学校小组项目初期寻找项目主题的时候，我们都会开一个在线白板，如果碰到比较积极的队友，一般白板都会被写的密密麻麻，正常来说最后可能可以用的屈指可数。

这两天收到一篇研究，才意识到问题或许不在团队的活跃度，而在我们把“创造”理解错了——创造力并不是把想法一次性倾倒出来，而是让它们像多米诺骨牌一样相互碰撞、接力、不断生长。

文献把这种过程叫作“idea linking”，我把它叫成「想法连连看」，它像是在一条河流里放下一只纸船：第一段水流只是将它轻轻推远，真正带来惊喜的，是后面每一次曲折和汇流。也许，真正高效的创造，并不是人多声杂的“头脑风暴”，而是一场对线索的执着追踪：先让好奇心制造一个缺口，再让想法与想法之间彼此“勾手”，走完那条蜿蜒的、却通往新大陆的小径。

文章的标题是特定好奇心驱动创造力，特定好奇心指的是解决特定谜题或问题的渴望。想法连连看指的是将早期想法作为某些方面作为后续想法的输入，一个想法是另一个想法的垫脚石。

既然要将早期的想法作为后续想法的跳板，所以对于初始的想法以后就不能急于去否定，因为这是探索的起点。就像上图所展示的，对于前一个想法，去修改去主动提取有利的元素，然后衍生下一个想法。

比如我们工程心理学课上，要做产品原型设计，我在思考搞什么产品的时候，开始思考的是“做一个求职软件”，进一步我可以追问自己求职过程中的痛点环节是什么。是不是可以加入性格测评功能？测评数据如何用来匹配合适的工作？每一个新问题，都让这个想法更加具体和深入。最后我慢慢跳出简单的"求职平台"概念，设计出了一个基于个人特征的智能职业匹配系统。

我们可以来区分比较一下“头脑风暴”和「想法连连看」，在小组讨论的时候，头脑风暴就是一群人在这里大家各自想自己的、表达自己的意见。然后过一段时间，就可以看到我们的白板上出现了五颜六色的想法。但是「想法连连看」需要有一个初始点，然后在原来的基础上不断地去修改，它的每一步都是基于前一步的一个拓展和修改。

从形式上来看，头脑风暴追求一次性产出越多越好，但是想法连连看它就是一条节点串联的折线，每一段都保留上一段的痕迹。前者先有主题再无边发散，后者是先有具体的谜题，也就是一个明确但是尚未破解的缺口，随后围绕着它螺旋上升。结果就是，头脑风暴它会留下一篮子的彼此独立的节点，但是想法连连看它是留下一份“演化谱系”，能够每次看到变形或是取舍的一个逻辑线，就是很清晰的一个演变的过程。

从过程上来看，一个是顺时爆发的，一个是递进追踪的头脑风暴。它是靠激发量，就是鼓励毫无约束的想到就说；而想法连连看它是靠延长线，因为它要求你下一个想法必须引用上一个想法的有效元素，这是它的启发方式上的一个不同。

一般来说，我们用头脑风暴去进行一个点子的产生，那最佳的点子是在头脑风暴完之后来评比出。和这个不同的是，想法连连看是每一个步骤都会进行一次优化迭代比较去校验，所以它天生就带有“演示—试错—迭代”。

从他们的形式上，让我联想到了深度优先算法和广度优先算法。

头脑风暴就是广度优先算法，它是将问题作为根节点，一层一层地向外扩散，尽量在同一个深度把能想到的所有选项都去探出分枝。

「想法连连看」就更偏向于深度优先了。它开始选一条最有力的、最有张力的分支，一路沿着未解的线索往下扎，先把这条路径走深走透，每一步都继承上一节点的信息，所以路径始终带有因果链条，易于回溯复用。

我更愿意把「想法连连看」视作一种心理节律的调整器。它把创造过程从一次性的爆裂式输出，转成了一段“先蓄、再放、再蓄”的呼吸。

正如题目讲的特定的好奇心，所以我们的好奇心本身它是有黏性的。当我们心里悬着一个具体尚未拆开的信息空洞的时候，大脑的奖赏系统会持续分泌多巴胺，催促我们去补全那块缺失的拼图。

