Shadow手记 · 原文导读
AI 的能力在往前走，我们交给它的任务，会不会还停在过去？
这正是 Felix Rieseberg 这篇文章值得精读的原因。他是 Anthropic 的工程经理，曾领导 Claude.ai、Cowork 和 Claude Code Desktop 的工程工作，也是自己产品的深度使用者。他在开头写道，每天都会了解到一些借助 Claude 完成的新成果：有些他没想到，有些他原以为做不到，还有些他没有时间和好奇心亲自尝试。
他举到 AI 辅助寻找候选行星的案例，也提到陶哲轩对“Math 2.0”的讨论。这里的行星仍是候选，尚待确认。值得注意的是，即使站在产品开发一线，他对“这东西能拿来做什么”的认识，也仍在被不断刷新。
查看原图 ↗根据 Karpathy 观点整理，Shadow 补充背景，非 Felix 原文配图。比例为作者粗略估计，不是调查统计；图形面积不按比例绘制。
于是，Felix 和一些 AI 从业者看到出色成果时，常会感到自己的尝试还不够 ambitious，并呼吁大家把目标再往前推一步。
这里的 ambitious，译成“有野心”，很容易让人以为是要做一件惊天动地的大事。放回文章的语境，它首先关心的是：随着工具能力变化，我们愿意尝试的目标，有没有一起往前走？除了把原来的工作做快一点，能不能追问更有用的结果，把事情做得更深入，借用过去顾不上借用的方法？
但尝试也需要判断。Felix 紧接着借陶哲轩的描述提醒读者：模型在某些方向表现惊人，在另一些方向仍然不足。一次成功不能替所有任务作保证；一次失败，也未必说明其他方向没有空间。
所以，我想带你精读的，是这篇文章怎样把“更有野心”落到具体工作里：面对手头一件普通的事，该怎样提高要求，又怎样检查它是否真的做得更好？你不需要先有一个宏大的项目。Felix 用一份季度汇报，就开始了演示。
下面沿着英文原文展开，补充解释和例子放在“Shadow 批注”框中。他主要使用 Claude，但这些方法并不限于某一种模型。先从他对“野心”的四种划分说起。
先别急着嫌弃“帮我快一点”
Felix 把“野心”拆成四个方向：
- 速度 Speed：同样的工作，用更少的时间完成
- 高度 Altitude：从眼前任务，往它要实现的结果上看
- 深度 Depth：用这个领域里优秀专业人士的方法，把事情做扎实
- 广度 Range：让更多领域的知识、工具和方法进入这件事
速度被他一笔带过，却被明确视为 AI 经济价值的基本盘。快速写代码、整理资料，当然有价值。他只是认为，这个方向大家已经比较熟悉，值得详细讲的是后面三个。
一、目标高度：从执行一个步骤，到实现一个结果
“帮我做一份季度汇报 PPT。”这听起来是个清楚的任务。但 Felix 提醒：你交给 AI 的，其实已经是自己选好的一条路径。你猜测，做出这份 PPT，就能达成某个目的。
提高目标的高度，首先要把藏在步骤后面的目的找出来。
这也是原文那句追问的意思：做完这件事，接下来你希望发生什么？如果你还要拿着它开会，讨论应该怎么办，这就是一个很具体的信号：真正要完成的工作，可能还在 PPT 后面。
同一份汇报，三次重新定义任务
Felix 用一家虚构公司的季度复盘，展示了要求如何逐层改变。
起初，任务是把数字填进模板。进一步，尽可能给模型提供能帮助它理解业务的相关数据，让它理解这个季度发生了什么、为什么、该怎么办。再进一步，是找出眼下最需要作出的决策，比较不同选择的理由。
走到这里，PPT 还在，但 AI 承担的已经不只是制作材料。它开始参与材料背后的分析。
最关键的是再往前一步：Felix 提醒，季度汇报沿袭了一个需要人们仔细筛选数据、理解变化的工作时代。既然季度复盘是为了早点发现问题，把钱和人放到合适的位置，为什么一定要等到季度末，再用一套幻灯片完成它？原来的工作方式，是不是也值得重新设计？
这一层改变的，已经是我们默认不动的工作流程。模板、季度、会议，原本像任务的前提；现在，它们都可以放回桌面上，问一问是否仍然合适。
Felix 没有让这个设想停在漂亮方案上。他要求用公司的历史数据检查：新办法是否真的能更早发现问题？随后再与旧办法并行一个季度，观察实际表现。
更大的目标，需要能持续工作的条件
Felix 自己经历过类似变化：从请 Claude 修复某一次崩溃，到要求它持续维护应用，避免崩溃。这样就不必每次都由人发现问题、拆成一条任务，再重新派发。
但这不是一句更厉害的提示词就能做到的。他先让 Claude 能拿到崩溃报告、找到对应版本的代码，还能在不同操作系统上复现问题、验证修复。目标从一次修复变成持续维护，工作环境也跟着改变。
