思维能力 — Representation → Generation → Evaluation + Metacognition

一切思考，无论叫它「分析」「推理」还是「灵感」，拆到底层都是同一件事：在一堆可能(可能的解释、方案、下一步)里，造出候选并筛掉错的。Newell 与 Simon 在 1972 年的《Human Problem Solving》把这件事形式化为状态空间搜索——这是认知科学的奠基框架之一,不是凭空自创。两点要诚实标注:其一,搜索模型对良定义问题(棋、证明、诊断)验证最充分,对模糊的真实问题更像一个有解释力的视角而非字面机制;其二,「Representation→Generation→Evaluation+调度」是对这套搜索框架的一种重述(Representation源自 Newell-Simon 的 problem representation、调度源自Metacognition研究),不是新造的第五个框架,但怎么切、切几刀确有取舍。把它当好用且可证伪的模型,而非被证明的真理——下面靠"它能不能推出有效的提升动作"来检验它,推不出就该弃。六种「思维技巧」之所以能被收进来,正因为它们都只是在改善搜索的某个环节。

搜索有四个不可省的环节。Representation决定「在哪个空间里搜」——把现实问题转成可搜索的形式，这一步选错，后面再努力也是在错的空间里打转。Generation在空间里造出候选点。Evaluation判断候选好坏、决定走哪条。Metacognition则在三者之间切换：此刻该多造几个可能，还是该停下严筛？当前这个判断信得过吗？把六维降为四操作不是简化，而是还原——下面每一节都把原来散落的「技巧」挂回它真正服务的操作上。

Representation是四操作里最被低估、却最决定成败的一步。它回答的是「这是一个什么问题」——而同一件事，Representation不同，可搜索的解空间就完全不同。Newell-Simon 反复强调：problem representation 常比搜索本身更决定结果。高手和普通人的差距，第一道分水岭就在这里：普通人接受问题「本来的样子」直接开始解，高手先问「这真的是这个问题吗，能不能换个看法」。

Representation定好空间后，Generation负责在空间里造出候选：假设、方案、解释、下一步。Generation的天敌是Evaluation——人一边想方案一边批判，候选还没成形就被掐死。所以Generation阶段要刻意和Evaluation分离：先尽量多造，不许批判，筛留到下一步。这有创造力研究支撑:过早批判会显著压制 ideation 产出(Osborn 头脑风暴的经典发现、后续延迟评判实验复现)。至于"发散与批判是两套互斥的神经状态"这种强机制说法,证据较弱、别当定论——把"先Generation后Evaluation"当一条可靠的实践规则即可,理由不靠神经学也成立:候选还没成形就被批判,搜索半径就被锁死。

Evaluation判断候选好坏、决定走哪条。它的头号敌人是系统 1 的偏误——快思考会用「感觉对」冒充「真的对」，导致系统性的误Evaluation。所以Evaluation的核心功课，就是用慢思考(系统 2)反制这些偏误。市面讲的「逻辑思维」「判断力」「批判性思维」，本质都是在提升Evaluation质量。Evaluation还需要一个前置：先明确「什么算好」——没有标准，筛选就没有方向，这个标准来自目标与价值判断，是Evaluation的方向盘。

前三个操作是「在做」，Metacognition是「监工」——它不直接解题，而是决定此刻该启用哪个操作、以及信不信当前的产出。没有调度，人会卡在惯性里：一直Generation不Evaluation(空想)，或一直Evaluation不Generation(钻牛角尖)，或对一个明显站不住的结论死守不放。

调度的具体动作是几个随时自问的问题：「我现在在Representation / Generation / Evaluation哪一步？」「这一步够了吗，该换了吗？」「我信不信当前这个Evaluation？」系统 1 与系统 2 可在这里归位(声明:这是一种解释性映射,非 Kahneman 原话;双过程论本身在认知科学里有争议,「两个系统」更像方便的标签而非字面的两套机器,Kahneman 本人亦如此提醒——当好用的模型用,别当解剖结构):把二者看作四操作的两种执行速度——系统 1 是快Representation/快Generation/快Evaluation(直觉),系统 2 是慢的同一套(分析)。这个映射的可证伪价值在于它能推出一条具体判断:「这件事能不能交给系统 1,还是必须切到系统 2」——在有可靠反馈的熟悉领域放心用系统 1，在陌生或高风险领域强制切系统 2。决策日志是调度质量的唯一可靠校准器：它让你事后看清自己在哪一步偷懒、哪个直觉不该信。

