热刀切黄油的数学：推演 AI 时代的"工具锋利度"公式

type

Post

status

Published

date

Mar 11, 2026

slug

summary

前言：为什么要造一个新公式？

人机交互（HCI）领域已有不少经典理论——Fitts's Law 预测指点操作的耗时，TAM（技术接受模型）解释用户为什么接受或拒绝一个系统，Flow Theory 描述挑战与技能匹配时的心流状态，GOMS 模型将交互拆解为原子动作来预测操作时间。

这些理论，从做产品以来，都学习过，觉得很好，但总觉得不够。它们要么聚焦于单次操作的微观效率，要么停留在态度层面的定性描述——始终无法回答一个根本问题：为什么有的工具用起来像热刀切黄油，有的却像钝刀切肉？ 我们需要一把尺子——一个能对工具的"好用程度"做一致性评价的思考框架。

这个想法搁置了很久，一直没有突破。直到最近偶然想到物理学的摩擦力公式 f = \mu N——摩擦力是粗糙度和压力的乘积，跟我们"用工具做事"的体感如出一辙。于是开始了推导。

或许，世间万物都能用公式来描述，算是数学专业的强迫症吧——虽然我是学渣，大学经常挂科。

同时也必须提一句，产品前辈俞军的俞军公式（用户价值 = 新体验 - 旧体验 - 替换成本），一直让我佩服不已、心向往之。今天这个锋利度公式，算是我个人往前走了一小步，以博诸君一笑。若多年后不再做产品，也算留下自己奋斗过的痕迹。

一、物理学起源：从摩擦力公式到锋利度公式

工具锋利度理论不是凭空创造的公式，而是物理学两个经典公式（摩擦力公式 + 压强公式）在交互领域的组合与再应用。

1.1 起点：经典摩擦力公式

物理学中，摩擦力的计算取决于两种情况：

滑动摩擦力（物体已经在动）：

u：动摩擦因数（coefficient of kinetic friction），取决于接触面的材料和粗糙程度

N：正压力（Normal Force），垂直于接触面作用在物体上的力

静摩擦力（物体还没动）：

静摩擦力没有固定值——你用 10N 推桌子没推动，摩擦力就是 10N；用 20N 还没推动，摩擦力就是 20N。它总是"刚好等于你施加的力"，直到达到临界值 f_{\max}，物体才开始滑动。

1.2 关键映射：从物理到交互

观察的结构——摩擦力是两个独立因素的乘积。这个结构可以自然地映射到工具交互场景。

第一步：替换

摩擦系数衡量的是接触面有多粗糙。在工具交互中，对应的就是工具有多难用。

我们引入 Q（Quality）表示工具的设计质量，。Q 越大，设计越好，使用难度越低。因此：

代入得：

第二步：替换 N

那 N 代表什么？物理学中正压力是"压在物体上的重量"。在交互中，这个"重量"来自用户的小白程度——做产品时我们经常需要考虑用户有多不专业，这正是压在交互过程上的负担。

Knowledge（知识）的首字母是 k，用它来代表用户的专业度，。k 越大，越专业，小白程度越低。因此：

第三步：代入得到使用阻力公式

物理学	含义	工具交互	含义
（摩擦系数）	接触面有多粗糙	(1-Q)（使用难度）	工具设计质量越低，使用难度越大
N（正压力）	物体被压在表面上的力	(1-k)（小白程度）	用户专业度越低，小白程度越大
	摩擦力		使用阻力

这个映射同时揭示了为什么使用阻力公式必须是乘法而非加法：

物理学告诉我们：摩擦力不是"粗糙度 + 压力"，而是"粗糙度 × 压力"。

如果地面光滑，无论你压多大力，摩擦力都是零——对应工具完美时，无论用户多菜，阻力都消失。

如果没有正压力，无论地面多粗糙，摩擦力也是零——对应用户完美时，无论工具多烂，阻力也消失。

这就是乘法结构的物理学根基。

除了物理类比，乘法结构还被笔者自己质疑过，是不是加法更好。考虑加法的替代方案：如果阻力是，那么当工具完美时，——用户的小白程度依然会独立产生阻力。但在现实中，如果一个工具真的能完美理解并执行你的意图（想想理想中的 AI 助手），用户仅需提供目标，而不需要任何过程性的专业知识也能完成任务——此时执行阻力应该趋近于零。只有乘法结构才能表达这种"一个因素归零则整体归零"的效应。 因此，乘法不仅是物理学的启发，也是交互逻辑本身的要求，才确定如此。

