AI 时代，真正稀缺的是看出模式

有一类能力，在 AI 时代会被反复低估：你能不能比别人更早看出模式。

这里的模式，不是玄乎的“趋势感”，而是反复出现的结构和信号：什么样的内容更容易传播，什么样的客户反馈代表真需求，什么样的代码改动以后会出问题，什么样的产品机会只是听起来合理。

不是会不会写 prompt，也不是能不能追上某个模型的新功能。那些东西重要，但会越来越容易学。真正慢的，是你脑子里有没有足够多的真实案例，能不能在一堆看起来都差不多的信息里，看出哪一条有信号。

Jaynit 在一篇 X 长文里讲了一个很直观的例子。他做内容一段时间之后，发现自己能在发出一条帖子之前，大概判断它会不会表现好。不是每次都对，但明显高于随机猜测。更有意思的是，他一开始说不清楚为什么。只是觉得这个 hook 更有张力，结构更顺，时机更对。

这不是玄学。他已经看过足够多的成败样本，被反馈校正过很多次，所以大脑开始自动归类：这个东西像以前见过的某类成功，那个东西像以前见过的某类失败。

这篇文章原本讲的是 expertise：高手不是每次都从零分析，他们在识别熟悉结构。这个判断是对的。但放到 AI 时代，我觉得还要往前推一步。

AI 不会削弱模式识别，反而会把它推到更中心的位置。因为模型会让执行和初稿越来越便宜。越便宜，越容易过量。真正的问题会变成：这么多结果里，哪个值得信，哪个值得改，哪个应该扔掉，哪个背后藏着机会。

高手不是想得更久，而是看得更准

原文里用了国际象棋的例子。经典研究发现，棋手大师并不是因为短期记忆天然更好，才可以快速复盘棋局。他们真正厉害的地方，是能把棋盘看成几个熟悉结构，而不是几十个孤立棋子。

如果棋子被随机摆放，高手优势会明显下降。因为随机局面不再对应真实棋局里的结构，高手脑子里的经验索引用不上了。

这类能力常被叫做 chunking：把零散信息压缩成一个能直接识别的整体。

新手程序员看到一行行代码。老手会先看到结构：这里大概率会有边界错误；这个抽象以后会泄漏；这个接口看着省事，其实会把调用方卡住。

新手产品经理看到一串需求。老手会问：这是客户真痛，还是客户在描述自己的临时绕路？这是愿意付钱的问题，还是听起来合理的问题？这是产品机会，还是销售承诺留下来的债？

差别不只是知识多少，而是信息进入大脑之后，被组织成了什么形状。

高手之所以快，不是因为他永远跳过思考，而是因为他知道哪些地方不用重新算，哪些地方必须停下来重新看。

模式库来自反馈，不只是经验

经验本身不保证产生模式识别。

十年经验可能是十年成长，也可能是一年经验重复十次。真正决定一个人能不能长出判断力的，是他有没有拿到足够清楚的反馈。

内容创作者发出帖子，很快能看到阅读、转发、收藏、评论和转化。反馈当然不完美，但足够快。工程师改完代码，有测试、线上指标、用户反馈和 code review。销售打完电话，很快知道客户有没有继续往下走。

这些环境更容易训练直觉。

但有些领域反馈慢、噪声大、因果链很长。比如长期宏观预测、很多投资判断、组织变革、品牌建设。你可能几年后才知道当时的判断对不对，而且中间混进了太多外部变量。

所以不能笼统地说“相信直觉”。更好的说法是：

只相信被高质量反馈训练过的直觉。

如果一个判断从来没有被现实反复校正，它可能只是偏好、叙事或自信，还不能算能力。

AI 会放大产出，也会放大噪声

过去，一个人想写十个方案、十篇文章、十版 landing page、十套销售邮件，需要付出很高成本。现在，AI 可以很快生成。

这很好，但也带来一个新问题：候选项太多了，而且每个看起来都不差。

当产出变得便宜，判断就变得昂贵。你不再稀缺于“能不能写出来”，而是稀缺于：

• 这十个版本里，哪个真的有力量？
• 这份分析里，哪一段是事实，哪一段只是模型补出来的故事？
• 这个产品建议，是客户愿意付钱的痛点，还是听起来合理的假需求？
• 这个趋势，是结构性变化，还是短期平台噪声？
• 这段代码是真的降低了复杂度，还是只是把复杂度换了个地方藏起来？