好，那这里特定的好奇心和普遍的好奇心比有优劣？

普遍好奇心带你见多识广，特定好奇心则逼你见微知著；前者像呼吸中的“吸”，纳入新氧；后者像“呼”，把氧气送进毛细血管。

普遍好奇心引起的信息缺口宽而薄：你知道自己不知道的东西太多，反而难以对哪一处产生持续拉扯。特定好奇心缺口窄得足够精准——“这张扑克牌到底是怎么消失的？”、“这个转换率为什么刚好在第 2 步掉 15%？”——拉力集中，张力更大。Loewenstein 的信息差距理论就指出，只有当未知被框进明确边界，大脑才会形成持续性的动机回路（多巴胺级联）。

Amabile 和 Getzels早期工作就表明，适度束缚能迫使人寻找非常规路径。普遍好奇心在行为层面几乎没有束缚：你可以随时跳题，于是很难在同一语义空间内累积足够多的可比元素。

特定好奇心恰好给出一把“镣铐”——你必须围绕谜题转，所以早期点子天然共享核心元素；这些公共元素就是“idea linking”所需的关节点。链条之所以能往前推进，正因为前一个节点上的材料在下一个节点必须被用上或被改造。

写这篇文章的时候，我想凸显的正是后者的力量——因为在信息爆炸、工具如云的 AI 时代，能让人真正脱颖而出的，往往不是知道得多，而是谁能对一颗疑问咬得更紧、更久。

当然，更权威的证据还是来源于实验里面，也就是这篇文献的实验四。研究者用魔术谜题、日记追踪、链条训练等多种情境操纵和测量两种好奇心。普遍好奇心的量表分数虽与信息搜寻行为正相关，但在创意评分（专家评审、非定势评分）上没有显著提升。原因正如上面几条机制：它主要增加外部“素材库”，却没有内在机制把素材压缩进可演化的序列。特定好奇心则一边拉动素材输入，一边保持同一语义主干——于是能在短时间里形成“质变级”组合。

「想法连连看」还可以压低工作记忆的噪声，在头脑风暴的场景中，就像我们浏览器打开了一堆的标签页，同伴的想法一堆，又怕自己的想法被他们的给淹没，于是就必须得用力把他们的想法都“别”在自己的工作记忆中暂存。

那块大脑的暂存区本就狭小——巴德利模型里说不过区区几“槽位”——结果很快被拼贴式的信息塞满，注意力呈碎片化跳转。心理学把这种现象称作干扰性负载：每条新输入都会与既有内容争抢编码通道，噪声高涨，真正需要深加工的线索可能就会被淹没。

「想法连连看」之所以能“安静”这片拥挤的空域，靠的是两步简单的“节流—滤噪”机制。

第一步是节流：规则要求你下一念必须沿用上一念的某个核心因子，这在无形中把“可进入工作记忆的候选”锐减到极少数。相比同时盯十来条独立点子，现在你只需守住一条活跃链，而先前节点则可以被外部化——写在纸上、投到白板、存进笔记——转入长期或外部记忆，释放暂存槽位。

第二步是滤噪：因为链式推进让所有新信息都带着“血缘关系”，彼此语义重叠度高，工作记忆里保留的是一组高相关片段，而非风马牛不相及的碎屑。认知心理学研究显示，同质信息更易被块状编码（chunking），也更易在中央执行系统里被一并操作。

也就是说，大脑可以用一个“复合单元”指代整段链，显著降低执行监控与更新的代价。当负载降低，大脑便有余裕把节省下来的算力用于远距联想、假设检验和错误监控——这些正是创造性跃迁不可或缺的高阶功能。

和思维风暴相比，它把“偏离”变成了“递进”。传统的创造流程里，我们常被“找个全然不同的新想法”这个目标绊倒——跳得太远会落空，太近又嫌平庸。连连看用一种“保留＋变形”的微步进，让每一次偏离都有依可循；这很像神经网络里的渐进式权重更新：不把原模型推翻重来，而是一点点调高损耗大的参数，时间久了就能走出开始时看不见的全新势能谷。

