控制论里有一条 Ashby 必要变异性定律（Law of Requisite Variety），它是这套学科里最根本的结论之一。简单说，要控制系统 A，控制器 B 的多样性不能低于 A 的多样性。用白话讲就是，如果你的工具箱里只有一把锤子，那所有问题看起来都像钉子，而且钉子稍微变形你就没辙了。

把这个定律套到 AI 交互上看看。

大语言模型的输出空间几乎是无限的，它能写诗、写代码、写合同、写论文、编段子，而且每个领域内的输出变化也比人预想的要大得多。但你控制它的"工具"是什么呢？大多数人只有一根标尺， 这段看起来顺不顺 。就这一条。

所以呢，你的控制器多样性极低，只有一个维度。而你要控制的对象（AI 的输出空间）多样性极高。Ashby 定律说，这种系统不可能被有效控制。问题不在你的工具好不好，在于你拿来判断的维度太少。

反过来，如果你读 AI 输出时能同时打开多个维度，比如他说的是不是真的（事实维度），推理有没有跳步（逻辑维度），输出的结构到底合不合理（结构维度），边界情况有没有覆盖到（完备维度），还有这回答太顺了该不会是在迎合我吧（怀疑维度）。

每多一个维度，你的控制器就多一个自由度。控制器的变异性就提高一截，就能收窄和 AI 输出多样性的差距。

有个容易被忽略的点。多开一个维度，不只是多了一条检查标准。不同维度观察到的信息是正交的，结构上看起来完美的方案可能在事实上完全是编的；逻辑上严密的推理可能建立在错误的假设上。多维度观测真正值钱的地方不在加法，在于你可以交叉验证。

Ashby 定律在 AI 场景下的推论很直接， 读输出的维度决定了你对 AI 输出的控制精度。 读的维度越少，你的反馈信号越单一，整个系统就越接近只有一个观测值的控制器在控制无限维度的系统，这从原理上就不可能做好。