第六章：想象力公式
第四章概述了定义者的能力框架：想象力帮你看到方向（0→1），AI帮你发散生成（1→100），定义力帮你选择落地（100→落地）。第五章详细讨论了价值转移和定义能力。
本章开始详细展开想象力公式：问题敏感度 × 可能性认知 × 连接能力。
这不是艺术创作意义上的想象力，而是看到问题与AI能力之间连接的能力。很多人用不好AI，正是卡在0→1：不知道能用AI做什么。想象力公式的三个维度正是为了突破这个卡点。
想象力公式和定义能力是配合关系：想象力帮你完成0→1——找到让AI发散的方向；定义能力负责100→落地——从AI生成的众多方案中选择并落地。两者培养方式不同：想象力公式的三个维度可以分别训练（接下来三章详解），定义能力更像品味，需要在实践中积累（第五章已说明）。
一个意外的发现
2024年，我参加了多场关于AI的分享和讨论。有面向企业高管的，有面向普通员工的，有面向创业者的，也有面向学生的。
在这些场合，我做了一个非正式观察：什么限制了人们使用AI？
最初我以为答案会是技术能力。毕竟AI听起来是个技术性的东西，不懂技术的人可能被吓住。
但观察结果让我意外。卡住人们的不是技术。这个模式在不同群体中反复出现，逻辑上也说得通：AI大模型界面极简，它把”想到能做什么”的负担转移给了用户。传统软件有菜单告诉你功能列表，AI大模型没有。
卡点不在操作。这里说的主要是AI大模型类工具——DeepSeek、豆包、Kimi、ChatGPT、Claude。这类产品界面简洁，基本操作10分钟就能学会。打开网页，输入文字，点击发送，看到回复——不比用微信复杂。
卡点也不在工具本身。同样的AI大模型，有些人用它完成了令人惊艳的工作，有些人只用来聊天解闷。工具一样，效果天差地别。
真正的卡点在哪里？
观察发现，多数人卡在更根本的地方：想不到能用AI做什么有价值的事。
少数派网站上有篇文章记录了一个典型场景。作者看到一位同事正在搜集整理资料，通过搜索引擎查找海量页面，删删改改写得很痛苦。明明他们已给大家介绍过各种AI工具，但这位同事完全没想到可以让AI帮忙。
作者还分享了另一个案例：一位同事在整理商品图片，一条一条人工分类统计。作者问他：“为什么不用AI来分类呢？“他的回答令人印象深刻：“啊？AI还可以理解图片？”
这两个场景清楚地展示了想象力瓶颈。操作不是障碍——AI工具的界面已经很简单。认知也不缺——他们都听说过AI的各种能力。真正的断裂发生在实际工作中：遇到问题时，就是想不起来可以用AI。
问题和解决方案之间，存在一条看不见的鸿沟。跨越这条鸿沟，需要的就是想象力。
他们打开AI，不知道该问什么。知道AI很厉害，但不知道怎么把这种厉害转化为对自己有用的东西。可能尝试过几次，觉得也就那样，然后就放一边了。
这个卡点不是技术问题，是想象力问题。
为什么AI大模型特别需要想象力？因为它等着你告诉它做什么。界面是一个空白对话框，没有菜单提示功能，没有按钮引导下一步。你不问，它就不做；你问什么，它做什么。操作10分钟就能学会，但想到拿它做什么——这得靠你自己。
一、为什么是想象力
想象力这个词
用想象力这个词，是因为它准确描述了那个卡点的性质。
想象力是什么？是在脑海中构建尚不存在之物的能力——看到当前不存在但可能存在的可能性，把不同元素组合成新东西。
用AI的过程就需要想象力。你要想象一个目标、一条路径、一项具体任务：想用AI达成什么？AI可以怎么帮你？应该让AI做什么具体的事？
注意这里的措辞：想象出”一个”目标、“一个”路径、“一个”任务。这正是0→1的本质——不是发散出100种想法，而是找到那”一个”起始方向。
一旦你有了这个方向，AI可以帮你在方向内发散：给出多种实现路径、多种任务分解、多种方案选择。但起始的那”一个”方向，必须由你来定义。
