谁在思考
AI 出现之后，人和它之间，大致分了两种协作方式。
第一种是人先有自己的判断。 对问题有基本理解，对方向有初步选择，也清楚自己在意什么、不接受什么。AI 在这个过程中只是辅助：补充信息、展开推演、完善结构。它不替人决定，而是把原本模糊的想法变得更清晰。 在这种协作里，AI 放大的不是答案，而是差异。 一个人的经验、审美、判断力和关注点，都会被进一步展开。最终被增强的，仍然是人自身。
第二种是把问题连同思考一起交出去。 不再主动形成理解，也不再建立判断，而是直接等待一个“够用”的结果。于是，比较、辨别和推敲这些过程被不断省略。久而久之，人看上去仍在工作，却越来越少参与其中。 最后留下的，可能只是提需求、收结果、再转发。被替代的不是某个动作，而是人逐步形成判断的过程。
所以，分界不在于是否使用 AI，而在于是否还保有思考的主动权。 是先有立场，再借助 AI 推进；还是干脆连问题也交出去，让 AI 决定路径与边界。计算、记忆、检索、推演，可以交给模型，但方向、取舍与意义，仍然只能由人给出。
从这个角度看，AI 更像一种放大机制：你保留什么，它就放大什么，你交出去什么，它就替代什么。 最终决定协作质量的，不是工具本身，而是人是否还在其中。
贝叶斯更新与结构压缩
人的知识，并不是一次获得的，而是在 不断修正中慢慢形成的。每个人最初对世界的理解，都只是一个不完整的 “先验”，来自成长环境、读过的书和经历过的事情。新的经验不断进入——一次阅读、一段对话、一场失败、一次顿悟——这些信息会不断冲击原有认知，使我们 重新调整判断。旧的理解被修正，新的理解形成，又成为下一轮思考的起点。人的认知正是在这样的循环中前进：不是 一步抵达真理，而是 一轮一轮逼近它。某种意义上，人获得知识的方式，就是一种持续发生的 贝叶斯更新——通过不断承认 自己可能是错的，一点点修正自己对世界的理解。
AI 的知识形成路径则不同。模型并不会经历人的生活，它在训练时所做的事情其实很简单：不断预测“下一个字”。但在 海量书籍、论文和文本 的反复训练中，这个过程会逐渐捕捉语言背后的模式。当同一种思想在无数文本中反复出现时，它们会在 参数空间中沉淀为稳定的结构：有的是 论证方式，有的是 概念关系，有的是 推理路径。随着训练不断进行，这些结构被 压缩进模型参数之中，最终形成可以被调用的能力。从这个角度看，AI 学到的并不是某个人的知识，而更像是人类文明中反复出现的 结构、原理与思想形状的沉淀。
因此，人和 AI 通往知识的道路并不相同。人是在 有限经验中不断修正自己，AI 是在 海量语料中不断压缩结构。人的认知像是一条 在黑暗中缓慢延伸的路径，每走一步都会改变下一步的方向；AI 的认知则更像是一片 高维空间，汇集了无数人曾经走过的路径，并把它们整理成可以被 迅速调用的形状。
当 两种不同的知识方式 在同一个时代相遇，一个新的问题便自然出现：当一个系统能够比我们更快地调动文明中已经存在的结构时，人类真正独特的能力，究竟还在哪里？
三个世界：原子、比特与向量
很多人都在说，世界正在被 AI 迅速改变。但如果稍微退后一步看，会发现世界其实并不是突然变了，而是我们正 同时处在三个不同的世界里。
在 原子世界 中，稀缺来自 位置。空间是有限的，一个位置只能被一个事物占据，于是 资源、土地与城市 构成了财富的基础。互联网诞生之后，比特世界 让空间几乎消失，信息可以在瞬间抵达任何地方，真正稀缺的开始变成人的 注意力。
