本文来自微信公众号: AIGC从0到1 ,作者:王零壹
当AI让知识变得越来越容易获得,我们是否还在经历将知识转化为能力的过程?
--
上一篇文章知识经过之后,我讨论了一个问题:
当我们借助AI快速获得知识、构建理论、形成观点,甚至完成一篇看起来相当成熟的文章时,这些东西究竟有多少真正成为了自己的认知?
我发现,自己有时能够很快理解一个复杂的问题,也能够用相当完整的语言把它解释出来。但当我试图回到最初,重新推导其中的逻辑,或者解释某个判断究竟是如何形成的时候,却不一定能够做到。
这让我产生了一种微妙的不安,随着时间的推移,这种不安越来越强烈!
我们似乎正在获得越来越多的知识,却不一定因此变得越来越有能力。
进而让我思考了一个问题:当获取知识和完成任务的成本被极大降低之后,人类原本依靠什么形成能力?这个过程是否也正在发生变化?
我觉得,这可能是AI时代一个比效率更值得关注的问题。
01我们获得答案的速度,正在超过形成能力的速度
过去,一个人要理解一个陌生领域,通常需要经历一段相当漫长的过程。
他需要寻找资料,阅读不同的观点,理解专业概念,尝试建立知识之间的联系。遇到不理解的地方,还要反复推敲,甚至需要在错误中重新开始。
这个过程不高效、很痛苦,但也正是在这个过程中,人逐渐形成了自己的理解方式。
现在情况发生了很大变化。
我们可以让AI搜集资料、解释概念、比较理论、构建知识框架,甚至帮助我们发现原本没有意识到的问题。
过去需要几周才能完成的知识整理,现在可能几个小时就能得到一个相当完整的结果。
从任务完成的角度看,这是巨大的进步。
但我开始意识到,任务完成和能力形成,可能本来就是两件不同的事情。
比如,一个人借助AI写出了一篇关于机器学习的研究文章。
文章可能结构完整,概念准确,逻辑也很清晰,但这并不意味着他已经具备了独立研究机器学习问题的能力。
他可能知道某个概念是什么,却不知道它为什么成立;可能能够复述一个理论,却不能在新的场景中使用它;甚至能够识别一个看起来正确的答案,却无法判断其中隐藏的错误。
这里出现了一种值得警惕的错位:
我们获得了更好的认知表现,却未必获得了与之相匹配的认知能力。
这让我想到认知科学中一个很重要的研究方向:学习究竟是如何发生的?
认知心理学家Henry Roediger和Jeffrey Karpicke关于提取练习(Retrieval Practice)的研究发现,相比反复阅读材料,主动尝试从记忆中提取知识,往往更有利于长期保持。
Robert Bjork提出的「理想困难」(Desirable Difficulties)也揭示了一个有意思的现象:某些学习过程中看起来不那么轻松的环节,反而可能帮助我们形成更牢固的长期记忆。
这意味着,学习过程中有些困难并不是需要被消灭的障碍。
它们本身可能就是学习发生的条件。
而AI恰恰擅长消除这些困难。
我们不需要自己搜索,不需要从头组织材料,不需要独立解释,也不需要在每一个问题上停留太久。只要继续提问,就能不断获得新的解释和答案。
于是,一个问题出现了:
当我们把学习过程中那些困难的环节交给AI,我们得到的究竟是更高效的学习,还是更高效地绕过了学习?
当然,并不是所有困难都有价值。
重复劳动、低效检索、无意义的信息筛选,完全可以交给AI。
真正值得保留的,是那些能够促使我们形成理解、建立判断和修正认知的过程。
这两者之间的边界,可能比我们想象的更重要。
02知识经过了大脑,不代表能力已经属于我们
我想,我们需要重新理解什么叫作「掌握」。
过去,一个人掌握某个领域,通常意味着他积累了相当数量的知识,并且能够熟练运用。
但AI时代,这个标准可能不再充分。
因为我们现在可以随时调用外部知识。
如果一个人能够通过AI准确回答某个问题,但离开AI就无法独立解释其中的逻辑,那么我们应该如何评价他的能力?
他究竟是掌握了知识,还是掌握了获取知识的工具?