这些都不是AI给你的，是你自己想出来的。AI只能执行你想出来的东西。
若你没有想象力，就不知道让AI做什么。你面对一个强大工具，却不知道用它来干嘛。这就像给你一辆跑车，但你不知道要去哪里——车再好也没用。
技术能力 vs 想象力
进一步区分技术能力和想象力。
技术能力是知道怎么做。知道怎么打开AI、怎么输入提示词、怎么调参数、怎么整合到工作流程。这些是可以学习的技能，有教程、有课程、有最佳实践。
想象力是知道做什么。知道用AI去解决什么问题、创造什么价值、实现什么目标。这不是技能，更像是一种视角或能力。
两者都重要，但想象力是更根本的瓶颈。
为什么？因为技术能力是为想象力服务的。你有了想法，需要技术能力来实现。若没有想法，技术能力再强也是空转。
有想象力但技术能力一般的人，可以用笨办法实现想法。可能多试几次、多花点时间，但最终能做出有价值的东西。
技术能力很强但没有想象力的人，可以把AI玩得很花哨，但做出来的东西没价值。知道怎么做，但不知道做什么有意义。
我见过太多后者了。他们精通各种AI工具的高级技巧，能写出复杂的提示词，能搭建精巧的工作流。但你问他用这些做了什么，答案往往是试了很多东西，而不是解决了什么问题或创造了什么价值。
想象力的稀缺性
想象力之所以成为瓶颈，还因为它是稀缺的。
技术能力可以批量教授。一个人学会了，能教给其他人。写成教程、录成视频、开设课程，供给可以快速增加。
想象力很难教。你可以告诉别人怎么操作AI，却很难告诉别人应该想到什么。每个人面对的情况不同，领域不同，问题不同。不存在通用的想象力教程。
而且，即使你告诉别人一个想法，那个想法也是你的，不是他的。他最多学会复制你的想法，但不能学会自己产生想法。
这就是为何想象力是真正的门槛。技术能力的门槛会随时间降低——工具越来越好用，教程越来越多。但想象力的门槛不会自动降低。它需要每个人自己去培养。
二、想象力的公式
好消息是，虽然想象力很难教，但它可以分析。
通过观察那些善于用AI的人和不善于用AI的人，我发现想象力不是神秘的整体，而是可以分解为几个可理解的组成部分。
我把这种分解表达为一个公式：
想象力公式
让我解释每一项。
问题敏感度
问题敏感度是看到问题的能力。
这世界上到处都是问题——痛点、低效、未被满足的需求、可以改进的地方。但大多数人对这些问题视而不见。他们习惯了现状，把问题当作就是这样的背景，不觉得有什么不对。
有问题敏感度的人不同。能看到问题。别人觉得正常的事，他们觉得这里有问题。别人习以为常的低效，他们觉得不应该是这样。
问题敏感度来自哪里？来自领域知识、同理心、对为什么的追问。
可能性认知
可能性认知是知道AI能做什么。
AI的能力边界是模糊的、快速变化的。很多人低估了AI能做的事，也有些人高估了。准确知道AI当前的能力范围，是有效使用AI的前提。
可能性认知不只是知道AI能做什么，还包括知道AI做这些事的程度——做得有多好？需要多少人工干预？有什么局限？适合什么场景？
可能性认知需要持续更新，因为AI的能力在快速演进。去年做不到的事，今年可能做得很好了。保持对AI进展的了解，是维持可能性认知的必要条件。
连接能力
连接能力是把问题和可能性对接起来的能力。
看到问题是一回事，知道AI能做什么是另一回事，把两者连接起来是第三回事。
连接的过程：你看到一个问题，然后想AI能不能帮忙解决，然后构思具体方案——让AI做什么、怎么做、分几步、怎么验证。
这个连接过程需要创造力。问题和解决方案之间往往不是显而易见的对应关系。你需要看到一种联系，而这种联系别人可能看不到。
乘法的含义
公式用乘法而非加法，是刻意为之。乘法意味着：任何一项接近零，整体就接近零。
看不到问题，即使知道AI能做很多事，也产生不了有价值的想法。不知道AI能做什么，即使看到了问题，也不知道能否解决。问题和可能性都有，但连不起来，仍然无法形成具体方案。