如今，AI 正在创造 第三个世界——一个由向量构成的认知世界。在这里，时间被大幅压缩，人类几千年积累的知识被训练进模型之中。许多过去需要 长时间阅读、学习和实践 才能理解的内容，现在只需要 通过对话就能触及。那些曾经只有少数专家才能攀登的 知识高峰，正在被折叠成一个 随时可以进入的入口；分散在 书籍、论文和经验中的智慧，也被重新整理成一种 可以即时调用的能力。人与知识之间的关系因此发生了改变——我们不再只是 一步步攀爬知识阶梯的学习者，而开始成为 可以随时向整个人类知识体系提问的探索者。
如果说 工业革命 让世界变得更 丰富，互联网 让世界变得更 扁平，那么 AI 正在让世界变得更 快。技术的每一次跃迁，本质上都是在 移除一个曾经不可逾越的约束：先是 物质的匮乏，其次是 空间的距离，如今轮到了 时间本身。当 空间不再是边界、时间不再是成本 时，人类真正要面对的问题或许不再是 “如何获取信息”，而是——在一个 几乎没有限制的世界里，我们究竟 想成为怎样的人。
差异之外
我们常常以为，越能分辨细微差别，就越接近真相。确实，察觉差异是一种能力。有人能听出音响里极其细小的变化，有人能分清不同导演、不同译本之间的风格。这种敏感来自经验、专注和训练，本身无可厚非。
但问题在于：当差异被识别出来之后呢？ 很多差别只是存在，并不天然指向对事物更深的理解。它们像光线下浮起的尘埃，你看见了，却未必因此更明白空气的意义。差异能让我们觉得自己更敏锐，却不一定让我们更贴近事物本身。
当注意力开始围绕“谁更好”“哪个更高级”打转时，事情可能发生了转向。我们不再只是体验，而是进入比较；不再只是观看，而是开始排序。细致的拆解、精准的判断，看似是在加深理解，其实有时更像是在确认自我位置。
因为一旦分出高低，就有了站位；有了站位，就有了优越感的可能。差异于是成了一种工具——用来证明我懂、我会分、我站得更高。而体验本身，却在这时候被稀释了。
想象一下，当你走进电影院，如果满脑子都是“这部片值不值这个分数”“是否达到某种标准”，真的很难沉进去。可如果只是把时间交出去，让自己被带着走，悲伤就悲伤，震撼就震撼，那两个小时反而更完整。
差异不是无用，只是它未必是核心。它像边框，勾勒出轮廓，却不等于画面的全部。过度凝视边框，反而会忽略画面本身。
也许可以这样理解：当我们执着于差异，往往是在寻找自我确认；当我们回到整体，才可能真正享受世界。
前者让人清醒、锋利，却容易紧绷；后者未必精致，却更宽阔。真正的丰富，不一定来自于把一切分得更细，而可能来自于，在看见差异之后，依然愿意放下它。
变量之上
在 AI 时代，模型在持续演进，技术更替已成为常态。若把注意力集中在每一次迭代上，我们很容易被节奏牵着走。
真正值得投入的，不是对变化的追赶，而是对不变的把握。与其把时间分散在趋势上，不如把精力投入到可复用的能力上。
例如，构建复杂系统的架构思维——把握全局、拆解复杂、搭建结构；又如，在生成式洪流中保持审美与判断——在大量可能性中做出清晰而有边界的选择。
工具会不断被替换，但人的思维方式与判断力具有延续性，它们会决定我们在变化中的位置。
复杂度的迁移
当一项技术变得容易实现，人们常以为世界会因此变简单，但现实往往相反。技术降低的是门槛，抬高的却是上限。当能力从稀缺变为普遍，它就不再是优势，而是变成了新的基础设施。于是目标会被重新定义：不只是“做出来”，而是“做的更好、更极致”。
原本复杂的实现被封装成接口，高深的能力被压缩成一次调用，但围绕这些能力构建的系统却愈发庞大而精细。复杂度没有消失，只是迁移了——从写代码转向定义问题，从实现功能转向设计体验，从单点突破转向整体架构。