这里可以借鉴认知科学中的「认知卸载」(Cognitive Offloading)概念。
人类一直会把一部分认知活动交给外部环境完成。
我们使用日历记住日期,用计算器完成运算,用搜索引擎寻找资料。这并不意味着我们的认知能力因此受到损害。相反,合理利用外部工具,可以让我们把有限的认知资源用于更重要的问题。
Betsy Sparrow等人在2011年发表的Google Effect研究,就讨论了互联网信息可获取性对记忆策略的影响:当人们预期信息能够随时从外部找到时,可能更倾向于记住信息在哪里,而不是信息本身。
这本身并不一定是坏事。
问题在于,AI与过去的搜索引擎存在一个重要差异。
搜索引擎主要帮助我们找到信息,而生成式AI不仅能够提供信息,还能够替我们解释、推理、组织观点,甚至形成最终判断。
它开始进入原本由人自己完成的认知加工过程。
这就让认知卸载变得更加复杂。
过去,我们可能把资料存放在外部,却仍然需要自己理解资料。
现在,我们甚至可以把理解本身也交给外部系统。
如果这种情况长期发生,我们可能逐渐失去的,并不是某些具体知识,而是独立处理问题的能力。
这种现象称为一种潜在的「认知负债」。
不是说使用AI就一定会造成能力退化,而是指:当我们长期获得外部系统提供的认知结果,却没有经历相应的理解、推理、提取和验证过程时,外部表现与内部能力之间可能逐渐出现缺口。
这种缺口平时不容易被发现。
因为AI仍然可以给我们提供答案。
直到有一天,我们面对一个没有现成答案的问题,才发现自己并没有想象中那么强。
这里有一个值得区分的概念:
知识可以被调用,能力却必须能够被自己重新调动。
知识经过我,不代表能力属于我。
03真正的能力,不是知道答案,而是能够处理未知
如果知识不再是衡量能力的充分标准,那么什么才是?
我倾向于认为,真正的能力体现在一个人面对未知问题时,能够独立完成怎样的认知活动。
比如:
面对一个没有明确答案的问题,能不能识别真正重要的变量?
信息不完整时,能不能形成一个合理的假设?
面对相互矛盾的证据,能不能判断哪些信息更值得相信?
原有判断被推翻时,能不能重新建立解释?
进入一个陌生领域时,能不能把过去形成的经验迁移过去?
这些能力有一个共同点:它们都不依赖于某个固定答案,它们决定了一个人能否在变化的环境中继续解决问题。
学习迁移(Transfer of Learning)研究一直在关注这个问题:一个人在某个情境中学到的知识和技能,能否应用到另一个情境中?
这实际上是能力形成中非常重要的一环。
一个人如果只能在熟悉的题目中正确回答问题,却不能在新的情境中识别相同的底层规律,那么他可能只是记住了答案,而没有真正掌握解决问题的机制。
这也让我重新理解了知识的价值。
知识并不是最终目的。
知识真正重要的地方,在于它能否成为我们理解下一个问题的工具。
例如,一个人学习了控制论。
他最初可能只是理解了反馈、控制变量和系统稳定性的概念。
但当他能够进一步使用这些概念分析企业管理、商业运营,甚至个人成长中的问题时,知识就开始转化为一种可以迁移的思维能力。
他不再只是知道控制论,而是获得了某种通过反馈理解复杂系统的能力。
因此,我现在更想把能力理解为一种动态机制:
它不是一个人储存了多少知识,而是他能够利用已有知识,在新的环境中持续形成判断、检验判断和修正判断。
而AI时代,这种能力可能比单纯的知识储备更加重要。
04问题不在于AI替我们做了多少,而在于我们是否还在成长
写到这里,我觉得事情开始变得清晰了。
如果人的能力需要通过认知加工形成,那么是不是所有事情都应该自己思考?