更重要的是，这三个维度之间存在互相放大的效应。你越了解AI的能力边界，就越容易注意到身边那些可以被解决的问题——“这件事原来AI能做”会让你对问题的感知变得更敏锐。反过来，你看到的问题越多，就越有动力去了解AI还有什么新能力。连接能力在中间起催化作用：每一次成功地把问题和工具对接起来，都会同时加深你对问题的理解和对工具的认知。三者形成正向循环，效果不是相加，而是相乘。反过来，任一项薄弱都让整体大打折扣——有工具没方向，或有方向没工具，或两者都有却连不起来，都无法产生有价值的想法。
三项缺一不可。这是乘法的含义。
串联过程：为什么不能互相补偿
换一个角度来理解为什么是乘法。
想象力的产生是一个串联过程：
串联过程有个特点：任何一个环节断裂，后续就无法进行。
如果你看不到问题（问题敏感度为零），后面的步骤无从开始——你不知道要解决什么，知道再多可能性也没用。
如果你不知道有什么可能（可能性认知为零），就无法想象解决方案——你看到问题了，但脑子里没有可用的工具。
如果你连接不起来（连接能力为零），即使两边信息都有，也产生不了创新——问题在那里，工具也知道，就是想不到怎么结合。
这就是为什么是乘法而非加法。加法允许一项为零时被其他项补偿。但在串联过程中，这三个要素不能互相补偿。你不能用超强的可能性认知来弥补问题敏感度的缺失，因为看不到问题就没有起点。
关于这个公式
需要说明：这个公式不是精确的数学模型。你不能真的给每个能力打1到10分，然后算乘积得出想象力值。
它是一个思考框架。想象力不是神秘的天赋，而是可分解为三个可培养的能力。如果你觉得自己的想象力不够，可以检查是哪个环节出了问题，然后针对性训练。把它当作诊断工具和训练指南，而非精确计算公式，它最有价值。
个人与团队：乘法限制的突破
前面说的是个人层面：如果你独自一人，三个维度缺一不可。
但现实中，创新往往发生在人与人的碰撞中。
想想看：行业老手问题敏感度极强，但对AI能力一无所知。技术新人精通AI各种可能，但看不到行业痛点。
如果各自独立，两人的想象力都受限。但当他们坐下来对话：
“我们这个流程，最麻烦的是每天要人工核对三个系统的数据…”（行业老手提供问题）
“等等，这不就是数据校验吗？现在AI可以…”（技术新人提供可能性）
“你的意思是，把数据格式告诉AI，让它自动比对？“（对话中产生连接）
一个解决方案就这样诞生了。三个维度的能力分布在两个人身上，通过对话完成了乘法。
这揭示了公式的另一层含义：
个人层面：三个维度缺一不可，你不能用强项完全弥补弱项——这是乘法
团队层面：不同人的优势可以互补，通过协作突破个人限制——这是协作的价值
公式描述的是产生创意的必要条件，而非必须由同一个人满足。
这也解释了为什么跨学科团队往往比单一背景团队更有创造力，为什么碰撞和对话在创新过程中如此重要。
一人公司：乘法限制的回归
有趣的是，AI时代出现了一个反向趋势：一人公司变得可行了。
过去，一个人做不了一家公司。你需要团队：写代码的、做设计的、做运营的、做客服的……每个环节都需要人手。
现在，AI可以承担大量执行工作。一个人借助AI，可以完成过去需要五个人、十个人的执行任务。
这使一人公司从理想变成现实。
但这里有个关键：AI补足的是执行能力，不是定义能力。
一人公司的创始人必须自己回答：要解决什么问题？（问题敏感度）AI能帮我做什么？（可能性认知）如何把两者结合成产品？（连接能力）
没有团队来互补你的弱项。在一人公司，乘法限制完全回归到个人层面。
AI让一人公司成为可能，但也对那一人提出了更高要求——你必须是一个完整的定义者，三个维度缺一不可。这就是为什么一人公司不是人人能做。降低的是执行门槛，提高的是定义门槛。
你的选择
面对想象力公式的乘法限制，你有几条路：
