分时间里，一个严肃的产物往往是在充分思考之后才出现的。若想要软件，总得有人先充分理解需求，以便设计和构建。首个版本可能需要数周或数月时间，因此人们自然花费大量精力试图把需求弄对。

如今，当需求还在争论不休时，一个可运行的原型已经可以出现了。

你对着一个能触摸的界面做出反应，而不是争论一个仅存在于理论中的设想。分歧变得更加具体。一个大家都认为必不可少的特性，结果发现并无必要。另一个想法则因为第一版使其可见而浮现。

产物开始参与思考。

长久以来，思考一件事比制作这件事更便宜。而现在，有时制作这件事比精确弄清楚它应该是什么更便宜。

这给了我一条屡试不爽的规则。

当产物的生产成本低于正确规定它所需的知识成本时，就先行开火。

想想团队花费多少小时讨论那些智能体一小时内就能做出的东西。一个新工作流被争论了一周，而一个沙盒版本今天就能尝试。一个创意方向在简报中被反复打磨，而几个实际版本本可以已经呈现在屏幕上。

现在，你可以花一周时间来决定是否要花一小时去构建。

这每年都会显得越来越奇怪。

准备即评判

“开火、准备、瞄准”只有在第一枪能带来教训时才有效。一旦产物变得廉价，理解反馈回来的信息便成为工作的更大一部分。

你需要知道什么失败了，以及根本想法是否错误。工作的关键在于区分有意义的信号与随机结果，然后决定何种证据能让结果可信。

谷歌DeepMind已在科学领域描述了这一现象的某种版本。AI代理生成假设和候选解决方案的速度，远超科学家能实际验证的速度。由此产生的制约是验证瓶颈。

同样的形态正出现在日常工作中。代理生成代码的速度，快于团队建立对其信心的速度。研究积累的速度，快于决策者吸收的速度。

AI让草稿变得足够廉价，以至于选择变得昂贵。

准备开始意味着能够评判这一击。有时这需要评估或更好的度量。通常这归结于专业知识，因为经验丰富的人能注意到何时某物看似令人印象深刻却偏离了要点。

这里也有一个人性问题。规划可以是有效的风险管理，也可能是一个舒适的藏身之处。

文档始终是假设性的。会议让每个人都能保持口齿伶俐。原型却有个令人不快的习惯——它会回嘴。在会议上听起来有说服力的东西，可能在有人尝试三十秒后就显得荒谬。

AI降低生产成本的速率，远快于它降低发现你错了的不适感的速率。一家公司可以拥有惊人快速的工具，却依然行动迟缓，因为其员工更倾向于讨论现实而非直面现实。

廉价的开火制造了它自身的失败模式。生成一切。运行数百个实验。为每个决策创建二十个版本。

一家公司可以制造一百个原型，却依然困惑不解。它可以生成一千页研究资料，却不改变任何决策。当廉价错误能改变你的认知时，它们才是有用的。否则，你只是让浪费变得更便宜了。

衡量速度的有效标准，是介于一个重要不确定性与你信念发生可信转变之间的时间。

人工智能可以大幅压缩这一循环。但它无法决定什么值得学习。

后果仍然重要。一家制药公司可以在计算发现阶段快速推进，而在化合物接近人体试验时则需更加谨慎。航空航天团队可以摧毁开发硬件以暴露弱点，但一旦有人登机，就必须在另一套标准下运作。

当不确定性高企，而现实世界中的尝试代价过于沉重时，就制造一次更便宜的尝试。

莱特兄弟用风洞做到了这一点。软件团队用沙盒做到了。科学家使用模型和模拟。人工智能为知识工作者提供了越来越多用想法来实现这一目标的方式。

我开始这样看待一个好的首次尝试。

小爆炸半径。大信息半径。

第一次尝试应当便宜到可以舍弃，又有用足以让第二次尝试更明智。

火力覆盖

我们将拥有比以往任何一代人都更经济实惠的初次尝试。原型制作更简便，实验成本更低廉。在任何人准备好投入之前，想法就能转化为实物。

这种充裕带来了新的诱惑。另一个版本在等待，新的提示词随时可用，额外的智能体可以运行，或许还有另一条方向值得探索。

在某个节点，探索已尽其所能。

炮兵观察员不会永远调整参数。弹着点范围逐渐缩小，信心随之增长。最终，下一发炮弹的目的发生了改变。

火力覆盖。

廉价的初次尝试之所以重要，是因为它们让你在付出高昂代价之前赢得信念。

在犯错中开火，其成本足以让你学到东西。准备好理解反馈回来的信息。当现实给了你值得瞄准的目标时，再瞄准。

当证据赢得了信念，就全力以赴。

火力覆盖。