落合阳一的 AI 进阶之道：提升努力的“旋转速度”

不是把努力交给 AI，而是提高努力的“旋转速度”

生成式 AI 让你可以不费力气就能产出结果。

AI 写文章。

AI 制作图片。

AI 总结文档。

AI 编写代码。

AI 处理信息收集。

这样看，AI 似乎是一台减少努力的机器。

然而，追踪落合阳一的 AI 使用方式，会发现完全不同的图景。

他并不是在用 AI 减少思考的量。

他是在同一时间内，增加可以验证的假设数量、可以调查的范围、可以构建的原型数量，以及从失败到下一次尝试的速度。

重点不是用 AI 轻松完成单个任务。

而是让过去只能做一次的任务，现在可以重复十次、一百次。

换句话说，他用 AI 放大的不是天赋本身，而是努力的旋转速度。

在 2023 年的官方艺术家声明中，落合提到他持续与大型语言模型对话，从早到晚大约两个月。2025 年，他引入了一种工作流程，同时启动多个 AI，如 ChatGPT、Gemini、Grok 和 Claude，并按流程分配研究、图像生成和实现等任务。此外，在 2026 年，他不仅使用现有的 AI 服务，还发布了像离线运行的“vibe-local”和跨越多个 AI 提供商的“co-vibe”这样的编码 Agent。

这不是一般人想象中那种“用 AI 节省时间”的行为。

长时间与 AI 对话。

对比多个模型。

多次重做输出。

设计使用环境本身。

如果存在不透明的地方，就自己构建工具。

再用 AI 验证构建好的工具。

连接到研究、作品、空间和身体。

他非但没有用 AI 消除努力，反而通过使用 AI，给自己施加了比以往更多的尝试。

本文中使用的“努力的天才”一词，并非他自称的头衔。这个术语在这里是用来描述从落合阳一的公开声明、著作、作品和发布的软件中所看到的工作结构。他的官方简介将他描述为媒体艺术家、筑波大学教授、东京大学副教授，以及 2025 年大阪·关西世博会的主题项目制作人。

另外，落合与 AI 的对话记录或日常工作记录并非全部公开。以下是根据公开可得的例子，对他行为背后努力设计的分析。

1. 对落合阳一来说，努力不是“长时间忍受痛苦”

当人们听到“努力”这个词，很多人会联想到忍耐。

困了还坐在桌前。

即使痛苦也继续。

阅读大量文本。

反复练习同一件事。

比别人工作更长时间。

当然，有些工作需要坚持和耐心。但是，仅用工作时间的长短来解释落合的工作，会错过其本质。他的优势不仅仅在于增加努力的量，而在于从单一努力中获取的信息量。

针对同一个主题，他不只问一个 AI，而是同时抛给多个 AI。不只停留在文字思考，还会将其转化为图像。不只停留在看图像，还会制作成动态原型。不只停留在完成原型，还会在物理空间中移动它。如果出现问题，他不只是手动修复，还会改变工具或系统，防止问题再次发生。

这种工作方式可以用以下公式来概括：

结果质量 = 询问质量 × 尝试次数 × 验证能力 × 执行速度 × 来自现实的反馈

生成式 AI 显著增加了尝试次数和执行速度。但它不会自动提高询问质量、验证能力或来自现实的反馈。事实上，随着产出增加，所需的判断量——哪些该相信、哪些该舍弃、哪些该修正——也随之增加。AI 时代的努力，从逐字输入的任务，转向了持续选择方向的任务。

落合式的 AI 使用方式，并非将努力归零。而是将努力的位置从低价值的重复，转移到高价值的判断。

2. 不要在构思出完美问题后才打开 AI

难以用好 AI 的人，往往试图让第一个提示词就完美无缺。他们觉得必须写清楚目的、整理好条件、指定好角色、决定好输出格式。一边想着，这事就变成了苦差事，最后干脆不用 AI 了。

落合的方法则相反。在 2025 年出版的《连猫都能懂的生成式 AI》一书的摘要中，他介绍道，如果你不知道如何使用 AI，就去问 AI 本身该怎么用，通过语音对话来找到感觉，如果它返回的答案与你的期望不符，就让 AI 反过来采访用户。这里的关键在于，不要让人独自完成“问题的准备”。

举例来说，假设你正在构思一个新项目，但自己无法将目的表达清楚。通常，你会先自己整理好，然后才去咨询 AI。但你可以这样开始：

我正在构思一个新项目，但自己还没能把目的表达清楚。请一次问我一个问题，逐步明确目标受众、要解决的问题、可用资源以及需要避免的事情。如果我的回答中出现矛盾，请当场指出。

这样一来，与 AI 的对话本身就成了需求定义。你想触达谁？为什么要做？当前有哪些替代方案？预算是多少？怎样才算失败？哪些部分是绝对不能妥协的？你不是给 AI 一个已经完成的指令；而是通过与 AI 的对话来完成指令。