路径一：补足弱项。如果你某个维度特别弱，针对性训练。接下来三章就是帮你做这件事。
路径二：寻找互补。找到能补足你弱项的人，组建团队。你的问题敏感度强，找一个可能性认知强的搭档。两人碰撞，突破个人限制。
路径三：选择匹配的模式。如果你三个维度都还可以（不一定顶尖，但都不为零），一人公司可能适合你。如果你某个维度很强但另一个维度确实弱，团队模式可能更适合。
没有哪条路一定更好。关键是认清自己，然后选择匹配的路径。这本身就是一种定义能力——定义你自己的模式。
创造力的涌现
另一方面，若三项都有，会产生创造力的涌现。
当你既能看到问题、又知道AI能做什么、又能把两者创造性地连接起来，你会持续产生新想法。不是靠努力想出来的，而是自然涌现的。因为你的脑子里有问题在那里，有可能性在那里，连接就自然发生了。
这种涌现是最理想的状态。它让使用AI变得自然、流畅、充满可能性。
与木匠四象限的关系
第五章介绍了木匠四象限——根据人和机器各自懂不懂来划分任务类型。有读者可能会问：木匠四象限和想象力公式是什么关系？
两个框架解决不同层面的问题。
木匠四象限帮你定位任务类型——这件事应该交给机器、留给自己、还是人机协作？它是一个任务分类工具。
想象力公式帮你在每个象限中做出更好的判断——你能看到多少值得解决的问题？知道AI能做什么？能把两者连接起来吗？它是一个能力诊断工具。
两者互补。木匠四象限告诉你做什么，想象力公式告诉你做得多好。在人机协作象限里，想象力公式决定了你协作的质量；在探索创新象限里，想象力公式决定了你创新的可能性。
三、三者缺一的困境
为了更好理解这个公式，看看缺一项会是什么样子。
想象三种人。
第一种是深耕某个行业20年的资深从业者。他对行业问题了如指掌——哪些流程低效、哪些环节是痛点、哪些需求没被满足。但他对AI一无所知，听说过ChatGPT却没用过，觉得那是电影里的科幻概念。结果是守着金矿不会挖：问题就在眼前，解决方案也存在，但他看不到两者的连接。问题敏感度是100分，可能性认知接近0，100×0=0。
第二种是AI爱好者。他关注所有AI动态，第一时间试用每个新工具，对各种模型的特点如数家珍。但他没有在任何具体领域深耕过，不是医生、律师、工程师，也不是任何领域的专家。结果是做出来的东西没人需要：用AI写诗、画画、生成代码，很酷炫，但不解决任何实际问题。可能性认知是100分，问题敏感度接近0，还是0。
第三种人两者都有——在某个行业工作了十几年，也试用过各种AI工具。但他就是连不起来。你问他AI能帮你解决什么问题，他会说”应该可以吧……但我不确定具体怎么用”。知道两边，却想不出结合的具体方案。
这第三种困境比前两种更让人沮丧，因为看似什么都有了，却始终差那一步。连不起来的原因可能是思维习惯固化，可能是对AI的理解只停在”听说能做”而非”理解怎么做”，也可能是对问题的理解只停在表面。
好消息是，连接能力是三项中最可以刻意训练的。通过案例学习、反复尝试、有意识地练习”抽象-分解-类比”，连接能力可以提高。第九章会详细讨论这一点。
四、用公式诊断自己
这个公式最实用的价值是：帮你诊断自己的短板。
若你觉得自己用不好AI，不要笼统地觉得我不行。用公式来分析：是哪个维度的问题？
诊断问题敏感度
问自己：
- 你能列出自己领域里最让人头疼的10个问题吗？
- 你最近一次觉得这太低效了或这太麻烦了是什么时候？
- 你是否经常听到别人抱怨某些事，并能理解他们为什么抱怨？
- 你是否能看到别人看不到的问题或机会？
若这些问题的答案都是否定或模糊的，你的问题敏感度可能需要提升。
问题敏感度的提升需要时间。它来自领域深耕、同理心培养、对现状的质疑习惯。不是短期能速成的。
诊断可能性认知
问自己：
- 你知道当前主流AI模型（如GPT-4、Claude）能做什么吗？
