随着人工智能技术的快速发展，许多专业和职业，可能面临着被AI代替的风险。不少知识工作者产生了一些困惑和焦虑。实际上，在很多专业领域，还离不开人类的技能、智慧和创新，涌现出了很多不被AI所代替的专业高手。我们如何才能像他们一样不被AI取代？如何像AI一样迭代自己？今天这篇文章，我们就来聊聊学习力与AI。
本文来自微信公众号：笔记侠，分享嘉宾：田俊国、吴庆海，题图来自：AI生成
一、不被时代追杀，唯一的核心竞争力是学习力
1. 学习的本质：把经验转化为知识，用知识解决问题
田俊国：AI来势汹汹，大有重新改变一切行业的趋势。
在一次沙龙上，大家都在讨论一个话题：如何运用AI让我们的工作更方便？甚至有人提出：AI来了，作为自然人，我还需要学习吗？
在那次沙龙上，我突然提出了一个反问：我们更需要思考的是，你如何能像AI一样迭代自己？
我们其实根本没有教会我们自己迭代，我们依靠AI在迭代。我们训练AI，其实是反的，你真正需要训练的是你自己的潜意识，你的潜意识就是你随身携带的AI。
如果你不能让你的潜意识像AI一样工作，你跟自己内在的庞大的智囊无法合作的话，你训练外部的AI，其实也是句骗人的话。
反而，在AI时代，对自然人学习能力的挑战，对知识管理，和知识提炼加工能力的挑战，是越来越大，而不是越来越小了。
我们乍一想起，很多事都能让AI来做，而我们忽略的一个现实是：我们身上一直都带着AI。
以我来说，如果让我讲课拿着稿子念，我可能会崩溃。因为我不习惯用稿子，我可以用一个即时贴讲一天的课，我只需要把提纲一写，我就交给自己的“AI”了。
我上课最喜欢学生向我提问和点评作业，喜欢“你说我点评”和“你问我答”的方式。
因为在这个当下，我自动把我当成个“AI”，分成了前台和后台，前台是你能看见的我，后台是内在的我。你问的任何问题，我都会转而问他（后台的我、内在的我），他告诉我一个答案，我因此而受启发。
而关于“自然人如何像AI一样迭代自己”的思考，其实源于2020年我开展的一波关于深度学习的主题阅读。那一批书中有很多微积分的内容，很难看懂。
但我们把这批书全都读完的时候，我惊呆了。因为我是计算机专业，其实知道最早的AI就是凭着大样本量，大数据库，拼命地算，看起来很智能，其实很笨。
但我看了深度学习理论以后，才发现这一代的AI完全不一样了，它的卷积积分和深度学习理论太厉害了。
受其启发，我就想如何借助AI的学习方式，来反哺自然人的学习。在做完这波阅读之后，我推出了一个“学习力跃迁的训练营”，其文字稿最后也就演变成了这本书。
这个训练营的目的或者根本上想解决的问题，就是自然人如何像AI一样迭代自己，这对于每个人来讲，都很现实的问题。
所谓“知识工作者”，是能把经验变成知识，再运用知识解决问题，二者缺其一，都不能称为知识工作者。
但是，这两点恰恰是AI最厉害的地方。现在路上跑的每辆智能驾驶汽车，都在积累数据，积累经验，再把经验迭代成算法，算法再指导所有的智能车。自然人也要像智能汽车，我们才能在这个时代生存。
以前的时代，你用存量的知识都能混一辈子。今天你必须有足够强的学习力，才能生活下去。在过去，会开车可能就是一辈子的铁饭碗，现在换5次职业也未必能熬得到退休，可能突然有一天，你的职业就被别人替代了。
“萝卜快跑”刚火起来那阵，我正好到武汉出差，坐了一辆滴滴快车，师傅跟我说：现在感觉到被时代追杀。
这位师傅原来是一个IT企业的中层，企业因为经营不善，自己主动辞职，但半年时间都没事干（没找到工作），然后自己弄个车跑滴滴，跑了没多久，发现萝卜快跑出来了，所以，我们（自然人）在被时代追杀。
其实，不被时代追杀唯一的核心竞争力是学习力。学习力的核心，是把经验转化成知识，用知识解决问题。
当然，这个过程中，又会有新的领域不断涌现出来，这些领域谁都没干过（如知识主播），大家都在探索，这个时候比的就是学习力。
我在为一个学生的书作序时写道：好奇心、探索精神和学习力，可以碾压一切经验。因为经验在这个时代不值一提，所有的经验都比不上你的探索精神，你的学习力。
2. 从实际问题着手思考，是最好的学习方式
田俊国：当你在某段时间内思考一个问题时，这个问题便成了主题阅读的主题。围绕此问题去买书，买一堆书，然后带着问题去学习、思考。