AI 很擅长生成看起来完整的东西。它会把空白补齐，把语气磨顺，把逻辑接上。问题是，流畅不等于真实，完整不等于正确，合理不等于重要。

模式识别在 AI 时代的价值就在这里。它不只是让你做得更快，而是让你在一堆“看起来都还行”的东西里，知道哪些值得继续推进。

我甚至觉得，AI 会把很多人的差距暴露得更明显。过去执行慢，大家的差距会被产能掩盖。现在每个人都能很快生成十个版本，差距就落在谁能挑出最好的一个，谁能看出第十一个方向。

最危险的是把错觉当模式

模式识别也会出问题。

人脑很会从随机数据里编故事。连续两条爆款用了同一个句式，你可能以为找到了公式。一个客户在访谈里强烈表达某个需求，你可能以为市场已经验证。一个 AI demo 跑通了三次，你可能以为产品已经能规模化交付。

很多所谓“经验”，其实只是幸存者偏差、平台短期偏好，或者对少数样本的过度解释。

AI 会让这个风险更大。因为它可以帮你更快生成解释。你给它几个现象，它总能整理出一套听起来很顺的机制。错误模式一旦被写得很顺，就更像真东西。

所以，训练模式识别时，也要防止自己被模式骗了：

• 先写下预测，再看结果
• 同时研究成功和失败，而不是只研究赢家
• 把样本量记清楚，不要用两个案例总结规律
• 追问机制，问这个模式为什么会存在
• 定期检查：这个模式还有效吗，还是环境变了

真正可靠的模式，不怕被记录、比较和验证。越验证越清楚的，才值得沉淀。

原文少说了一层：好判断要留下来

我觉得原文最有价值的部分，是把“直觉”拆成了可训练的东西。但它还少说了一层：在 AI 时代，只停留在个人脑子里的模式，价值会打折。

原因很简单。个人直觉很难复用，也很难交给 Agent。

一个创始人能凭感觉判断客户是不是真痛，这很值钱。但如果他说不清楚自己看的是哪些信号，团队就学不会，Agent 也帮不上忙。一个工程师能一眼看出某个 PR 有风险，这当然厉害。但如果这些判断没有沉淀成测试、review checklist、架构约束或代码注释，下一次还是只能等那个人有空来看。

AI 原生团队需要的不是“大家都更有感觉”，而是把好的感觉慢慢变成系统：

• 能写成判断标准的，写成标准
• 能变成检查项的，变成 checklist
• 能用数据验证的，做成 dashboard 或 eval
• 能被反复执行的，沉淀成 playbook 或 Agent Skill
• 只能靠人判断的，至少写清楚触发人工判断的信号

这不是把人的判断机械化。相反，这是在保护判断。因为没有留下来的直觉，很容易随着人离开、注意力转移、团队变大而丢掉。

对创业者来说，机会来自反复校正

创业早期最缺的不是点子，而是有效判断。

AI 时代尤其如此。到处都是看起来像机会的机会：某个行业还没被 AI 改造，某个流程还很人工，某类公司还在用表格，某个岗位每天重复劳动。AI 可以把这些观察包装成很漂亮的市场分析，但漂亮分析离真实机会还很远。

但创业者真正要看的是更深的模式：

• 这个问题是不是反复出现？
• 客户有没有为绕过它付出真实成本？
• 现有解决方案为什么没解决？
• 模型能力的提升会不会持续改善这件事？
• 交付结果需要哪些数据、权限、流程和信任？
• 这个机会只是一个软件功能，还是可以进一步拥有结果？

