生成式 AI 时代的创意探索方法（2026 年版）

生成式 AI 的出现，使包括编程在内的知识工作方式发生了巨大变化。

尤其是 2025 年，我感觉生成式 AI 在调研和创意生成任务上的实用性有所提升。ChatGPT Pro 5.2 的登场、NotebookLM 的稳步进步，再加上 Gemini 3 和 Nano Banana，在调研和信息结构化方面是非常大的进展。

关于创意的产生方法，我在 2023 年曾以《Climate Tech 初创企业的起步方法》一文做过整理。这次，我想整理一下生成式 AI 出现之后、截至 2026 年 2 月我所推荐的“创意探索方法”。

🎯 本文的目标

本文会把形成创意（假设）的步骤拆分得更细，并讲解在其中如何使用生成式 AI。

产出目标是“做出这样一个水平的假设：以它为基础去见人，就能得到好的反馈”。我认为，目前仅靠与生成式 AI 的对话，还很难做出完美的假设。

补充：要做出真正好的假设，需要生成式 AI 所不具备的信息。此外，还需要反复进行伴随行动的实验和假设验证。如果连这种改进的循环 AI 也能完成，情况或许会改变，但要获取生成式 AI 所没有、也无法推测的最新信息，我认为在一段时间内仍然需要人来介入。

另外，本文主要讨论的是“初创企业的创意”，但我想其中一部分在其他领域（例如研究）也能用上。请酌情替换着阅读。

💡 前提：用生成式 AI 探索创意，“步骤”很重要

即便生成式 AI 有了进步，如果对它输入“请在○○领域提出新的创意”这样的提示词，也不会马上得到靠谱的假设。

因此，要想做出好的创意和假设，需要经过下面这样的过程：

1. 把形成创意／假设的过程划分为若干阶段
2. 在每个阶段使用生成式 AI，并由人来审阅产出
3. 在此基础上给出追加的指示，使创意更加完善

于是，重要的就是“按什么样的步骤推进，创意的探索与形成才能顺利”。

关于这些步骤，我在《假设行动》一书中做了详细的整理，有兴趣的话请翻阅；简单概括一下，我认为在初期的创意探索与形成中，有效的做法是适当地重复（循环）以下步骤。

1. 大量摄入相关信息
2. 把相关信息结构化，并借此找出“不知道的事”
3. 针对“不知道的事”生成假设（发散）
4. 验证生成的假设（收敛）
5. 根据验证结果和新信息修正、重新生成假设

而现在，生成式 AI 服务能大幅提高其中一部分步骤的效率。

因此，本文将沿着《假设行动》中讲解的步骤，简要介绍其中如何使用生成式 AI。

🚨 使用的工具与限制

在撰写本文的时间点，我推荐用于调研的生成式 AI 是 ChatGPT Pro 的最新版。

在可免费使用的工具中，截至撰写本稿的 2026/2/1，推荐 Kimi K2.5 Thinking 等，但今后大概还会不断变化，请选择合适的工具。另外，使用免费版时请注意不要输入敏感信息。

此外，我还建议酌情搭配使用 Google 的 NotebookLM 和 Google 表格的 AI 函数。

用这些生成式 AI 输入提示词时，建议尽量使用语音输入，并打开多个窗口同时并行进行 2-3 个调研，这样可以节省时间。ChatGPT Pro 比较慢，所以打字输入也可以，而 Kimi 和 Gemini 很快，可以同时并行运行 2-3 个。语音输入方面，目前我的印象是 Aqua Voice 和 Typless 等的准确度较高。

另外，即便是生成式 AI 服务，它们目前仍不擅长验证假设，因此请在“验证需要由人在一定程度上自己来做”的前提下阅读。

🐾 形成创意的步骤

本文按以下步骤展开。

1. 初步确定领域
2. 把握领域的全貌和具体案例
3. 深入调研特定的具体案例
4. 生成作业假设
5. 验证作业假设
6. 暂时确定创意

下面就依次讲解各个步骤。

(1) 广泛探索候选领域并初步确定

在构思创意之前，首先需要在一定程度上确定构思创意的领域范围。因为没有范围的探索效率太低了。

在选定这类领域时，原本的做法是：与其使用生成式 AI，不如去问问创意眼光好的人“现在值得关注的领域是什么？”，往往能得到更好的回答。不过，并不是每个人身边都有这样的人，也不是随时都能去问。而且，如果被眼光不好的人推荐了领域，会绕很大的弯路，所以先问问生成式 AI，我认为是一个不错的折中办法。