这个差别非常巨大。如果你试图先做出完美的提示词，你只能写在自己已经理解的范围内。通过让 AI 来提问，你能注意到自己尚未想到的条件。AI 既是一个回答机器，也是一个用于发现人类自身模糊性的提问装置。努力的天才，并非一开始就拥有正确提问的人，而是能够在模糊状态下开始，并在互动中提升提问清晰度的人。

3. 先用语音捕捉脑海中浮现的想法

人类的思维并不总是以句子的形式出现。你可能觉得某件事有点意思，或者昨天的某个对话与今天看到的某个图像联系了起来。你可能有一种说不清的不适感，或者一个无法命名的画面。在这种状态下试图写出句子，会阻碍思考。你最终会陷入编辑——修改第一句话、检查词语含义、补充背景、重新排列逻辑顺序。你本来是要记录想法，但中途却变成了编辑。

2023 年，落合写了一篇文章，介绍如何将语音识别工具 Whisper 与 GPT-4 结合，从数字上补充自己。他指出，想法的上下文可以稍后补充，这样就能把花在解释上的时间，重新用于更进一步的思考。这是一种非常强大的 AI 时代笔记技巧。在普通笔记中，记录和编辑是同时发生的。而在落合的方式中，这两者是分离的。

首先，不要中断思考，直接说出来。“我觉得这个和那个很像。”“不知道为什么，但我很好奇。”“如果做出这样的图像会怎样？”“可能前提就错了。”“这和我之前想的矛盾，但是……”你不需要修正语法，也不需要担心顺序。之后，让 AI 将转录内容分类为：

• 观察到的事实
• 个人的解读
• 未经验证的假设
• 用于制作或研究的想法
• 接下来需要调查的事项
• 解释不足的部分
• 自相矛盾的陈述

然后，人类为 AI 整理好的结果添加上下文。按这个顺序，创造阶段就不会被写作能力所阻碍。你可以保持思考的速度，并在之后将其还原为可解释的形式。AI 可以作为一个缓冲器，避免那些尚未成形为语言的思绪流失。但是，在录制语音时，需要确认其中不包含他人的对话、机密信息或个人数据。不能把所有内容都发给 AI；随着记录速度的提高，管理什么信息可以输入 AI 的边界变得更为重要。

4. 不要轻信一个 AI，要同时运行多个 AI

落合使用 AI 的一个标志性特征，就是并行运行多个模型。在 2025 年末的一篇 PIVOT 文章中，介绍到他在启动一个新项目或研究时，会同时启动 ChatGPT、Gemini、Grok 和 Claude，并使用深度研究功能一次性调查背景信息。其价值不仅仅在于信息量变成四倍。每个模型在组织方式、参考信息、谨慎程度和写作风格上都有不同的优势。

即使面对同一个问题，一个模型可能强调制度层面，另一个可能侧重技术层面，第三个可能偏向未来预测，第四个可能提供大量反对意见。重要的不是把四个答案平均一下，而是查看答案之间产生冲突的地方。一致的部分，可能是相对稳定的信息。只有一个 AI 提出的点，可能是一个新发现。如果数字不同，可能在目标时期或定义上存在差异。如果引用不同，就需要追溯到第一手来源。

把单个 AI 当成老板来用，就变成了采用或拒绝答案的二元选择。把多个 AI 当作研究团队来用，就可以让它们互相碰撞答案。例如，可以这样分工：第一个 AI 创建标准解释，第二个 AI 寻找标准解释不适用的反例，第三个 AI 只收集第一手资料，第四个 AI 估算实施障碍和成本，第五个 AI 将其翻译成普通用户能理解的语言。

截至 2026 年 7 月，一些深度研究功能不仅能进行网络搜索，还能将用户允许的文件、云端文档和电子邮件作为研究对象。编码 Agent 也已经发展到可以读取代码库、编辑多个文件和执行命令。在这种形势下，一次性决定“哪个 AI 最聪明”意义不大。模型会更新，价格会变化，专业领域也会转移。重要的不是对特定品牌的忠诚度，而是解构工作，并将适合该工作的能力放置其中。

5. 不要让一个对话体处理从规划到完成的所有事情

让 AI 去“规划一个新产品、研究它、设计它、撰写推广文案，并实现它”，这看起来似乎很高效。但是，如果在同一个对话中完成所有步骤，AI 最初创建的假设很可能会在后续步骤中被当作事实。AI 基于自己创造的市场假设制定计划，然后假设该计划正确无误地撰写文案，最后再评估这个计划本身。这在内部是自洽的，但这种自洽可能是初始假设贯穿所有步骤的结果。

