思維方式
筆記君說：
隨著人工智能技術的快速發展，許多專(zhuan) 業(ye) 和職業(ye) ，可能麵臨(lin) 著被AI代替的風險。不少知識工作者產(chan) 生了一些困惑和焦慮。
實際上，在很多專(zhuan) 業(ye) 領域，還離不開人類的技能、智慧和創新，湧現出了很多不被AI所代替的專(zhuan) 業(ye) 高手。
我們(men) 如何才能像他們(men) 一樣不被AI取代？如何像AI一樣迭代自己？
今天這篇文章，我們(men) 就來聊聊學習(xi) 力與(yu) AI。
一、不被時代追殺，
唯一的核心競爭力是學習力
1.學習的本質：把經驗轉化為知識，用知識解決問題
田俊國：AI來勢洶洶，大有重新改變一切行業(ye) 的趨勢。
在一次沙龍上，大家都在討論一個(ge) 話題：如何運用AI讓我們(men) 的工作更方便？甚至有人提出：AI來了，作為(wei) 自然人，我還需要學習(xi) 嗎？
在那次沙龍上，我突然提出了一個(ge) 反問：我們(men) 更需要思考的是，你如何能像AI一樣迭代自己？
我們(men) 其實根本沒有教會(hui) 我們(men) 自己迭代，我們(men) 依靠AI在迭代。我們(men) 訓練AI，其實是反的，你真正需要訓練的是你自己的潛意識，你的潛意識就是你隨身攜帶的AI。
如果你不能讓你的潛意識像AI一樣工作，你跟自己內(nei) 在的龐大的智囊無法合作的話，你訓練外部的AI，其實也是句騙人的話。
反而，在AI時代，對自然人學習(xi) 能力的挑戰，對知識管理，和知識提煉加工能力的挑戰，是越來越大，而不是越來越小了。
我們(men) 咋一想起，很多事都能讓AI來做，而我們(men) 忽略的一個(ge) 現實是：我們(men) 身上一直都帶著AI。
以我來說，如果讓我講課拿著稿子念，我可能會(hui) 崩潰。因為(wei) 我不習(xi) 慣用稿子，我可以用一個(ge) 即時貼講一天的課，我隻需要把提綱一寫(xie) ，我就交給自己的“AI”了。
我上課最喜歡學生向我提問和點評作業(ye) ，喜歡“你說我點評”和“你問我答”的方式。
因為(wei) 在這個(ge) 當下，我自動把我當成個(ge) “AI”，分成了前台和後台，前台是你能看見的我，後台是內(nei) 在的我。你問的任何問題，我都會(hui) 轉而問他（後台的我、內(nei) 在的我），他告訴我一個(ge) 答案，我因此而受啟發。
而關(guan) 於(yu) “自然人如何像AI一樣迭代自己”的思考，其實源於(yu) 2020年我開展的一波關(guan) 於(yu) 深度學習(xi) 的主題閱讀。那一批書(shu) 中有很多微積分的內(nei) 容，很難看懂。
但我們(men) 把這批書(shu) 全都讀完的時候，我驚呆了。因為(wei) 我是計算機專(zhuan) 業(ye) ，其實知道最早的AI就是憑著大樣本量，大數據庫，拚命地算，看起來很智能，其實很笨。
但我看了深度學習(xi) 理論以後，才發現這一代的AI完全不一樣了，它的卷積積分和深度學習(xi) 理論太厲害了。
受其啟發，我就想如何借助AI的學習(xi) 方式，來反哺自然人的學習(xi) 。在做完這波閱讀之後，我推出了一個(ge) “學習(xi) 力躍遷的訓練營”，其文字稿最後也就演變成了這本書(shu) 。
這個(ge) 訓練營的目的或者根本上想解決(jue) 的問題，就是自然人如何像AI一樣迭代自己，這對於(yu) 每個(ge) 人來講，都很現實的問題。
所謂“知識工作者”，是能把經驗變成知識，再運用知識解決(jue) 問題，二者缺其一，都不能稱為(wei) 知識工作者。
但是，這兩(liang) 點恰恰是AI最厲害的地方。現在路上跑的每輛智能駕駛汽車，都在積累數據，積累經驗，再把經驗迭代成算法，算法再指導所有的智能車。自然人也要像智能汽車，我們(men) 才能在這個(ge) 時代生存。
以前的時代，你用存量的知識都能混一輩子。今天你必須有足夠強的學習(xi) 力，才能生活下去。在過去，會(hui) 開車可能就是一輩子的鐵飯碗，現在換5次職業(ye) 也未必能熬得到退休，可能突然有一天，你的職業(ye) 就被別人替代了。
“蘿卜快跑”剛火起來那陣，我正好到武漢出差，坐了一輛滴滴快車，師傅跟我說：現在感覺到被時代追殺。
這位師傅原來是一個(ge) IT企業(ye) 的中層，企業(ye) 因為(wei) 經營不善，自己主動辭職，但半年時間都沒事幹（沒找到工作），然後自己弄個(ge) 車跑滴滴，跑了沒多久，發現蘿卜快跑出來了，所以，我們(men) （自然人）在被時代追殺。
其實，不被時代追殺唯一的核心競爭(zheng) 力是學習(xi) 力。學習(xi) 力的核心，是把經驗轉化成知識，用知識解決(jue) 問題。