例如，不必太精细，请先向 ChatGPT 或 Kimi 等输入如下这样的提示词。

我打算创业，做出快速成长的初创企业。

请运用第一性原理思维进行深入思考，然后提出符合我下面的兴趣和条件的领域。并请以具体名称列举可供参考的初创企业。如果有追加的问题，请在调研之前提问。

## 自己感兴趣的领域

＜＜请在此输入你的兴趣＞＞

## 条件

• 最好是符合兴趣的领域（不过优先级较低）
• 现在市场还相对较小，但 15 年后会达到现在的 50 倍以上的领域
• 现在从零开始，15 年后能做出市值超过 1 万亿日元的事业的领域（计算市值所需的市盈率等参考该行业）
• 在别人看来很疯狂，但原理上可行的领域（多数人会否定的领域）
• 大企业无从下手、正因为是初创企业才能挑战的高风险高回报领域
• 技术进步在最近几年加速的领域
• 国内外一般报纸和新闻网站很少提及的领域（只在专业杂志中稍有涉及的领域）
• 国内外有少数小众人士和专家在狂热倡导的领域
• 不论我自身的专业与否，请优先考虑能做出大事业（专业之后再学习追赶）

## 注意

• 请提出一旦实现就会非常大、但目前被视为相当异端的事业领域

上述只是一个例子。请各位根据自己的情况下功夫改进提示词。改进时我推荐以下做法。

• 像上面这样粗略写成的提示词，建议让生成式 AI 来改进。例如，可以这样说：“请用当前提示词改进的最佳实践来改进下面的提示词。并请在最后说明改进了哪些方面。（以下插入上述提示词）”。上面的提示词为了提高可读性，写得相当粗略。
• 这类探索性的任务，也建议把同一个提示词多输入几次。回答会随概率变化，把它当作抽卡，试 2、3 次比较好。（如果可以指定 temperature，可以设得大一些，等等，请自行琢磨。）
• 在探索时，反过来，设定条件和限制非常重要。没有限制，就只会得到模糊的、平均化的回答。通过限制探索范围，生成式 AI 会努力在这些限制之内找到答案，往往能给出以前没有过的回答。上面的提示词条件很多，原因就在这里。

深挖感兴趣的关键词

在这样的调研中，如果发现了“感兴趣的关键词”，就围绕这个关键词做各种调查。一旦有了关键词，以它为线索往往能走得远得多。

关键词可能是某个具体的初创企业名称，也可能是某项技术。以这样的关键词为楔子，深入挖掘其周边就好。

抛出疑问并深挖

对于得到的回答，如果有不明白的地方，就向生成式 AI 提出疑问。

不过，面对初次接触的领域很难产生疑问，所以连这一点也交给 LLM 等，例如输入

请给出一些用于更深入探索这些领域的问题和提示词的例子

像这样让它自动生成疑问和提示词，对接下来应该输入什么疑问会有参考价值。

用生成式 AI 一次性回答多个疑问

把自己的疑问，以及让生成式 AI 生成的疑问中觉得不错的那些，列在 Google 表格里，再用 Google 表格的 AI 函数一次性让它回答，也很方便（因为聊天界面需要等待回答的时间，而且用一个提示词一次性让它回答会降低精度）。

例如，在单元格中输入如下函数，并应用到下面的单元格。

=AI("请回答以下疑问: "&A2)

