净资产：约 7000 亿美元。
按 1 美元兑 160 日元的汇率计算，这超过了 100 万亿日元。
这个人卖电动汽车、发射火箭、通过卫星把通信服务覆盖全球，甚至自己创办了一家 AI 公司。
他就是埃隆·马斯克。
2026 年 2 月，SpaceX 吸收合并了 xAI（开发 Grok 的公司）。合并后的估值立刻达到 1.25 万亿美元。火箭、卫星、生成式 AI 和 X 从此成了一家公司。
他不是单纯的 AI 使用者，而是站在 AI"创造"一侧的人。
听到这里，很多人会想：
「他大概就是毫无限制地使用世界上最强的 AI 吧。」
我以前也这么想。
但有一件事引起了我的注意。
马斯克近 20 年来一直在公司内部反复强调一套被称为"算法"的五个步骤。无论是工厂还是火箭，他始终坚持必须按照这个顺序来做。
第 5 步——最后一步——是"自动化"。
我再说一遍：是最后一步。
而且，他还对自己没有按这个顺序执行的失败经历做过反思：
工厂犯下的最大错误，就是从一开始就试图把所有流程自动化。
2018 年，他刚经历完 Model 3 大规模量产的地狱模式，就发了这样一条推文：
特斯拉的过度自动化是一个错误。准确地说，是我的错误。人类被低估了。
全世界在 AI 上押注最多的人，却在说"不要先做自动化"。
说实话，如今该如何用好 AI，全部的答案都藏在这里。
这篇文章比较长，建议先收藏，方便以后回看。
先说一个简短的公告
明天 7 月 31 日（周五）下午 6 点，我将在 Brain 上发售一个自动生成 Slides 的技能。
这是我第一次上架 Brain。
就我个人而言，研讨会资料、课程内容或销售页面，我已经不再手动制作任何一页幻灯片了。只要给它一个主题，从结构到视觉呈现全部自动生成。
靠着用这个技能高速制作大量赠品，我的 OpenChat 列表马上就要突破 2000 人了。
它的用途无穷无尽。如果你想在短时间内制作大量幻灯片，请关注并稍等片刻。
价格定得非常便宜——大约相当于在乡下吃一顿午饭的钱。
公告就到这里。下面进入正题。
马斯克的"算法"，正是 AI 的用法
首先列出这五个步骤：
- 质疑需求（那个条件真的有必要吗？）
- 删除（先试着把零件或流程整个删掉）
- 简化（只对剩下的部分进行打磨）
- 加速（缩短周期时间）
- 自动化
马斯克反复强调要按这个顺序来。理由很明确：
聪明的工程师最常犯的错误，就是优化一个本就不该存在的东西。
优化本不该存在的东西。
把这句话换成 AI 语境，简直严丝合缝。
很多人在使用 AI 时，直接就从第 ⑤ 步开始了。
把现有的任务直接扔给 AI，调整提示词来提高准确率，再做成模板以便重复使用。
确实会变快。但那样也许只是在高速地持续运行不必要的任务而已。
这不是能力问题，而是顺序问题。
你用 AI 得不到结果，不是因为 AI 不够强，而是因为你在自动化那些本该被删除的任务。
下面介绍的 7 个方法，全都是这套哲学的展开。
方法 ① 在让 AI 回答问题之前，先问"这个问题本身有必要吗？"
第一个方法最不起眼，却最有效。
你是不是直接就让 AI 进入正题？「写这个方案」「总结这份文档」。很常见对吧？
马斯克这样描述算法的第一步：
让需求变得更聪明。无论提出需求的人有多聪明，需求里总会有一些愚蠢之处。
他接着说：
聪明人提出的需求最危险，因为你不会去质疑就全盘接受。
他彻底到什么程度呢？他在公司内部禁止说「这是法务部的要求」「这是安全部门的指示」这类话。
他坚持要求需求必须附上具体个人的名字。因为隐藏在部门名称背后的需求，会在没有人承担责任的情况下存活下来。
这一点可以直接用在 AI 上。
下面我会写出即将要做的事情。首先，列出这件事的所有"前提假设"，包括我自己都没意识到的那些。接着，针对每一条问"这真的有必要吗？是谁决定的？"。现在先不用给出答案。只要按照我应该质疑的顺序，列出我应该质疑的假设。（在此插入任务内容）
直接让 AI 去做的人和先拆解假设的人，产出的结果完全不同。
方法 ② 在交给 AI 之前，先考虑能不能"删除"
第二步更加彻底。
用马斯克的话说：
如果你删完之后不需要重新加回至少 10%，那就说明你删得还不够。
以删掉 10% 会被加回来为前提进行删除。换句话说，删过头了才算删得刚刚好。
最能象征他设计哲学的一句话是：
最好的零件，就是没有零件。
在火箭上，如果拆掉一个零件，那个零件发生故障的概率就变成零。库存、检查、组装工序也全都消失了。
工作也是一样。
你每周做的周报，也许根本没人打开。你每次发出的确认邮件，也许只有 30% 是真正必要的。