當然，這個(ge) 過程中，又會(hui) 有新的領域不斷湧現出來，這些領域誰都沒幹過（如知識主播），大家都在探索，這個(ge) 時候比的就是學習(xi) 力。
我在為(wei) 一個(ge) 學生的書(shu) 作序時寫(xie) 道：好奇心、探索精神和學習(xi) 力，可以碾壓一切經驗。因為(wei) 經驗在這個(ge) 時代不值一提，所有的經驗都比不上你的探索精神，你的學習(xi) 力。
2.從實際問題著手思考，是最好的學習方式
田俊國：當你在某段時間內(nei) 思考一個(ge) 問題時，這個(ge) 問題便成了主題閱讀的主題。圍繞此問題去買(mai) 書(shu) ，買(mai) 一堆書(shu) ，然後帶著問題去學習(xi) 、思考。
我之所以對學習(xi) 力感興(xing) 趣，是因為(wei) 我一直從(cong) 事教學工作，教學與(yu) 學習(xi) 是相互關(guan) 聯的，所謂“不知學，何以教”。
一開始我覺得認知心理學很重要，因為(wei) 它是關(guan) 乎一個(ge) 人接收信息、加工信息的學問，但這還不夠。
我就在想，人工智能學習(xi) 力那麽(me) 強，它是怎麽(me) 學習(xi) 的呢？我圍繞這個(ge) 問題進行了主題閱讀。那時候ChatGPT在國內(nei) 還未出現，我隻是對一些很前沿的理論保持關(guan) 注，比如庫茲(zi) 維爾這些前沿人物的理論。
當我看到他們(men) 寫(xie) 的內(nei) 容時，我意識到從(cong) 20世紀90年代到現在的30年裏，人類對自身大腦的研究達到了一個(ge) 很高的高度。
因為(wei) 我們(men) 借助科學手段，比如通過戴一個(ge) 頭盔，就能把此時此刻的腦活動看得一清二楚。
這些最前沿的腦科學並沒用於(yu) 自然人的學習(xi) ，自然人的學習(xi) 還停留在六七十年代那個(ge) 水平。而現在整個(ge) 學術界，或者整個(ge) 產(chan) 業(ye) 界，都是把腦科學的學習(xi) 成果，用於(yu) 研究人工智能了。
但我們(men) 的教育依然是很落後的，因為(wei) 我在教育賽道，自然而然就能想到如何把人類的腦科學的研究成果，用於(yu) 幫助自然人學習(xi) 。
我寫(xie) 的很多書(shu) ，都是從(cong) 一個(ge) 問題開始引發，然後通過一波主題閱讀，把它架構為(wei) 我的輸入，有了很多輸入之後，就可以輸出我的一個(ge) 知識體(ti) 係，以此來招生。
然後回答學生問題，點評作用，在內(nei) 容豐(feng) 富，迭代幾輪之後，覺得可以出書(shu) 之後，就出書(shu) 了。
從(cong) 疫情到現在，不到5年時間出了9本書(shu) 。如果我是一個(ge) 封閉大腦，通過看書(shu) 寫(xie) 出來的書(shu) ，你也不會(hui) 看，恰恰是我把課堂當成一個(ge) 練功的場景，和大家充分交流，形成了很多新鮮素材，才能如此高產(chan) 。
二、知識管理與AI的關係
1.AI是大腦最好的外掛
吳慶海：我的第一份工作是在聯想，恰逢麥肯錫給聯想做谘詢，我有幸被篩選到項目組，所負責的一套流程，就是知識管理流程。
當時我對於(yu) 知識管理並沒有特別直觀的認識，但觀察麥肯錫顧問的工作方式給了我極大的啟發。我舉(ju) 兩(liang) 個(ge) 方麵來說明。
首先，我發現麥肯錫的顧問普遍很年輕，然而他們(men) 卻能在大型場合中，麵對具有豐(feng) 富經驗的管理高層侃侃而談，並且能讓這些管理者點頭稱是。
因為(wei) 麥肯錫從(cong) 20世紀70年代起就開始積累其內(nei) 部的知識庫，即便是工作才三五年的顧問，也能在管理層麵前匯報工作、呈現方案，並非是獨自作戰，其背後有著全球幾萬(wan) 專(zhuan) 業(ye) 人員的知識儲(chu) 備作為(wei) 支撐。
由此我想到，一個(ge) 人若要實現快速成長，其背後也需要有一個(ge) 類似外掛大腦的存在。而且這個(ge) 外掛大腦不一定完全依靠其自身，實際上這和如今我們(men) 借助人工智能、知識庫加上大模型的方式是極為(wei) 相似的。
隨著項目不斷深入，我們(men) 遇到了越來越多棘手的問題，這些難題在標準的知識庫中都無法找到答案。
這時候，我發現麥肯錫有第二個(ge) 有力的解決(jue) 辦法。他們(men) 邀請我到北京的嘉裏總部中心，在那裏開會(hui) 幫我連線了一位在英國的專(zhuan) 家。通過與(yu) 專(zhuan) 家進行互動交流的方式，來協助我解決(jue) 這些困難的問題。
正是因為(wei) 在參與(yu) 項目過程中有了這樣有意思的經曆，所以後來我便走上了相關(guan) 的道路。