1.3 静摩擦力的启示：入门门槛

静摩擦力的特性同样有深刻的映射意义：

静摩擦 > 动摩擦：让一个静止的物体开始运动，比维持它运动需要更大的力

交互映射：用户开始使用一个新工具的阻力，大于继续使用它的阻力

这解释了为什么"上手难度"（静摩擦）往往是用户放弃工具的首要原因——不是工具不好用，而是用户根本没能跨过最初的那道坎。

一旦用户"动起来"了（跨过了静摩擦），后续的阻力反而会变小。这就是为什么好的工具设计要特别重视首次体验（Onboarding）——目标是帮用户突破 f_{\max}。

需要说明：本理论后续的锋利度公式 S，主要讨论的是用户"动起来"之后的动摩擦状态——即持续使用过程中的效能。至于如何突破静摩擦、让用户从"不用"到"开始用"，那是关于转化率（Conversion Rate） 的课题，逻辑与本公式相通，但暂不在此展开。

1.4 完整推导链

每一步的逻辑：

f \to F：f 是使用工具的阻力，但我们要衡量的是工具的好用程度——以"及格线"为基准取倒数，F > 1 代表超过及格，F < 1 代表不及格

F \to S：借用压强公式 P = F/A，同样的刃力面对更小的问题体量，锋利度越高

二、符号约定

符号	含义	物理学对应	取值范围
	工具设计质量 / 系统智能度	表面光滑度
	用户能力 / 领域熟练度	减轻正压力
	问题体量 / 复杂度	受力面积 A
	使用阻力——用工具做事有多费劲	摩擦力 f = \mu N	ㅤ
	及格基准阻力	参考摩擦力
	刃力——相对于及格线的放大倍数		ㅤ
	锋利度——切入问题的穿透力	压强	ㅤ

三、第一步：定义使用阻力（Friction）

(1-Q)：工具的使用难度——设计质量越低，难度越大。对应物理学中的摩擦系数 \mu。

(1-k)：用户的小白程度——专业度越低，小白程度越大。对应物理学中的正压力 N。

f 的本质：使用难度 × 小白程度 = 使用阻力。对应物理学中的 f = \mu N。

边界分析

条件	f 的值	含义	物理类比
Q=0, k=0	f = 1	阻力最大：烂工具 + 纯小白	粗糙面 + 重物，最大摩擦
或		工具够好或人够专业，阻力趋于消失	光滑面或零压力，摩擦消失
Q=0.5, k=0.5	f = 0.25	中等水平，阻力降至 1/4	ㅤ

关键洞察：Q 和 k 是乘法关系而非加法，这不是主观选择，而是物理学摩擦力公式 f = \mu N 的结构性要求——两个独立因素的协同效应。

四、第二步：定义刃力（Empowerment）

前面推导出来的 f，是使用工具时的摩擦力——即使用阻力。但我们真正需要衡量的，是工具的好用程度。

逻辑很直接：使用阻力越小，工具越好用。但如果直接取倒数 F = 1/f，我们用实际场景验证一下：当工具设计极差（Q = 0.1）、用户是纯小白（k = 0.1）时，——这显然不合理，烂工具加小白居然还有 1.23 倍的"放大"？

问题出在：原公式的 F 永远大于等于 1，无法表达"不及格"的状态。所以需要做缩放（Scaling）——给公式乘上一个基准系数，让数值回到合理区间。我终于知道当年觉得脱裤子放屁的缩放有什么实际用处了，之前真的都是和尚念经。

引入及格基准：设定（及格线），对应的基准阻力：

0.6 不是物理常数，而是认知锚点。 无论将及格线设为 0.5 还是 0.7，都不会改变公式的核心杠杆结构（即趋近 1 时的指数爆发），它的作用仅仅是将标尺归一化，让 F = 1 成为体感上的"刚刚好"。