- 你能区分AI擅长什么、不擅长什么吗？
- 你用过AI完成哪些实际任务？结果如何？
- 你对AI的了解是来自听说还是亲身体验？
若这些问题的答案显示你对AI的了解主要是听说而非体验，你的可能性认知可能需要提升。
可能性认知的提升相对快。它需要的是动手尝试。打开AI工具，真正用它做一些事情。在使用中理解它的能力和局限。保持对新进展的关注。
诊断连接能力
问自己：
- 当你看到一个问题时，会本能地想AI能不能帮忙吗？
- 你能把一个模糊想法变成一个具体的AI任务吗？
- 你尝试过用AI解决实际问题吗？成功过吗？
- 你能举出三个用AI解决某个问题的具体例子吗？
若这些问题的答案显示你很少把问题和AI能力对接起来，连接能力可能需要提升。
连接能力最可以刻意训练。方法包括：
- 看别人的案例。学习别人怎么把AI用在具体问题上。不是照搬，而是学习连接的思维方式。
- 刻意练习。每天给自己一个小任务：想出一个用AI解决某个问题的方案。不一定要执行，但要完整想清楚。
- 回顾。每次用AI做完一件事，问自己：我是怎么想到这个用法的？这个思路可以用在其他问题上吗？
【实操】10分钟快速自测
上面的诊断问题比较抽象，这里给你一个更具体的10分钟自测，帮你快速定位短板。
拿出一张纸或打开记事本，完成以下三个任务：
任务一：问题清单（3分钟）
写下你工作或生活中最让你烦恼的5个问题。不需要宏大的问题，琐碎的也行——每周整理周报太花时间、客户邮件回复太慢、会议太多效率太低都可以。
计分：
- 写出5个以上具体问题：问题敏感度较高
- 写出3-4个：问题敏感度中等
- 憋了半天只写出1-2个，或者写的都很笼统（如工作压力大）：问题敏感度较低
任务二：AI能力清单（3分钟）
不查资料，凭记忆写下你知道AI可以做的事。要具体——AI可以写东西不够具体，AI可以根据要点生成邮件初稿才够具体。
计分：
- 写出10个以上具体能力：可能性认知较高
- 写出5-9个：可能性认知中等
- 少于5个，或者写的都很笼统：可能性认知较低
任务三：连接测试（4分钟）
把任务一的问题和任务二的AI能力对照，看看能产生多少个用AI解决问题的具体想法。
比如：问题是每周整理周报太花时间，AI能力是可以根据要点生成文字，连接就是把本周做的事列个要点，让AI帮我扩写成周报。
计分：
- 能产生5个以上具体连接方案：连接能力较高
- 能产生2-4个：连接能力中等
- 只能产生0-1个，或者想法很模糊不具体：连接能力较低
解读你的结果：
- 若问题敏感度低：你可能太习惯现状了。本书关于问题敏感度的内容对你尤其重要。
- 若可能性认知低：你需要更多动手尝试AI。花一周时间，每天用AI做一件事。
- 若连接能力低但前两项正常：这是好消息，因为连接能力最容易训练。用本章后面介绍的SCAMPER方法刻意练习。
- 若三项都低：从可能性认知开始，因为它最容易快速提升。先动手用起来，再慢慢培养其他两项。
不同维度，不同时间尺度
三个维度的培养时间尺度不同。
问题敏感度是长期积累。它来自领域知识、人生经历、思维习惯。不是几周能建立的，需要几年甚至更长。但一旦建立，就是非常稳固的资产。
可能性认知需要持续更新。AI的能力在快速变化，昨天的认知可能今天就过时了。需要保持学习和尝试的习惯。好消息是，更新不需要太多时间，每周花几个小时关注进展、动手尝试，就能保持在合理水平。
连接能力是可刻意训练的。通过有意识的练习，连接能力可以在几个月内显著提升。它是三个维度中最可学习的。
知道这些时间尺度，可以帮你做更合理的规划。若你的短板是问题敏感度，那是一个长期项目，不要指望短期见效。若短板是连接能力，可以集中精力训练，短期就能看到进步。
想象力与用户层级
第三章讨论过用户的五个层级——从闲聊型到系统构建型。从想象力公式的视角看，层级差异本质上是三个维度能力的差异。想提升用户层级？诊断自己哪个维度最弱，针对性地提升它。