當然，在這個(ge) 過程中，知識管理是幫助企業(ye) 如何去係統地沉澱、提煉知識，最終加以應用的，它屬於(yu) 一個(ge) 跨學科的領域。
每個(ge) 人在學習(xi) 過程中，必然會(hui) 涉及知識的獲取與(yu) 吸收，然後將其內(nei) 化為(wei) 自身的知識網絡等，最終能夠依據實際問題產(chan) 出結果，以此解決(jue) 難題，我們(men) 也一直在對這個(ge) 過程展開研究。
後來我們(men) 發現，若想更高效地完成知識的生命周期管理，就需要對每個(ge) 個(ge) 體(ti) 的知識進行係統性梳理，從(cong) 而由個(ge) 體(ti) 知識形成組織知識。
在這個(ge) 過程當中，我們(men) 遇到了諸多問題與(yu) 挑戰，比如：怎樣能讓大家更便捷地檢索到知識？如何依據大家的工作場景，主動為(wei) 其推送合適的知識？
20多年前，相關(guan) 需求還比較樸素。但隨著需求不斷深入，大家就在想，檢索或者搜索，能不能更智能一些，推薦能不能更智能一些，於(yu) 是我們(men) 便朝著相應方向展開研究。
到了近幾年，大模型橫空出世。在諸多重要的應用場景中，它恰好可作為(wei) 一個(ge) 很棒的外掛工具，能更好地支持我們(men) 更智能地檢索知識、回答知識相關(guan) 問題以及進行知識的推薦。
這與(yu) 我們(men) 當初夢寐以求的境界不謀而合，所以知識管理和AI自然而然地融合到了一起。
雖然這些工具和技術能給予我們(men) 強大的輔助，但我們(men) 不能完全依賴它們(men) 。我們(men) 自己若是坐在那兒(er) 不謀求自身發展，那肯定是不行的。
2.“ABC”知識觀模型
吳慶海：後來我提出了一個(ge) 名為(wei) “ABC”的知識觀。
“A”指的是AI，即“AI oriented”，也就是麵向人工智能的知識管理；
“B”指的是“Business”，因為(wei) 我們(men) 在企業(ye) 裏服務的主要核心是業(ye) 務，所以麵向業(ye) 務這一點絕對不能被忽視，它是我們(men) 的源頭所在；
“C”指的是“Collective-wisdom”，意為(wei) 集體(ti) 智慧，這一點是回歸到人的本體(ti) 。
以“A、B、C”作為(wei) 三層結構，我將其稱作“一體(ti) 兩(liang) 翼”。具體(ti) 來說，把“B”放在三角形的中間位置，“A”放在左邊，“C”放在右邊，這樣正好形成“A、B、C”的布局。
其中，“A”更偏向於(yu) 技術方麵，“C”則偏向於(yu) 人（people），如此一來，“technology”（技術）、“process”（業(ye) 務）以及“people”（人的集體(ti) 智慧）就與(yu) 西方管理中的流程、技術和人相吻合了，所以我覺得這個(ge) 三角形架構很美妙。
3.知識管理兩件事：外掛與內化
田俊國：歸根結底，知識管理主要涉及兩(liang) 件事，一是外掛，二是內(nei) 化。
所謂外掛，就是借助當下的AI工具，像大模型等，它們(men) 可視為(wei) 全人類的知識庫。不過，外掛這種公共資源大家都能使用，這時候就看誰的應用水平更高了。
而能否精準地提出問題是衡量應用水平的關(guan) 鍵，並且能否提出精準問題，不僅(jin) 取決(jue) 於(yu) 對工具的運用，也與(yu) 自身的知識積累程度相關(guan) 。
業(ye) 務可以理解為(wei) 知識管理的應用場景，它屬於(yu) 外掛部分之外的另一個(ge) 要素。還有人的整個(ge) 內(nei) 在的集體(ti) 潛意識部分也很重要。
我們(men) 一方麵要善於(yu) 將一些核心技能真正內(nei) 化為(wei) 自身的能力，另一方麵也要善於(yu) 運用好外掛工具，而我們(men) 在這其中充當的是一個(ge) 調和者的角色。
即便AI再厲害，若我們(men) 自身不具備與(yu) 之互動的能力，那也是無濟於(yu) 事的，隻能是臨(lin) 淵羨魚。
反過來講，與(yu) AI互動的能力，本質上對自身的學習(xi) 力、模型提煉能力以及知識積累等諸多方麵都極具挑戰性。
所以這兩(liang) 者本質上是相輔相成的關(guan) 係，並非此消彼長，不能因為(wei) 有了AI就覺得其他方麵不需要了。
隨著AI不斷迭代，我們(men) 自身也得跟著迭代，組織同樣需要跟著迭代。
早在20世紀70年代，麥肯錫基本上就已經實現了讓每一個(ge) 小顧問的背後都仿佛有一個(ge) AI作為(wei) 支撐。
隻不過那時的“AI”不像我們(men) 如今使用的這般便捷罷了，但相關(guan) 理念在那時就已經落地實施了。
4.組織進化，需要通用大模型、行業知識庫和個人知識庫結合
