AI让知识唾手可得,我们反而更难形成能力?
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....
知识被 AI 变得越容易拿到手,把知识变成能力的那道工序,我们还在走吗?
--
上一篇「知识经过之后」里,我提出过一个问题:
靠 AI 飞快地拿到知识、搭起理论、形成观点,甚至写出一篇看上去挺成熟的文章——这里面究竟有多少东西真的长成了自己的认知?
我发觉自己有时候能很快吃透一个复杂问题,也能用相当完整的话把它讲明白。可一旦要回到起点,把里面的逻辑重新推一遍,或者讲清某个判断到底是怎么来的,就未必做得到了。
一种说不清的不安由此生出来,而且时间越久,它越明显。
我们手里的知识看起来越来越多,能力却未必跟着长。
这又引出一个问题:获取知识和完成任务的成本被压得极低之后,人原本靠什么长出能力?这条路是不是也在变?
在我看来,这或许是 AI 时代比效率更该盯住的事。
01 拿到答案的速度,已经快过能力形成的速度
从前,要弄懂一个陌生领域,人一般得熬过一段挺长的路。
找资料、读各家说法、啃专业概念、试着把知识之间的联系搭起来;卡住的地方还得反复琢磨,有时甚至要从错误里推倒重来。
这办法谈不上高效,过程也难受,可恰恰是在这当中,人慢慢长出了自己的理解方式。
如今局面已经大不一样。
资料可以让 AI 去搜,概念可以让它解释,理论可以让它比较,知识框架可以让它搭,它甚至能帮我们揪出原先没意识到的问题。
过去要花几周才理得完的知识,现在几个小时就可能拿到一个相当完整的结果。
只看任务完成,这是极大的进步。
但我慢慢明白,任务完成和能力形成,也许压根就是两回事。
举个例子:有人借 AI 写出了一篇讲机器学习的研究文章。
文章结构齐全、概念准确、逻辑也顺,可这不等于他已经能独立研究机器学习的问题。
他也许知道某个概念是什么,却说不清它为什么成立;能复述一套理论,换到新场景里却用不上;甚至能认出一个看着对的答案,却挑不出里面藏着的错。
一种该警惕的错位就在这里:
我们的认知表现变好了,与之相配的认知能力却未必跟上。
这让我联想到认知科学里一个挺重要的方向:学习到底是怎么发生的?
认知心理学家 Henry Roediger 和 Jeffrey Karpicke 研究过提取练习(Retrieval Practice),他们发现,与反复读材料相比,主动试着从记忆里把知识提取出来,往往更有利于长期记住。
Robert Bjork 提出的「理想困难」(Desirable Difficulties)同样指向一个耐人寻味的现象:学习里有些环节看着不轻松,反倒更容易把长期记忆扎牢。
换句话说,学习途中碰上的某些难处,并不是非得清除掉的障碍——它们本身或许就是学习得以发生的条件。
偏偏 AI 最拿手的就是把这些难处抹平。搜索不用自己动手,材料不用从头搭起,解释不用独立给出,每个问题也不必停留太久。接着提问就行,新的解释和答案会源源不断冒出来。
于是就冒出一个问题:当学习里那些费劲的环节被交给 AI,我们换回来的是学得更高效,还是更高效地绕开了学习本身?
当然,难处并非都有价值。重复性的劳作、低效的检索、没意义的信息筛选,大可以甩给 AI。
真正该留下的,是那些能推着人去形成理解、立起判断、修正认知的过程。这条分界线,恐怕比我们以为的更要紧。
02 知识经过了大脑,不代表能力已经属于我们
依我看,得重新琢磨一下「掌握」到底指什么。以往说一个人吃透了某个领域,多半是指他攒下了足够多的知识,并且用起来得心应手。
可到了 AI 时代,这把尺子可能就不够用了。原因很简单:外部知识现在随时能调。
假如一个人借着 AI 能把某个问题答得准确,一旦离开 AI 却讲不清其中的逻辑,那他的能力该怎么算?他算是把知识握在手里了,还是只握住了获取知识的工具?