在落合的公开工作流程中，他在每个步骤使用不同的工具：信息收集使用多个语言模型，概念可视化使用 Midjourney 或 Stable Diffusion，实现使用 Cursor。这种方法有两个优点。一是可以在每个步骤使用最适合的 AI。二是可以在步骤之间插入人工判断。你阅读研究结果，由人来选择假设。你基于选定的假设创建图像。你审视图像并修正方向。你将修正后的方向转化为规格说明。你将规格说明交给代码生成 AI。人类尝试运行的产品并发现其中的问题。换句话说，你不是把 AI 的工作直接连接给 AI，而是在其间放置选择闸门。在这些闸门处，由人来决定保留什么、舍弃什么。将落合式的工作流程抽象化，看起来是这样的：

研究 → 人工选择假设 → 可视化 → 人工修正方向 → 实现 → 在真实环境中测试 → 人工评估 → 重新研究

AI 使用浅的人，试图从 AI 那里直接拿到成品。AI 使用深的人，会将流程切割成精细的步骤，并在每个步骤重新配置 AI 和人类的分配。

6. 深度研究并非用来创造“答案”的功能

深度研究在短时间内找到海量资料，进行比较，并附上引用来源，总结成长篇报告。2025 年 2 月，落合在他的 note 上介绍，作为深度研究的测试结果，一次生成了约 25,000 字、横跨数字自然、面向对象本体论、后人类主义和世博会馆的成果。只看这一点，可能有人会认为“让 AI 写出 25,000 字，研究就结束了”。然而，生成的文本很长，和内容正确是两回事。

AI 可以编造不存在的引用。它可以混淆同名研究者或论文。它可以用流畅的句子连接事实和推测。它可以把旧数据当作当前数据来解释。总结落合塾工作坊的资料也指出，虽然 AI 可以加速文献检索、分析和假设构建，但输出的准确性和引用的有效性必须由人类验证。因此，应该向深度研究请求的，不是“告诉我真相”，而是类似这样的任务：

• 这个主题包含哪些要点？
• 重要的第一手资料是什么？
• 研究者之间在哪些方面存在意见分歧？
• 这个数字有多少种定义方式？
• 哪些主张尚未得到验证？
• 还需要额外检查哪些资料？

简而言之，深度研究的主要作用是创建一张研究地图。真正去检查地图上画出的道路的是人类。为了提高研究准确性，最好要求 AI 提供以下输出：

• 区分事实、推测和预测。
• 为每个主张附上来源。
• 区分来源的发布日期和所处理数据的目标时期。
• 区分第一手和第二手资料。
• 明确列出无法确认的项目。
• 在单独一栏中提供反证。
• 如果多个资料中数字不一致，估算差异原因。

深度研究节省下来的时间，不应该直接用于其他工作。将节省下来的部分时间重新投入到验证中。 这是使用 AI 处理海量信息的人类的责任。

7. 长提示词不是比谁写得更长

在 2024 年面向初中和高中学生的工作坊中，介绍到落合建议把提示词写得长而具体，并且 AI 不会介意被要求反复重做很多次。参与者用 ChatGPT 创作了“设定在 2300 年的故事”，并使用生成式 AI 将其扩展为故事板。然而，“越长越好”这句话不应被字面理解。写入大量无关信息会使指令变得模糊。价值不在于长度本身，而在于将只存在于人类头脑中的前提，转化为 AI 可以处理的形式。

2024 年，落合撰文指出，随着可输入信息量的增加，将抽象概念和面向对象结构带入提示词成为可能。他还根据 ChatGPT 的搜索支持功能更新了他的自定义指令。这里展现的，不是寻找一次性“完美提示词”的态度，而是根据工作本身更新指令系统的态度。一个深度提示词至少包含以下要素：

• 目的： 这次最终想决定什么？
• 背景： 为什么需要这项工作？
• 已知信息： 已确认的事实、过去的历史、可用资源。
• 未知信息： 未确认的项目、模糊的定义、相互矛盾的信息。
• 约束条件： 预算、截止日期、权限、禁止事项、目标受众。
• 评估标准： 根据什么标准来判断输出是否良好？
• 工作流程： 如何划分研究、构思、比较、实现和验证。
• 工具权限： 允许做什么，如搜索、查看文件或执行代码。
• 停止条件： 在什么情况下停止自动执行并与人确认。
• 输出格式： 分别显示事实、假设、建议和未确认项目。

这与其说是一个提示词，不如说是一个小型工作的规格说明书。在 AI 时代，写作能力和系统设计能力趋于融合。重要的不是写出一句“聪明的请求”，而是将目的、状态、约束条件和判断标准，以 AI 能够处理的形式描述出来。落合式的长提示词，不是为了增加字数，而是为了传递结构化的思考。

8. 第一个答案不是“成品”，而是探索的素材

刚开始使用 AI 的人，会根据第一个答案来做出判断。如果答案好，就采用；如果答案不好，就认为“AI 没用”。然而，从落合的公开例子中可以看到，他并不把第一次输出当作成品。他会层层递进对话。引出细节。改变格式。把它扔给另一个 AI。把它变成图像。把它变成代码。实际运行它。如果出现问题，再次修改指令。2023 年，落合写道，通过分阶段进行对话，细节会浮现出来，使得从自然语言扩展到代码、图像和语音变得更加容易。

