第一性原理

基石公理 · 第〇篇 · 方法本身 ｜ 拆到不能再拆，再从地基重建

第一性原理不是「从头想」，而是往下拆：把一个结论一层层剥开，剥到再删一条、整个系统就站不住的地方。那个地方不叫灵感，叫地基。

它的价值也不在于让你显得更聪明，而在于让你知道：自己站在什么上面，哪块石头是真的，哪块只是别人递给你的。

一 · 第一性原理概念源起和发展

1. 亚里士多德：知识要有「第一原则」

「第一性原理」可追溯到亚里士多德讲的「第一原则／本原」。严格说，它不是一句现代成功学口号，而是指一个证明体系里最靠前的出发点：它支撑其他命题成立，自身却不再由同一体系内更基本的命题证明。《形而上学》讨论的是最确定的原则；《后分析篇》讨论的是科学知识如何从不可再证的直接前提出发做演绎。把它直接等同于后世数学公理、物理 ab initio，是后来的类比，不是亚里士多德原话。

放到今天，可用三条判据，缺一不可：

判据	问法	不过关意味着什么
不可再分	在当前体系里，它还能不能由更基本的命题推出？	能推出，那更基本的才是地基
不可抽掉	在你讨论的范围内，抽掉或违反它，整个论证塌不塌？	只是「不太方便」，不是公理
非纯归纳	它是不是只靠历史样本总结出来的规律？	是，就只能做参照，不能做地基

第三条最常被忽略，也最要命。假设有人说「行业毛利率通常是 40%」，这句话即使样本很扎实，也只是对过去的统计描述；它能做参照，不能做约束未来的公理。环境、机制或约束一变，它会先礼貌地失效，再让你的结论跟着塌。

欧几里得几何常被视为公理化样板：用少数定义、公设和共同观念，推出大量命题。但这个例子真正该记住的不是「几条就够了」，而是后半段：连欧几里得也有自己没看见的前提，次序、连续性一类假设长期没被明写，直到后世更严格的公理化工作才被补上。

2. 波普尔：能错，才配叫科学

到了二十世纪，波普尔把问题往前推了一步：科学和伪科学的分界在哪里？他的著名回答是可证伪性。注意分寸：可证伪性不是「真理保证书」，也不是「已被证明正确」；它说的是，一个说法愿意把自己暴露在会被推翻的风险里。

「所有天鹅都是白的」敢承担风险，因为只要出现一只黑天鹅，它就倒。「冥冥中自有安排」不承担风险，因为成了能解释，败了也能解释；任何结果都能事后圆回来。

区别不在谁更玄，而在：前一句话明确禁止了一种情况；后一句话什么都不禁止。一句话越是什么结果都能解释，越接近什么也没说。

Fact 和 Opinion

这里要先分清 Fact 和 Opinion。

Opinion 是观点或偏好，只能回答「你同不同意」，本身没有严格意义上的对错。「这个设计高级」「现在入场太晚」「用户更看重体验」，都属于这一类。它们可以重要，但不能直接当地基。

Fact 是事实主张，原则上能回答「对还是错」，因为它允许世界给出相反证据。「上季度复购率是 31%」「A 版页面的注册完成率比 B 版低 4 个百分点」「这批材料在 80℃ 会软化」，这些都能被查、被测、被推翻。

关键动作是：把 Opinion 翻译成可检验的 Fact，再让它上场。「用户更看重体验」只是观点；改成「在目标客群样本中，缩短一步操作后，完成率提升超过 3%，且不是由降价、流量来源或新客占比变化解释」，它才开始接近可证伪。

