Make No Little Plans：AI时代为什么要敢做大计划

一句话引发的思考

最近，一条简短的推文在科技圈引发了不少共鸣——"Make no little plans"（不要做小计划）。这句话最初出自美国著名建筑师丹尼尔·伯纳姆（Daniel Burnham），完整的表述是：

"Make no little plans; they have no magic to stir men's blood and probably themselves will not be realized."

不要做小计划；小计划没有激动人心的魔力，它们本身也可能无法实现。

值得一提的是，伯纳姆（1846-1912）是19世纪末20世纪初美国最具影响力的城市规划师之一。他主导了1893年芝加哥世界博览会的整体规划，并提出了著名的《芝加哥规划》（Plan of Chicago, 1909）——这是美国历史上第一份综合性城市总体规划，深刻影响了现代城市规划学科的发展。这句话正是在这一宏大实践背景下诞生的，体现了伯纳姆对规模与愿景之间关系的深刻理解：只有足够宏大的目标，才能调动足够多的资源、人才与社会意志，最终推动真正的变革落地。

在AI技术日新月异的今天，这句诞生于一个多世纪前的话，比以往任何时候都更具现实意义。

为什么"不做小计划"在AI时代尤为重要

技术拐点大幅降低了宏大计划的门槛

过去，"宏大计划"往往意味着巨额资金、庞大团队和漫长的开发周期。但AI正在从根本上改变这一等式。大语言模型、生成式AI、自动化工具的日趋成熟，让个人和小团队也能触及曾经只有大公司才敢想象的项目规模。

当前AI领域的"技术拐点"由几项关键突破共同驱动：2017年Google提出的Transformer架构奠定了大语言模型的基础；2020年OpenAI发布的GPT-3首次展示了大规模预训练模型的涌现能力（Emergent Abilities）；2022年ChatGPT的发布则将这一能力带入大众视野。与此同时，开源生态的繁荣（如Meta的LLaMA系列、Mistral等）大幅降低了模型获取门槛，云计算基础设施的普及使算力不再是中小团队的壁垒。AI编程助手（如GitHub Copilot、Cursor）、生成式设计工具（Midjourney、Stable Diffusion）和自动化工作流平台的成熟，共同构成了"技术杠杆"的现实基础。

一个人借助AI编程助手，可以在数周内完成过去需要数月的开发工作；一个三五人的创业团队利用开源模型，就能构建出媲美大厂的产品原型。技术杠杆的放大效应，让"做大计划"的成本急剧下降。

小计划的隐性风险：为什么小目标反而更难达成

伯纳姆的洞察在于：小计划不仅缺乏激励人心的力量，它们本身也难以实现。这听起来反直觉——小目标不是更容易达成吗？

现代心理学和组织行为学为这一悖论提供了有力支撑。斯坦福大学心理学家Edwin Locke提出的"目标设定理论"（Goal-Setting Theory）表明，高难度、高具体性的目标往往比低难度目标产生更高的绩效，因为它能激活更强的认知投入和持续动机。谷歌广泛采用的OKR方法论中也有一个著名原则：如果你的目标完成率总是100%，说明目标设定得太保守了。在人才吸引层面，研究显示顶尖工程师和创意人才更倾向于加入有"使命感"的项目，而非追求渐进式改进的团队。

事实上，小计划往往因为缺乏足够的吸引力，无法聚集优秀人才、充足资源和持久动力。在AI领域，这一点尤为明显：那些试图做"微小改进"的项目，往往在激烈竞争中迅速被淹没；而那些敢于提出颠覆性愿景的团队——无论是OpenAI的通用人工智能目标，还是特斯拉的完全自动驾驶愿景——即使尚未完全实现，也在推动整个行业向前跃进。

宏大愿景的"引力效应"

一个足够大胆的计划会产生自己的引力场：它吸引志同道合的人才加入，吸引投资者的关注，也吸引用户的期待。这种正向循环是小计划永远无法创造的。

OpenAI成立于2015年，其创始使命是"确保通用人工智能（AGI）造福全人类"——这在当时被许多业内人士视为遥不可及的科幻目标。正是这一宏大使命吸引了顶尖研究者，并获得了早期支持者的投入。特斯拉的完全自动驾驶（FSD）愿景同样如此：尽管时间表屡次推迟，但这一目标持续吸引着全球顶尖的计算机视觉和强化学习人才，并推动了整个自动驾驶行业的技术竞赛。两个案例都印证了一个规律：宏大愿景即使未完全实现，也能推动行业跃进，其中间成果本身已具有巨大价值。

回顾AI领域的重大突破，几乎每一个都源于某种"不合理"的宏大愿景——让机器理解人类语言、让计算机生成逼真的图像、让AI成为每个人的智能助手。这些目标在提出时都显得过于大胆，但正是这种大胆推动了真正的创新。

如何在实践中用AI"做大计划"

从终局思维出发，倒推实现路径

不要问"现有技术能做什么"，而要问"理想状态应该是什么样"，然后倒推每一步的实现路径。这一方法论在硅谷有两个重要的对应概念：其一是埃隆·马斯克推崇的"第一性原理思维"（First Principles Thinking），即抛开现有约束和惯例，从最基本的事实出发重新推导解决方案；其二是Google X实验室倡导的"登月思维