显然不是。
我们没有必要为了训练能力,重新手工完成所有原本可以自动化的事情。
如果一个任务只是重复性的信息整理、格式转换、资料归类,交给AI完全合理。
但我认为,这里需要区分两件事:
任务外包,与能力外包。
任务外包,是把某项具体工作交给AI完成。
能力外包,则是把原本应该由自己形成和掌握的判断机制,也交给AI。
两者有时会同时发生,但并不必然如此。
比如,我可以让AI帮我搜集一个商业领域的资料,整理竞争格局,分析市场规模。
这些工作交给AI,并不会妨碍我形成自己的商业判断。
但如果连问题应该如何定义、什么变量最重要、什么样的商业机会值得追求,都完全交给AI决定,那么我实际上已经把一部分关键的认知权力交了出去。
更重要的是,商业决策和人生决策与普通的信息处理任务不同。
它们不仅要求我们找到一个看起来合理的答案,还要求我们承担这个答案所带来的后果。
AI可以告诉我们不同选择的利弊,却无法替我们经历选择之后的结果。
它可以帮助我们分析什么样的商业模式更有成功概率,却无法替我们决定究竟愿意为哪一种事业付出时间。
它可以帮助我们比较不同的人生路径,却无法替我们决定什么样的人生值得过。
这不是AI能力强弱的问题。
而是有些事情本身就构成了一个人的主体性。
所以,我现在倾向于这样理解人和AI的关系:
可以把大量执行性工作交给AI,但应该保留自己对重要问题的定义权、关键判断的参与权,以及最终价值选择的决定权。
我们需要提高效率,但不能为了效率,把形成自己的能力也一起外包出去。
但如果我们只是意识到认知负债的风险,事情还没有真正解决。
因为问题不在于AI替我们完成了多少工作,而在于我们有没有建立一种新的机制,让自己在使用AI的过程中仍然能够成长。
我们不能要求人在AI时代重新回到所有事情都亲力亲为的状态。那既不现实,也没有必要。
真正需要改变的,是我们对学习和能力形成的理解。
过去,我们可能认为只要获得了足够多的知识,就能够逐渐形成能力。
但现在,知识可以被快速调用,答案可以被即时生成,完成任务的过程也可以被大幅压缩。
于是,能力形成的关键是我们是否真正参与了那些能够改变自身认知结构的过程。
我认为,我们应该把AI看作一个新的认知训练环境。
它不仅可以帮助我们完成任务,还可以不断提供挑战、反馈和新的认知材料。
关键在于,我们是否愿意保留自己的预测、判断、修正和实践。
我们要改变的,不是使用AI的频率,而是AI参与我们能力形成的方式。
真正的成长,不是拥有更多知识,而是让知识最终成为自己的一部分。
05能不能把AI变成一个帮助自己进化的训练环境?
前面讨论的是哪些东西需要保留,那么接下来更重要的问题就是:
我们应该如何使用AI,才能让自己变得更有能力,而不仅仅是让AI帮自己完成更多事情?
我觉得,答案可能不是减少使用AI,而是改变使用AI的方式。
过去,我们使用AI的习惯可能是:
提出问题,等待答案,获得结果。
但如果把目标从任务完成转向能力形成,那么这个过程就需要发生变化。
我尝试把它理解为四种不同的认知训练机制。
1.生成与提取:让知识真正进入自己的认知系统
不要总是让AI先给出完整答案。
面对一个问题,先尝试形成自己的预测,解释自己的理解,或者独立重建一个知识结构。
即使答案不完整,也没有关系。
重要的是让大脑主动参与知识的生成和提取,而不是只负责接收外部信息。
这与前面提到的生成效应和提取练习研究有着直接联系。
当我们尝试自己生成答案时,实际上是在调动已有知识、建立不同信息之间的联系。
当我们尝试在没有提示的情况下重新提取知识时,也是在检验它是否真正进入了自己的认知系统。
AI可以帮助我们补充知识,但不应该让我们失去主动调动知识的机会。
2.挑战与修正:让自己的认知不断接受检验
我认为,这是AI可以发挥巨大价值的地方。
过去,一个人想要挑战自己的观点,往往需要寻找不同的资料,阅读反对意见,甚至找到一个真正理解这个领域的人进行讨论。
现在,AI可以快速提供大量不同的解释路径。
但我们需要改变提问方式。
不要只问:
「我的观点是否正确?」
而是可以问:
「如果我的判断是错的,最可能错在哪里?」
「有没有另一种理论能够解释同样的现象?」
「哪些证据可能推翻我现在的结论?」
「在什么条件下,我的判断将不再成立?」
这实际上是在主动制造认知冲突。
人很容易倾向于寻找支持原有观点的信息。
如果AI只是顺着我们的思路不断补充,很容易让这种倾向得到强化。
相反,如果我们主动让AI扮演质疑者,就有机会发现原来没有意识到的漏洞。
重要的是让自己的判断经过足够充分的检验。
3.实践与反馈:让判断接受现实世界的检验
这一点尤其重要。
AI可以帮助我们形成假设,但不能代替现实反馈。
