第十七章 优化失配 过于正确 过于简省也会遮蔽新路
一、局部最优与意义停滞
一组学习者已经能够熟练写出标准分析报告。输入材料后，他们使用固定模板与AI工具，迅速得到结构完整、术语准确、格式合格的文本。假设连续几次评阅都没有指出明显错误，工作效率也不断提高。这样的情境未必存在问题；在明确任务内，熟练本来就是成就。只有当报告无法承接某种仍然重要的实际要求，优化失配才值得讨论。
例如报告声称能够帮助初次参与者理解一项流程，但真正使用报告的人依然不知道从哪里开始。文本的内部正确与参与者的实际进入之间出现距离。此时不能简单说“正确反而错误”，而应区分评价范围：术语和段落在既定规范下正确，作为进入支持却未必充分。冲突来自两个要求无法被同一安排同时满足。
D3中的最小误差不是脱离问题的绝对命令。何种差异算误差，首先需要规定对象、用途和比较条件。如果把报告质量完全定义为与范文接近，那么不符合真实使用的地方可能根本不进入误差记录。优化可以非常成功，同时遗漏另一个尚未获得评价位置的关系。好奇的候选入口由此可能产生在“任务已完成”之后。
但意义停滞也不能仅凭厌烦判断。学习者重复练习时感到枯燥，可能因为疲劳、任务过量或熟练后的刺激减少；这些情形不自动表明需要新的意义方向。相反，有人安静地重复同一类工作，却在每次实践中深化判断与表达，意义律仍然充分运行。活动外形的重复与意义的停滞不是同一件事。
在构造案例中，值得追踪的是一名学习者发现，自己能够解释每个概念，却不能让初学者完成第一步。他原先把写报告当作交付任务，此刻开始面对“怎样使知识真正可进入”的方向。E2亏缺不再是缺少一个定义，而是说明、行动与整体参与之间无法衔接。价值位置随之变化：被评为正确之外，实际承接开始获得权重。
第一套三角仍在维持既有成果：文本被组织为稳定单位，评价以误差压缩为中心，理念、现实和自我的承接限于提交与评分。第二套三角则因使用者反馈改变：对比对象转向不同参与位置，运行需要实际试用，能量需要投入观察和修改。两套关系的冲突不来自优化本身邪恶，而来自优化边界不能容纳新出现的要求。
若学习者本来就浸入教学设计兴趣，这只是兴趣内的改进。本章的前发生案例特意限定为此前仅在完成写作任务的人。这个限制不是细枝末节，而是整部书的概念纪律：同样的修订行动，可以具有不同发生性质。研究者必须在看到结果之前记录原先的意义位置，不能只因后来做得深入就追认最初已有好奇。
局部最优可能成为入口，是因为它使一个边界变得清晰：在原尺度上继续努力，已经不能回应新显露的差异。此时问题从“怎样更好地完成同一要求”转向“究竟应当让什么获得位置”。这一步可能引发S3—D1—E2的重组，也可能被组织重新压回原指标，后续走向需要具体条件解释。
二、冗余材料的作用
优化冗余常被理解为删除重复。但在发生学中，是否冗余取决于材料正在承担什么关系。两份内容相似的说明，对熟练者可能只是重复，对初学者却可能提供不同进入角度。相反，几十页彼此措辞不同的文本，也可能都在重复同一未经检验的前提。表面相似度不能直接决定发生价值。
在报告案例中，学习者可能曾删除使用者的犹豫、错误尝试和口头提问，因为这些内容不适合整洁的成品。删除改善了文档形式，却也移除了理解真实进入困难的材料。若新的意义方向开始形成，这些原先被判为冗余的片段可能获得不同位置。它们显示流程如何被误读，哪些单位尚未被辨认，何处需要另一种承接。