AI 最大的特点，不在于它从一开始就能给出正确答案，而在于重做的社会成本很低。如果你没有充分理由就让人类设计师修改上百次，关系会破裂。如果你心血来潮就让员工反复重做同一个文档，是在消耗他们的时间和动力。AI 不会因为你对同一个请求反复修改而疲倦。因此，在使用 AI 时，你可以将探索的量增加在 AI 阶段，而不是强迫人类进行无意义的修改。但是，仅仅重复“做得更好”会遇到瓶颈。你需要记录修改的原因：

• 这个方案适用于任何人。
• 这张图像的问题在于构图，而不是颜色。
• 这段代码虽然能运行，但难以维护。
• 这段文字虽然正确，但缺乏我的经验。
• 这个项目很有趣，但没有执行者。

把拒绝的原因反馈给 AI，就成为了下一个生成的条件。这样，指令系统会在每次迭代中变得更智能。努力不是重复做同一件事很多次，而是将每次失败转化为下一个条件。

9. 将自然语言作为实现语言

落合很早就指出了生成式 AI 缩短了自然语言与编程语言之间的距离。在 2023 年的一篇文章中，他认为语音识别和 ChatGPT 的出现，使得从自然语言到代码的转换变得更加容易，从而可以通过语言创建视频、音乐、文本等多种多样的输出。这并非一个简单的“不懂编程也能做出任何东西”的故事。相反，将需求语言化的能力变得更加重要：

• 输入什么？
• 使用什么数据？
• 处理顺序是什么？
• 发生错误时如何应对？
• 向用户显示什么？
• 可以保存什么？
• 满足什么条件才算完成？

过去，这种设计是用代码写成的。现在，其中一部分可以通过自然语言传达给 AI。但是，如果你传递的是模糊的自然语言，就会得到模糊的程序。因此，随着 AI 编码的进步，发现规格说明中矛盾的能力变得比编写代码的速度更为重要。2026 年，PIVOT 在一部名为“生产力是 32 倍”的短片中介绍了落合的 AI 使用方式。然而，目标任务、比较期间和质量评估等计算条件，无法从公开页面得到确认。将这个数字视为 AI 编码显著改变了开发速度的一个象征性表达，而非一个严格的企业生产力指标，是比较妥当的。

事实上，即使代码行数变成 32 倍，价值也不一定变成 32 倍。Bug 也可能变成 32 倍。需要验证的代码也会增加。规格变更时的影响范围也会扩大。有可能产生大量未被使用的功能。AI 编码的真正成果，应该用从假设到原型的时间、获得用户反馈的时间、发现、修复并重新发布问题的时间，以及由于成本原因过去无法测试但实际得以测试的想法数量来衡量。

10. 不只是使用方便的 AI，更要构建使用 AI 的工具

落合最新的 AI 使用方式中，最具象征意义的是“vibe-local”和“co-vibe”。Vibe-local 作为一个开源编码 Agent 发布，使用 Python 和本地 LLM 执行环境，无需网络连接或付费云服务即可运行。它围绕单个 Python 文件设计，旨在用于教育、研究和离线工作坊。Co-vibe 则具备跨越多个提供商（如 Anthropic、OpenAI、Groq 和本地模型）的机制，根据复杂度分配任务。它设计用于在单个终端环境中处理网络研究、文件操作、编码、多个 Agent 的并行执行以及会话延续。

从这两者中看到的态度是，不接受现有服务的现状。有些环境无法连接云端。学生无法订阅付费服务。他不想依赖单一的 AI 提供商。他想检查内部发生了什么。他想与研究设备连接。他想继续长时间的研究任务。面对这些不满，他不是继续寻找其他产品，而是自己构建所需的环境。AI 原生时代的努力，不仅仅是设计提示词。它是通过改进工具来消除反复出现的不便。有一个每天耗时五分钟的任务。如果每天手动重复，一年下来就是大量时间。一旦脚本写好，第二天起几乎不花时间。更进一步，如果将该脚本纳入 AI Agent，使其能自动判断同类任务，那么就可以腾出手来做其他工作。努力的天才，不是只把眼前的事快速处理掉的人，而是能找出下次不再需要努力的部分，并将相应的时间投入到新的努力中的人。

11. 不要把它当作黑盒来方便地使用

AI 工具越方便，其内部就越难看清。你输入指令，等待片刻，成品就出来了。用户不知道中间使用了哪个模型，失败了多少次，搜索了什么，更改了哪些文件。对于简单的工作，这或许没问题。但是，在那些失败影响较大的工作中，比如研究、业务系统、个人信息或设备控制，你必须能够在事后核查“为什么会变成这样”。