商业判断需要接受市场检验,管理判断需要接受组织反馈,人生选择需要接受真实生活的检验。
如果一个人永远只在AI提供的解释中循环,那么他得到的可能只是越来越完整的理论,而不一定是越来越可靠的判断。
现实世界的反馈,才有机会让我们发现那些在语言和逻辑中看不见的问题。
比如,一个商业方案在AI的分析中可能非常合理,但真正进入市场之后,客户可能根本不愿意为它付费。
一个管理方案在理论上可能没有问题,但真正落地之后,组织成员的行为可能完全不同。
这些差异恰恰是能力形成的重要材料。
因为只有当预测与现实发生碰撞,我们才有机会真正理解自己的判断为什么有效,或者为什么失效。
4.迁移与重构:让已有能力能够应对未知问题
最后,我觉得还有一种很重要的训练方式,就是跨领域迁移。
尝试把已经理解的知识和理论,带到一个新的领域,看看它能不能解释不同的问题。
例如:
用控制论理解组织管理。
用进化论理解商业模式。
用机器学习理解认知反馈。
用生态学理解组织中的多样性。
当然,这并不意味着可以把所有领域强行类比。
真正重要的是找到它们之间相似的底层机制,并且检验这种对应是否成立。
如果只是把不同领域的术语拼在一起,那并不是真正的迁移。
但如果我们能够识别不同问题背后的共同结构,就可能获得一种超越具体知识的抽象能力。
这也是我认为AI很有价值的地方。
它可以帮助我们快速发现不同领域之间的联系,提供新的理论和解释。
而人需要做的,是判断这些联系究竟是真实的机制对应,还是表面上的语言相似。
我觉得,这四种训练机制可以共同构成一种新的认知循环:
自主预测→外部挑战→认知修正→现实验证→迁移应用。
并不是要求我们每次使用AI都必须完整经历这五个阶段。
而是提醒我们:在那些真正影响个人长期成长的事情上,不要轻易跳过能力形成所需要的关键过程。
我们可以让AI帮助自己完成更多工作,但也应该让每一次重要的协作,都尽可能成为一次能力进化的机会。
06当所有人都拥有相似的AI,我们如何保留自己的独特性?
还有一个问题,我觉得值得进一步思考。
越来越多的人使用相似的AI,获取相似的信息,接受相似的解释框架,那么我们会不会逐渐变得相似?
它还涉及一个人的认知结构如何形成。
AI的优势在于,它能够迅速整合大量已有知识,给出相对完整、合理、容易接受的解释。
但这种能力也可能带来一种倾向:
当我们习惯于接受一个已经被整理好的答案,就可能越来越少地追问自己原本关心的问题。
我们可能越来越擅长沿着已有框架思考,却越来越少提出那些不在框架之内的问题。
这里需要区分两个概念:
一个是知识的广度,一个是认知的独特性。
AI可以帮助我们迅速扩大知识的广度。
但一个人真正独特的认知,往往来自他长期积累的经验、观察、问题意识,以及对不同事物的价值排序。
同样一份资料,不同的人可能关注完全不同的细节。
同样一个商业机会,不同的人可能因为经历和目标不同,作出完全不同的判断。
这种差异并不一定意味着谁更聪明。
但它意味着,人并不是一个等待被填充知识的容器。
我们每个人都有自己的经验结构,也有自己的问题。
我觉得,AI时代尤其需要保护这些东西。
不是为了刻意与AI不同,也不是为了追求某种非主流的观点。
而是因为如果我们把所有判断都交给一个能够快速提供合理答案的系统,最终可能会越来越擅长复述已有的认知,却越来越难以形成自己的认知。
真正值得保留的,是自己仍然有能力提出不同的问题。
07从知识经过我,到能力属于我
回到最初的问题。
上一篇文章,我讨论的是知识经过一个人之后,究竟能留下什么。
知识经过我们,可能形成一种理解。
理解经过反复推敲,可能形成判断。
判断经过实践和反馈,可能形成经验。
经验经过迁移和重构,最终才有机会沉淀为一种真正属于自己的能力。
这不是一个简单的知识积累过程。
它更像是一种持续的认知进化。
AI可以参与这条路径中的几乎每一个环节。
它可以帮助我们获取知识、建立理解、比较判断,甚至模拟实践中的不同情境。
但它不能简单地替代我们成为那个经历变化的人。
因为能力最终不是一个外部系统给出的结果,而是一个人经过反复认知活动之后,真正获得的内在机制。
过去,我们可能担心自己掌握的知识不够多。
现在,AI让知识变得越来越容易获得。
未来,真正值得关注的可能是:
当知识不再稀缺,我们是否仍然拥有将知识转化为能力的机制?
当AI可以替我们完成越来越多的事情,我们是否仍然在成长?
我想,这可能是我们在AI时代需要重新回答的问题。
我们使用AI,不应该只是为了让自己更快地得到答案。
还应该让自己在一次次获得答案、挑战答案和推翻答案的过程中,变成一个更有能力的人。
知识经过我,最终应该成为能力属于我。