由此不能推导出保存一切的原则。无差别积累会增加检索成本，使关键差异被大量材料淹没。更合适的做法，是区分交付所需材料与重建发生所需材料，并在两者之间保留可追溯连接。成品可以简洁，问题史可以保存少量具有区别性的片段。简洁与可恢复性可以同时追求，只是不能用同一删除规则处理所有用途。
具有发生价值的冗余往往包含可比较的差别。两次相似操作中，一次成功、一次失败，差异条件尚不清楚，保留两者便有意义。若只留下成功路径，未来参与者看到的是一条被清理过的直线，很难辨认关键转折。失败材料不是因为失败而天然珍贵，而是因为它能改变候选解释、判断边界或后续试探。
AI可以显著降低整理这些材料的成本，例如为不同版本建立对应、标出变化位置、整理使用者提问。但压缩也有风险：工具可能把不一致统一成顺畅表述，把犹豫归纳为一个稳定需求。若这些不一致正是入口的条件，压缩便会提前关闭问题。评价工具输出时，需要检查它保存了哪些差别，而不只是语言是否更简明。
冗余材料还具有社会分布。报告作者认为多余的操作说明，可能是另一类使用者唯一能进入的桥梁；管理者认为重复的讨论，可能在参与者之间形成共同判断。不同位置的充分性标准并不相同。S1中的分布要求我们说明谁使用材料、谁承担误差、谁支付被省略后的代价，不能只从制作者的位置衡量效率。
在好奇前发生中，一些暂时不能证明用途的材料也值得有限保留。它们尚不足以支持一个方向，却与已经出现的冲突有关。保留应当附带理由和重审条件，而非无限期收藏。例如记录“初学者在第二步反复退回第一步，原因未明”，比保存全部对话却没有问题线索更有承接力。
因此，最小冗余不是把发生压到最薄，而是在当前及可合理预见的承接关系中减少无效重复。新意义入口形成时，冗余的定义可能需要重估。优化失配的一种重要形式，正是旧的删减原则把新方向所需的区别性材料一并删掉，使参与者虽然拥有越来越整洁的答案，却越来越难以看见问题怎样发生。
三、试探成本
新的评价方向常常增加短期成本。让真实使用者试读报告，需要安排时间；观察他们如何行动，比收集一句满意度反馈复杂；保留不同版本，会增加管理负担。如果只比较当次交付速度，旧流程可能始终胜出。好奇前发生由此面临一个实际矛盾：要判断新入口是否值得进入，往往必须先承担尚未被证明值得的试探。
这个矛盾不能靠赞美冒险解决。试探成本包括时间、材料、协调和机会损失，且由不同参与者承担。作者获得新发现，使用者却可能付出额外劳动；团队获得长期知识，当期项目却承担延误。发生学必须把这些分布写进机制，而不能用抽象的创新价值抹平实际代价。善的维持也包括对参与条件的认真承接。
有限试探提供一种可能安排。学习者无需立即重写全部报告，可以选择最关键的一小段，让少量参与者尝试进入，并预先说明观察目标。试探的价值在于产生能够区分候选解释的反馈，而非制造一场看起来热闹的体验。若两种解释无论得到什么结果都不会改变，活动再多也难以称为有效验证。
试探预算还应有结束规则。某个候选连续未获得支持，或需要超出当前能力的条件，可以停止或延期。这样的规则保护发生资源，使其他入口仍有机会。没有结束条件的探索容易把坚持与沉没投入混淆；过早要求明确收益，又会使尚未形成尺度的新方向无从尝试。两者之间需要可修订的阶段性承诺。
D3与D2在这里并非天然对立。适当的优化可以降低每次试探的成本，使更多候选获得现实承接；运行步骤则帮助优化找到真正值得减少的误差与浪费。冲突出现在某种优化要求禁止必要的差异暴露，或试探活动无法说明其反馈用途的时候。模型应辨认具体不相容，而非把效率和探索写成永远敌对的两种力量。