Co-vibe 的立场文件高度评价了商业 AI 编程辅助，但也指出，透明度问题在科研领域会成为障碍，因此需要建立一个能够追踪 API 调用、模型选择及工具执行过程的结构。该文件还将“能够在本地和云端模型之间自由切换，而不被单一 AI 提供商绑定”列为一项设计要求。这正是落合-style AI 利用的一个重要特征。不要把 AI 当成魔法，而要把它当作一个可观察的设备。哪条指令失败了？重试了多少次？哪个模型处理了什么？成本是多少？哪些文件被修改了？通过了多少测试？人类在哪个环节进行了批准？如果这些都能被记录下来，那么失败就可以被复现。可复现的失败才能被改进。反过来，“这次不知怎么就成功了”的状态，无法在下一个任务中复现。我们不需要读取 AI 内部非公开的内心独白。我们需要的是一个 可确认行动的记录，比如搜索过的材料、执行过的操作、变更的差异、测试结果、成本和处理时间。随着你把更多工作交给 AI，你绝不能忽视日志。不要只看最终产品，要保存产品制作过程中的每一步。这是将 AI 训练成工具的基础。

12. 在创意领域，不要让 AI 过于遵从人类的指令

用 AI 工作时，让它按照用户的意图行动很重要。但在创作中，情况就不同了。如果产出的东西完全符合人类的想象，那么使用 AI 的意义就微乎其微了。如果最终形态已经在脑子里，人类自己动手做就行了。AI 的价值在于，它有时能产生用户意想不到的连接。落合曾评价当时的 GPT-4.5 具有“文学性”，它并非只符合逻辑形式，而是在词语和符号之间跳跃。这并非对模型优劣的普适性评价，而是一种尝试利用能产生不可预测连接的 AI 进行创作的态度。

在另一篇文章中，落合将 AI 创作分为人类完全控制、完全交由自动生成、以及人类仅基于 AI 生成进行选择和微调这三种情况，并审视了它们之间的矛盾。如果人类干预过细，AI 特有的偏差就会消失；如果完全自动化，人类的创作欲望又难以满足。由此得出的，不是“让 AI 创作出好作品的提示词”，而是一种编辑技巧：保留多少 AI 的意外性。例如，假设 AI 生成的图像中出现了一个奇怪的形状。通常你会把它当作瑕疵删除。但如果那个奇怪之处带来了新的印象，你也可以让整体构图去适应那个形状。如果 AI 生成的文本中排列了通常不相关的概念，你可以把它们当作无意义的内容剪掉。另一方面，人类可以思考为什么这两个概念会被放在一起，并将其转化为新的探索。在落合的《液态宇宙》中，呈现了液晶破裂图像流畅变化的视频，这是由生成式 AI 制作的。在 2025 年的展览中，采用了生成式 AI 制作的视频不断变化、海洋生物和龙形雕像的图像不断诞生又消失的配置。AI 并没有完全取代作者的手。人类设计生成方法、素材、显示设备、空间、时间、要保留的变化以及与观众的距离。人类在创作中的努力，从亲手绘制一切，转变为 为持续生成的事物划定边界。

13. 将 AI 从聊天屏幕中解放出来，连接到空间和身体

对许多人来说，AI 存在于浏览器中。你输入问题，它返回文本。但落合的 AI 利用并不局限于屏幕。在他的移动工作环境中，他提到使用 Apple Vision Pro 作为“视觉耳机”，用来屏蔽周围视觉信息，并扩展出一个巨大的虚拟屏幕。这是一种即使在新干线上也能重建自己专注环境的想法。在大阪/关西世博会的“null²”中，AI 不仅仅是返回文本，它还与用户的另一个自我、声音、视频和空间制作相连接。在《Mirrored Body》中，采用了让用户注册信息和声音来创建 AI 化身，并将其连接到展馆制作的机制。此外，其中使用的部分 3D 真实化身技术在世博会后以开源形式发布。

这对于理解 AI 利用方式有着重要的启示。使用 AI 不仅仅是向聊天窗口请求工作。改变人类所见之物。改变人类所处的空间。将身体动作作为输入。将声音作为界面。驱动真实设备。根据观众的反应改变表达方式。将 AI 设计为环境的一部分。当然，并非每个人都需要准备昂贵的头显或大规模展览设备。需要移植的是原则，而非设备。屏蔽阻碍注意力的通知。确保始终能从同一个工作环境调用 AI。将语音、照片、文档和代码整合到一个项目中。将常用的指令模板化。将真实的工作结果反馈给 AI。首先创造能够产生专注的环境，这样人类就不必每次都靠意志力去集中注意力。能够持续努力的人，并非意志力特别强，而是在自己周围创造了一个易于努力的环境。