所以它天然自带复盘轨迹，不仅方便他人复用，也让创造者本人能够回到早期节点，重新嫁接出平行分支。所以「想法连连看」并非简单的流程花样，而是把动机调校、认知节奏、记忆管理和演化逻辑四股力量捻成了一股绳——这根绳子虽细，却足以把思维甩到更远、更深的地方。

最近我们工程心理学的一个小组项目，做一款“与人交互、安全又不分神”的汽车 HUD（抬头显示）原型。在这个过程当中，我就决定把整个构思的过程用「想法连连看」来实操一遍。

课堂给的任务范围是比较宽泛的，任何“驾驶-人因”都行。按照以上方法论，首先收紧好奇心，我先刻意制造一个窄缺口，我就先上网搜了一下在驾驶过程中大家可能会遇到的现象，然后就选了其中一个：高速行驶时，司机为什么常错过语音导航的“左转”指令？

因为这个问题涵盖了安全风险、认知过载、注意错配这些我们课程里面提到的因素，所以我就把它作为一个切入点。

对于这个问题，我首先最直觉的想法就是把语音提示同步做成屏幕弹窗、高亮左转箭头。然后在这个基础上，我觉得要保留“同时呈现”这个思路。并且我觉得视觉占用会不会让人低头，并且需要“不转移视线的可视化”（保证注意力转移幅度不大）。

然后我就想到了HUD把箭头投到挡风玻璃上面，这就会出现一个问题：夜间亮度、天气反光的时候怎么办？HUD够亮的话可能会有点刺眼。这个里面我提取的就是HUD的抬头优势，把这个核心优势给保留下来，然后再针对可能刺眼的问题下一步再去进行改进。

对于亮度问题，我们想到的就是采取亮度自适应的方法，就是加入一些光敏元件动态调光。这又引出了下一个问题，就是传感器响应延迟，极端明暗切换也会导致滞后，因为有时候我们开车速度很快。而且纯亮度调节可能不足以区分左转和直行。

所以在坚持抬头和自适应的基础上，我们把箭头改成简易的flow bar，就是直行变成了淡蓝渐变的横条，左转就是条头弯曲配绿色闪点，右转就是同理一个镜像，同时保持低对比度背景。通过颜色、形状、位置的三重编码来大幅减少瞬时识别的时间。

大概流程就是这样子：先提出一个初始的想法，然后从初始的想法里面提取一个有用的元素和亮点，然后在这个基础上再进行改进，把需要补足的地方去进行改进，一步一步地迭代下去。

总结下来就几点诀窍：

AI 时代，我们的工作流或多或少都会有点 AI 参与，所以最后一个部分主要围绕“人-AI 协作范式”。

从「想法连连看」这个形式来看，最直观的就是让AI模型担任轨迹的记录者。从第一个念头开始，它把每一次推断、每一次否定都编码成时序片段，就是这个推断和迭代的过程，你可以和AI一起进行讨论。讨论之后你可以让它总结。当然你也可以自己用一些语音转文字的APP，把它转成文字之后再让AI去总结。我去帮你提出一些建议之类的，再去跟它交互。

当然，这种想法可能就是把AI当作“图书管理员”，还是没有用到AI的真正能力，比如我们可以让它成为“认知张力的放大器”。

我们刚刚提到的每一次的演化迭代都要和上一次有些相关联，所以和AI讨论可以帮助我们去跟随路径，而不会太过于偏离我们最初的动机。反过来，当链条行至第五、第六节点，动力逐渐衰减，它又能够引入一种轻微的破坏——模拟反例、设定极端场景——像在静水里投下一颗小石子，让涟漪把原有路径轻轻推弯，让缺口重新出现，让多巴胺再次分泌。

回想那次做 HUD 原型的项目，我们其实已经在连环思路里走到第六节点。Flow-Bar 的多重编码看似完善，小组却突然失了兴奋：测试数据漂亮，反而没人再追问下一步。

于是我把对话框丢给 GPT，先让它复述想法形成的链条。它像一位冷静的旁白，把每一跳的保留因子、变形因子、剩余空洞都串成时间轴，最后他给出疑问：“现有设计假设驾驶员始终在理想坐姿，若他微微偏头看后视镜时，HUD 还能保持可读吗？”