吳慶海：結合目前的發展態勢來看，在企業(ye) 中，AI最核心的部分在於(yu) 自然語言處理。它通過對文本進行加工、挖掘以及組合生成等操作，以語言的形式將結果表達出來，從(cong) 而能很好地輔助我們(men) 。
然而，在通用大模型落地應用時，也出現了不少問題，比如會(hui) 產(chan) 生知識幻覺。當我們(men) 需要非常精準、權威的知識時，若大模型未學習(xi) 到相關(guan) 內(nei) 容，就會(hui) 一本正經地胡說八道。
目前在企業(ye) 裏，針對這一情況已有解決(jue) 方案。由於(yu) 通用大模型已學習(xi) 了人類通用的知識，可作為(wei) 外掛大腦。
但對於(yu) 企業(ye) 內(nei) 部本行業(ye) 、本專(zhuan) 業(ye) 領域的知識，外部互聯網是無法提供給大模型的，所以需要在企業(ye) 內(nei) 部再建立一個(ge) 知識庫。
如此一來，通用大模型與(yu) 內(nei) 部知識庫相結合，便形成了現在所謂的RAG（檢索增強的生成）模式。
進一步將此邏輯延伸到個(ge) 體(ti) 層麵，個(ge) 體(ti) 所擁有的know-how，即其最本質、最獨特的東(dong) 西，並非通用大模型以及企業(ye) 垂直領域知識庫所能替代的。
因此，我認為(wei) 隻有將通用大模型、企業(ye) 自身獨特領域及行業(ye) 的知識庫，再與(yu) 個(ge) 體(ti) 自身內(nei) 化為(wei) 一個(ge) 非常獨特的知識庫相結合，才是一種較為(wei) 完美的結合方式。
5.再強大的外掛工具，都無法替代自身的學習
田俊國：本質上，我們(men) 需要了解AI工作的機理，並且要把自己的潛意識當作類似AI的存在，這樣才能如同與(yu) 潛意識配合一般去更好地調用AI。
我認為(wei) 存在這樣一種層級結構：意識、潛意識、AI以及人類集體(ti) 潛意識。
若要練習(xi) 與(yu) AI協同工作，首先就得練習(xi) 與(yu) 自己的潛意識協作。這個(ge) 邏輯看似自洽，但關(guan) 鍵在於(yu) 要去實踐、去練習(xi) 。而在這當中，我發現最為(wei) 重要的一點是要信任自己的潛意識。
然而很多人並不信任潛意識，比如有些人做演講時要準備詳盡的逐字稿，全程都依靠意識在工作。
而我認為(wei) ，比如在與(yu) 人交談時，可以先明確自己要說幾點，拋出第一點之後，就可以讓潛意識來主導後續內(nei) 容。
那些靈感、直覺的背後，也都是潛意識在起作用。不要以為(wei) 隻有意識具備建模能力，潛意識同樣擁有。就像俗話說的“熟讀唐詩三百首，不會(hui) 讀詩也會(hui) 吟”，潛意識看久了、經曆多了，也能理解並發揮作用。
吳慶海：這讓我特別有共鳴。古人講“內(nei) 聖外王”，意思是要將內(nei) 在和外在打通。
如今的AI等數據工具，大多都屬於(yu) 外在的東(dong) 西，而若要把內(nei) 在也打通，就涉及潛意識或者集體(ti) 潛意識了。
佛家講八識，前麵的六識，是眼、耳、鼻、舌、身，再加上第六識意識，第七識和第八識就類似於(yu) 潛意識或集體(ti) 潛意識。
三、人類學習力的奧秘
1.個體學習力
① 大腦的5大網絡
田俊國：大腦的構造極為(wei) 複雜，大腦有前額葉、頂葉、枕葉等等，我們(men) 要把這些器官以一種更易理解的方式呈現出來，將其感知成人的某種狀態。
我在模型中將其抽象為(wei) 5個(ge) 方麵：感知網絡、聯想網絡、決(jue) 策網絡、反應網絡和學習(xi) 網絡。
感知網絡與(yu) 眼、耳、鼻、舌、身等相關(guan) 聯，它們(men) 相當於(yu) 我們(men) 感知世界的傳(chuan) 感器，這些傳(chuan) 感器又可以分為(wei) 意識層麵和潛意識層麵。
也就是說，你能意識到的那部分信號是比較明顯的，但有時候你也會(hui) 在潛意識層麵去處理信息。
信息流和能量流也屬於(yu) 感知的範疇：信息流，是通過語言來表達的內(nei) 容；能量流則是通過肢體(ti) 語言、語音語調等方式來表達的內(nei) 容。
人與(yu) 人之間的區別就在於(yu) 感知方麵，感知本身就像是一個(ge) 過濾器。我所注意到的，你未必會(hui) 注意到，因為(wei) 每個(ge) 人都會(hui) 依據自己的專(zhuan) 業(ye) 背景，自動對信號進行過濾。
比如在一個(ge) 房間裏，一位建築學家進來，馬上會(hui) 關(guan) 注建築結構，而其它人不一定會(hui) 去看這些。這就是不同人的感知網絡存在差異的體(ti) 現。
聯想方麵也是如此。當信息進入大腦後，它能激活大腦神經元回路中的某些信息，這就是每個(ge) 人不同的聯想，而且每個(ge) 人的聯想情況都是不一樣的。
