广度就是新的深度——AI时代对「把一件事做到极致」的反思
“把一件事儿做到极致，你就赢了。“这句话统治了整整一代人，写在了畅销书里，挂在了创业导师嘴边，刻进了无数人的职业规划当中。但如果它是错的呢？
AI实验击碎了”专精等于更强”的信念
去年底，有人在arxiv上翻到一篇论文，看完之后沉默很久——这篇论文用实验数据把”专精至上”这句话彻底击碎了。
研究团队想训练一个专门做金融分析的AI，做法很直观：把通用大模型拿过来，只给它金融数据——海量的研报、财报、交易记录、经济论文。全都是金融领域最顶级的数据。
按照常识，一个只学金融的AI应该比什么都学的AI更懂金融吧？结果完全相反：
- 在金融领域标准基准测试FinanceBench上，这个精心打造的金融特训AI表现居然不如没有做过任何金融专项训练的通用大模型
- 在需要复杂逻辑拆解的真实商业问题上，被通用模型明显碾压
这还不是个例。arxiv上一系列论文都验证了同一个结论：当你对一个大模型做单一领域的持续预训练，只喂某个专业领域数据的时候，会发生”灾难性遗忘”现象——它不仅没有变得更专业，反而连原来具备的基础推理能力都退化了。
它记住了更多金融术语，但它变蠢了。
认知脚手架效应：跨领域知识如何提升能力
更反直觉的是另一组实验数据：研究者发现，如果在训练AI的时候，加入大量的代码和数学数据——注意，这不是为了让它编程或做数学题——结果它在完全不相关的领域上的表现会大幅提升：
- 医学病历诊断准确率上升
- 复杂法律案件的推理逻辑链更清晰
- 历史事件的因果分析层次更加分明
arxiv论文把这个现象叫做**“认知脚手架效应”（Cognitive Scaffolding）**：
因为代码数据天然包含着控制流、条件分支和严密的计算结构，这些东西会非线性地提升AI在所有其他领域的链式推理能力——不是提升一点，是大幅度提升。
反过来也成立：如果一个AI在数学和逻辑上有缺陷，那它不管做什么领域的深度推理，表现都会打折扣。
这个发现值得细品：**一个AI学数学，不是为了做数学，是为了让它在所有其他事情上变得更聪明；学代码也不是为了写代码，是为了让它看病更准、断案更清晰、分析历史更深刻。**这不是观点，是实验数据。
最前沿AI公司的招聘悖论
最讽刺的是，这一切正在硅谷真实发生：
- Anthropic（做Claude的公司）的联合创始人兼总裁Dario Amodei是文学专业出身，不是计算机，不是数学
- Anthropic招聘页面白纸黑字写着：大约一半的技术人员以前没有机器学习经验
- Open AI的Residency计划录取过Christine McLeavey，她是古典音乐背景，弹钢琴的，之前完全没有AI经历，靠在线自学进入这个领域，现在是OpenAI多模态团队的管理者
- Anthropic刚成立的研究所，招募的人：联合创始人Jack Clark是记者出身，Matt Botvinick是普林斯顿神经学教授兼耶鲁法学院研究员，Antony is from弗吉尼亚大学经济学教授，Sara Hack是前白宫国家安全委员会外交政策主管——没有一个是纯计算机科学背景
为什么？因为编程正在被AI解构：
- 2025年，超过80%的新增基础代码已经是AI写的了
- LinkedIn报告说，到2030年，70%的核心工作技能将发生根本性转变
- 德勤2026年全球人力资本报告：采用以人为本战略的企业，获得超预期回报的概率是纯技术导向企业的1.6倍
当AI接管了”怎么做”之后，人的价值就只剩下一件事儿：做什么，以及为什么做。
知识是一张网，不是一格格抽屉
回到最开始的问题：极致专注到底哪儿出了问题？
- 灾难性遗忘告诉你：砍掉不相关的知识，AI连原来擅长的事儿都做不好了
- 认知脚手架告诉你：一个领域的数据会以你完全预想不到的方式，支撑着另一个领域的能力
**知识它不是一格一格独立的抽屉，它是一张网。**你以为你在抽掉一个不需要的抽屉，其实你在剪断一根承重的绳子。
“把一件事儿做到极致”这句话，真正的毒性不在于”极致”这两个字，而在于它背后的资源分配逻辑：时间花在广度上就没法花在深度上，所以其他都是浪费。大多数人深信这是一个此消彼长的权衡（trade-off）。
但AI实验室的数据说：这个权衡是假的。广度不是深度的对立面，广度本身就在制造深度。
AI是第一个大到足以暴露这件事儿的系统——当你把所有人类知识装进同一个神经网络，你会发现它们根本不是分开的，它们在底层是同一个东西。
结语：广度就是新的深度
这就是为什么全世界最懂AI的公司反而在疯狂招人文背景的人。不是因为他们突然变得浪漫了，是因为他们最先看到了这张网，他们最先意识到：
当执行力不再稀缺的时候，广度就是新的深度。
当AI证明知识从来就不是分开的，“把一件事儿做到极致”这句话，还能再统治多久呢？