“从 0 到 1”这个词已经被说烂了，可 0→1 为什么就是比 1→∞ 难那么多？真正的创新，好像还需要一些看起来”不务正业”的广博知识。现在 AI 似乎什么都能做，它能不能迈出这最关键的”第一步”，也值得想一想。
换个角度，用信息论来看，这些问题其实有一个挺直观的解释。
在信息论里，熵衡量的是系统的不确定性。熵越高，越混乱、越难预测；熵越低，结构越清楚。
一个领域里所有可能的理论、技术路线和架构，可以看作一个巨大的假设空间。创新的过程，就是不断获取信息，把走不通的假设排除掉。
所以创新很少是突然冒出来的灵感，更像一个持续降低熵的过程，在迷雾里一点点摸出秩序。
要理解 0→1 为什么难，得先看它和 1→∞ 有什么不同。
当”1”已经存在，大家玩的是优化游戏。iPhone 出来以后，智能手机长什么样基本就定了，电商在 Amazon 之后也是一样。目标很清楚，要么更便宜，要么更快。在这种已知的结构里，只要投入资源和工程力量，总能做得更好。这是已知范围内的”小熵减”，结果可以预测。
但 0→1 是摸着石头过河。关键变量在哪里都不知道，甚至不知道该怎么描述问题。你面对的是一个完全陌生的假设空间，有无数种可能。要从这团乱麻里找出真正能跑通、能持续下去的结构，不但难，而且是一次回不了头的跳跃。
这就是 0→1 更难的原因。光靠勇气或远见解释不了，它是要在一片空地上盖起高楼。
很多人看到成功的产品，就想照着复刻技术路线，结果往往画虎不成。这不是执行力的问题，而是没看懂创新是怎么来的。你能复制那个”1”，但复制不了到达它的过程，尤其是过程中踩过的那些坑。
从信息论看，创新是一条从高熵走到低熵的路。路上的失败和被证伪的假设，都是很有价值的信息。它们合起来是一张只有创造者才有的地图，清楚地标出哪些路是死胡同，哪些边界条件绝对不能碰。
这张地图比很多人想的更重要。它不只是一份”踩坑记录”，还改变了创造者对整个问题的理解。在一次次试错中，创造者慢慢形成了一种关于”什么可行、什么不可行”的直觉。有了这种直觉，他们能很快看出，哪些看起来很诱人的方向其实是陷阱。
复制者的问题在于信息不对称。他们看到的是终点的确定结果，却没有到达终点过程中的那些”负信息”。他们直接拿到了低熵的结果，却跳过了降熵的过程。一旦环境变了，或者要在原来的基础上再往前走一步，复制者马上就会迷路，因为他们手里没有那张标着危险区域的地图。
再往深里说，这个过程有点像训练神经网络，改变的是人和团队本身。就像深度学习里调整权重，每次探索都会在脑子里留下痕迹，慢慢形成一套说不太清、但很管用的判断。团队之间的配合，也是在反复试错中磨合出来的，外人看不到，更学不来。
真正的护城河，往往是那些关于”什么行不通”的隐性知识，以及由此积累下来的判断力，而不是技术本身有多高深。这些”负信息”还会一直推动下一轮探索。
说到底，创新复制不了，是因为一个很基本的事实：过程本身就是价值。反复试错、推翻重来的经历，塑造的不只是产品，也是人思考和做事的方式。这才是别人没法逆向工程的东西。
这不是在夸博学。从信息的角度看，这是必需的。
假设你只懂一个很窄的领域。别人一看就知道是死路的方案，你可能还觉得”大有可为”。你的假设空间很大，不确定性还是很高。跨学科知识的作用，其实是帮你”加约束”。比如懂物理，就知道有些想法违背能量守恒；工程经验也会告诉你，有些设计根本造不出来。
广博的价值不在于”知道得多”，而在于能排除那些看起来像捷径、其实是死胡同的选项。
但光广还不够，还得深。创新不是找一个冷门的点子，而是找到能解释一堆怪现象的底层道理。知识够深，你就已经把大量事实压缩成了脑子里的直觉。当那个关键的”1”出现时，哪怕它看起来很简陋，你也能一眼看出它的潜力。没有深度的人，就算撞上了，也会因为它不符合常规而错过。
说到底，跨学科是在找不同领域之间的”互信息”。当 A 领域的规律正好能解开 B 领域的死结，那往往就是最有突破性的时刻。
Peter Thiel 说创新是 0→1 的纵向进步。用信息论的话说，这是一次很少见、但价值很大的”熵减”。
Thiel 推崇”秘密”，也就是那些大多数人不信、但确实是真的事情。从概率上看，先验概率很低的事（大家都不信）一旦成真，带来的信息量（也就是价值）是巨大的。
这也解释了为什么真正的创新往往”反直觉”或”反共识”。如果大家都觉得行，确定性已经很高，这时再去做，信息量很小，回报也一般。真正改变世界的人，往往要长期忍受”孤独的正确”。当所有人都觉得你疯了，而你最后证明自己是对的，这种从极大的不确定到确定的跨越，才会带来真正的突破。
AI 确实厉害。它能很快扫清那些明显的坑，也能在看似不相关的领域之间找到联系。到了”成形”阶段，比如推公式、写代码、画图，它能省下大把时间。
但它有一个根本的局限，就是在概率里找答案。AI 的训练方式是拟合大多数数据，所以它天生擅长”优化”，而不擅长打破常规。它给出的往往是”平均水平”的正确答案，而真正的 0→1 是反共识的。
更重要的是，AI 不用对结果负责。它不知道哪个”1”值得拼命，也没法在没有数据的时候押注一个未来。这些代价和风险，只有人能承担。
所以，AI 是很好的催化剂，但不是做决定的人。它能把路照亮，但往哪走，还得人自己决定。
回过头看，0→1 是从一大片可能性收缩到一个答案的过程。和 1→∞ 的平稳迭代相比，它更像一次逻辑上的跳跃，广和深缺一不可。
在这个时代，AI 帮我们从繁琐的搜索和优化里解放出来。当搜索空间被大大压缩以后，那些没法自动化的眼光和胆识，反而成了最稀缺的东西。
如果说创新是在迷雾里找路，AI 只能点亮手里的灯。真正决定往哪片黑暗迈出第一步的，始终是人，因为判断价值、承担风险，都只能靠人。
创新不是灵光一闪的魔术，而是长期的、充满挫折的探索。信息论给了我们理解它的工具，这份清醒也许能让我们走得更远。