比如有人問陝西的省會(hui) 在哪？你會(hui) 不假思索地說“西安”。如果我接著問，我的問題有哪些線索讓你想到“西安”？相信每個(ge) 人都不一樣。
有的人可能想到涼皮、肉夾饃，有的人想的是大雁塔、十三朝，還有的人會(hui) 想到兵馬俑。
當聯想網絡和感知網絡相結合後，才進入到決(jue) 策。同樣的刺激，有人會(hui) 悲觀，有人會(hui) 樂(le) 觀，為(wei) 什麽(me) ？因為(wei) 聯想網絡不一樣，決(jue) 策算法也不一樣，決(jue) 策完之後就會(hui) 有反應。
所以，大腦就是這麽(me) 一個(ge) 由感知、聯想、決(jue) 策、反應組成的循環網絡。當然，也有可能從(cong) 感知直接到反應，那已經形成直覺習(xi) 慣，也有可能感知沒有聯想和決(jue) 策直接反應。
總之，大腦會(hui) 有多種反應方式，但都離不開這四大網絡。
感知網絡、聯想網絡、決(jue) 策網絡、反應網絡屬於(yu) 工作係統，而還有更為(wei) 高深的層麵。
比如原始人打獵時，獵物跑了，他在樹根底下思考：要是在某個(ge) 地方安排一個(ge) 人堵著獵物，獵物可能就跑不了，但要是獵物把堵著的人撞傷(shang) 了怎麽(me) 辦？最後想到挖個(ge) 陷阱。
這個(ge) 思考過程就是學習(xi) 網絡所做的事情，即對這四大網絡之間的配合、協作關(guan) 係以及它們(men) 各自的反應能力進行不斷地複盤，然後實現提升，也就是進行學習(xi) 並升級算法。
於(yu) 是，我在這四個(ge) 網絡之上，架構了一個(ge) 學習(xi) 網絡。通過這樣的方式，我將複雜的大腦架構成了五大網絡，其中四大網絡作為(wei) 工作係統，而另外一個(ge) 學習(xi) 網絡則不斷迭代。
之所以要設置一個(ge) 學習(xi) 網絡，這涉及到教育學中的元認知能力，我把它抽象出來。當把複雜的大腦抽象成這五大網絡的時候，學習(xi) 力模型也就自然而然地呈現出來了。
② ACCP模型
ACCP模型恰好與(yu) 大腦的四大網絡相對應。
“A”代表“Absorb”，意為(wei) 吸收，它對應的是感知網絡的活動，也就是進行知識的吸收。
“C”有兩(liang) 個(ge) ：第一個(ge) “C”（construct），是指建構主義(yi) 的“建構”，它對應的是聯想網絡，強調在學習(xi) 過程中通過聯想來建構知識體(ti) 係.
第二個(ge) “C”（correct）是指決(jue) 策網絡，意味著在決(jue) 策時要有自己創造性的發揮，要能做出恰當的判斷和抉擇。
“P”則代表“perform”（反應），涉及到對知識的實際運用和做出相應反應。
我認為(wei) 學習(xi) 的重點在於(yu) 聯想網絡和決(jue) 策網絡，也就是兩(liang) 個(ge) “C”。
衡量是否真正掌握知識有兩(liang) 個(ge) 標誌：一是形成個(ge) 人版本的理解，二是能夠進行個(ge) 性化的應用。
即便把《道德經》背得滾瓜爛熟，也不一定真懂，必須要把它轉化成自己個(ge) 人版本的理解，用自己的話闡述它在講什麽(me) ，並且在遇到實際場景時能夠靈活變通地加以應用。
現實場景和書(shu) 本上講的往往不一樣，沒有哪一種知識能夠不做任何改變就直接解決(jue) 現實問題。
所有的現實問題，都得做適應性的改造和創造性地發揮，然後通過反應網絡，會(hui) 得到獨一份的經驗。再通過個(ge) 人的加工，把經驗轉化為(wei) 個(ge) 人版本的知識。
個(ge) 人所形成的個(ge) 人版本的知識相互交換後，就會(hui) 匯聚成為(wei) 集體(ti) 智慧。集體(ti) 智慧與(yu) 個(ge) 體(ti) 智慧就是通過這樣不斷的交換而得以發展。
實際上，教學就是集體(ti) 智慧在個(ge) 體(ti) 之間進行傳(chuan) 播的過程。
為(wei) 什麽(me) 要在個(ge) 體(ti) 間傳(chuan) 播呢？原因在於(yu) 所有的經驗都無法直接從(cong) 個(ge) 體(ti) 間進行複製，必須要將經驗轉化為(wei) 結構化的知識，這樣才能夠在個(ge) 體(ti) 間實現複製。
教學本質上是一種結構化知識的傳(chuan) 播。然而，即便學習(xi) 了結構化的知識，如果不能將其轉換成自己的語言，也就是沒有真正理解，沒有真正領悟。
若不能依據自身所處的場景進行適應性改造並靈活發揮，實現個(ge) 性化的應用以解決(jue) 問題，那就說明知識還沒有學透。而當通過知識解決(jue) 了問題後，又會(hui) 形成新的經驗。
由此可見，在學習(xi) 的過程必然是按照這樣的流程進行：