当机器能够理解语言、生成代码、构建系统，“写完每一行”就不再是能力的象征。真正重要的，是洞察本质、组织抽象、在混沌中抓住问题脉络。这正是 vibe coding 所揭示的变化：当编码变得像对话一样自然，难度就不在实现，而在取舍。未来区分人的，或许不是会不会写代码，而是能否驾驭被技术放大的可能性。
AI 是怎么“推理”的？
很多人第一次用 AI，都会觉得：它好像真的在思考。 它能把你没想到的知识连在一起，给出看似严谨的推理过程，甚至让人产生“更高智慧”的错觉。但事实上，AI 并不是在像人一样思考。
AI 的强大，来自见得多，而不是想得深。它读过几乎所有公开的人类文本，学到的是：在什么情况下，人类通常会说什么话。当你提问时，它不是在现场分析问题，而是在一个高度压缩的“知识海洋”里，挑选最可能成立的答案组合。所以，在人类已经反复讨论过的领域里，AI 表现得几乎无所不能；但一旦问题来到人类知识的边缘之外——没有现成答案、没有训练数据——它就会迅速变弱，甚至不如普通研究生。
近几年，AI 看起来突然“会推理”了。但这并不是它获得了真正的思考能力，而是我们用更好的方法，把原本就藏在模型里的答案捞了出来。就像从鱼竿升级成了渔网，捕获率提高了，本质却没变。
AI 之所以常常让人震撼，是因为它能轻易看见多个知识点之间的关联。那些对人类来说分散、模糊的联系，对它而言只是统计上的“显而易见”。但真正的科学突破，往往发生在几乎没有经验可循的黑暗中。那里依靠的不是联想，而是对规律的信念与独立的创造。
所以，AI 不是思想本身，但它是人类历史上最强、也最性价比最高的知识助手。
如今的 AI 虽然能高效完成大量基础性工作，却会让行业活动迅速趋同，而真正的创新往往并非诞生在流程的正确性里，而是出现在现实的麻烦与偶然里。早期网页加载慢得令人崩溃，于是逼出了工程师发明图像压缩算法；科研人员被电子邮件附件格式冲突折磨得不行，才有了跨平台的 PDF 标准；甚至连青霉素，也是弗莱明因为实验室没打扫干净才“撞出来”的救命药物。这些突破都不是“流程内的正确答案”，而是源于世界的不完美、现实的卡顿、以及那些没人预料的差错。
而 AI 领域本身正在重演同样的困境。正如 Karpathy 所指出的，用模型自己那些“逻辑清晰但高度一致”的输出继续训练，只会让模型性能塌缩，因为它覆盖的只是庞大思维空间中的一条窄带，看似干净，却缺乏多样性。让 AI 替代所有基础工作，同样会让社会的思维空间收缩——缺乏噪音，就意味着缺乏新的可能。
人类的创造力来自混沌：来自孩童般的胡思乱想，也来自成年世界那种“不顺手、不顺眼、不高效”的地方；但 AI 正在像一个过度自律的大脑，不断削去路径、压缩可能、收紧探索。未来我们真正需要的 AI，不是一个记住海量事实的巨大仓库，而是一个能在需要时调用知识、真正保持推理结构的“思考机器”。而当 AI 真正学会思考，它所能替代的，就不会只停留在基层岗位了。
科幻作家 道格拉斯·亚当斯（Douglas Adams） 对“人类如何看待科技”总结了“科技三定律”：
- 任何在我出生时已经有的科技，都是稀松平常的，是世界本来秩序的一部分
- 任何在我 15-35 岁之间诞生的科技，都是将会改变世界的革命性产物
- 任何在我 35 岁之后诞生的科技，都是违反自然规律要遭天谴的
可能真正拖慢未来的不是科技的发展速度，而是人类对“正常”的执念。