AI 函数所用的 Gemini 性能还不太理想，但如果只是粗略的理解，性能稍差一些也无妨，仍有参考价值。而且记录下疑问和回答，之后也可能派上用场。

（※不过使用 AI 函数需要签订 Google AI 或 Workspace 的合同，请注意。）

宽松地确定领域

在粗略调查了几个领域之后，以“之后可能会更改”为前提，初步确定领域。意思是，先宽松地划定要探索的领域范围。

设定 30 分钟或 1 小时之类的限制，调查多个领域之后再决定领域，也很好。因为之后还会回到领域选定这一步，所以快速决定也没关系。

(2) 广泛调查该领域的全貌和多个案例

确定一个领域之后，就调查该领域的全貌和案例。建议并行推进这两者。

全貌提供抽象程度高的框架，案例则提供具体且有手感的信息。基本上，是在这两者之间快速地来回切换，同时确定关注点。

理解全貌

理解主题。不过，“完整地了解全貌”无论有多少时间都不够，所以请不要以此为目标。

例如，对于太空太阳能发电，可以把

请运用多位专家的视角，整理太空太阳能的事业、技术和初创企业的最新情况，让大学一年级学生也能看懂

输入提示词让它调查。（这个提示词最好也事先让生成式 AI 改进之后再执行。）

如果有不明白的地方，就去深挖。

不过在初次接触的领域很难产生疑问，所以可以让它给出疑问，例如

我想更深入、更广泛地理解这些领域的全貌。请给出一些为此的追加问题和提示词的例子

然后如前所述，用 Google 表格等一次性让它回答，也是一种办法。

在这里，也推荐使用 NotebookLM 。先对该领域做一次 Deep Research，再生成幻灯片，或输出为播客、视频，就能以与阅读文字不同的方式推进理解。

调查最前沿的具体案例

例如，按下面这样的方式去调查具体的创意。建议尽量调查最前沿的案例。因为基本上，你要做的创意会与之相近。

如果是初创企业，可以用如下的提示词向生成式 AI 提问。

请调查太空太阳能初创企业的具体案例，并从多位专家的视角整理它们的特点和进展。为了调查最新信息，务必先进行搜索再整理。

从初创企业入手调查，就能了解最前沿的挑战。如果是研究，以 arXiv 等的预印本论文为中心进行调查，也许也不错。

觉得不对就换领域

在各种调查的过程中，如果没有让你感兴趣的最前沿创意，就再次回到领域选定，去调查别的领域。

(3) 深入调研特定的具体案例

当对领域的全貌和各个参与者等有了一定程度的地图之后，就深挖个别的创意（这里指初创企业），为做出自己独有的创意（假设）做准备。

对于详细信息，普通的生成式 AI 服务容易产生幻觉，所以与其向生成式 AI 服务抛出提示词，不如把准确的信息来源汇总到 NotebookLM 中。

此时的诀窍如下。

• 使用 NotebookLM 的 Deep Research 有时会混入奇怪的信息，所以不推荐。虽然多费一道功夫，但建议先做 Fast Search，再手动只选择合适的来源。
• 尤其是调查创业初期的信息时，建议积极加入 YouTube 和播客等。音频信息往往包含更多敏感的信息。
• 技术的细节有时并不公开，所以也请加入该公司的 Google Patent，以及关键人物的论文等。

在这里，同样把汇集到 NotebookLM 的信息做成幻灯片或播客，就能快速推进理解。

例如，我在 YouTube 和 Spotify 上做了一档播客，介绍用这种调研方法查到的最新初创企业信息。如果有兴趣，希望你能订阅，作为广泛了解具体案例的契机。

另外，不要只对一个创意（公司）这样做，而要对多个创意（公司）进行，同时详细了解各个创意的特点。

此外，如果是商业创意，建议也调查上市公司。这应该能为最终上市时的股价提供参考。此时，请用“公司名 S-1”“公司名 investor presentation”等进行搜索，并登记为 NotebookLM 的来源。如果可以的话，带图片的 PDF 等最好自己也看一看（很有参考价值）。