这里不妨借认知科学里的「认知卸载」(Cognitive Offloading)概念看一看。人其实一直都在把部分认知活动外包给外部环境。
日历帮我们记日期,计算器替我们算数,搜索引擎帮我们找资料。这并不说明我们的认知能力就此受损。反过来,把外部工具用得当,还能腾出有限的认知资源,去对付更要紧的问题。
2011 年,Betsy Sparrow 等人发表的研究指出:人一旦觉得信息随时能从外部调取,往往更可能记住去哪里找,而非信息内容本身。
这本身未必是坏事。问题在于,AI 和过去的搜索引擎之间有一处重要差别。
搜索引擎干的事,主要是帮我们找到信息;生成式AI不一样,它不光给信息,还能替人解释、推理、梳理观点,最终连判断都一并给出。原本由人自己完成的认知加工环节,它开始接手了。
认知卸载因此变得更复杂。以往资料可以放在外部,但理解资料这一步仍得自己来;如今连“理解”本身都能外包给外部系统。
这种情况要是长期持续,我们慢慢丢掉的恐怕不是某几条具体知识,而是独立处理问题的本事。
这被称为一种潜在的「认知债务」——并非说用了AI就一定能力退化,而是说:长期拿到外部系统给的认知结果,却没走过对应的理解、推理、提取和验证,外部表现和内部能力之间就可能慢慢裂开一道口子。
这道口子平时不易察觉,毕竟AI照样能给答案。直到某天碰上没有现成答案的问题,才发觉自己没以为的那么强。
有个概念需要分开看:知识能被调用,能力却得自己重新调动得起来。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
知识若不再是衡量能力的充分标准,那什么才算?我的倾向是:真正的能力,体现在一个人面对未知问题时,能独立完成哪些认知活动。
比如:
面对一个答案不明的问题,能否找出真正关键的变量?
信息不全的时候,能否给出一个合理的假设?
证据彼此矛盾时,能否判断哪些信息更可信?
原有判断被推翻,能否重新搭起解释?
进入陌生领域,能否把过去的经验迁移过来?
这些能力有个共同之处:都不靠某个固定答案,却决定了一个人在变化的环境里还能不能继续解决问题。
学习迁移(Transfer of Learning)研究关注的一直是这件事:一个人在某个情境里学到的知识和技能,能不能用到另一个情境中去?
这其实是能力养成里很要紧的一环。要是一个人只会在做熟的题目上给出正确答案,换到新情境里却认不出同一个底层规律,那他多半只是把答案背了下来,解决问题的机制并没有真正到手。
这也让我对知识的价值有了新的理解。知识本身不是终点,它真正要紧的地方,是能不能变成我们理解下一个问题的工具。
打个比方,一个人学了某样东西,起初可能只是弄懂了反馈、控制变量和系统稳定性这几个概念。等他能够拿这些概念去分析企业管理、商业运营,乃至个人成长中的问题,知识就开始转成一种能迁移的思维能力。
他不再只是知道某个结论。所以我现在更愿意把能力看成一种动态机制:关键不在一个人存了多少知识,而在于他能不能用已有的知识,在新环境里不断形成判断、检验判断、修正判断。
到了 AI 时代,这种能力恐怕比单纯的知识储备更要紧。
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,事情开始变得清楚了。既然人的能力要靠认知加工才能形成,那是不是凡事都该自己动脑?
显然不是。
为了练能力就把原本能自动化的事情统统重新手工做一遍,没有必要。有些任务只是重复性的信息整理、格式转换、资料归类,交给 AI 完全说得过去。
不过我认为,这里有两件事要分开看:
任务外包
任务外包
能力外包。
这两件事有时会一起发生,但并非必然如此。
比如我可以让 AI 去搜集某个商业领域的资料、梳理竞争格局、分析市场规模。这些活交给 AI,并不妨碍我形成自己的商业判断。
可要是连问题该怎么定义、哪个变量最重要、什么样的商业机会值得追,都一股脑交给 AI 去定,那我实际上已经把一部分关键的认知权力让了出去。
更要紧的是,商业决策和人生决策跟普通的信息处理任务不一样。它们不光要求我们找到一个看上去合理的答案,还要求我们为这个答案的后果负责。
AI 能列出各个选项的利弊,可后果得我们自己扛。
哪种商业模式更容易成,它可以帮着分析;至于愿意把时间押在哪件事上,它替不了我们决定。
不同的人生路径,它能拿来比较;什么样的人生值得过,它同样给不出答案。
这跟 AI 本事大小无关。有些东西,本身就是一个人主体性的组成部分。
所以我现在更愿意这样看人和 AI 的关系:执行性的事大可以交出去,但重要问题怎么定义、关键判断要不要参与、最终选哪条价值路,这些权利得留在自己手里。
效率当然要提。问题是,不能为了效率把形成能力的那部分也一并外包。
光意识到这一点还不够。真正的问题不在 AI 替我们干了多少活,而在我们有没有建起一套新机制,让自己在用 AI 的过程中照样能长本事。
要求人在 AI 时代事事亲力亲为,既不现实,也没那个必要。该改的是我们对学习和能力形成的理解。
以前我们大致相信,知识攒够了,能力自然会慢慢长出来。现在知识随时能调取,答案即时生成,完成任务的过程被大幅压缩。
这样一来,能力形成的关键就落到一件事上:那些能改变自身认知结构的过程,我们有没有真正参与进去。
我的看法是,把 AI 当成一个新的认知训练环境。它不只帮我们完成任务,还会不断抛出挑战、反馈和新的认知材料。
要紧的是,我们愿不愿意把自己的预测、判断、修正和实践保留下来。
该调整的不是用 AI 的频率,而是 AI 参与我们能力形成的方式。
《石中生境》:一块石头历经漫长的沉淀与重构,内部竟长出一方山水。它说的是,知识不是被接收、被堆积那么简单,得经过思考、碰撞、修正与实践,才逐渐内化成自己的认知结构和行动能力。
真正的成长不在于知识更多,而在于知识最终成了自己的一部分。
05 能不能把 AI 变成一个帮助自己进化的训练环境?