所以我们顺势把“偏头视角”设成极端场景，那一刻，链条重新绷紧——我们的第七节点自然变成“在 Flow-Bar 上叠一层带追踪的微箭头副影，并只在视角偏移时点亮”。

还有一种更具实验性的协作，我给它起了一个霸气的名字“涌流接力”，我想把这种人机共创的节奏比作一条河流：上游急湍，漂来第一片树叶；中游有暗涡、曲岸与石堆，每一次碰撞都迫使树叶改变走向；而在下游，汇入支流后形成宽阔的三角洲，冲积成可以耕耘的沃土。

「想法连连看」看的本质，是让创造行为沿着一条“不断被缩窄、又不断被重新撕开的信息缺口”向前螺旋；任何时刻都只保留一个活跃节点，把其余节点外部化存档，以此维持专注与张力。而要保证链条既能延续又能被适时扰动，我们需要一块足够“二维”的舞台——让主线与分支在空间上可视共存，也需要一位能在恰当时机把“反例石子”投进静水的同伴。

Flowith 天然具备这两层特质：它的画布视图把对话拆成节点-连线，让时间线弯成空间网。

在大多数线性聊天窗口里，点子一旦滚出视野就像沉入河底，除非去搜索关键词或者和大语言模型聊天被 RAG 了，否则很难被重新捕捉；而 Flowith 的“节点”概念把每一跳演化都钉在画布上，像在河道里插上浮标——主流、支流、回涌位置一目了然。

Flowith 把每一次人或模型的输出转成独立节点，所以它天然也带可回溯的“演化谱系”。我们随时能在画布上回溯祖先节点或嫁接旁支，无需在脑中维护版本树。

而且我们在和传统的大语言模型软件（比如说ChatGPT）聊天的时候，如果问错了一个问题或者他回答了我们不满意，我们就只能修改这个问题重新去询问他。因为以我个人来说，我会害怕如果我不修改而是直接问的话，我会把上一个错误的context留在这里，影响大语言模型的输出。所以我就会重新修改，这样子的话我们就相当于覆盖掉了原来错误的一些思路或者是一些问答。

但有时候其实我们的想法并没有绝对的对与错。AI 回答的质量，我们有时候是需要去对比的。所以我们用Flowith这种节点式的画板软件去进行交流的话，我们不仅可以保留原来多种问答的方法，可以获取多个问题的答案，可以去比较异同点，然后形成一个最优迭代。

这不仅保留了我们想法迭代的过程，也保留了我们错误想法的过程，这方面我们日后可以用来复盘或者做一些总结。

所有这些协作方式背后的底色，归根结底是节奏与留白。

当信息过载、工具泛滥，我们最易犯的错是把模型当成生产力倍增器，疯狂要求它一次吐出几万字，却忘了创造真正需要的是一口一口的“气息”。

创意不是靠乱枪打鸟，而是靠“带着问题的连续试探”。

当然，人机协同也不等于我们把所有的问题丢给AI。如果我们自己没有形成一个清晰而具体的谜题，那大语言模型往往就只会给出常规的答案。只有我们自己通过连串的连锁式提问，再加上反馈去喂养给AI，才能接近研究里面所讲到的idea linking。

问问题就涉及到了Prompt Engineering，但这也不意味着说我们要写一个巨长的Prompt。与其说写一个巨长的Prompt，不如说写一组递进的Prompt，每条Prompt都让AI继承上一轮的亮点，再挑战一个未解决的子问题。

过去，一条冷知识或奇思妙想未必能立刻落地；现在可用 AI 快速做原型、写脚本、搜文献，验证成本大幅下降。组织可以把“每天一个Why”设为 OKR 子指标，并用 AI Dashboard 把当日问题-原型-后续效果自动归档，形成内部知识库。

创意的稀缺点如今已从“信息不够”转向“聚焦不够、连锁不足”。把“好奇心-跳板-再好奇”做成一种可视、可追踪、可训练的流程，是升级我们工作范式的关键。

AI 是放大器，但前提是人类要先点燃那一点“想知道到底怎么回事”的火花，并学会一步步把火花接成灯串。