然后定义刃力为相对于及格水平的放大倍数：

就像温度用摄氏度（以冰点为 0）而非绝对零度——选一个有实际意义的参考点，让数字更直观：

F > 1：超过及格线，工具 + 用户的组合开始有放大效果

F = 1：刚好及格，勉强够用

F < 1：不及格，做事费劲

刃力的放大特性

Q	k	F	直觉
0.1	0.1	0.20	烂工具 + 纯小白，远低于及格
0.5	0.5	0.64	中等偏下，还没到及格线
0.6	0.6	1.0	及格线：刚好够用
0.9	0.1	1.78	好工具让小白也能超过及格线
0.9	0.9	16	好工具 + 老手 = 16 倍及格水平
0.99	0.99	1600	趋近完美时，能力爆炸式增长

杠杆效应：当。好的工具是能力杠杆，它不是简单地"帮你省事"，而是将你的能力指数级放大。

五、第三步：定义锋利度（Sharpness）

有了刃力 F，为什么还不够？因为在实际场景中，我们衡量一个工具好不好用，从来不是抽象地讨论"这把刀快不快"——而是看它能不能帮我切开眼前这块具体的食材。

比如当下最常见的场景：一个编程工具，能不能让没有编程基础的人搭建一个个人网站？这里"搭建个人网站"就是 v。刀再快（F 再大），如果食材太硬（v 太大），用户依然切不动。

所以，刃力 F 必须放到具体问题中才有意义。借用压强公式 P = F/A——同样的力，作用面积越小，压强越大——我们得到锋利度：

这才是最终的效能度量：不是"刀有多快"，而是**"这把刀对这个问题的穿透力有多大"**。

物理类比

物理学中：同样的力，作用面积越小，压强越大（针尖刺穿纸张）。

锋利度模型中：同样的刃力 F，问题体量 v 越小，切入越轻松。

注：这里取的是压强公式的结构（力 ÷ 阻碍 = 穿透效果），而非严格的物理量纲对应。v 代表的是问题对能力的"抵抗面"，而非物理学中的面积。

完整语义

其中：v = 问题复杂度，(1-Q) = 使用难度，(1-k) = 小白程度

角色	变量	控制方
刀的锋利程度		工具设计 + 用户学习
食材的硬度	v	问题本身的复杂度
切入的轻松度	S = F/v	最终效能

S 大 → 热刀切黄油，用户感受到"爽感"。

S 小 → 钝刀切肉，用户感受到"挫败感"。

从数学上对 S 求导可以证明，工具越接近完美，每一分改进带来的杠杆效应越大——这就是为什么 AI 时代大家都在卷最后的 1%。具体数学证明见文末【附录】。

六、验证与推演

公式推导完了，接下来拿到真实场景中验一验——先看具体案例的数值是否符合直觉，再看极端情况下的数学行为，最后讨论变量如何落地度量。

6.1 实例推演

场景：修一张图（v 固定）

场景 A：钝刀

工具：Windows 画图（Q = 0.1）

用户：小白（k = 0.1）

计算：

结果：F < 1，远低于及格线。用户觉得"修图好难，甚至修不了"。

场景 B：利刃

工具：Google Nano Banana 修图（Q = 0.9）

用户：依然是小白（k = 0.1）

计算：

结果：F > 1，超过及格线。虽然人没变、问题没变，但 S 大幅提升——"稍微点一下就搞定了"。

启示：用户感受到的"爽"与"难"，本质上是锋利度 S 的大小。产品设计的核心目标就是最大化 S。

具体场景的数值验证通过了，接下来看公式在极端条件下的行为——边界处不崩，才说明结构是稳的。

6.2 渐近行为与理论极限

当（工具趋于完美）

Sharpness Singularity（锋利度奇点）：工具完美理解用户意图时，理论上锋利度无限大——任何问题都能一刀切开。这是所有 AI-native 产品追求的终极目标。当然，现实中 Q 永远无法真正等于 1——这个奇点标示的是模型的渐近方向，而非可达的终点。

当（问题无限复杂）

无论刀多快、手多熟，面对无限硬的食材，锋利度终将归零。这意味着不拆解问题就直接扔给工具，是最愚蠢的使用方式——对大模型也是如此。再强的模型，面对一个未经拆解的巨大 v，锋利度也会被稀释到接近无效。