在把这些扔给 AI 之前，先让它思考一次：这些能不能砍掉？
下面我会列出我每周做的所有任务。从中按可能性从高到低，列出 5 件"就算我不做了，也不会给任何人添麻烦"的事。针对每一项写出：① 为什么可能是不必要的，② 如果停止会打扰到谁，③ 如果要继续做，只用保留哪一件事就够了。我不需要提高效率的建议。只要给我删除建议。（在此插入每周任务清单）
给 AI 增加任务的人，和减少任务本身的人。一年之后，你手里剩余的时间将会完全不同。
方法 ③ 别再写规则了，直接给"范例"
马斯克的公司里有一个非常典型的现实案例。
特斯拉的全自动驾驶（FSD）长期以来都是基于人类编写的规则运行的。「看到这条线就这样做」「出现这个标志就这样停车」。这些规则累计超过了 30 万行代码。
2024 年，特斯拉删除了这些代码。
取而代之的，是一个用海量人类驾驶视频训练出来的单一神经网络（AI 的核心）。输入视频，就能输出转向、加速和刹车操作。他们不再编写规则，转而采用展示范例的方式。
这和我们在提示词上的讨论完全一样。
很多人试图通过把给 AI 的指令写得更长来提高准确率。「再具体一点」「避免使用专业术语」「使用礼貌用语」。你添加的条件越多，指令就越复杂，遗漏也就随之出现。
然而，给出 3 个好的范例，比列出 20 条条件更有效。
下面我会贴出 3 个我希望你生成的"范例"。首先，用你自己的话，把这 3 个范例中共同的规则归纳成 10 个要点。等我对这 10 个要点确认之后，再按照同样的规则生成新内容。*先不要开始生成。先归纳规则。（贴上你认为优质的 3 个真实范例）
不断追加条件的人，永远会被指令文本折磨。你应该不一样。把时间花在收集范例上吧。
方法 ④ 不要追求 1 次完美的输出，而是跑 10 次粗糙的迭代
算法的第四步是"加速"。
SpaceX 的方法本身就是答案。
他们不会等设计完美了才发射。造出来、发射、爆炸、修复、再发射。很多人都看过星舰（Starship）测试机多次戏剧性失败的画面。
从普通航天工业的角度来看，这简直是疯了。但结果就是，SpaceX 把火箭发射成本降低了将近一个数量级。
他们不是容忍失败，而是缩短了一个循环所需的时间。仅此而已。
AI 的用法也存在同样的差异。
很多人把一次输出看得太重。想出一个完美的提示词，再手动修改生成的结果，就结束了。因为只跑一个循环，AI 最擅长的"量"就完全没被用上。
要做的事情很简单：不要只出一个方案，而是让它一次性批量生成。
一次性给我 10 个关于［主题］的不同方向，粗糙一点也没关系。我不追求完美。每个方案控制在 3 行以内。完成后，按照"读者可能产生的反应"对这 10 个方案排序，并用 3 行说明第 1 名和第 10 名之间的差异。
企图一发命中的人，击球次数很少。而生成 10 个创意的人，即使打偏了也还有下一步。
方法 ⑤ 自动化要放到最后
这是整篇文章的支柱。
正如开头所写，在马斯克的算法中，自动化排在第 5 位。也就是最后一位。
而打破这个顺序的，恰恰是他自己。
2017 年到 2018 年间，特斯拉在 Model 3 的量产上完全陷入困境。原因就是工厂里塞满了太多的机器人和传送带。马斯克本人当时这样说过：
我们建造了那个疯狂复杂的传送带网络。它根本不工作，所以我们把它整个拆掉了。
然后，就是那条推文：
特斯拉的过度自动化是一个错误。准确地说，是我的错误。人类被低估了。
他通过停掉工厂学到的是：「不要先做自动化」。
为什么自动化要排在最后？理由很简单。
自动化总是伴随着成本。搭建系统的时间、系统出问题时修复的时间，以及「既然做出来了就不得不用」的心理负担。
因此，如果不删除该删的、简化该简化的，你最终只会花高昂的代价去修复那些不必要的任务。
说实话，我也在这里栽过一次跟头。我没有考虑使用频率就搭建了一个复杂的系统，为一个月只运行一次的事情花了好几个小时。系统确实能跑，但根本不值得。
所以，我现在在自动化之前，一定会先执行一次这个步骤：
我即将对下面的任务进行自动化。在那之前，请按顺序完成以下各项判断。在判断完成之前，不要写出自动化方法。① 这个任务能不能完全停止？② 如果不能停止，能不能减少一半？③ 如果不能减少，能不能改成更简单的流程？④ 简化之后，这个任务一个月发生几次？考虑到这个频率，是否值得自动化？最后，给出"应该自动化 / 不应该自动化"的结论，并说明理由。（在此插入想要自动化的任务）
如果答案是「不应该」，那就是巨大的成功。你没花在搭建上的那些时间，就变成了多出来的时间。
方法 ⑥ 不要对每个任务都用最贵的 AI