关于该企业在相关业务上的问题等，可以在 NotebookLM 中询问，或者使用 ChatGPT Pro 等来询问。

提出疑问

在调查过程中应该会冒出许多疑问。尤其是专业不同的话，甚至可能连术语本身都不懂。出现疑问是好事，所以尽管不断地问生成式 AI。

这一步同样，如果想一次性让它回答，就用 Google 表格；如果想深入挖掘，就在聊天中进行，我想这样比较好。

找出全貌中的空白

随着对多个具体举措了解得更深，对行业和领域的分辨率会提高，现在能做到什么、做不到什么、原因是什么，会逐渐显现出来。

看上去新的创意，往往有如下的过去：

• 迄今因为某种原因没能实现
• 过去试过但失败了

把这些也弄清楚，就能理清“原理上做不到吗”“为什么现在能做到”之类的问题。

在这样一边涂掉“其实已经有人知道、只是自己不知道的事”，一边找出“没有人知道、自己也不知道的事”的工作中，真正好的新创意就会浮现出来。

如果弄清了“原理上可行但尚未实现”的原因和课题，范围就会缩小为寻找解决它们的方法。

(4) 制作作业假设

如果在迄今的调查中产生了创意（假设），直接使用它也可以。如果有可供参考（作为基础）的创意，在它的基础上稍作改动来制作创意也可以。

如果还没能做出像样的创意，也可以让生成式 AI 来为这个作业假设打个底。例如像下面这样。

我打算创业，做出快速成长的初创企业。

请运用第一性原理思维进行深入思考，然后提出多个符合以下领域和条件的创意（作业假设）。并请比较各个提案的特点进行说明。
如果有追加的问题，请在调研之前提问。

## 领域

＜＜输入调研过的内容和领域等各种信息＞＞

## 条件

• 现在从零开始，15 年后能做出市值超过 1 万亿日元的事业（计算市值所需的市盈率等参考该行业）
• 在别人看来很疯狂，但原理上可行
• 大企业无从下手、正因为是初创企业才能挑战的高风险高回报
• 能说明“为什么是现在”（监管的变化、技术进步在最近几年加速，等等）
• 能找到获胜之道（wedge、moat、差异化要素）
• 具有与现有创意略有不同的特点
• 以能筹集到所需资金为前提，但首次能筹集的金额上限为 10 亿日元

## 注意

• 请提出一旦实现就会非常大、但目前被认为可能性相当低的事业领域
• 请使其成为可证伪的命题（假设）
• 如果无法生成符合的创意，请报告没有符合的创意

输入给生成式 AI 的“创意领域”最好写得详细一些。这些信息对生成式 AI 来说是表示探索中心的“图钉📌”，生成式 AI 会探索其周边。把图钉📌放在哪里，生成式 AI 的回答会有很大不同。

给生成式 AI 的提示词，越是一般性的提问，得到的就越是一般性的回答；而指定得越特殊，往往越能给出更恰当的提案。

描绘创意的全貌

为了进一步精细化这个创意，建议先描绘假设的全貌（地图）。也就是整理出：要让这个假设成立，什么必须成立。

一边与生成式 AI 反复打磨（对话），一边逐步完善。

最后，也可以拜托它

请对照 FoundX 的路演模板 (https://review.foundx.jp/entry/2025-slide-template) 制定商业计划

之类，让它整体做出一版。

精细化部分假设

为了进一步精细化这个创意，一边与生成式 AI 反复打磨，一边逐步完善假设中特别重要的那部分假设。

可以问几个这样的问题：“其他领域的技术进步能否用在这个领域？”“完全没有人尝试过、但原理上可行的方法是什么？”“在这个领域中可能引发突破、但尚未被提出的问题是什么？”

充实内容并做成幻灯片

要理解生成式 AI 做出的作业假设，需要多花一道功夫。

因此，让 NotebookLM 收集与这个创意相关的信息，以这个创意为中心输出为幻灯片或报告，既能加深理解，如果是幻灯片，也更便于向他人说明。

在用 NotebookLM 输出幻灯片时，建议用 YAML 指定页面结构。目前最大页数是 15 页，所以请控制在 15 页以内。

(5) 验证作业假设

当好的假设产生之后，就进入用生成式 AI 验证该假设的阶段。不过请注意，目前的生成式 AI 并不太擅长验证假设。虽然只作为参考比较稳妥，但话虽如此，它有用的地方也很多。

例如，用如下的提示词来验证创意。

我打算创业，做出快速成长的初创企业。

请验证以下创意（作业假设）。验证时，请一边收集大量相关信息，一边运用第一性原理思维深入思考，从多位专家的角度进行批判和验证，并指出改进之处。如果有追加的问题，请在调研之前提问。

## 创意

＜＜输入你的创意＞＞

## 输出

• 验证结果
• 创意的改进方案
• 前提与未知的部分
• 未能验证的事项
• 为追加验证而推荐的行动

## 应验证的要点

• 现在从零开始，15 年后能做出市值超过 1 万亿日元的事业（计算市值所需的市盈率等参考该行业）
• 原理上供给是可以实现的（技术、商业模式）
• 需求哪怕只有一点点，也有变得足够大的可能性