AI参与后，某些试探成本可能下降，例如生成不同解释版本、模拟阅读路径、整理反馈。但模拟结果不能自动替代实际使用，低成本生成也可能带来过多候选。新的亏损可能从制作转移到筛选，从回答转移到核验。所谓工具释放条件，需要进一步问释放了谁的什么条件，又把哪些负担转移到了哪里。
当试探无法进行时，张力可能转向自我评价。学习者以为自己不够有想法，实际上缺少接触使用者的权限；组织认为员工没有好奇，实际上所有观察都必须占用未被承认的私人时间。这类归因会把分布问题内化为人格问题。本书强调发生条件，正是为了让这些被隐藏的约束重新进入解释。
有条件的试探也不保证好奇。参与者可能只是执行新增任务，认真完成比较后返回原工作。只有当潜在意义方向、价值位置和有效亏缺发生重组，试探才成为前发生的一部分。实践安排能够增加某些关系出现的机会，却不能通过流程按钮直接制造一个人的意义入口，更不能把未发生解释为个人不配合。
四、新评价尺度的发生
在持续比较之后，学习者可能提出新的报告标准：读者不只能够复述概念，还应能够辨认第一步、理解反馈并知道何时需要调整。这个标准并非凭空添加的理想，它来自原报告与实际参与之间反复出现的不相容。新的评价尺度把此前被遗漏的关系纳入了可判断范围，也改变了什么算有效信息。
尺度变化不意味着旧尺度被全部抛弃。术语准确、材料可靠和结构清楚仍然重要，只是它们需要与实际进入共同组织。若为了易懂而牺牲真实性，新安排也可能失败。真善美的权重组合不是允许任意交换的总分，而是需要说明各项怎样相互支持、何处发生冲突、什么损失不能被其他收益轻易补偿。
新尺度也需要现实检验。作者认为更好的说明，未必真能改善参与；一类使用者获得帮助，另一类可能被排除。需要在明确范围内比较，并保留反例。若新标准只在口头上显得更深刻，实际判断仍完全依赖旧指标，就不能声称评价关系已经改变。发生必须在材料、行动和结果承接中留下可追踪的差别。
尺度的形成可能标志好奇接近兴趣，但不能仅凭写出标准确定边界。参与者可能提出方向后便停止，也可能因没有试用条件而暂存。兴趣开始，需要他已经在新意义通路中持续辨认、行动、反馈和修正。这里的持续不是规定必须多少天，而是说明运行已经能够以自身的关系继续，而非完全依赖外部提示重新点燃。
新尺度还可能反过来改变原任务。课程评价开始要求真实使用材料，模板加入操作入口，AI辅助从润色文本转向比较理解路径。一次局部前发生由此回写到共同条件，使后来者不必重新经历全部困难。回写的价值在于让经过检验的关系可被再次使用，同时保留适用边界，避免新尺度又固化成唯一标准。
如果新尺度成为机械检查表，也会产生新的优化失配。报告表面上包含“第一步”“反馈”“调整”几个栏目，却未真正承接使用者。形式可以复制，发生关系仍需实际运行。任何有效改进都可能在重复中被封装，封装既提高效率，也可能遮蔽新的差异。本书由此把优化与前发生理解为持续互相改写的关系。
对AI时代而言，标准答案越容易生成，越需要辨认答案在什么尺度上充分。这个命题并不是宣称正确性不重要，而是指出正确性必须有明确对象与用途。好奇发生力可能表现为发现尚未被当前评价承接的关系，并组织有限试探，使新尺度获得根据。它的竞争价值要等到后续兴趣与成果形成后再判断。
优化失配所打开的入口，往往没有惊人的新奇外观。它可能出现在最熟练、最顺畅、最少错误的工作中，由一个实际使用困难逐渐显露。多元好奇发生学因此不能只寻找异常刺激，还要研究何种充分性已经达到边界，以及参与者怎样让被省略的关系重新获得位置。