这是 2026 年 7 月——也就是本月——发生的事情。
7 月 10 日，马斯克在内部备忘录中对特斯拉员工说：「请尽可能切换到 Grok。」而在此四天前，公司刚刚对 Anthropic、OpenAI 和 Google 的工具设定了每名员工每周 200 美元的使用上限。
有意思的是这份备忘录的内容。据报道，马斯克虽然承认「Anthropic 的 Fable 明显优于 Grok 4.5」，但他写下了这样的话：
大多数任务并不需要 Fable 级别的性能。
在这里我得诚实地说：这个判断存在明显的利益冲突。开发 Grok 的 xAI 如今已经并入 SpaceX 旗下，马斯克本人也会从中获益。事实上，据报道很多特斯拉工程师日常开发仍然更倾向于使用 Claude。
即便如此，「按任务的份量来选择，而不是按性能来选择」这一判断基准本身，对个人来说依然有效。
我个人每天都在付费使用 ChatGPT、Claude 和 Gemini，但并不会为每个任务都调用顶级模型。修改错字、转换格式、简短总结。为这些事动用顶级模型，就像开直升机去便利店一样。
试着给你自己的任务分个类吧。
下面我会列出我让 AI 做的所有日常任务。请把这些任务分类为：① 需要顶级模型（判断、设计、策略），② 中端模型就够用（文本生成、总结、格式化），③ 根本不需要 AI（搜索、复制粘贴、替换）。每一项给出一行理由。最后，显示落在 ① 类任务占全部任务的百分比。（在此插入日常任务清单）
通常，① 比你想象的少得多。一旦你意识到这一点，AI 的性价比观念就会改变。
方法 ⑦ 不要问"市场价"，要问"底价"
最后一个方法是七种方法中最著名的，同时也是最少被使用的。
当马斯克决定制造火箭时，一枚火箭据说要花费 6500 万美元。这完全是遥不可及的数字。
于是，他不再用"市场价"的思维去考虑价格。
物理学教你要从第一性原理出发思考，而不是依赖类比。火箭是由什么构成的？航空航天级铝合金，加上一些钛、铜和碳纤维。然后我问：这些材料在商品市场上的价值是多少？结果发现，一枚火箭的材料成本大约是典型价格的 2%。
2%。
剩下的 98% 是材料以外的东西。于是马斯克转向了自己制造的方向。
这正是使用 AI 时应该有的态度。
很多人向 AI 索要的是"市场价"。「告诉我怎么实现［X］。」得到的答案，是所有人都在做的平均答案。执行平均的答案，只会得到平均的结果。
相反，应该让它拆解。
我不会问［X］的常见做法。首先，把构成［X］的要素拆解到无法再拆分为止。接着，把每个要素区分为"绝对必要"和"只是出于习惯才做的"。最后，提出一个只用"绝对必要"的要素重新组装出来的方案。不要以泛泛之谈或行业常识为依据。
向 AI 要先例的人，只会得到符合先例的结果。只有懂得拆解的人，才能找到不同的道路。
给那些心想「那是因为马斯克有钱」的人
读到这里，一定有人会觉得：「这是给手握 10 万筹码的人讲的故事吧。」
我理解这种感受。但请回头看这 7 个方法。
质疑需求。删除。展示范例。反复迭代。自动化放在最后。不为过剩的性能付费。拆解。
这其中有哪一条是需要花钱的吗？
一条都没有。所有这些，用每月几千日元的 AI 从今天开始就能做到。
恰恰相反。有资金实力的公司，往往倾向于选择「加法」而不是「减法」。增加人手、增加工具、增加流程。马斯克自己就这么做过，结果让工厂停滞了。
个人在"删除"这件事上更快。
不需要上司批准，也不需要跨部门协调。你决定的那一刻，任务就消失了。
这是一场与资金实力完全无关的、发生在不同战场上的较量。
总结
只要你把 AI 当作"加速现有任务的工具"，你就连它一半的力量都没发挥出来。
- ① 在进入正题之前，先让 AI 质疑前提假设。
- ② 在交给 AI 之前，先考虑这个任务能不能删除。
- ③ 不要再追加条件，而是给出 3 个范例。
- ④ 不要追求 1 个完美的方案，让它生成 10 个粗糙的方案。
- ⑤ 先删除、先简化，自动化放在最后。
- ⑥ 不要对所有任务都用顶级模型。按任务的份量来选择。
- ⑦ 不要问"市场价"，把它拆解成要素。
有太多人，把这个顺序搞反了。
我把这称为"删除的复利"。当你删除一件事，附着在那件任务上的确认、修正、汇报也会一起消失。而且，被删除的任务永远不会再回来。与提高效率不同，删除的效果会不断累积。
如果你读完之后只是「哦」一声，那么明天你依然会像往常一样，用 AI 把自己手头的任务稍微加速一下。大多数人都会这样。
但你应该不一样。
今天只要做一件事。下次你准备让 AI 做什么之前，先试着问自己一次：「如果彻底停掉这件事，会发生什么？」