不是所有思维都能练成「一眼看准」。这条边界由领域的反馈结构决定，搞错它会白费力气甚至有害——在无反馈领域苦练「盘感」，练出的只是更自信的偏误。

有规律 + 有及时反馈的领域(棋类、编程、外科、销售)：慢思考能逐步内化成可靠的快直觉，值得大量刻意练习。无规律或反馈慢/噪的领域(宏观预测、长期政治、择时):偏误消不掉，直觉不可靠，正确策略是永远用系统 2 慢走 + 概率化 + 外部校准，不迷信「经验直觉」。判断一个领域属于哪类，要看它的反馈回路——这正是系统思维的用武之地。

二阶效应是这里的核心Evaluation工具：一阶思维问「下一步会怎样」，二阶思维问「然后呢，别人会怎么反应，新均衡在哪」。降息的一阶是借贷变便宜，二阶是资产涨价与贫富分化，三阶是通胀倒逼收紧。Meadows 的 12 个系统杠杆点进一步告诉你在哪使劲最省力：最弱是调数字(税率补贴)，最强是改变范式(系统参与者的基本认知)。落到个人成长：改一个具体行为(数字级)不如理解行为反复出现的反馈结构，而两者都不如改掉一个错误的基本假设(范式级)——这也呼应了第 2 节「重构Representation」是最高杠杆。

把思维拆成四操作后，AI 对思维能力版图的冲击就有了第一性的答案——它不是「让人变笨或变强」的笼统问题，而是四个操作各自的稀缺性被重新定价。

AI 极强于Generation：秒出海量候选、跨域类比信手拈来。这意味着人的Generation端被放大，但单纯「能想出方案」迅速贬值——稀缺的转移到了两端。一端是Representation：AI 只能在你给定的问题空间里做 Generation，「提对问题 / 把问题框定对(Representation)」成为人的核心价值，问错了问题，AI 的 Generation 越多越浪费。另一端是Evaluation：AI 会幻觉、缺真实反馈校准，证伪 AI 输出、判断「这个答案信不信」的Evaluation力与Metacognition更值钱。

所以 AI 时代的最优人机分工是：AI 主Generation，人主Representation + Evaluation + Metacognition + 提对问题。最大的能力风险是认知卸载退化——把Representation和Evaluation也外包给 AI，久了自己丧失重构问题和证伪输出的能力。对抗方法是守住人的两端：重要问题先自己做 Representation、自己给出概率判断，再让 AI 做 Generation 与补充，而不是反过来让 AI 替你决定问题是什么、答案对不对。

四个操作各有针对性练法，按「先打Representation与Evaluation的地基、再扩Generation、最后练调度」的顺序推进，因为Representation选错会让Generation、Evaluation全部空转，而Evaluation无反馈会让直觉越练越偏。

第一阶段（0-3 个月）·Representation + Evaluation地基。每天对一个「理所当然」做第一性原理拆解(换Representation)；每次重大决策前做 Pre-mortem 并写概率 + 理由进决策日志(Evaluation + 校准闭环)；重要表达用金字塔结构先草拟。这三个习惯把最高杠杆的两个操作打牢。

第二阶段（3-6 个月）·扩Generation。每周深入一个 Munger 模型，对当周真实问题做一次跨域类比(Generation);遇难题练「列 20 解不批判」;对一个时事写二三阶后果(Evaluation的领域应用)。

第三阶段（6-12 个月）·调度与整合。复盘决策日志，识别自己最常在哪一步偷懒(调度);对重大决策画因果回路图，判断该领域属于可练直觉还是只能慢走(可训练边界);建「思维格架笔记本」，每个模型记定义、边界、一个亲历案例。