在过去，人们常把“意志力”理解为一种有限的能量，用得越多越容易枯竭。但最近的心理学研究表明，这种看法并不完全准确。所谓“意志力下降”，更多是动机与注意力的重新分配——当我们的注意力被短期奖励吸引，或情绪资源被其他任务占用时，长远目标就被暂时“挤出”了注意范围。这其实不是能量用光，而是大脑优先级的调整。
因此，提升自我调节的关键，不在于强迫自己“更有毅力”，而在于重新设计环境与流程，让正确的选择变得更容易。比如，保持固定的学习时间、在手机上屏蔽干扰、提前规划好下一步行动，都是在为大脑减少决策负担。研究发现，当我们在稳定的情境中反复执行某个行为，大脑会自动建立“线索—反应”的连接，让行动像反射一样自然，无需反复动用意志力。
行为科学家称这种方法为 “选择架构”与“实施意图” ：前者通过调整默认选项和操作路径，让正确选择成为最方便的选项；后者则把目标转化为清晰的“如果—那么”计划（例如：“如果我吃完饭，就立刻散步十分钟”）。
通过这样的设计，所谓“自律”不再是一场艰难的斗争，而是一套帮助大脑更轻松执行正确决策的系统。真正的成长，不是让意志力变强，而是让环境与机制为我们服务，让“正确的事”成为最轻松的事。
我们的世界，其实是通过语言被构建和定义的。这种语言，只属于人类——它既不是自然的语言，也不是任何其他生命或系统的语言。我们的思想边界，其实正是语言的边界。这也意味着，大语言模型的根本局限在于：人类无法描述一个超越语言的世界。
每当人类创造出新的词汇，实际上是在扩展感知的疆域。古代的文言文，表达着一种凝练而宏观的世界观；现代语言，则以更复杂的语法和概念去捕捉细微的情绪与感受。但无论语言如何演化，它始终是一种压缩机制——它让我们得以沟通，却也让真实被抽象、被简化。当我试图描述“恐惧”或“乐观”时，语言永远只能绕着那种感受打转。在我说出那一刻，原始的体验早已消散，只剩下意义的外壳。
AI 的错误，并不在于计算的不精确，而在于它无法真正定义人类的“定义”。因为我们理解的世界，从一开始就不是客观的世界，而是被语言压缩、翻译、再诠释之后的世界。无论是大语言模型，还是视觉语言模型，它们所映射的，只是这层层压缩后的语言之影，而非世界本身。于是，AI 的边界，也可能正是语言的边界。
记忆虽然源于过去，其根本功能却是为未来服务——确保重要的信息得以穿越时间，长期保留。人脑具备天然的遗忘机制，尤其容易遗忘那些痛苦或不重要的信息，这是大脑的一种自我保护和节能方式。然而，若我们希望克服这种遗忘，就必须反复主动地访问信息，以行为向大脑“证明”：这些内容是有价值的，值得保留。
通过不断复习，我们不仅能强化已有记忆，还能与新知识建立联结，构建更稳固的认知网络。要实现长期记忆，推荐使用“间隔重复”策略：
- 第一次复习：务必在学习当日完成，建议通过闭眼回忆来加强初始记忆痕迹
- 第二次复习：在隔天进行（如周一学习→周三复习），此时仍处于短期记忆窗口，有助于进一步巩固内容
- 后续复习：逐步拉长时间间隔（如一周→一个月→更久），迫使大脑在“接近遗忘临界点”时主动提取信息，从而显著提升记忆强度
对于极少数高频使用的核心知识（如专业基础理论），可进行多达五次复习。大多数一般性内容，通过三次左右的复习即可达到稳定记忆效果。
在现代社会，林林总总的理论方法和商业机构，有意无意地制造出一种幻觉：只要肯花钱，任何问题都有解决办法。但回到常识我们都明白，很多事情是“天命”，是超出人力所能掌控的。那该怎么办？最好的办法是不去执念于结果，而是把“收成”交给信念，把精力投入到能控制的环节上。
这正是农耕思维的智慧——“只问耕耘，不问收获”。它与猎人思维截然不同：猎人目光紧盯猎物本身，而农民则专注于作物成长的周边变量，比如土壤、水分和气候。前者追逐目标，后者经营过程。