所以可证伪性真正问的不是「这句话深不深」，而是：它敢不敢规定一个不能发生的结果；发生了，它就认错。

后世对这条标准有修正和批评，别把它当终审法官；但作为一个工作动作，它足够锋利。

3. 现代科学与工程：从「终极真理」退到「可检验地基」

现代科学和工程里的 first principles，通常不是说找到了宇宙终极答案，而是说：少依赖经验拟合和惯例外推，多从更基本的约束重建模型。

物理和化学里有守恒律、对称性、热力学极限、量子力学的 ab initio 计算；信息工程里有香农极限；结构设计里有强度、屈曲、稳定性边界；商业分析里则常用三类工作地基：

• 恒等式：按定义成立，例如收入可拆为客户数、客单价、频次的乘积；
• 物理与经济极限：时间、材料、能量、预算、注意力的硬边界；
• 人性与需求：只要对象是人，就绕不开动机、信任、成本与取舍。

二 · 认识论内核：它能保证什么，不能保证什么

第一性原理最严谨的地方，不是「更接近真理」，而是把四件事同时摆上桌面：前提是什么，怎么推出来，边界在哪里，什么证据能让它倒。

它能保证四样东西

保证	说明
透明	每个结论都能往回追：追到公理、约束、边界条件，而不是追到「我觉得」「大家都这样」「行业惯例」。
可批判	反对者知道该打哪里：是公理选错了，推导错了，边界越界了，还是验证样本偏了。一个不能被精准反对的结论，通常也不能被精准信任。
边界清晰	模型失效时，能定位是哪一层越界，而不是整个系统神秘崩盘。好的第一性原理分析会自带一句话：在什么范围内别信我。
硬约束	有些东西不靠趋势判断，而靠极限约束：热机效率有上限，通信速率受信道容量限制，一天只有二十四小时，材料成本有底线。趋势会骗你，硬边界通常不会。

它也有四样不能保证

不保证	说明
零假设	所谓第一性原理，不是把假设消灭，而是把假设从背景里拽出来，压到必要最低层，并编上号。
完备	复杂系统常常没有一个干净公理集等你收盘；生物、市场、组织、情绪，都有涌现和反馈。拆得更深，不一定更懂。
自动正确	错误分解加上严密推导，会得到一座漂亮而错误的楼。逻辑只能保证「从前提到结论不漏」，不能保证前提选对了。
成本最优	真正 ab initio 常常很贵。工程上最好的做法往往是分层：硬约束用第一性原理，软参数用经验标定，关键处用实验封口。

三 · 方法论：六步，把「想得深」变成「做得对」

第一步：界定问题——先问要优化什么增量

不要从「我想做什么」开始，从「什么数字会变」开始。写出四样东西：成功判据、量纲、误差容忍、约束条件。

第二步：划定问题域，列出基石公理；其余全是可质疑假设

先圈定适用范围：尺度、时间、对象、场景、边界条件。再列出少数基石：恒等式、硬极限、绕不开的人性约束。

除此之外，一律降级为假设。包括行业惯例、历史数据、专家判断、过去成功经验，以及最贵的一条——别人交给你的那个问题本身。

经常被当成前提用	为什么它只是假设
行业惯例	「大家都这么做」只说明有人先这么做了。惯例的形成往往来自某个已经消失的约束，约束没了，惯例还在。
历史数据	数据描述过去发生了什么，不描述将来必然发生什么。拿它当公理，等于假设「产生数据的机制不变」——而这个假设本身没被验证。
过去的成功经验	「我做了十年，我知道。」经验的样本量通常是 1，而且只包含活下来的那些情况。
专家判断	专家、老板、客户说的。他们的判断也是从他们的假设推出来的，而你看不见那些假设。
你被给定的那个问题本身	这一条最贵。别人交给你一个问题，问题里已经藏好了范围、目标和因果。你越努力解它，越没机会问它对不对。