当且（AI 时代的核心矛盾）

如果磨刀的速度（Q 增长）快于食材变硬的速度（v 膨胀），则 S 仍然可以维持甚至增长——这就是 AI 工具竞赛的本质：磨刀能否跑赢食材变硬？

v 的通货膨胀（The Inflation of v）

上面的分析还隐藏了一个更深的悖论：当工具变得极其锋利（Q \to 1），锋利度 S 暴涨时，人类不会停下来享受轻松——人类会立刻去切更硬的东西。

以前 Q 提升了，我们用来快速修图；现在 Q 接近完美了，我们开始尝试生成视频、重构整个系统。

省下来的锋利度 S，总是被兑换成更大的问题规模 v。

这解释了一个反直觉的现象：工具越强，我们反而越忙。 不是因为工具不够好，而是因为我们每磨好一把刀，都会转身走向更硬的食材。

这一现象在经济学中有一个经典的对应：Jevons Paradox（杰文斯悖论，1865）。英国经济学家 William Stanley Jevons 发现，蒸汽机的燃煤效率提升后，煤炭的总消耗量不降反升——因为效率提升使更多使用场景变得经济可行。v 的通货膨胀，本质上是 Jevons Paradox 在工具交互领域的再现。

这也许是工具进化的永恒宿命——S 的剩余价值，永远会被人类的野心吞噬。

6.3 度量路径：Q、k、v 如何测量？

数学上自洽、直觉上合理之后，最后要回答一个务实的问题：这些变量在现实中怎么测量？

我一直坚信如果理论不能指导实践，近乎等于放屁。Q、k、v 作为抽象变量，需要在具体场景中落地为可度量的指标。以下是几种可行的度量方式：

变量	度量方式	说明
Q	SUS 问卷得分 ÷ 100	SUS（System Usability Scale）是 HCI 领域广泛使用的标准化可用性问卷，满分 100，归一化后可直接映射到 [0, 1)
Q	任务完成率	给定标准任务集，用户成功完成的比例
Q	专家启发式评估	多位 UX 专家按 Nielsen 十项原则打分取均值
k	领域经验归一化	如：行业年限 ÷ 行业平均资深年限
k	前置测试得分	任务开始前的领域知识测试，得分归一化到 [0, 1)
v	功能点数（Function Points）	软件工程中衡量功能复杂度的标准方法
v	子任务拆解数	将问题拆解为原子任务的数量
v	专家评定等级	多位领域专家对任务难度的共识评分

需要强调：本公式的核心贡献在于结构（乘法关系、归零效应、边际递增），而非某组具体的数值。上述度量方式是将公式从定性分析推向实证验证的起点，而非唯一路径。

还需要指出的是，由于 v 的度量单位（如功能点数、任务步数）在不同场景下差异巨大，本公式计算出的锋利度 S 并非一个带有绝对物理量纲的常数，而是一个相对比较指数（Relative Index）。它的核心价值在于横向对比——比如同一个任务，用传统软件 vs 用 AI 工具的 S 值倍数差——而不是追求一个绝对的数值标准。

七、设计启示：磨刀的三条路径

要让用户觉得"爽"（提高 S），有且仅有三条路：

路径	操作	责任方
磨刀刃（提升 Q）	把工具做得更好	交互设计师 / AI 工程师
练刀法（提升 k）	把用户教得更聪明	教育 / 文档 / 社区
选软柿子（减小 v）	把问题拆解得更小	产品经理 / 策略设计

路径间的优先级

由于 Q 和 k 的乘法协同效应，同时提升两者的回报远大于只提升其一。而减小 v 是"降维打击"——不换刀、不练功，只挑软的切。

写在最后的话

动笔写这最后一段的时候，其实颇为纠结。讲出来像笑话，但想了想还是写下来好了。

目前基本已经达成共识：人类再次迎来了"原子弹时刻"。AI 的威力如此巨大，似乎一切都触手可及。但越是这样，越需要我们把产品的基本功做扎实，进行新的理论创新。

算法的同志，先是提出了 Transformer，然后做出了 GPT。开发的同志，做出了 Claude Code、OpenClaw 这种工程化到极致的东西。而纯产品输出，或者以产品为主的产出，目前来看乏善可陈。诸位产品同行也得多多努力——不能让算法、开发专美于前啊。

同时也必须坦率地承认一个遗憾：受限于个人的数学能力和专业洞察力，本文虽然用了公式，但本质上仍是定性分析——更多是对过去经验的解构和验证，缺乏对未来的量化指导和落地方案。公式搭好了骨架，血肉还需要更多人来填。