14. AI 时代越发展，传统的手动经验越有价值

人们常常认为，要掌握 AI，只需要了解最新的工具。然而，落合强调了“模拟老派”经验的价值——亲手写过代码、理解过机制、经历过技术变革。即使 AI 能生成代码或文本，如果你不理解其内部结构，就无法在问题出现时判断原因。如果你有亲自动手的经验，就能迅速注意到缺陷的迹象或错误的位置。这并非简单的“年纪大就比年轻一代强”的故事。重要的不是年龄，而是你是否亲身经历过基本流程。一个多次重写过文本的人，很可能注意到 AI 文本中不自然的逻辑联系。一个有过摄影经验的人，能注意到生成图像中光源或镜头表现的矛盾。一个调试过程序的人，很可能一眼就看出某些代码运行起来有风险。一个读过论文的人，会对看似存在但实际不存在的引用感到不适。一个处理过客服工作的人，能想象出 AI 制作的理想业务流程为何在现场无法使用。

AI 提高了初学者的输出速度。但是，它不会自动将初学者变成专家。要判断输出是否正确，需要该领域的直觉。因此，AI 时代的学习，不是省略所有基础。而是亲身体验必要次数的基础任务，然后利用 AI 加速后续的大量重复。有计算器不代表不用学习数字的意义。有翻译 AI 不代表不用了解语言背后的文化差异。有编程 AI 不代表不用理解数据、权限、测试和安全。仅凭 AI 素养无法替代专业知识。 落合式的 AI 利用，并非抛弃旧技能，而是将旧技能作为 AI 输出的检验工具。

15. 不要填满时间，要为好奇心留出余地

当你看到有人完成了数量惊人的工作时，你会认为他们是按分钟来管理日程的。然而，落合的观点是，过度的日程管理会扼杀好奇心。另一方面，他并非完全不管理，他会设计专门的时间段来集中注意力，例如将早晨时间用于创造性工作。这是关于效率的一个重要悖论。你用 AI 节省了一个小时。你在那个小时里安排了一个新的会议。你又节省了一个小时。你又接了一个新任务。如果你把所有节省下来的时间都填满计划，处理量是增加了。但是，意外发现的机会却减少了。如果你用 AI 带来的效率只是为了塞满更多工作，那么人类就变成了消化 AI 制定的任务清单的机器。

在关于落合创作过程的访谈中，我们可以看到一种追求人类尚未创造过的输出，并试图同时提升技术基础和艺术完美的态度。同时，还有一种观点：与其一开始就确定主题，不如在动手和尝试周围感兴趣的事物时，主题才浮现出来。新事物不是通过填补计划中的空白产生的。调查那些你有点好奇的东西。编写那些不知道是否有用的代码。阅读其他领域的书籍。接触实物材料。拍照。向 AI 抛出奇怪的组合。审视失败。这样的时间在短期内看起来效率低下。但未知的主题恰恰来自计划之外。如果 AI 让日常工作变得更快，人类不应该用更多的日常工作来填满这个缝隙。他们应该 将其用于没有固定目的的探索。一个努力的天才，不是能够全天安排满计划的人，而是能够选择什么该集中精力，什么该自动化，以及在哪里留下无目的时间的人。

16. 当“聪明才智”被 AI 取代后，人类该把努力放在哪里？

在 2026 年的一次采访中，落合谈到了这样一种可能性：随着机器接管了人类通过努力和智慧获得的东西，许多人将面临“自己该做什么”的存在性焦虑。这是他关于未来的展望，并非所有工作都已被取代的事实。这个问题位于 AI 使用技巧的最终点上。让工作更快。让文档更快。让代码更快。让研究更快。当这一切都实现之后，人类做什么？制造更多的文档？编写更多的代码？承担更多的工作？如果是这样，那么使用 AI 的目的将永远指向增加处理量。落合设想了一种“猎师式”的生活方式——与特定社区保持联系，同时在其边缘地带偶然发现新事物。这是一种在利用技术的同时，不失去与环境、身体性、仪式和社区联系的生活方式。

如果你把“需要聪明处理的工作”交给 AI，那么以下工作将留给人类：

• 对什么感到惊讶？
• 觉得什么美？
• 哪个问题让人无法忽视？
• 和谁在一起？
• 把时间花在什么上？
• 承担什么样的失败？
• 在哪里承担责任？
• 用真实的身体去获得什么样的体验？

这些不仅仅是信息处理。AI 可以提出候选方案，也可以进行预测。但是，选择哪个候选方案作为自己的人生，只有人类自己才能承担。AI 时代的努力，正在从记住更多正确答案，转向 持续更新自己所珍视的东西。

17. 绝对不能模仿的是极端的生活习惯

当知名制作人的工作技巧被介绍时，起床时间、睡眠时间和用餐次数往往会引起关注。对于落合来说，他如何使用早晨时间以及独特的饮食习惯也被介绍过。然而，这些生活习惯不应当作 AI 使用技巧的核心来模仿。饮食、睡眠、运动、药物，都取决于体质、年龄、慢性病和工作内容，有各自适合的条件。这个人正在做的事情和可以普遍推荐的事情是不同的。本文应该提取的，不是用餐次数。而是：