第一，將公共知識建構成個(ge) 人版本的知識，即實現知識的建構化；
第二，運用所建構的知識去解決(jue) 問題，此過程就是將知識經驗化；
第三，經驗化之後再將其轉化為(wei) 知識，然後再次知識化後的知識又能夠變成公共知識得以傳(chuan) 播，如此便形成了一個(ge) 完整的循環閉環。
這種循環能力是未來個(ge) 體(ti) 必備的一種能力。如果你自身具備了這種能力，既能學會(hui) 指導自己的潛意識工作的能力，又能學會(hui) 指導AI工作的能力。這其實是AI時代的一個(ge) 元能力。
2.知識的本質含義
① 知識不僅是內容，更是一個過程
吳慶海：我從(cong) 事與(yu) 知識相關(guan) 的研究已經有20多年了，在這個(ge) 過程中，我對於(yu) “知識”這個(ge) 詞的理解也在不斷地迭代更新。
從(cong) 名詞的角度看，大家通常會(hui) 認為(wei) 一本書(shu) 、一個(ge) 文檔或者一篇內(nei) 容,結合五大網絡相關(guan) 理論，我們(men) 發現知識更像是一種過程。
② “知”為客觀，“識”為主觀
田俊國：知識存在多種說法，有一種說法是：知識的關(guan) 鍵在於(yu) “識”，“識”是個(ge) 人對信息的理解。
以往我們(men) 普遍認為(wei) 知識是客觀的，但其實不對，知識必定是主觀的，因為(wei) 不同的人會(hui) 有不同的理解，也就是說“知”可以是客觀的，但“識”一定是主觀的。
那麽(me) ，知識能不能算客觀？當大部分人都認同的一種主觀認知，就可以勉強稱作客觀，也就是外界大部分人達成共識的主觀認知可相對視為(wei) 客觀。
而一個(ge) 人對於(yu) 知識本身的理解和定義(yi) ，會(hui) 決(jue) 定其在知識管理或者教學當中所采用的套路、打法以及具體(ti) 方法。
真正的專(zhuan) 家都有一個(ge) 特點，特別擅長追問第一性原理。他們(men) 總是在默默深入地思考工作相關(guan) 的問題，他們(men) 看待事物永遠比普通人更加深刻、更加透徹。
3.AI，顛覆和重構教育體係
吳慶海：我想從(cong) 兩(liang) 個(ge) 方麵來談。一方麵，知識有一種定義(yi) 是“有效行動的能力”，這和現在所說的反應網絡（基於(yu) 問題作出反應）從(cong) 應用角度來看是有一定道理的。
另一方麵，我們(men) 來看看ChatGPT，它對之前的教育體(ti) 係來說是一種重構。
以前我們(men) 的教育體(ti) 係是：每個(ge) 人從(cong) 出生開始，曆經小學到大學，要花費很多年去學習(xi) 知識，而且是非常體(ti) 係化地進行知識灌輸，至於(yu) 這些知識在大腦裏形成什麽(me) 樣的結構，我們(men) 並不清楚。
但是ChatGPT就不一樣了，它並不遵循標準的知識體(ti) 係。隻要你基於(yu) 某個(ge) 問題提問，它就會(hui) 給你一個(ge) 答案。
這種對知識的顛覆和重構，會(hui) 對我們(men) 傳(chuan) 統的教育或知識體(ti) 係模式產(chan) 生重大的反向衝(chong) 擊。
田俊國：現代教育其實是一種進化與(yu) 退化並存的方式。為(wei) 什麽(me) 這麽(me) 說？進化和退化是相互關(guan) 聯的，有進化就必然會(hui) 有退化。
在教育過程中，我們(men) 往往想要強化一種固定的反應模式，然而這樣做的同時，就把其他的可能性全部扼殺掉了。
所以，進化和退化是同時存在的。我們(men) 在成長的過程中，實際上是一邊在進化，一邊也在退化。不要以為(wei) 成長就完全是進化。
老子說“物壯則老，是謂不道，不道早已”，意思是事物發展到強盛之後就會(hui) 走向衰老，很快就會(hui) 消亡。
其實人的成長和成熟，有時候意味著思維的固化，一旦這種固化形成，人適應社會(hui) 變化、適應外部環境的彈性就沒有了。
學習(xi) 實際上是一把雙刃劍，它既有積極的一麵，也有消極的一麵，這一點我們(men) 必須要理解。
就像我們(men) 現在討論的ChatGPT，它有一個(ge) 優(you) 點，就是能夠最大限度地克服學習(xi) 過程中讓人形成固化反應模式的弊端，因為(wei) 它自身是在不斷地迭代更新。
人也需要不斷地迭代更新自己。有句話說得好，如果你不覺得年初的自己像個(ge) 傻瓜，那就說明你的進步太慢了。
4.組織學習力的SECI模型
吳慶海：能夠說出來、表達出來的知識，隻是我們(men) 對知識客觀表達的一種方式。通常來講，能夠用字符串、聲音、圖像等方式表達出來的知識，就是一種顯性知識。