## 验证方法

• 利用强有力的证据进行验证
• 列出验证所用的事实
• 将事实与推测分开记述

## 注意

• 请提出一旦实现就会非常大、但目前被视为相当异端的事业领域
• 如果无法生成符合的创意，请报告没有符合的创意

促使它严格验证

生成式 AI 倾向于迎合用户（不说让人不愉快的话），所以建议促使它严厉批判。请给生成式 AI 明确的角色来让它批判，例如红队或持批判态度的专家。

尤其是针对整个创意时，我认为最好把应验证的条件明确地交给它。例如关于假设适用条件的门槛（商业的话就是市值）等。

自己试着说明

能否自己把生成的假设讲出个大概，无论对衡量自己的理解程度，还是对验证，都是很方便的方法。测试自己能否说明、能否举出实例、改变部分假设会怎样等等，从多个角度亲自验证假设也很重要。

为了验证而行动

上述验证主要是在仅靠信息收集就能完成的范围内进行的，但验证并不能在生成式 AI 中完结。在海外行得通的做法（假设），在日本行不通是家常便饭，所以必须切实去倾听一线的意见。

从某种意义上说，留给人的工作，是去获取没有刊登在网上的信息来验证假设，以及创造新的数据，并将其交给生成式 AI，让它做出更好的假设。

尤其是没有成为网络信息或数据的内容，生成式 AI 会出错，而且无论让它提出多么出格的创意，它都容易靠向一般性的创意。为了掌握自己独有的信息，请通过行动来验证，获取新的信息，做出新的假设。

在验证中不要去追“眼前的课题”

与人交谈时，目光容易落在眼前正困扰着人们的课题上。但如果以初创企业为目标，那么这个课题是否足够大，或者它能否成为通向更大课题的第一步，就非常重要。

在反复验证的过程中，人很容易局部最优化到小的假设上，所以建议始终带着验证的条件往前推进。

(6) 初步确定创意

到这个阶段，就初步确定大致的创意，开始制定详细的商业计划。在制定商业计划的过程中，又会冒出自己不明白的地方，也会需要对它做更深入的验证，但如果不先决定“暂且朝这个方向前进”，就无法开始行动，所以请做出决定。

一边与人交谈一边决定

创造机会与能够评估创意的人（投资人或教授等）交谈，把目前认为最靠谱的几个假设拿给他们看，作为决定之前的活动，也值得推荐。有些地方仅靠生成式 AI 终究无法判断。而且视情况，也许还能请他们介绍用于验证的潜在客户。

另外，要在这样的场合从他人那里得到好的反馈，需要带上有一定靠谱程度的假设。如果能做出这样的假设并得到反馈，反馈循环就会开始转动，假设会越来越好，所以请努力做到能做出这个水平的作业假设为止。

Tips：为了更高效地进行

我想一开始不需要把工作流整理好，但习惯之后，基本上以“逐步制作假设”的形式，用 MyGPT 或 Skills 来创建和管理会比较好。例如我就做了几个 MyGPT，作为工作流在使用。

目前 ChatGPT Pro 的性能更好，所以我在用 MyGPT，但将来如果 ChatGPT 也有了 Skills，我想汇总到那边会比较好。

另外，在设定领域方面，海外的智库等常常调查并汇总较为宽泛的议题（虽然有些近视的地方）。我也在发布汇总这类信息的播客/YouTube，一并分享供参考。

📝总结

本文整理了从大致确定领域到验证创意的一系列流程，并总结了其中如何利用生成式 AI 服务。

大约每天与生成式 AI 通过提示词交互 100 次左右，一边进行伴随行动的验证，一边不时与他人商量，坚持这样努力一个月左右，应该就能碰到一定程度上靠谱的假设。

关键在于，要认真投入时间，并且对看起来不行的创意尽快放弃，转向下一个。

一边留意幻觉，一边做到大致靠谱的假设之后，只要继续行动，就会进入能获得更详细信息的良性循环。结果你会逐渐发现，即便是看起来靠谱的创意，也有大约八成是错的；不过到了那个水平，就开始能获得在网上拿不到的信息，创意的打磨也更容易推进，所以请先朝那里努力。

也许将来这类工作也会由 AI 自主完成，但这里姑且把它整理为使用当前技术的方法论。

参考文章

更详细的内容，也请参阅以下幻灯片。