原文保留了边界：这条路更适合有明确最终结果的工作，对创作未必同样适用。他也观察到，随着模型能力提升，它们似乎能在更高的抽象层面工作。目标也不能无限上提；在他写作的 2026 年，光说一句“去赚钱”，对大多数生意仍然行不通。
读到这里，可以先问自己：我交给 AI 的，是我要的结果，还是我已经习惯的一种做法？
二、专业深度：用一流的方法，找出原本不知道的事
高度在问“究竟要解决什么”，深度则把目标暂时留在原处：这件事，我们究竟能做到什么程度？
Felix 的标尺并不低。他希望模型采用顶尖专业人士的工具和方法，并继续往下挖，直到连这些专业人士，也可能从成果中学到东西。
所以，“写得更专业”“分析得更全面”还不够。模型很可能只换了一套词汇，工作方法却没有变。
从解释一个结论，到检验它是不是事实
还是那家虚构公司，这次要解决客户流失。如果大家相信客户离开是因为刚开始使用产品时体验不好，最顺手的要求是：“分析原因，给出改进建议。”
可这样一来，最重要的问题已经被跳过去了：我们认定的原因，究竟站不站得住？
原文要求模型回到用户活动的原始记录，主动挑战这个既有判断。Felix 提醒，商业中的不少“共识”只是对现实的粗略近似，不应直接当成前提。他还要求根据这些记录建立一个可运行的客户行为简化模型，模拟过去一年的情况，寻找此前不知道的早期流失信号，再检查它在未参与分析的数据上，是否仍有预测作用。
这段推进有两个方向：往下，接触支撑结论的原始材料；往前，争取得到原本没有掌握的新认识。最后再交给独立的检查。
把要求提上去，把裁判放在外面
要做这样的工作，工具也得升级。Felix 提醒，真正需要数据分析时，应当让模型使用相应的数据库、统计方法，而不只摆出几张文字表格。用户未必知道该用什么，可以先让 AI 说明专业人士会怎样处理。
他还提出一个更激进的技巧：设一个看起来不合理的高目标。原本想把网页加载从十秒缩到五秒，可以要求它探索两百毫秒。
这也解释了为什么 Felix 在本节专门强调外部验证：至少在他写作的 2026 年 10 月，不应让模型自己给自己判定合格；最好有它能运行、能立即得到反馈的检查工具。
下面这个模板保留原文元提示词的四个要点，由我整理成便于使用的中文。四个问题让 AI 回答，你不需要先变成专家。
三、方法广度：跨出熟悉的领域，重新组合解题方法
深度是在一个问题里继续钻研；广度则问：还有哪个领域已经有好办法，只是我没想到把它借过来？
Felix 用劫案电影组队作比喻：一群人各有本领，组合起来才能完成任务。AI 带来的变化，是过去不划算的跨领域尝试，现在可能更容易做了。在 Felix 自己的经验里，这也是最容易出现“魔法”、带来意外收获的方向。
不过，工具能做，并不意味着人能想到。他直到看见同事 Alex Albert 用 Blender 制作室内设计效果，才联想到用 Claude 给自己的主页制作三维环境，尽管他以前做过游戏。
熟悉一种能力，和想到在此处使用它，仍是两回事。
先把任务名称拆开，才能看见别的方法
Felix 借用 Tom Kelley 和 Jonathan Littman 在《The Art of Innovation》中介绍的技巧：把名词换成动词。
“一份 PPT”会让人自然地想到图表和排版。把它说成“让忙碌的人在三十分钟里相信一个关于因果关系的解释，并在信息不完整时作出决定”，问题就展开了。
这时，他用一个夸张的设定打破惯性：如果汇报做不好，外星人就要炸掉地球，人类会组织什么团队？分析师、记者、编辑，必要时还有动态视觉和音效设计师；也可以找来做空者、法证会计师组成“红队”，专门从反面检查。法证会计师，就是专门调查账目问题的会计专家。
借来的是工作方法，不是说话腔调
这里最容易出现一种假进步：模型分别扮演记者、会计师、投资人，热闹地说了一轮，最后还是原来的结论。
Felix 对此提醒得很明确：用这个方法寻找领域和技巧，别停在角色扮演。让模型去做那些专业人士实际会做的研究。
多智能体可以帮助分工，通俗地说，就是几个 AI 帮手分别调查、分析或检查，再汇总。原文提到这些工具，是因为它们方便把不同领域的方法放到同一项工作里；不能据此保证“开得越多，结果越好”。
到这里，三个方向就清楚了：高度，重新看目标；深度，追到方法和证据；广度，寻找别的领域能带来的办法。它们可以各自使用，也可以在同一件事里相互配合。
这些方法，为什么还需要工具和工作环境？
到这里，Felix 才把三种“野心”共同的条件挑明：要把他讲的这些做法真正跑起来，模型需要一台能使用的电脑，能够安装软件，也能取得相关资料。能提供这些条件的工具已经不少，Felix 的建议很直接：找一个，用起来。
