当风暴来临的时候，大多数人在修墙，有人却在造风车。
一、差距在哪里？
说到第一性原理，很多人会想到埃隆·马斯克，他创办了多家价值数十亿美元的公司，比如广为人知的有特斯拉、Space-X和Paypal等，他的身价突破千亿美元，被称为是现实世界里的钢铁侠。
为什么马斯克可以在多个看似毫无关联的领域取得成功，而普通人往往无法弄清楚其中一个？
这可以归结为他从第一性原理出发思考的能力。
马斯克认为第一性原理是人类了解新事物和探索未知的唯一方法。
除了马斯克之外，在其他行业做到顶尖的大佬也都非常善用第一性原理思考方法，比如：
爱因斯坦：理论家的工作分成两步，第一步是发现公理，第二步是从公理出发推出结论。
查理芒格：商界有一个古老的法则，第一步找到一个简单的基本的道理，第二步非常严格的按照这个道理行事。
二、第一性原理
那么，第一性原理是什么呢？
简单的五个字理解起来却并不容易，所以别急，我们慢慢来看。
第一性原理最早起源于亚里士多德，他认为任何一个系统都有一个“第一性原理”，即最基本的命题和假设，不能被省略或违反。
马斯克就非常善于寻找系统的第一性原理，他说：把一切归于事物的基本本质，然后从事物的本质开始推理。
这里就涉及到人类日常生活中常用的两种基本逻辑方式：
通常人们擅长从直觉和经验出发，进行类比推理和归纳总结，这属于「归纳法思维」，马斯克认为在重要的事物上进行类比推理，只能看到问题表面，「演绎法思维」从一般规律出发，才能探究问题本质。
演绎法需要有一个来自系统之外、能够逻辑自洽的基石，作为整个演绎推理的起点，这个起点可以称为第一前提、逻辑奇点，也可以称为第一性原理。
老子的《道德经》也阐述了这种思维，“道生一，一生二，二生三，三生万物”，这里的道也可以理解为第一性原理，而且这里的“一二三”也与亚里士多德所说的“第一性原理有不同的层次”相对应，大系统的推演结论又可以作为子系统的第一性原理。
那么如何应用第一性原理呢？
在搜集资料时发现第一性原理并没有统一的应用方法，基于自己的理解和试验，将其总结为三步走，可以作为参考：
第一步：回归本质
面对任何一件事物或问题，首先需要回归到问题或目标本身。不要任由系统1的惯性回答，调用系统2进行问题识别、解构，找到真正的问题所在。
第二步：重构思考
针对核心问题探寻其最基本的原理或命题，即第一性原理，然后基于第一性原理进行演绎推理。在这个过程中一定要打破惯性思维，重新思考，建立新的理解和框架。
形象化一点，第一性原理思考的过程好比一棵大树，第一性原理就是主树干或大树枝，运用「演绎法」推理出新的枝桠和叶子，从而找到问题方案或目标策略。
第三步：验证迭代
验证迭代让第一性原理思考整个过程形成一个闭环。
从基本原理出发，运用演绎法推理出可能超出我们认知极限的问题答案，但结论到底成不成立，需要通过数据和实践进行测试验证，并根据实际的应用表现，及时调整改进。
三、新视角的产品设计
产品设计也是一种思维方式。
通常采用“对标竞品”、“归纳客户需求”的类比归纳思维是没有问题的，只不过容易不由自主地掉进思维惯性陷阱，只能产生细小的优化迭代。
创新最重要的“不是News增加信息量，而是New新视角”。如果能够一层层地剥开产品的表象，从本质出发，再一层层地向上推理演绎，在这个过程中就会产生颠覆性的创造力。
这时就需要基于第一性原理思维，从基本原则出发，基于每一个拆解的问题去演绎推理，识别更多可能性进行突破。
给你两颗栗子来帮助理解第一性原理如何应用于产品设计：
第一颗栗子🌰
首先看下马斯克是如何应用第一性原理的。
在特斯拉之前，很多车企都想推电动汽车，但核心卡点在电池成本太高，大家普遍认为电动汽车的电池成本不会低于600美金/千瓦，无法实现重大突破...
