怎么AI设定评估成本模型思考

最近的一些事情，让我觉得可以开始要ALL IN AI了，在正有这个想法的时候，昨天正好看了德哥一篇文章《AI 不言弃，是好事还是坏事》，在早上9:25 我快要开会前，我发现那篇文章的阅读量不是特别高，转发量也不是特别高。（

果然，深思熟虑的深刻的见地，是不会有什么流量的，但反过来看，他对一些理解他思路的人，影响确有是极其深刻的。或许看那样的文字，真的不如看 大白腿，狐狸精一样的脸蛋，白袜肌肉男，让人愉悦。人类的进步和思维的开放，想必也不是因为，白腿，狐狸精，“叫爸爸” 能提高的。所以印证了，另一篇，骗子太少，傻子太多，骗子不够用 的设定）

那篇文章里面说了什么，让我打开了思路，里面提到了一个点，AI的工作模式，AI工作模式所引起的一系列问题，成本问题尤其突出。我在简单复述一个那篇文章的核心思想，用经济成本也就是token值来估算AI 做事遇到的困难程度，基于AI和人类之间的差别，不放弃持续工作，哪怕撞南墙也要继续工作，和人类遇到困难就采用各种方式，直到放弃的不同点来进行的论述。

跟着这个思路进行下沉，AI的工作中的代价评估模型，目前是业界的空白，也就是从何种角度来让AI在进行工作中，评估出这个工作可以被取消，拒绝，禁止。

这又让我想起了数据库在处理SQL的时候的方案，在产生多种的执行计划，进行穷尽的时候，我们未必选择出最好的，但是是代价，或者说性价比最高的。或在单位时间中最好的。

那么AI在做一些任务的时候，我们是否也可以将这些作为评估模型的制作的根本，协定出一套评估成本的模型，将初始值，这里我举一个非常初级的思维定式。

评估模型输入---任务中可付出的Token的费用，这是一个固定值，但也可以是一个浮动值，如果在AI计算的时候，就差几个，几十个，几百个token就能突破的难题，我们要不要放开这个token费用的限制额度，让AI再往前走几步。

想到这里，评估模型的难度又提高了，AI 实际上不知道任务的难易程度，他也无法评估出需要多少token来完成任务，如果能评估出具体的实际的数字，那么这个评估模型的阐产出倒是简单了。

所以现在的评估模型卡在了，AI在做一项无法评估需要多少TOKEN可以完成的任务，所以评估模型无法进行评估，限制的界限在哪里。这是不是数据库的SQL执行计划本身到现在还是COST的模式，而没有进化到更高的思考维度，没有找到最优解的核心问题。

所以一个真正的评估成本的AI模型要做出来根本就是不可能。

那如果是不可能的，我们又能从什么维度来做出我们的评估模型，想到这里我脑子开始痛，或许这就是我们这个世界，对生物的思维高度的锁定，我的token 不够用了，我不得不把这个问题给了 AI 让他去帮我思考。

这证明了思维的核心原理，拆解，分析，如果无法进行分析，说明拆解的粒度不细，再拆，再分析。

有的时候，不预期的一篇文章，就能提高你的认知，当然自己也得想提高认知，二者不期而遇，认知就逐步提高了。

以下是AI给我的答案

既然精确预测不可能，我们采用与数据库优化器相同的思路

—— 多层启发式 + 动态反馈 + 渐进收窄。模型分为四层：

┌─────────────────────────────────────────────┐

│ L4: 战略放弃层（Meta-Abandonment）

│ │ 整个任务是否值得继续？类比：项目要不要砍掉 │ ├─────────────────────────────────────────────┤

│ L3: 战术放弃层（Tactical Abandonment）

│ │ 当前策略是否还有效？类比：SQL 要不要换执行计划 │ ├─────────────────────────────────────────────┤

│ L2: 进度评估层（Progress Estimation）

│ │ 我们正在取得进展吗？类比：查询已经扫描了多少行 │ ├─────────────────────────────────────────────┤

│ L1: 资源感知层（Resource Awareness）

│ │ 我已经花了多少 Token？还剩多少？ │ └─────────────────────────────────────────────┘

写到这里，我不得不佩服AI 模型的厉害，他将我的问题逐个拆分，拆分成当前我认为是一个最优解的评估模型的方案。

最后我得出了几个答案

1 AI 本身解决问题的能力虽然有限制，但限制在如下几点 1 不完全的知识信息的提出 2 将问题不会进行拆解，将一团问题交付给AI 3 对AI的认知错误，或者没有触发深刻问题的试探 4 没有用商业产品，用的是免费的产品

image

image