前面看起来像提示词的要求，背后都有实际工作。让 AI 检查原始数据，它得能读到数据；让它做统计分析，它得能运行相应的工具；让它验证修复，它得能启动程序并观察结果。
原文提到 MCP 连接器等获取资料的方式。对普通使用者，可以先把它理解为：让 AI 工作环境接入你授权使用的数据或服务。具体能读什么、能运行什么、有没有必要安装软件，要按所用产品和当前任务确认。
为什么还需要专门教？我们相信自己能做到什么
讲完方法，Felix 没有立刻收笔。他继续问：为什么“更有野心”这件事，还需要专门教？
他的回答转向了人的心理限制。我们对自身能力的判断，往往只在很窄的范围里成立。原文以米开朗琪罗这位雕塑家面对绘画任务的迟疑作引子，谈到他为西斯廷礼拜堂作画的经历。
Felix 接着引入心理学里的“自我效能感”：你对自己能否组织行动、完成某项任务的信念。它会影响你是否开始、愿意投入多少，以及遇到困难时是否继续。
原文引用 Locke 和 Latham 对 35 年目标设定研究的总结：具体而有挑战性的目标，在适当条件下，往往比笼统的“尽力而为”更能推动表现。他也提到 Stripe 创始人 Patrick Collison 收集的“Fast”清单，里面是人们在大胆目标和紧迫时间下做成事情的例子。
Felix 认为，这种信念并非固定不变。他接着用三个故事，说明有哪些办法可能把它调动起来。
1. 如果一开始没被告知“不可能”
第一个故事是数学家 George Dantzig。按照他后来讲述的经历，他上课迟到，把黑板上的两道题当成作业抄回去，做出来后才知道，那是尚未解决的统计学问题。
Felix 用它说明：相信问题可以解决，可能让人愿意在上面继续花力气。
2. 看见别人做到，会改变自己的预期
第二个例子是四分钟一英里。Roger Bannister 在 1954 年 5 月突破这道关口；46 天之后，另一位跑者也做到了。
在 Felix 的叙述里，别人完成的事，会让“这也许可以做到”变得更具体。他又把这个观察延伸到两小时马拉松：2026 年 4 月的伦敦马拉松上，Sabastian Sawe 跑出 1 小时 59 分 30 秒，同场亚军 Yomif Kejelcha 也跑进了两小时，成绩是 1 小时 59 分 41 秒。
对 AI 使用者来说，这一段也能读得很朴素：看到一个可信、可复现的用法，会增加你愿意尝试的选项。你未必马上做出同样的东西，但原本没有进入视野的路径，现在可以检查了。
3. 允许尝试不那么像一场大考
第三个方向，是允许自己失败。Felix 刚读到《The Inner Game of Tennis》，便把它放在这里：太强的自我评判和控制欲，可能干扰已经具备的能力。书里关心的，是如何减少这种干扰，让注意力回到正在做的事。
随后，他提起 Linux 最初的公告。Linus Torvalds 当时把它称作“只是个爱好”，并说它不会像 GNU 那么宏大、专业。后来广为人知的项目，起步时并没有要求自己背负那个规模。
这也把文章重新带回 AI。Felix 认为，工具能力变化很快，我们对“我能做到什么”的判断却未必更新得同样快。更大的目标、更扎实的方法、更广的知识来源，都是帮助我们重新试一试的办法。
下一次打开 AI，不妨拿手头一件真实的小事问：我想快一点完成什么？做完之后，希望什么发生？专业人士会怎样验证？还有哪个领域的方法值得借来？
选一个方向，往前多走一步。然后检查，它有没有真的帮到你。
原文：Felix Rieseberg，How to be more ambitious: A tutorial for humans with models，2026 年 10 月 13 日
本文是 Shadow 的中文导读与注解，保留原文论证路线，选取部分案例展开；不替代原文。延伸核对来源见下方链接。
延伸阅读与事实核对
供想进一步核对和深入阅读的读者参考，不影响正文阅读
- 行星候选信号：研究者的预注册材料，包括后续观测计划与尚不能确认为行星的限制
- 陶哲轩：Math 2.0 原文及演讲幻灯片
- 米开朗琪罗：绘制礼拜堂天顶时写给友人的诗，呈现他对绘画工作的抱怨与自我定位
- Dantzig：INFORMS 收录的本人回忆
- 四分钟一英里：世界田联对 John Landy 的回顾
- 2026 年伦敦马拉松：赛事官方的冠军报道与亚军报道
- 《The Inner Game of Tennis》：作者官网选读
- Linux 的起步：Linux Foundation 重刊的早期公告