SECI模型由日本著名學者野中鬱次郎提出，他被譽為(wei) 知識創造之父。他認為(wei) 知識創新的本質，是始於(yu) 個(ge) 體(ti) 與(yu) 個(ge) 體(ti) 之間隱性知識的共享與(yu) 交換，這就是“socialization”的含義(yi) 。
在SECI模型中，第一象限就是“S”（Socialization），是隱性知識社會(hui) 化、社交化的層麵。就如同我們(men) 今天在交流過程中，其實是在調動我們(men) 的潛意識，把隱性知識激發出來。
所以，現在不可能有人獨自閉關(guan) 修煉幾十年成為(wei) 高人，因為(wei) 知識強調的是多個(ge) 人之間相互的激蕩和碰撞，隻有這樣才能產(chan) 生真知以及更新的東(dong) 西。
第二象限，“E”，即“exteriorization”（外顯化）。把我們(men) 隱性的東(dong) 西表達出來，而外顯化的過程，是衡量一個(ge) 人能不能把知識講得透徹、寫(xie) 得好、說得明白的真正關(guan) 鍵所在。
在這個(ge) 過程中，我們(men) 經常會(hui) 通過複盤、知識萃取等方式把隱性知識提煉出來，這既考驗我們(men) 個(ge) 體(ti) 知識素養(yang) 的高低，也是考驗組織能否把這些隱性知識提煉出來的水平。
當然，一旦形成了文檔、書(shu) 籍等，那就已經完成了顯性化。
第三象限，“C”，即“combination”（組合化），我們(men) 大部分知識庫、信息係統的建立，主要都是在這個(ge) 象限上下功夫。
第四象限，“I”，叫做“internalization”（內(nei) 化的過程），也就是要將知識內(nei) 化成自身的能力。
我們(men) 常常會(hui) 有這樣的疑問，為(wei) 什麽(me) 學習(xi) 了那麽(me) 多知識、讀了那麽(me) 多書(shu) ，卻還是過不好這一生呢？這就要看內(nei) 化有沒有做好。
一千個(ge) 人腦子裏會(hui) 有一千個(ge) 哈姆雷特，一千個(ge) 人腦子裏會(hui) 有一千個(ge) 林黛玉，因為(wei) 每個(ge) 人大腦結構的五個(ge) 網絡存在差異，即便接觸了大量外在顯性化的信息或知識，但每個(ge) 人大腦的結構完全不一樣。
當一個(ge) 人在知識的快速迭代過程中，速度和力度都能達到一定水平，就能夠慢慢從(cong) 泯然眾(zhong) 人中脫穎而出，成為(wei) 高手、專(zhuan) 家、牛人。
這就是我所理解的SECI模型，從(cong) 組織高度去看時，與(yu) 知識管理模型之間產(chan) 生的一些共鳴之處。
四、學習力躍升，像AI一樣迭代
1.AI學習力的核心：算法、算力、數據
田俊國：人工智能如今厲害之處主要體(ti) 現在三條。
其一，它永不知疲倦，能夠24小時不間斷工作，無需吃飯也不用發薪。原因在於(yu) 它在知識轉化方麵表現出色，能將“C”（顯性知識）高效地轉化為(wei) “I”（內(nei) 化知識），工作的同時就在學習(xi) ，學習(xi) 能力很強。
其二，它在“S”（社會(hui) 化、共享隱性知識）方麵也極為(wei) 厲害，一個(ge) 終端積累的經驗能在其他所有終端馬上實現共享。而在人類社會(hui) 中，人與(yu) 人之間經驗共享存在很大門檻，包括語言等因素的限製。
其三，人工智能在這些人類學習(xi) 的環節上能夠進行諸多簡化。基本上所有終端的數據都會(hui) 積累到後端數據庫，經驗積累也是如此，並且它能帶著算法開展工作，實現從(cong) “C”到“I”的無縫對接。
然而，自然人通常是工作與(yu) 學習(xi) 分開進行的，會(hui) 覺得工作隻是應付任務，不像人工智能那樣工作即學習(xi) 。這就凸顯出碳基生命（人類）與(yu) 矽基生命（人工智能）在這方麵的差距。
人工智能最重要的要素無非是算法、算力和數據。
對於(yu) 自然人的學習(xi) 力而言，算法可以理解為(wei) 做事情的各種方法論、套路，比如PDCA等，這些都可視為(wei) 個(ge) 人的算法。
但很多時候我們(men) 解決(jue) 問題依靠的是經驗，當遇到突如其來的問題時，可能不會(hui) 快速提取出一個(ge) 既定算法，但往往會(hui) 冒出靈感。
所謂靈感，其實就是潛意識的建模，就如同“熟讀唐詩三百首，不會(hui) 讀詩也會(hui) 吟”的道理。因為(wei) 潛意識已經把詩句模型化了，隻是沒有將其提煉成諸如平平仄仄這樣作詩的具體(ti) 套路。
當閱讀積累到一定程度，即便沒有明確的作詩算法，也能依靠感覺對字詞進行調整。這說明當一個(ge) 人有豐(feng) 富經驗時，在沒有現成算法的情況下，數據本身就能堆積出一個(ge) 算法。