• 比较多个 AI。
• 通过语音留下材料。
• 解构工作流程。
• 不把初稿当作成品。
• 验证信息来源。
• 留下 AI 执行记录。
• 必要时制作自己的工具。
• 回归到真实的身体和环境。

为了用 AI 增加产出而削减睡眠，这不是一种长期的努力设计。与其将 AI 节省下来的时间进一步从睡眠中剥夺，不如将其分配给恢复、学习、观察，以及与家人或他人相处的时间。从努力的天才身上应该学习的，不是如何忍受痛苦。而是 如何建立一个系统，让你不必重复同样的痛苦，并因此能够转向未知的工作。

从公开案例中提炼的“落合式 AI 努力操作系统”

将上述内容组织成可以移植到一般工作中的形式。这并非落合本人公开的精确日常工作流程。而是本文从其公开的 AI 使用案例中抽象出来的实用模型。

阶段 1：从无序状态开始

不要一开始就写方案。首先，花五到十分钟，用语音或文字，把脑子里想的东西原样输出。你可以混合目的、背景、情绪、不满、想法和担忧。然后，像这样询问 AI：

将我的陈述分类为：已确认的事实、解释、假设、希望、约束条件和未确认的事项。先不要下结论，逐一提问以明确目的。

在这里，不要让 AI 给出答案。而是让它发现人类这边的模糊之处。

阶段 2：将同一任务交给三个或更多的 AI

不要依赖单一的 AI。将相同的背景材料和问题交给多个 AI。但是，不要只是收集三个相同的答案，而要改变它们的角色。让一个做标准研究，一个寻找反例，一个思考实现方法和成本。如果可能，再让另一个处理用户或对手的视角。输出后，让它制作一个对比表：

• 所有 AI 都同意的点
• 只有部分 AI 声称的点
• 数字或事实冲突的点
• 需要核对原始来源的点
• 没有人考虑到的点

人类要阅读的是不同答案之间的差异，而不是答案本身。

阶段 3：不要止步于文本，要转换成其他格式

不要满足于阅读研究结果。如果是计划，就做成一张图。如果是产品，就做成一个界面原型。如果是作品，就做成一张图片或短视频。如果是系统，就做成用户操作流程的示意图。如果是研究，就拆分成假设和验证方法。想法在文本中可能隐藏矛盾。当你尝试去实现它时，缺失的条件就会出现。谁用？按哪个按钮？数据从哪里来？失败时如何回退？实现是检验想法的手段。

阶段 4：让另一个 AI 打破一个 AI 制作的东西

不要让生成结果的 AI 只进行自我评估。将产品交给另一个对话、另一个模型或另一个角色。让它从以下角度寻找问题：

• 事实错误
• 引用不存在
• 安全问题
• 权利问题
• 目标受众识别错误
• 低估执行成本
• 无法维护的部分
• 流于空泛的部分
• 需要人类批准的部分
• 失败后无法恢复的部分

人类在原始来源或真实环境中检查高优先级的问题。由 AI 进行的检查并非最终保证。用它来缩小人类需要检查的范围。

阶段 5：将拒绝理由转化为下一个提示词资产

不要只是删除糟糕的输出就完事了。留下一行字说明为什么不好。

• “目标受众太宽泛。”
• “技术上可行，但没有使用场景。”
• “文本组织得很好，但缺乏经验。”
• “图片很美，但与目的无关。”
• “研究结果缺乏原始来源。”
• “代码能运行，但缺乏权限管理。”

将这些添加到项目的禁止项或评估标准中。下次，AI 犯同样错误的可能性就会降低。人类的经验被转化为自定义指令、规范、测试和清单。这就是将努力转化为可积累形式的工作。

阶段 6：将重复出现的不便自动化或工具化

如果你每次都要写相同的指令，那就做成模板。如果你每次都要转换成相同的格式，那就写成脚本。如果你每次都要查找相同的材料，那就保存研究过程。如果你每次都要执行相同的检查，那就变成测试。如果你每次都要选择模型，那就按任务创建规则。如果你每次都要手动传递文件，那就考虑安全的连接方法。重要的不是仅仅将一项任务缩短三分钟。而是不让这三分钟在未来发生数百次。

阶段 7：最后，将其带到现实中

不要只通过 AI 之间的对话来评估。给真人看。在现场运行。打印出来。投影出来。让客户使用它。边思考边在外面散步。触摸实物材料。用自己的身体去体验。AI 可以创建看似合理的用户画像。但是，真正的用户会在哪里迷失，不拿到现实中是无法知道的。现实会打破 AI 创造的漂亮逻辑。这种破坏决定了下一步努力的方向。

