one-second-rule

## Source Metadata Original cangjie-skill frontmatter from the distillation run: ```yaml name: one-second-rule description: | 当用户想快速判断一项任务是否能被当前AI技术自动化时使用。 用户在问"这个AI能做吗"、"技术上可行吗"、"能不能用AI自动完成X"时激活。 不适用于: 需要深度可行性分析的项目评估、涉及情感共鸣或复杂推理的创意任务、LLM时代的长文本生成场景。 source_book: 《给所有人的AI入门课》 吴恩达 (Andrew Ng) source_chapter: p06, p07 tags: [automation, feasibility, heuristic, task-selection] related_skills: - slug: ml-feasibility relation: composes-with - slug: automate-task relation: depends-on - slug: ab-mapping relation: composes-with ``` # 一秒法则 — 判断AI可行性的启发式 ## R — 原文 (Reading) > "只要能在一秒钟内完成思考，我们现在或很快就能通过监督学习自动化处理。" > > — 吴恩达, p06 --- ## I — 方法论骨架 (Interpretation) 一秒法则是一个快速筛选的启发式：如果人类能在不到一秒钟内做出所需判断，那么当前的监督学习大概率能自动化这个任务。 背后的逻辑是：人类"瞬间完成"的判断对应的是"简单概念"——而简单概念正是机器学习最擅长学习的东西。 反过来，如果人类需要几分钟甚至几小时才能完成（如写一份报告、做一次战略决策），这类"复杂概念"对当前AI仍然困难。 这个法则的价值在于它把"技术可行性"这个复杂问题，转化为一个任何人都能操作的快速测试——不需要懂算法，只需要模拟人类思考时间。 它不是精确的科学定律，而是一个高效的初筛工具，帮助团队在投入大量资源前快速排除明显不可行的项目。 --- ## A1 — 书中的应用 (Past Application) ### 案例 1: 汽车检测 - **问题**: 自动驾驶系统能否实时检测前方车辆 - **方法论的使用**: 人类看一眼就能判断"前方有车"——远不到一秒 - **结论**: 一秒法则判定可行 - **结果**: 现代自动驾驶系统确实实现了实时车辆检测 ### 案例 2: 手机屏幕划痕检测 - **问题**: 工厂能否用AI自动检测手机屏幕缺陷 - **方法论的使用**: 质检员看一眼就能判断"有划痕/无划痕"——不到一秒 - **结论**: 一秒法则判定可行 - **结果**: 视觉质检已成为AI在制造业的典型应用 ### 案例 3: X光肺炎诊断 - **问题**: AI能否从X光片诊断肺炎 - **方法论的使用**: 有经验的放射科医生看一眼就能做出初步判断——不到一秒 - **结论**: 一秒法则判定可行 - **结果**: 医学影像AI已在多个病种上达到接近专家水平 ### 案例 4: 共情式客户回复（反面案例） - **问题**: AI能否自动生成有共情力的客户回复 - **方法论的使用**: 优秀的客服需要理解客户情绪、斟酌措辞——需要几分钟 - **结论**: 一秒法则判定不可行 - **结果**: 这类任务在2019年确实难以自动化 ### 案例 5: 50页市场报告（反面案例） - **问题**: AI能否自动生成完整的市场分析报告 - **方法论的使用**: 分析师需要数小时甚至数天完成 - **结论**: 一秒法则判定不可行 - **结果**: 长程结构化推理在监督学习范式下确实困难 --- ## A2 — 触发场景 (Future Trigger) ★ ### 用户会在什么情境下需要这个 skill? 1. 业务团队提出一个AI想法，需要快速判断是否值得深入调研 2. 产品经理在筛选AI功能优先级，需要一个初筛标准 3. 投资人在评估AI创业公司的技术可行性 4. 非技术背景的管理者想快速理解"AI现在到底能做什么" ### 语言信号 (用户的话里出现这些就应激活) - "这个AI能做吗" - "技术上可行吗" - "能不能用AI自动..." - "现在AI能做到什么程度" - "这个想法现实吗" ### 与相邻 skill 的区分 - 与 `ab-mapping` 的区别: A→B 映射是把问题形式化为输入输出结构，一秒法则是在形式化之后判断"这个任务是否简单到AI能做"。 - 与 `ml-feasibility` 的区别: 双因素框架是更完整的评估（概念简单性 + 数据充足性），一秒法则只是快速初筛的第一步。 - 与 `automate-task` 的区别: 任务分解是"把岗位拆成任务"，一秒法则判断"单个任务是否可行"。 --- ## E — 可执行步骤 (Execution) 当 skill 被激活后, agent 应按以下步骤执行: 1. **明确具体任务/判断内容** - 向用户提问："你需要AI做出的具体判断是什么？请描述一个具体的决策场景。" - 完成标准: 用户能描述一个清晰的判断任务（如"判断图片中是否有猫"、"判断这封邮件是否为垃圾邮件"） 2. **模拟人类思考时间** - 向用户提问："一个有经验的人类做这个判断需要多长时间？能在一秒内完成吗？" - 完成标准: 用户能给出大致的时间估计，或同意/否定"一秒内完成" 3. **给出可行性判定并建议下一步** - 如果"是"→ 告知用户"技术上可能可行，建议进入数据可用性评估（参考 ml-feasibility）" - 如果"否"→ 告知用户"当前监督学习可能难以自动化，建议考虑任务分解或暂缓" - 完成标准: 用户得到明确的"可能可行/可能不可行"判定，以及下一步建议 - 判停条件: 若任务涉及情感、创意或复杂推理，直接判定"当前不可行"并说明原因 --- ## B — 边界 (Boundary) ★ ### 不要在以下情况使用此 skill - 任务需要共情、情感理解或人际互动（如心理咨询、谈判、创意写作） - 任务需要长链条的逻辑推理（如法律论证、战略规划） - 任务涉及复杂的语言生成（如撰写报告、创作小说） - 需要精确的成本收益分析的项目决策（此时应使用 ml-feasibility 或 triple-due-diligence） ### 作者在书中警告的失败模式 - 把"一秒内能判断"的任务等同于"一定能成功"——忽略了数据可用性这个关键因素 - 忽略了任务之间的依赖关系——单个任务可行不代表整个流程能自动化 ### 作者的盲点 / 时代局限 - 该法则基于2019年的AI技术水平，大语言模型（LLM）的出现已经让一些"慢任务"变得可行（如写报告、长文本生成） - 法则假设"人类一秒判断 = AI能学习"，但有些任务人类觉得简单是因为利用了常识和身体感知（如"这杯水烫不烫"），AI仍然难以复制 - 法则不适用于生成式AI的评估——生成任务的"简单性"定义与分类任务不同 ### 容易混淆的邻近方法论 - 与"图灵测试"的区别: 图灵测试是判断机器是否表现出人类智能，一秒法则是判断具体任务能否被自动化 - 与"技术成熟度评估"的区别: 技术成熟度评估更全面，一秒法则只是最快速的初筛 --- ## 相关 skills - **ml-feasibility** (composes-with): 一秒法则作为双因素框架中"概念简单性"的评估工具 - **automate-task** (depends-on): 任务分解后需要对每个任务做一秒法则判断 - **ab-mapping** (composes-with): 先定义A→B,再用一秒法则判断B是否足够简单 --- ## 审计信息 - **验证通过**: V1 ✓ / V2 ✓ / V3 ✓ - **测试通过率**: 待测试 - **蒸馏时间**: 2026-06-29