這也反映出如今學習(xi) 存在的一個(ge) 麻煩之處，在課堂裏老師教授的多是算法，但老師幾十年的經驗卻無法一一傳(chuan) 授給學生。
而且，算法看似有套路可循，但老專(zhuan) 家解決(jue) 新問題時，依靠的往往是自身的數據（經驗）。一旦用經驗解決(jue) 了具體(ti) 問題，經驗就可以轉化為(wei) 知識。
2.多對話，提升潛意識的原動力
田俊國：維果茨基說：所有的學習(xi) 都是兩(liang) 次登場的，一次是個(ge) 體(ti) 間的交流過程，一次是個(ge) 體(ti) 內(nei) 的交流過程，而對於(yu) 個(ge) 體(ti) 來講，個(ge) 體(ti) 內(nei) 的交流過程才是學習(xi) 發生的最後一步。
不管別人說多少、怎麽(me) 說，最終是否采信在於(yu) 自己，隻有自己采信並內(nei) 化成自己的理解，那才是真正的學習(xi) 發生。就像傑根的那句名言：“我說的每一句話都沒有意義(yi) ，除非你認為(wei) 它有意義(yi) 。”
也就是說，我們(men) 自己才是學習(xi) 成果的最終裁判。
哪怕把老師講的內(nei) 容背得滾瓜爛熟，如果沒有內(nei) 在的個(ge) 體(ti) 內(nei) 對話，那也隻是機械的反應，個(ge) 體(ti) 內(nei) 對話才是學習(xi) 真正發生的“最後100米”。
所有的個(ge) 體(ti) 間對話往往又是由個(ge) 體(ti) 內(nei) 對話引發的，比如我要和別人講事情，先要在潛意識裏打個(ge) 腹稿。
要學會(hui) 運用潛意識開展工作，是存在一些有效秘訣的。
比如備課這件事，幾個(ge) 月前就可以給潛意識下一個(ge) “錨”，明確設定要解決(jue) 某個(ge) 特定問題。
當這個(ge) “錨”下好之後，潛意識便會(hui) 持續不斷地進行醞釀。經過較長一段時間，可能突然在某一天就會(hui) 迎來頓悟時刻，問題的解決(jue) 思路一下子就清晰了。
3.構建場域，激發學習力
我現在特別強調“場域”的情況，就像我們(men) 現在聊天這樣，一開始可能以信息流為(wei) 主，大家比較拘謹，等慢慢放開了，想聊什麽(me) 就聊什麽(me) ，這就達到了一種比較暢快的狀態，可稱之為(wei) “場域”。
而場域是有其特定定義(yi) 的，人其實存在兩(liang) 個(ge) 最基本的狀態：一種是“我”的狀態，就是還比較關(guan) 注自我；另一種是聊著聊著把“我”忘了，隻剩下“我們(men) ”的狀態。
在集體(ti) 決(jue) 策或者集體(ti) 學習(xi) 的場域中，對最終學習(xi) 成果的質量影響非常大，因為(wei) 它既會(hui) 影響每個(ge) 人的心情，也會(hui) 影響每個(ge) 人的能量狀態。
影響決(jue) 策質量的因素，往往並非僅(jin) 僅(jin) 取決(jue) 於(yu) 信息量是否足夠。我個(ge) 人認為(wei) ，至少有兩(liang) 個(ge) 因素是對半分的重要程度，那就是人的能量狀態以及信息量。
當人們(men) 處於(yu) 低能量狀態時，會(hui) 激活戰鬥逃跑模式，也就是會(hui) 激發“小我”，每個(ge) 人都在盤算自己的小算盤，隻為(wei) 自己的安全感考慮。
在這種情況下討論問題，很難做出對集體(ti) 更好的決(jue) 策。大家都會(hui) 借著事情本身，把自己隱藏層裏的利益和訴求隱藏起來，說一些冠冕堂皇的理由，如此做出的決(jue) 策往往就會(hui) 偏離正確方向。
相反，當大家處於(yu) 高能量狀態時，就會(hui) 想著怎樣能讓組織變得更好。不過這裏存在一個(ge) 風險，就像《烏(wu) 合之眾(zhong) 》所說的，當群體(ti) 處於(yu) 高能量狀態，一人帶起節奏時，群體(ti) 越大越容易出現問題。
大家可能都在跟著考慮同一件事，而這時候智商可能會(hui) 變得很低。比如大家一呼百應，就變成了烏(wu) 合之眾(zhong) ，所有人的智商瞬間變為(wei) 零。
所以企業(ye) 家在經營組織的時候，一定要把信息充分和能量狀態這兩(liang) 個(ge) 因素結合起來。有時候能量太高會(hui) 變成亢奮狀態，一呼百應，容易出現問題；而有時候信息不充分也不行，也會(hui) 影響決(jue) 策質量。
這兩(liang) 個(ge) 場景需要經常交替出現，有時需要大家狀態高一些，但狀態高的時候智商又容易喪(sang) 失，有時又需要信息充分。
對於(yu) 來說，在決(jue) 策的那一刹那，也要問問自己當下的狀態是高還是低，因為(wei) 狀態太高容易亢奮而出昏招，狀態太低也不行，所以影響決(jue) 策的主要就是這兩(liang) 個(ge) 維度。