五、与领域知识的关系
前面多次提到领域知识。这里详细讨论它与想象力的关系。
领域知识是问题敏感度的基础
领域待得越久、钻得越深，越能看到外行看不到的问题。下一章会详细展开这个观点——资深律师和医生看到的应用机会，外行甚至不知道存在。
但不是有领域知识就自动有问题敏感度
这里有一个陷阱。
有些人在某个领域工作了很多年，但问题敏感度并不高。他们知道问题存在，但已经习惯了。问题变成了背景，变成了就是这样的既定事实，不再引起注意。
这种情况很常见。很多人工作十几年，对行业的问题知道，但不敏感。他们可以告诉你问题是什么，但不会主动去想怎么解决，不会因为问题感到不满，不会把问题当作机会。
问题敏感度需要的不只是知道问题，而是关注问题、不满于问题、想要改变问题。这是一种态度，不只是知识。
需要活的知识，不是死的知识
区分活的知识和死的知识。
死的知识是静态的、教科书式的。你知道某些事实、概念、流程，但这些知识躺在脑子里，不会主动与其他东西产生联系。
活的知识是动态的、联系的。你不只是知道事实，你理解事实背后的逻辑；不只是知道流程，你能质疑流程的合理性；不只是知道概念，你能把概念应用到新情境。
问题敏感度需要活的知识。
有活的知识的人，遇到新情况会自动联想已有的知识，会问这里有没有问题、这跟我知道的有什么不同、为什么是这样。
有死的知识的人，遇到新情况只是接受，不会产生联想和质疑。
怎么让知识活起来？
关键是使用。知识只有在使用中才会变活。你需要不断把知识应用到新情境，不断用知识来分析问题、做出判断、验证假设。这个过程让知识从存储变成工具。
一个简单的练习：每周选一条你领域里的新闻或案例，用你的专业知识分析它。比如你是做市场的，看到一个品牌的新动作，问自己：他们为什么这样做？这个策略的逻辑是什么？有什么风险？如果是我，会怎么做？这个分析过程就是在使用知识。做多了，知识自然就活了。
还有一点是连接。不要让知识孤立存在。把不同领域的知识联系起来，把新学的和已有的联系起来，把抽象的知识和具体经验联系起来。这种连接让知识形成网络，而不是散落的点。
具体做法：每次学到新东西，问自己三个问题。第一，这和我已知的什么有关？第二，这能解释我经历过的什么现象？第三，这能应用到什么场景？哪怕只是简单想一想，也比学完就忘强得多。
六、培养想象力的路径
基于上面的分析，可以概括培养想象力的路径。
诊断自己的短板
用前面的诊断问题，找出自己最弱的一项或两项。
不要笼统地提升想象力，而要有针对性。三项的培养方式不同，混在一起效率很低。
若短板是问题敏感度
这是一个长期项目，没有速成的方法。关键在于深耕领域+保持质疑。
深耕领域是基础——选择一个领域深入进去，不是浅尝辄止，而是真正理解它的运作、痛点、逻辑，这需要时间，没有捷径。在此基础上保持质疑——对理所当然的事问为什么，当所有人都觉得”就是这样”时，问”为什么是这样""可不可以不是这样”。还要培养同理心——学会从他人角度看问题，不是想象”如果我是他”，而是真正倾听、观察、理解，这让你能看到更多的问题，不只是你自己的问题。
若短板是可能性认知
这需要持续更新，因为AI的能力边界在不断移动。要做到的是动手尝试+保持关注。
动手尝试是第一步——不要只是听说AI能做什么，而是真正用它，打开AI工具给它各种任务，观察它的表现，在实际使用中建立对AI能力的直观理解。同时要保持关注——AI的能力在快速变化，你需要某种方式保持对最新进展的了解，可以是关注可靠信息源、加入相关社群、定期阅读报告，不需要花太多时间但要持续。更深一层是理解原理——不只是知道AI能做什么，还要理解为什么能做、在什么条件下能做、有什么局限，这种深层理解让你的可能性认知更准确、更有判断力。
若短板是连接能力