前面说的是哪些东西需要保留,接下来更关键的问题是:
我们究竟该怎么用 AI,才能让自己越用越有本事,而不是只让它替自己多干几件事?
我的看法是,办法恐怕不在少用 AI,而在换一种用法。
以往我们使唤 AI 的路子大致是:抛出一个问题,等着它给答案,然后把结果拿走。
可要是把目标从「把事办完」挪到「把能力长出来」,这套流程就得改。
我试着把它归纳成四种认知训练机制。
1. 生成与提取:让知识真正落进自己的认知系统
别一上来就让 AI 把完整答案端出来。碰到一个问题,先自己试着做出预判、讲清自己的理解,或者独立搭一个知识框架。
哪怕答得不全,也无所谓。关键在于让大脑主动去生成和提取知识,而不是光等着接收外部信息。
这跟前面说的道理相通。自己动手生成答案的过程,其实就是在调动已有的知识、把不同的信息串起来。
而在没有提示的情况下重新把知识提取出来,等于在检验它到底有没有进入自己的认知系统。
AI 能帮我们补知识,但不该让我们丢掉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
这一块,我认为正是 AI 能大显身手的地方。
从前一个人想挑战自己的观点,得去找不同资料、读反对意见,甚至得碰上一位真正懂行的人来聊。
眼下 AI 能迅速给出大量不同的解释路径。
不过提问的方式得变。
不要只问:
「我的观点是否正确?」
可以换个问法:
「要是我的判断错了,最可能错在哪?」
「同样的现象,还有没有别的理论能解释?」
「哪些证据能推翻我现在的结论?」「什么条件下,我的判断会不再成立?」这样追问,其实是在主动给自己制造认知冲突。
人本来就容易去找支持自己原有观点的信息,这是种很难摆脱的倾向。
要是 AI 只顾顺着我们的思路不停补充,这种倾向只会被进一步放大;反过来,主动让 AI 站到质疑者的位置上,就有机会发现原先没意识到的漏洞。
关键在于,让自己的判断经受足够充分的检验。
3. 实践与反馈:让判断接受现实世界的检验
这一条尤其要紧。AI 能帮我们形成假设,现实反馈却没法由它代劳。
商业判断要过市场这一关,管理判断要听组织的反馈,人生选择则要放到真实生活里去检验。
一个人如果始终只在 AI 给出的解释里打转,他得到的或许只是越来越完整的理论,判断本身未必越来越可靠。
只有现实世界的反馈,才能让我们看见那些在语言和逻辑层面看不到的问题。
举个例子,一个商业方案在 AI 的分析里可能显得非常合理,可真进了市场,客户也许压根不愿意掏钱。
一个管理方案理论上挑不出毛病,落地之后,组织成员的行为却可能完全是另一回事。
这些落差恰恰是能力形成的重要材料。预测和现实撞在一起,我们才有机会弄明白自己的判断究竟为什么管用、又为什么失灵。
4. 迁移与重构:让已有能力能够应对未知问题
最后,我认为还有一种很关键的训练方式——跨领域迁移。把已经弄懂的知识和理论搬到新领域去,看它能不能解释不一样的问题。
例如:
用
比如用进化论去理解商业模式,用机器学习去理解认知反馈。
再比如用生态学去理解组织中的多样性。
当然,这并不等于可以把所有领域都硬拉在一起做类比。
关键在于找出这些领域背后相通的深层机制,再检验这种对应关系站不站得住脚。
光是拿不同领域的名词术语凑到一块,算不上真正的迁移。
可要是能看出不同问题底下共有的结构,我们或许就能练出一种跳出具体知识的抽象能力。
这也是我觉得 AI 大有价值的原因。
它能帮我们快速把不同领域串起来,提出新的理论、给出新的解释。
至于这些联系是机制上真的对得上,还是只是字面上看着像,得由人来判断。
在我看来,这四种训练机制合在一起,可以组成一个新的认知循环:
自主预测 → 外部挑战 → 认知修正 → 现实验证 → 迁移应用。
这并不是说每回用 AI 都得把这五个阶段走全。
它想提醒的是:在那些真正关乎个人长期成长的事情上,别轻易省掉能力养成所需的关键环节。
我们尽可以让 AI 替自己分担更多活儿,但每一次重要的协作,也应当尽量变成一次能力进化的机会。
06 当人人都拥有相似的 AI,我们靠什么保住自己的独特性?