实用的努力迭代提示词

以下并非落合本人提示词的复刻。它是本文分析的结构（并行研究、分阶段实施、反证、日志记录）的一个单一对话协议。

1你不是一个一次性代办我生成最终产品的 AI，而是一个“研发协调员”，旨在提高研究、原型制作、反证和改进的迭代速度。
2
3【主题】
4{{本次要处理的工作主题}}
5
6【我最终想决定的事情】
7{{尽可能填写。可以是未定的}}
8
9【我目前拥有的材料】
10{{笔记、语音转录、文档、数据、代码等}}
11
12【基本原则】
131. 在我的目的不明确时，不要创建最终计划。
142. 一次只问一个问题，以明确目的、目标、约束条件和成功标准。
153. 清晰区分事实、解释、假设和建议。
164. 事实需附上来源，并优先使用原始来源。
175. 对于无法确认的事情，不要用推测填充，而是标记为“未确认”。
186. 不要把第一个计划当作最终计划。
197. 将研究、构思、实施和评估视为独立的流程。
208. 同一个 AI 不应同时担任创作者和唯一的评估者。
219. 清晰标明需要人类批准的部分。
2210. 将所有拒绝理由记录为下一次生成的条件。
23
24【阶段 1：目的发现】
25将我的输入分类如下：
26- 已确认的事实
27- 我的解释
28- 未经验证的假设
29- 情绪或不满
30- 可用资源
31- 约束条件
32- 尚未定义的词语
33针对缺失信息，一次只问一个问题。
34
35【阶段 2：并行研究设计】
36将主题拆分为以下角色：
37A. 收集标准解释和主要材料的研究员
38B. 寻找反例、对立证据和失败案例的反证者
39C. 思考实现方法、成本和截止日期的实践者
40D. 思考用户、非用户和利益受损方利益的相关者分析师
41E. 寻找与其他领域意外联系的探索者
42为每个角色创建需要调查的问题，确保要点不重叠。
43
44【阶段 3：证据账本】
45将研究结果格式化为：
46- 主张 / 依据 / 来源 / 发布日期 / 数据周期 / 主要或次要来源 / 反证 / 置信度 / 需要人工核实的点
47
48【阶段 4：原型制作】
49从研究结果中创建 3 个最小原型方案。对于每个方案，展示：
50- 需要验证的假设 / 制作什么 / 不制作什么 / 所需时间 / 所需成本 / AI 处理的流程 / 人类处理的流程 / 失败条件
51在我选择其中一个方案之前，不要进入完全实施阶段。
52
53【阶段 5：反向审计】
54针对原型或初稿，从以下角度寻找问题：
55- 事实 / 逻辑 / 技术 / 安全 / 权利 / 成本 / 目标 / 可维护性 / 原创性
56用 4 个等级显示严重性：停止 / 必须修复 / 观察 / 允许。
57
58【阶段 6：改进日志】
59每次进行修复时，记录以下内容：
60- 变更前 / 问题 / 变更内容 / 变更原因 / 新出现的问题 / 下次要添加到提示词或测试中的条件
61
62【最终阶段】
63不要执行最终决定。而是整理选项、证据、反对意见和未确认事项，并让我自己写下采用的方案和理由。
64
65在第一次回复中，不要提出建议，而是就我目前对这个主题最具体的不满或目的，提出一个问题。

结论——落合阳一并没有用 AI “放弃努力”

如果你把落合阳一的 AI 利用方式理解为一系列便捷的提示词，那就错过了其本质。

同时运行多个 AI。用语音回收无组织的想法。结构化长指令。多次重制最初的答案。将研究、图像和实现分配到不同的工具。让一个 AI 批评另一个 AI 的输出。用自己动手积累的经验发现异常。如果黑箱是问题，就构建可观察的工具。将 AI 不仅连接到文本，还连接到视频、空间、身体和研究设备。并将 AI 节省的时间归还给好奇心和真实体验。

这一系列行动的共同点，不是试图偷懒的想法。而是 试图在相同时间内进行更多尝试的想法。在 AI 出现之前，一天可能只够调查和验证一个假设。在 AI 出现之后，你可以调查多个假设，制作三个原型，比较失败原因，并将这些结果反馈到下一个指令中。你可以利用由此产生的余裕去休息。你可以用它去做另一份工作。你可以用它去进行新的表达或研究。决定如何使用这些余裕的是人类。

如果我们将落合阳一称为“努力的天才”，原因不仅仅是他比别人工作更长时间。而是因为他没有让努力变成精神主义。将想法变为可记录的形式。将失败转化为下一个条件。自动化重复。更新工具。创造环境。同时，仍然保留人类应该判断的地方。他用 AI 增加的，不仅仅是完成品的数量。而是 在到达未知事物之前，能够不放弃地持续转动尝试的次数。在 AI 时代，被质疑的不是“你在用哪个 AI？”当 AI 在输出时，人类在观察什么？AI 生成后，人类在修正什么？由于 AI 变得更快，人类最终想去哪里？最好的 AI 使用技巧，不是逃避努力的方法。而是 让努力不成为一次性的东西，而是转变为加速下一次努力的系统。