马斯克从物理原理出发，思考电池的材料成分是什么？如果在伦敦金属交易所购买这些东西，每件东西的成本是多少？得出来的答案是电池材料成分钴/镍/铝/碳... 这些成本价只有80美金/千瓦。
除此之外，马斯克还将互联网领域中服务器集群网络分级管理的方法，推演应用到电池组的管理上，确保每节电池的温度调节、运行状态及安全监控。
从而实现了电动汽车的电池在成本、能量密度和安全性方面的重大突破。
第二颗栗子🌰
接着说AI原生应用设计。
如今AI大模型重构原生应用如火如荼，而“重构”一词其实蛮容易让思维局限在原有的功能里，迎接AI时代最大的挑战是要将自己从互联网的惯性思维中拉出来，思考AI的本质和真实机会。
从互联网时代进入AI时代，应用不再是常规的“输入->计算->输出”的工具，而是一个“感知->思考->反应”的智能体，尤其是像AutoGPT等AI Agents的发展，更是让大家看到AGI的无限可能性，具备的不仅是学习力、感知力还有思考力（多智能体的对抗）...
这里以某AI原生地图为例，来看下是如何重构地图交互与出行体验的。
基于AI的“学习力”、“感知力”和“思考力”，地图不再只是一个出行工具，这个智能体摇身变成一位知识渊博、能出谋划策，并懂得你的习惯与喜好的出行同伴。
在功能设计上，再结合心理学的基本原理（情感联系&需要满足&个体差异），让原来只是单条语音代替文字检索的一问一答，变成像跟朋友一样随意聊出行，而且这位朋友知识渊博，记得你说过的话，并可以帮你拆解复杂问题，给出满足你个性化需求的方案。
比如，你可以直接问它“周五晚上下班后想跟西二旗、望京和金融街的小伙伴聚个餐，有什么推荐的店铺？”
AI原生地图可以基于对你的信息（如位置）、习惯（如出行方式）、喜好（如口味）的了解，感知、分析、思考你的问题，并结合它储备的知识（如路况、店铺等）给出解决方案。
对于给出的答案，你还可以继续追问补充，跟这位“出行伙伴”一起商量方案。
另外，根据聊天内容还会夹杂私活地给你推荐好用的地图功能，实现隐藏功能的一步直达，这也是AI大模型产品的特点。
上述这个例子是基于对AI本质的思考和心理学原理，演绎推理得到的AI重构出行交互创新案例。
除此之外，AI时代还会有更多不同形式的创新，甚至是整个商业模式的改变，如同互联网精准广告对传统广告的颠覆。
当然，无论得到的创意或方案有多么突破认知、颠覆创新，最终还是需要放到市场上去验证迭代。
模型的智能性与用户体验往往决定了AI原生应用的成败。
尤其是现在大模型输出的不确定性，与以往互联网产品根据输入得到可预测的输出不一样，因此演绎AI产品的同时，也需要能够将需求拆解为一堆测试集。
现阶段的大部分产品落地时，是让大模型与工程相互配合，让工程做兜底，让模型去思考迭代。
正是由于现在大模型技术的局限性与不完美，王小川认为相比之前的产品市场匹配PMF(Product-Market-Fit)，现在更应该考虑的是技术产品契合度TPF(Technology-Product-Fit)，洞见技术的优缺点，实现技术与产品的调和，让缺点变成特点。
总而言之，关于AI原生应用设计，产品经理首先需要懂得大模型的技术特性，找到技术产品的适配度，这是第一性原理的起点，市场是检验迭代的试验场（JTBD原则不变），而不应该是出发点。
当追风跟潮难以得到想要的答案时，不妨换个视角，回归到AI的本质和人的本质需求，从第一性原理出发，一层层向上推演出新供给与新市场。