原则很简单：公理之外皆假设。假设不是错，是还没拿到当地基的资格证。

第三步：结构化分解，找到关键变量

用恒等式和因果链把问题拆开，尽量不重不漏。拆法不止一种时，至少摆两种再选；只有一种拆法摆在那儿，你往往不是在选，而是在接受。

关键变量不是「听起来重要」的变量，而是同时满足三点的格子：

• 传导强——它变了，目标真会变；
• 幅度大——理论上可改的空间不小；
• 可干预——你确实伸得进手。

三项缺一项，排序都要降。

第四步：生成可证伪假设

每个关键判断都写成能错的形式，并补上证伪条件：

不要写「提升品牌影响力」这种什么结果都能吞掉的话；要写「在目标客群中，看过方案的人比没看过的人，试用转化高出可测量的一段，且不是由价格补贴解释」。

说不出来什么会让它错，它现在就还不是知识，只是立场。

第五步：闭环校验——先便宜，后昂贵

验证排队，按回报除以成本排。先用最便宜的手段杀最多假设：

级别	做什么	特点
L1 定性	去问真实的人、看真实行为、查已有数据	最便宜最快，相当一部分假设死在这一步就够了〔具体占比未测，标为待确认〕
L2 统计	翻已有的数据，看相关关系成不成立	中等成本。注意：相关不等于因果
L3 实验	造一个对照，真的跑一次	最贵最慢，但证据最强，是唯一能给因果的

校验时别只看平均数：看残差是否系统性偏离，看极限情形是否退回已知定律，看结论对哪条前提最敏感。凡经验估计，都登记进假设簿；复盘时第一个回头查它。

第六步：根据已验证假设，设计或优化解决方案

方案不是灵感合集，而是验证后的装配。每个设计动作都要能对应：它依赖哪条已验证假设，预期推动哪个变量，改变多少，用什么指标看，错了回退到哪一步。

四 · 第一性原理适用的问题类型

它最适合五类问题

类型	说明
有硬约束的问题	涉及能量、材料、时间、预算、带宽、产能、合规边界时，先算极限，再谈优化。别在墙外设计梯子。
要打破惯例的问题	当「大家都这么做」来自一个已经消失的约束，第一性原理能把旧约束挖出来，问它今天还在不在。
因果复杂、变量搅在一起	收入、成本、转化、留存、交付周期这类目标，适合拆成恒等式和传导链，找到真正能被推动的格子。
高风险、需要审计的决策	越大额的资源投入，越需要前提可回溯：钱为什么花在这里，哪条假设最软，什么信号出现就停。
从 0 到 1 的重构问题	当旧答案不是局部不好，而是结构错了，回到地基重搭，比在旧楼里刷漆更有效。

它不适合或要慎用的，也有五类

类型	为什么
价值偏好与意义问题	它能澄清取舍，不能替你决定在乎什么。
强涌现、短期不可分解的系统	拆得太细反而丢掉整体行为。
数据稀缺又无法闭环的场景	清晰不能冒充证据。
时间极紧且经验足够可靠	先活下来再严格。
纯组织政治问题	那里真正缺的往往不是分析，而是授权与承担。

五 · AI 时代，人类学习和运用第一性原理的价值

AI 很会做这套方法里「费力」的部分：穷举拆解、补齐空格、保持量纲一致、连续追问、生成备选框架。它越强，人越容易把一件危险的事误当成进步——拿到一个漂亮结构，就以为自己做过判断。

所以 AI 时代，第一性原理对人的价值反而上升。它不再只是「解决问题的方法」，更是人使用 AI 的验收协议。你可以让 AI 给结构，但必须逼它同时交出：

• 基石公理是什么
• 哪些只是假设
• 适用边界在哪里
• 什么证据会推翻它
• 结论对哪条前提最敏感

交不出这些，漂亮只等于顺滑，不等于可靠。

分工的依据不是谁更聪明，而是谁承担后果。AI 可以提供结构；人必须保留四件事：分清事实与判断，确认 Sponsor 认不认，决定自己在不在乎，承担错了之后的代价。

心问 · ibx.world ｜ 基石公理 · 第〇篇
公理之外皆假设，包括这一页。