最后说一下 AI 在本文中的参与。公式的核心推导和理论构建，基本是在 A4 纸上用笔完成的——这是做产品以来的习惯，A4纸束缚最小。AI 主要承担了四个角色：一是文章审查（Gemini），帮我检查推导中是否存在逻辑漏洞；二是在基准常量 f_0 = 0.16 的引入上提供了关键灵感——之前自己尝试了好几种归一化方案，要么过于复杂，要么解释性不好，最终是在与 Gemini 的对话中敲定了"60 分及格线"这个简洁的锚点；三是附录中 (1-x) vs 1/x 的求导分析——我知道需要求导来比较两种方案的斜率特征，但怎么求导真的全忘了，这部分全是 Gemini 帮我算的；四是文章的格式整理——在 Obsidian 里写 LaTeX 公式实在折磨人（也可能是我不熟练），这部分由 Claude Code 完成。

这篇文章，就算是我这个能力有限的产品人所贡献的一块垫脚石吧。毕竟天赋有限，在天下英雄如过江之鲫的当下，也只能给各位垫垫脚了。

联系作者：如果你对这个公式有任何想法、质疑或延伸思考，欢迎来信交流：lhuafmaof@163.com

附录：公式的数学性质讨论

为什么是 (1-x) 而不是 1/x？

坦白讲，最初选择用 (1-Q) 和 (1-k) 做参数转换，纯粹是出于直觉——物理公式 f = \mu N 里 \mu 和 N 都是正向量，用"1 减"刚好把正向的"质量"翻转成正向的"阻力因子"。做完之后回头做逻辑检查，才意识到一个问题：为什么有的地方用"1 减"，有的地方用倒数？这两种翻转方式有什么区别？

于是对两种方案分别求导，比较它们的数学性质。

当前方案：(1-x) 型

对 Q 求偏导（k, v 视为常量）：

对 k 求偏导（Q, v 视为常量）：

关键特征：分母中有——Q 或 k 越接近 1，导数越大。从 0.9 提升到 0.95 的边际效果，远大于从 0.1 提升到 0.15。这意味着边际递增：越接近完美，每一分改进的回报越大。

替代方案：全用倒数

如果不用 (1-Q) 而用 1/Q 表示阻力因子，公式变为 S = c \cdot Q \cdot k / v。对 Q 求偏导：

导数是常数——每一分改进的回报完全一样，无论你在 0.1 还是 0.9。没有加速，没有奇点。

对比

ㅤ	(1-x) 方案（当前）	1/x 方案（替代）
边际效应	递增——越好越值得打磨	恒定——改进回报不变
极限行为	Q \to 1 时 S \to \infty（奇点）	Q \to 1 时 S 有上界（无奇点）
产品直觉	顶级产品的"最后一公里"价值极高	所有改进等价

(1-x) 结构天然产生了**"最后一公里"效应**：越接近完美，每一步改进的回报越大。这恰好解释了为什么顶级产品在细节打磨上投入巨大——因为在 Q 的高位区间，每一分努力的杠杆效应是指数级的。

全用倒数则丢失了这个特性。所以，(1-x) 不仅是直觉上的选择，也是数学上更优的结构。

三个变量的灵敏度分析

进一步，把三个偏导数都写成相对形式，会发现一个非常简洁的结构：

每个导数都是"当前锋利度 ÷ 剩余空间"。含义非常直观：

磨刀效应：Q 离 1 越近，(1-Q) 越小，导数越大。行百里者半九十——把准确率从 95% 提升到 99%，带来的锋利度爆发远超从 50% 到 54%。这解释了为什么 AI 时代大家都在卷最后那 1%。

练功效应：结构与完全对称。"磨刀"和"练功"在数学上是等价的——提升工具质量和提升用户能力，对锋利度的贡献机制一模一样。产品经理不仅要造刀，还要写好说明书。

拆解红利：导数为负，且分母是 v——问题规模翻倍，锋利度减半。反过来说，把大问题拆成若干小问题，每一步的锋利度都会回升。这提供了一个直觉层面的解释视角：大模型引入思维链（Chain-of-Thought）后之所以表现更好，可能正是因为 CoT 把一个复杂问题拆解成多个小步骤，让模型在每一步面对更小的 v，从而保住每一步的 S。当然，CoT 的有效性涉及更多底层机制，这里仅作为模型视角下的一种理解方式。