还有一个问题,我认为值得再往下想一想。
用着相似的 AI、拿到相似的信息、接受相似的解读框架的人越来越多,我们会不会慢慢都变得差不多?
它还牵扯到一个人的认知结构是怎么形成的。
AI 的长处是能把大量已有知识迅速汇总,给出一个相对完整、说得通、也容易让人接受的解释。
可这种本事也可能带来一种偏向:
一旦我们习惯了接过一个已经整理好的答案,可能就越来越少去追问自己本来关心的是什么。
我们也许越来越会顺着现成的框架想事情,却越来越少提出框架之外的问题。
这里要分清两个概念:
一个是知识的广度,另一个是认知的独特性。
知识广度这块,AI 能帮我们迅速铺开。
但一个人真正独到的认知,多半来自他长年积累的经验、观察、问题意识,以及他对不同事物轻重先后的价值排序。
同一份资料,不同的人留意的细节可能全然不同。
同一个商业机会摆在面前,各人经历不同、目标不同,判断往往大相径庭。这种分歧未必说明谁比谁更聪明。
它说明的是另一件事:人不是一个等着被灌知识的容器。每个人身上都带着自己的经验结构,也带着自己的问题。在我看来,AI 时代这些东西尤其需要护住。
这不是要刻意跟 AI 划清界限,也不是为了显得观点非主流。原因在于,一旦把所有判断都外包给一个能迅速给出合理答案的系统,我们最后可能越来越会复述现成的认知,却越来越难长出属于自己的认知。
真正该留下的,是自己还能提出不一样的问题。
07 从知识经过我,到能力属于我
说回最开始那个问题。上一篇文章里,我谈的是知识经过一个人之后,到底能留下些什么。
知识从我们身上经过,或许会沉淀成一种理解;理解被反复推敲,或许会变成判断;判断再经过实践和反馈,或许会积累成经验。
经验还要经过迁移和重构,最终才可能沉淀为一种真正归自己所有的能力。
这并非简单的知识堆叠,更像是一场持续的认知进化。
AI 能介入这条路径的几乎每个环节:帮我们获取知识、建立理解、比对判断,甚至模拟实践中的各种情境。
但它没法简单替我们成为那个经历变化的人。说到底,能力不是外部系统给出的一个结果,而是一个人经过反复认知活动之后,真正长在身上的内在机制。
过去我们担心的是知识掌握得不够多,如今 AI 让知识获取变得越来越容易。
往后,真正值得盯住的也许是:
知识本身不再稀缺之后,把知识变成本事的那套机制,我们手里还有没有?
当 AI 替我们包办的活儿越来越多,人自己还在不在长进?
这两个问题,恐怕都得在 AI 时代重新答一遍。
用 AI,图的不该只是更快拿到一个答案。
更要紧的是,在一次回拿到答案、质疑答案、再把答案推翻的过程中,让自己变成一个本事更大的人。
知识从我这儿过一遍,最后该落成属于我自己的能力。
>/,920.org.cn(AI Research Institute)创始人,港大AIBT研究生,前上市公司 CMO。长期研究 AI 产品、*著有《AIGC从0到1》系列丛书、及东方寓言小说《飞将军》;*善于洞察先机,1月26日中文互联网第1个意识到OpenClaw(小龙虾)范式价值的人;
关注我,一起AIGC从0到1~