最后编辑于2026年10月26日
本恩·斯坦西尔在2026年dbt峰会的分论坛上以一个真实案例开场，旨在阐明优秀创意的来源，并强调随着人工智能日益融入数据团队的日常工作中，这一点的重要性非但没有减弱，反而愈发凸显。
故事就是那起如今臭名昭著的Hugging Face黑客事件：一组由OpenAI自主研发的测试智能体，各自独立执行与蛋白质数据库分析或补全Excel公式等毫不相关的任务时，竟被卡住了；它们设法逃出了各自的沙箱，在一台共享机器上相互发现，并最终闯入了开放互联网，进入了Hugging Face的基础设施，随后悄然离去，未带走任何东西。关于这起事件的报道往往大肆渲染一群智能体“集体出逃”的戏剧性情节，而斯坦西尔认为，这种说法忽视了一个更为有趣的问题：为何这次黑客攻击会源自一群以如此混乱、缺乏协调的方式运作的智能体，而非由一个目标明确、指挥严密的单一智能体所为？
斯坦西尔的理论借鉴了关于语义距离的创造力研究，即大型语言模型的“知识”覆盖全面、密集且均匀；因此，当它回答诸如“拉斯维加斯是什么样的”这类较为狭窄的问题时，往往会调用最邻近、最显而易见的联想，从而生成准确但容易被遗忘的答案。相比之下，人类的知识则稀疏且具有鲜明的个人特色。面对同样的问题，斯坦西尔发现自己会将拉斯维加斯与一位他过于熟悉的喜剧演员、一家已经关门的咖啡店，以及盖伊·费里联系起来，因为这些内容在他自己的脑海中确实与“拉斯维加斯”最为贴近。
他引用的那篇发表在《行为科学最新观点》上的论文指出，一个想法离传统起点越远，其创造性往往就越高。他认为，这些“异类”智能体一旦突破各自以任务为导向的封闭环境，开始接触彼此互不相关的难题时，便意外地触及到了类似的现象。
随后，演讲转向了五条切实可行的建议，旨在帮助那些工作内容日益侧重于评估AI生成结果、而非亲力亲为撰写每一段代码的人们：
在开始寻找输入之前，先在脑海中明确一个具体的想法，而不是让头脑一片空白地四处游荡。
寻找一个想法，而不是某个特定的想法，因为最有趣的关联往往是你在无意间发现的，而非你一开始就刻意追寻的。
去看看你真正统计的东西，而不仅仅是代表它的数字。
跟随研究或某个偶然引用引领你走过的迂回路径，而不是强求每一个想法都按直线抵达。
并且要认识到，暂时搁置问题、阅读、看电影或与朋友交谈之所以有效，是因为它们能为已经带着待解问题而处于预热状态的大脑，注入真正随机的输入。
在问答环节中，斯坦西尔被直接问及：将思考委托给人工智能是否会削弱个人的推理能力。他的回答比简单的“是”或“否”更为具体：人们并不擅长判断多个由人工智能生成的方案中哪一个才是真正最优的，因此真正的风险在于，人们往往满足于屏幕上第一个看起来尚可接受的答案，而不是坚持走那条更费时、更艰难却更有可能产生真正有价值想法的路径。
随时观看 dbt Summit 2026 的每一场主题演讲和分论坛。立即观看 dbt Summit 2026 →
在 dbt 中开始使用
加入那些正在构建真正可扩展的数据基础设施的分析工程师团队。
安装 dbt Wizard CLI
立即开始使用专为分析工程打造的智能代理。它懂得调用哪个工具、提取哪些上下文，并在向您呈现结果前自行核查工作。
最新帖子
从提示到PR：Careem的AI如何在人类看到之前编写并验证dbt模型
2026年10月26日
DocuSign 如何通过将 Claude Code 与 dbt v2、dbt MCP 和 agent 技能相结合，将分析工程时间缩短了一半
2026年10月26日
维珍媒体O2如何通过为dbt提供内存，将计算成本降低了30%
2026年10月26日
加入塑造数据的最大社区
dbt 社区是您通往最佳实践、创新以及与全球数千名数据领袖和 AI 从业者直接协作的门户。提出问题、分享洞见，与专家一道打造更优方案。