好消息是，这是三项中最可以刻意训练的。路径是案例学习+刻意练习+回顾反思。
案例学习是起点——看别人怎么用AI解决问题，不是抄袭具体做法，而是学习他们连接的思维方式：怎么从问题想到AI？怎么拆解任务？怎么验证结果？在此基础上刻意练习——每天给自己一个小练习，看到问题就想一个用AI解决的方案，不需要执行但要想得具体，这培养的是遇到问题就想AI的思维习惯。每次用AI完成事情后，花几分钟回顾反思：什么做得好？什么可以改进？这个思路可以用在其他地方吗？这种反思让每一次使用都变成学习机会。
一个整合的方法：设计思维
前面分别讨论了三个维度的培养方法。但现实中，你可能希望同时提升三项，而不是逐个击破。有没有一个整合的框架，能帮你系统性地培养想象力？
有一个现成的方法论值得借鉴：设计思维。它原本是一套创新方法论，但仔细看会发现，它的流程恰好覆盖了想象力公式的三个要素。
设计思维起源于设计领域，后被IDEO等公司发展成一套通用的创新方法。它的核心流程包含几个阶段，恰好对应想象力公式的三个要素。
第一是同理心阶段——深入理解用户，观察他们的行为，倾听他们的需求，感受他们的痛苦。这个阶段培养的是问题敏感度。不是坐在办公室里想象用户要什么，而是走出去，看用户实际遇到什么问题。
第二是定义阶段——基于观察，定义核心问题。把模糊感觉变成清晰的问题陈述。好的问题定义应该是聚焦的、可操作的、以人为中心的。这个阶段训练的是问题定义能力。
第三是创意阶段——针对定义好的问题，发散地想各种解决方案。不评判、不筛选，先追求数量和多样性。这个阶段训练的是可能性认知和连接能力——你需要知道什么是可能的，然后把可能性和问题连接起来。
第四是原型阶段——快速做出简单原型，把想法变成可以展示和测试的东西。不追求完美，追求快速和低成本。这个阶段培养的是行动能力——把想法变成现实的能力。
第五是测试阶段——把原型给用户试用，收集反馈，发现问题，然后回到前面的阶段继续迭代。这个阶段培养的是学习能力——从实践中学习和改进的能力。
设计思维的价值在于：它把想象力的培养变成了可操作的流程。不必等待灵感降临，按步骤推进即可。每一步都在培养想象力的某个维度。
在AI时代应用设计思维：
- 同理心阶段：除了观察用户，还可以用AI帮你分析用户反馈、整理用户研究数据
- 定义阶段：可以和AI讨论问题的各种表述方式，帮你找到更精确的定义
- 创意阶段：AI是很好的头脑风暴伙伴，它可以快速生成大量想法供你筛选
- 原型阶段：AI可以帮你快速做出简单原型——写代码、生成设计图、创建文案
- 测试阶段：AI可以帮你分析测试结果，发现模式和问题
设计思维+AI，是培养想象力的强大组合。
一个激发连接的工具：SCAMPER
若你特别想提升连接能力，有一个简单但有效的工具叫SCAMPER。它由教育专家埃伯尔发展，是一套用来激发创意的提问清单。
SCAMPER是七个词的首字母：替代（Substitute）、组合（Combine）、调整（Adapt）、修改（Modify）、其他用途（Put to other uses）、消除（Eliminate）、反转（Reverse）。
当你面对一个问题不知道怎么用AI解决时，可以用这七个角度逐个问自己。例如改进客户服务流程：能用AI替代哪些人工回复？AI和人工怎么组合更好？其他行业的做法能否借鉴？能不能从被动回复升级为主动服务？训练好的AI客服还能用在哪？有了AI后哪些流程可以消除？能不能让AI先处理所有问题，只把处理不了的转人工？
SCAMPER的价值在于它是一个清单。当你思维枯竭时，按清单逐个问自己，往往能发现新的可能性。它不是什么高深的理论，就是一个实用的工具。
想象力的解放
回到本章开头的观察：大多数人用不好AI，不是因为技术能力不足，而是因为想象力受限——想不到能用AI做什么有价值的事。
