将大语言模型（LLM）视为头脑风暴的工具，本质上是在进行一场关于创意概率空间的探索。Lucas Beyer分享了一套极具启发性的协作方法论，将人类的角色从单纯的提问者转变为采样算法的引导者。在创意的概率版图中，LLM是一个强大的采样器，而人类则是决定采样方向的算法。第一条核心原则是延迟同步。在头脑风暴的初始阶段，不要先抛出自己的想法。LLM具有天生的顺从性，如果你先入为主，它会倾向于围绕你的观点打转，陷入讨好型的人工智能陷阱。正确的做法是先描述情境、权衡标准和约束条件，要求它提供至少五个不同的方案。这种做法能确保采样过程不被你的既有偏见所污染。第二条原则是跨越概率盆地。LLM的第一轮回答往往处于高概率的平庸地带。如果你对结果不满意，不要只是重复指令，而要通过提供极端的具体案例或调整约束条件，强迫模型跳出当前的概率盆地，去探索那些更远、更冷门的创意空间。这就像是在算法中引入随机扰动，帮助系统逃离局部最优解。人类在这一过程中的角色是奖励函数。你不需要亲自发明每一个细节，但你需要具备识别天才创意的品味。当模型给出一个你从未想到但恰好击中痛点的方案时，协作的魔力就产生了。这是一种互补的进化：LLM思考人类容易忽略的模式，人类过滤LLM产生的幻觉与平庸。深度思考者们进一步完善了这个框架。有人提出，真正的信号往往隐藏在模型避而不谈的空白处；也有人建议在进入LLM空间之前，先在纸上完成原始创意的孵化，以防被模型的平庸共识所同化。更进阶的玩法是构建专家人格矩阵，让不同背景的虚拟专家在对话中相互博弈，从而挖掘出单一视角无法触及的深度。最终，这种协作不是为了让AI取代思考，而是通过人机耦合，实现一种突现式的创新。你提供直觉和审美，AI提供穷举与变异。最好的创意往往不是由谁独立发明的，而是在这场概率采样的舞蹈中共同涌现的。x.com/giffmana/status/2001371097090957469
