Nick Saraev 教你如何用 AI 幫自己想得更清楚

Nick 也用 choice architecture 與預設值說明，選項從來不是中性排列。課程引用器官捐贈的 opt-in／opt-out 差異，說明不做選擇時自動生效的項目，會大幅改變最後結果。不過他延伸出的「阻力增加三倍，行為就減少三倍」比較接近個人操作準則，不能當成跨情境都成立的固定比例。

思考模型不是答案，而是換一套解法

課程中段依序講 expected value、power law、chain law、local／global maxima、map and territory、Goodhart's law、Bayes' theorem、Fermi approximation 與 planning fallacy。它們不是同一套公式，而是分別處理不同錯誤：只看結果、不看機率；只改善局部、忽略整條鏈；把描述現實的模型當成現實本身；以及把指標變成目標後，反過來扭曲行為。

判斷品質不能只看結果，因為壞方法也可能暫時得到好結果。Nick 因此要求重要決策先留下當時使用的機率、估算與理由，事後檢查的是推理過程，不是只用成敗替原本的選擇找理由。

planning fallacy 的例子可追到 Bent Flyvbjerg 等人在 2002 年整理的 258 件交通建設：總值約 900 億美元，九成低估成本，平均超支約 28%，其中鐵路平均約 45%。它支持的不是每項工作都要乘上同一個倍率，而是規劃者應參考同類案件的實際分布，不能只沿著腦中的順利版本估時程。

把知道變成真的會做

最後一大段處理 akrasia，也就是知道該做什麼卻沒有去做。Trigger-action plan 把意圖寫成「當 X 發生，我就做 Y」；Gollwitzer 與 Sheeran 在 2006 年整理 94 組獨立研究，發現這類 implementation intentions 對達成目標有中到大的整體效果。Nick 示範的版本很具體：手機在工作區亮起，就把它移到另一個房間；一坐到桌前，就先打開真正要做的文件。

pre-mortem 則先假設計畫已經失敗，再回頭列出原因；五分鐘 resolve cycle 要求遇到「之後再處理」時，先真的試著解五分鐘。這些方法共同做的事，是把抽象原則接到可辨認的觸發點，縮短「知道」和「開始做」之間的距離。

AI 適合當反方，不適合替人做決定

Nick 最後把前面的 Bayes、planning fallacy、pre-mortem 與 Fermi approximation 全部接到 AI。Anthropic 在 2023 年測試五個 AI assistants 與四種文字任務，發現模型會迎合使用者已表明的立場；人類偏好資料也可能獎勵較討喜、卻不一定較真實的回答。直接問「這是不是好點子」，很容易拿回包裝得更完整的原意。

他的替代流程是先自己寫出計畫，再要求 AI 假設它錯了、找出最強反例、估算同類案例的成功比例，或替六個月後的失敗寫 pre-mortem；人再根據攻擊結果修改，最後用自己的話寫下決定。AI 在這套流程裡最適合當反方，而不是替人簽下結論。

這套課程最穩妥的讀法，是把它當成一張有來源線索的索引，而不是一份所有數字都能直接套用的操作手冊。Cowan 的工作記憶、Flyvbjerg 的建設超支、implementation intentions 與 Anthropic 的迎合研究都有可追查的文獻；Nick 自己提出的固定倍率、成長百分比與商業成績，則仍是他的經驗、估算或自述。