这是一个好消息，也是一个挑战。
好消息是：门槛不在技术，在思维。
不必学编程、不必懂算法、不必成为技术专家。你需要的是培养想象力——看到问题、知道可能、建立连接。这些能力每个人都可以培养，不论背景。
挑战是：思维的改变比学技术更难。
技术有教程、有课程、有明确的对错。思维没有。你不能通过读一本书就学会问题敏感度。需要在实践中、在反思中、在时间的积累中，慢慢培养这些能力。
但这个挑战值得面对。因为想象力一旦培养起来，就是持久资产。工具会变、技术会变，但能看到问题、能想到解决方案的能力不会过时。
接下来三章，我们会详细拆解想象力公式的三个组成部分：问题敏感度、可能性认知、连接能力。每一章讨论一个维度，提供具体的培养方法。
为什么按这个顺序？因为这是从根源到应用的逻辑链条。问题敏感度是起点——如果你看不到问题，后面的一切都无从谈起。很多人的瓶颈就在这里：问题就在眼前，但看不到。第七章先解决这个最根本的障碍。可能性认知是条件——看到问题之后，需要知道有什么工具可用。第八章拓展你对AI能力边界的认知。连接能力是桥梁——有了问题和可能性，最后需要把它们对接起来。第九章讨论如何实现这个连接。
【快速提升】一周想象力训练计划
若你想快速提升想象力，这里有一个一周训练计划。每天只需15-20分钟。
第一天：建立基线
- 完成前面的10分钟快速自测
- 记录下你的三项得分和具体情况
- 这是你的起点，一周后可以再测一次看进步
第二天：问题收集日
- 今天专注于观察问题
- 随身带个小本子或用手机备忘录
- 每当遇到让你觉得不方便、费时间、有点烦的事，就记下来
- 目标：收集至少10个问题
- 不评判、不筛选，先收集
第三天：AI能力探索日
- 今天专注于扩展可能性认知
- 打开一个AI工具（ChatGPT、Claude或其他）
- 问它：“你能帮我做哪些类型的事？请给我20个具体例子。”
- 然后挑其中5个你没想到的，实际试一试
- 记录下哪些真的有用
第四天：连接练习日（上）
- 拿出第二天收集的问题清单
- 拿出第三天了解到的AI能力
- 用SCAMPER七个问题，尝试为每个问题想一个AI解决方案
- 不需要完美，粗略想法就行
- 目标：产生至少7个连接方案
第五天：连接练习日（下）
- 从昨天的7个方案中，挑2个最有价值的
- 实际用AI试一试
- 记录：效果如何？哪里符合预期？哪里出乎意料？
- 这个实践过程会加深你对AI能力边界的理解
第六天：回顾日
- 回顾这一周的记录
- 问自己：我对AI的理解有什么变化？
- 问自己：我看到问题的眼光有什么变化？
- 问自己：我连接问题和AI的速度有没有变快？
- 写下3个最重要的发现
第七天：固化日
- 设定一个持续的小习惯
- 比如：每天记录一个问题+想一个AI解决方案
- 或者：每周用AI完成一件以前不会想到用AI做的事
- 习惯不需要大，但需要持续
- 想象力是肌肉，需要持续锻炼
一周后你应该感受到的变化：
- 你开始更容易注意到问题（问题敏感度）
- 你对AI能做什么有更具体的理解（可能性认知）
- 遇到问题时，你会更自然地想到AI能不能帮忙（连接能力）
若一周后没有明显感觉，说明练习强度可能不够，或者你原来的基线已经比较高了。可以加大强度继续练习，或专注于你测出来最弱的那个维度。
想象力公式给了你一张地图，标注了三个需要提升的维度。接下来三章，我们逐一深入。先从第一项开始：问题敏感度——如何看到值得解决的真问题。
想象力 = 问题敏感度 × 可能性认知 × 连接能力。这个乘法关系意味着短板决定上限——任一项接近零，整体就接近零。好消息是三个维度都可通过刻意练习提升。10分钟自测帮你定位短板，一周训练计划帮你从具体行动中建立手感。接下来三章逐一深入。
章节讨论
所有留言经 Agent 审核后显示