这些问题没有办法只靠一次头脑风暴解决。它们需要你钻进客户的真实世界里，积累案例，做出预测，交付一点东西，再被反馈修正。

模式识别不是坐在房间里想出来的。它是被市场训练出来的。你以为自己在找点子，其实是在训练一双眼睛。

对团队来说，模式要变成共享资产

个人脑子里的模式很值钱，但团队不能只依赖某个高手的感觉。

AI 原生团队更应该把模式沉淀成可复用上下文。比如：

• 哪些客户信号代表真需求
• 哪些销售话术容易带来错误承诺
• 哪些工单类型其实属于同一个根因
• 哪些代码变更经常引入线上风险
• 哪些 AI 输出看似合理但需要人工复核
• 哪些任务可以直接交给 Agent，哪些必须留审批关口

这些东西可以写进 playbook、eval、模板、检查清单、Agent Skill、保存查询和复盘文档里。这样，模式就不只是某个人的经验，而会变成团队的工作方式。

这也是 AI 和模式识别最好的配合方式：人从真实工作里提炼模式，AI 帮你更快收集案例、比较差异、整理假设、执行验证；验证过的模式再进入团队上下文，让下一次执行更稳。

不是让 AI 替代判断，而是让 AI 加速判断的训练。

怎么刻意训练模式识别

如果把这件事落到日常，我会从六件事开始。

第一，增加高质量样本。不要只看成功案例，也看失败案例。不要只看结论，也看过程。很多模式藏在“为什么这件事没成”里面。

第二，做事前预测。发文章前预测它会不会传播；做功能前预测客户会不会用；改 onboarding 前预测哪一步会改善。预测写下来，反馈回来后再对照。

第三，缩短反馈循环。能当天知道结果，就不要等一周。能用小实验验证，就不要先做大项目。反馈越快，模式越容易长出来。

第四，把相似案例放在一起比较。单个案例容易讲故事，成败对比才容易看结构。为什么 A 成了，B 没成？差异在哪里？哪些差异只是噪声？

第五，强迫自己说出机制。不要只说“我感觉这个会好”。试着说清楚：因为它降低了什么成本，触发了什么动机，绕过了什么阻力，利用了什么分发结构。

第六，保持可更新。模式是过去训练出来的，不保证未来永远有效。平台规则会变，模型能力会变，客户预算会变，竞争格局会变。高手不是永远相信旧模式，而是比别人更早发现旧模式失效。

生成能力越强，判断越重要

模型会继续变强。越来越多任务会从“人亲手做”变成“人定义目标，AI 生成候选，工具执行动作，人做关键判断”。

这时，人最重要的能力会往上移：定义问题、识别信号、判断质量、设计反馈、更新模式。

执行会被放大。信息会被放大。噪声也会被放大。

真正稀缺的是：你能不能在噪声里看出结构，在结构里看出机会，在机会里看出风险，然后把这些判断变成团队下一次可以复用的系统。

所以，这篇 X 长文最值得留下来的，不是“相信直觉”。直觉太便宜了，人人都有。

真正值得留下的是另一句话：

训练你的模式库，然后把它交给现实反复校正。

AI 时代不是不需要专家。它更需要那些知道自己为什么判断、也知道什么时候该更新判断的人。

本文整理自 Jaynit 在 X 上关于 pattern recognition 的长文。

参考来源

• Pattern Recognition: How to Build the Skill of Seeing What Others Miss —— Jaynit, May 12, 2026
• Conditions for intuitive expertise: a failure to disagree —— Daniel Kahneman 与 Gary Klein 关于直觉专业性的边界条件
• Recognition-Primed Decision Model —— Gary Klein 对 RPD 模型的介绍
• Perception in chess —— William G. Chase 与 Herbert A. Simon 关于棋手模式识别的研究

相关阅读

• 从会用 AI，到 AI 原生团队 —— 当 Agent 进入真实工作，团队要如何沉淀上下文、权限和验证机制。
• 如何挑一个创业点子 —— 创业判断不是空想出来的，而是在客户反馈里磨出来的。
• Agent 长任务的瓶颈，是上下文工程 —— Agent 能不能持续工作，取决于它每一轮看到什么。