对我来说，我找到的关键变量是：每周写一篇文章。只要坚持做到这一点，长期主义的基石就在，对自己最初的承诺也就在。至于写得好不好、有没有人看，这些都是“收成”的事，都可以慢慢调整，不急不躁。从这个角度讲，我也是一个“像农民一样思考”的人——专注在能耕耘的部分，余下的交给时间。
阅读是知识蒸馏，行动是强化学习，反思是自监督学习。
阅读，萃取精华，从他人经验中提炼智慧
行动，边做边学，通过试错找到更好的方法
反思，复盘调整，在思考中优化自己的认知
阅读的目的不仅仅是想知道这本书讲了什么，还是想要将这本书纳入自己的知识体系，建立新的神经元连接。但是碳基神经元连接和重建速度都比较慢，很多新知还需要花比较长的时间思考，另外建立连接还需要刺激、兴奋、能引起共鸣的东西。
AI时代的阅读策略：
- 选书，AI既可以帮助选书还能迅速告诉你这本书讲了什么，提供每一章的摘要
- 回答问题，对于有疑问的地方，一边读一边问，会比蒙头读更有收获
- 泛化，举一反三的能力，比如刚学会了某个概念，让AI给你讲讲看自己理解的到不到位，是不是还适用在其它领域
- 定制内容，阅读也是为了解惑，你可以把问题直接扔给AI，让AI生成研究报告，还可以反复追问，直到满意为止
信息量的大小取决于其克服的不确定性程度，也就是看它能帮你搞明白多少原本不清楚的事。学习就是不断把模糊的东西变清楚的过程，你学得越多，就越能快速抓住重点，越会自动跳过那些“重复的废话”。比如老司机看代码，扫一眼就能找到关键逻辑，而新手还在纠结标点符号。
对于一个全新领域的学习策略是：
- 对于不理解的概念，先记住，深入理解的前提是完整记忆
- 短时间内做大量重复，建立更多神经元连接
人类文明本质是语言文字构建的产物，所有知识均可通过语言符号系统编码传承。所谓“不可言传”的知识实质是语言表达能力不足的体现，并非知识本身的不可描述性。而语言文字分为自然语言和人工语言：
- 自然语言：灵活复杂，多用于文学、日常交流，允许修辞和模糊性，不利于精准构建知识
人工语言：使用有限、无歧义的词汇和规则，具有简化性而且定义清晰
所有科学领域均依赖无歧义的语言构建，否则无法深入复杂认知。人工语言的学习重点在于准确理解限定词和逻辑关系。
没有任何机器可以一直用100%的功率运转，人也一样。每个人每天都要睡觉，都要吃饭。换句话说，每个人都有一定的时间用在标准活动上。关于
效率追求：
- 必须使用适当的方法休息、放松，以便恢复精力，在良好的状态下才能做更多的事情
- 在做时间预算时一定要留有空间，要清楚肯定会有意外事件发生，所以要留出时间处理这些意外事件
- 鱼和熊掌确实不可兼得——你必须选择，选择意味着放弃，选择做某件事情，可能就不能去做另一件事情
- 黄金分割率1:0.618，如果你一天可以规划的时间有10小时，并且你确定自己是以工作成就为导向的人，那就可以这样规划用大约6.18小时去工作和学习，用剩下的大约3.82小时去休息去享受欢乐
很多人半途而废，往往是因为把目标定得太高，又对达成那么高的目标要付出的代价缺乏清楚的认识。
当你是正确的，同时别人也都是正确的，那“正确”本身的价值其实并不大。当你是正确的，可别人都是错误的，这时候，“你的正确”就具备很大的价值。你正确的程度越大，与此同时不认同你的人越多，这时候价值才越大。和正确本身一样，特立独行本身的价值也不大，但
特立独行且正确就价值巨大了。
AI 不会减少你掌握新技能所需要付出的努力，只会让你产生不必学习就已经学会的错觉。