有些时候「自下而上」的思考方式会很有帮助，尤其是对于新生的事物。

一个技术到底能产生多少价值，取决于它如何解决一个个具体的问题。

如果一个技术不能解决实际问题，或是帮助不大，那么建立在这个技术上的东西就会成为空中阁楼，没有任何基础。

当你遍历各种可能性之后，发现具体解决的问题很有限时，就可以做出初步的判断，这个技术可能没有那么重要。

当然，由于我们获取到的信息是不完备的，很难完全遍历所有的可能性，所以仍然存在一些意想不到的情况出现，会推翻前面的判断。所以，留心别人有什么和自己不同的想法便有一些帮助。

为了尽可能遍历，一种做法是先抛开当前技术的限制，走到技术的极限。思考5G时可以思考无限的网速，如果无限的网速在手机上提供不了太大价值，那么我们就可以说5G在手机上价值不大。思考crypto时可以思考一个完全去中心，0手续的情况。思考GPT时可以思考一个速度极快智能很高的情况。

抛开技术的限制后，对发散问题很有帮助，虽然人脑还是会自动过滤掉一些看起来不靠谱的想法，而这些看似不靠谱的想法可能很重要。思考一个技术的极限，可以帮助我们理解一个技术极限上能带来多少价值。

遍历极限技术的可能性，包含了现有技术的可能性。如果这个极限的技术也不能解决具体的问题，那么当前的技术就更不可能。

以这种方式思考，当LangChain出来的时候，就可以设想一个更加厉害的方案或更好的效果的实现，如果这个实现对解决具体的用户需求帮助不大，我们就可以认为LangChain没什么用。如果这个更加厉害的方案的设想也比Open AI的function call厉害，那我们也可能判断function call对于开发者可能有用，但对于解决实际用户的问题可能没用。

对于大模型，GPT-4无法做到事，开源的模型可能也做不到(对用户来说也许优势是私有模型，然而模型有没有用首先要看智能高不高)。如果不考虑成本，GPT-4的使用场景会覆盖开源的场景。开源的模型对于开发大模型公司是重要的，但对于应用开发者可能没有那么重要。

另一个例子是，我们可以举例出很多AI带来失业的可能性，有微观的推理也有宏观的推理，但是人们也会说AI会带来新的工作，可是要说能带来什么新工作却又很难设想，那我们或许可以先认为AI未来确实会带来更多的失业，除非我们出现了新的证据。