我之所以对学习力感兴趣，是因为我一直从事教学工作，教学与学习是相互关联的，所谓“不知学，何以教”。
一开始我觉得认知心理学很重要，因为它是关乎一个人接收信息、加工信息的学问，但这还不够。
我就在想，人工智能学习力那么强，它是怎么学习的呢？我围绕这个问题进行了主题阅读。那时候ChatGPT在国内还未出现，我只是对一些很前沿的理论保持关注，比如库兹维尔这些前沿人物的理论。
当我看到他们写的内容时，我意识到从20世纪90年代到现在的30年里，人类对自身大脑的研究达到了一个很高的高度。
因为我们借助科学手段，比如通过戴一个头盔，就能把此时此刻的脑活动看得一清二楚。
这些最前沿的脑科学并没用于自然人的学习，自然人的学习还停留在六七十年代那个水平。而现在整个学术界，或者整个产业界，都是把脑科学的学习成果，用于研究人工智能了。
但我们的教育依然是很落后的，因为我在教育赛道，自然而然就能想到如何把人类的脑科学的研究成果，用于帮助自然人学习。
我写的很多书，都是从一个问题开始引发，然后通过一波主题阅读，把它架构为我的输入，有了很多输入之后，就可以输出我的一个知识体系，以此来招生。
然后回答学生问题，点评作用，在内容丰富，迭代几轮之后，觉得可以出书之后，就出书了。
从疫情到现在，不到5年时间出了9本书。如果我是一个封闭大脑，通过看书写出来的书，你也不会看，恰恰是我把课堂当成一个练功的场景，和大家充分交流，形成了很多新鲜素材，才能如此高产。
二、知识管理与AI的关系
1. AI是大脑最好的外挂
吴庆海：我的第一份工作是在联想，恰逢麦肯锡给联想做咨询，我有幸被筛选到项目组，所负责的一套流程，就是知识管理流程。
当时我对于知识管理并没有特别直观的认识，但观察麦肯锡顾问的工作方式给了我极大的启发。我举两个方面来说明。
首先，我发现麦肯锡的顾问普遍很年轻，然而他们却能在大型场合中，面对具有丰富经验的管理高层侃侃而谈，并且能让这些管理者点头称是。
因为麦肯锡从20世纪70年代起就开始积累其内部的知识库，即便是工作才三五年的顾问，也能在管理层面前汇报工作、呈现方案，并非是独自作战，其背后有着全球几万专业人员的知识储备作为支撑。
由此我想到，一个人若要实现快速成长，其背后也需要有一个类似外挂大脑的存在。而且这个外挂大脑不一定完全依靠其自身，实际上这和如今我们借助人工智能、知识库加上大模型的方式是极为相似的。
随着项目不断深入，我们遇到了越来越多棘手的问题，这些难题在标准的知识库中都无法找到答案。
这时候，我发现麦肯锡有第二个有力的解决办法。他们邀请我到北京的嘉里总部中心，在那里开会帮我连线了一位在英国的专家。通过与专家进行互动交流的方式，来协助我解决这些困难的问题。
正是因为在参与项目过程中有了这样有意思的经历，所以后来我便走上了相关的道路。
当然，在这个过程中，知识管理是帮助企业如何去系统地沉淀、提炼知识，最终加以应用的，它属于一个跨学科的领域。
每个人在学习过程中，必然会涉及知识的获取与吸收，然后将其内化为自身的知识网络等，最终能够依据实际问题产出结果，以此解决难题，我们也一直在对这个过程展开研究。
后来我们发现，若想更高效地完成知识的生命周期管理，就需要对每个个体的知识进行系统性梳理，从而由个体知识形成组织知识。
在这个过程当中，我们遇到了诸多问题与挑战，比如：怎样能让大家更便捷地检索到知识？如何依据大家的工作场景，主动为其推送合适的知识？
20多年前，相关需求还比较朴素。但随着需求不断深入，大家就在想，检索或者搜索，能不能更智能一些，推荐能不能更智能一些，于是我们便朝着相应方向展开研究。
到了近几年，大模型横空出世。在诸多重要的应用场景中，它恰好可作为一个很棒的外挂工具，能更好地支持我们更智能地检索知识、回答知识相关问题以及进行知识的推荐。
这与我们当初梦寐以求的境界不谋而合，所以知识管理和AI自然而然地融合到了一起。
虽然这些工具和技术能给予我们强大的辅助，但我们不能完全依赖它们。我们自己若是坐在那儿不谋求自身发展，那肯定是不行的。
2. “ABC”知识观模型
吴庆海：后来我提出了一个名为“ABC”的知识观。
“A”指的是AI，即“AI oriented”，也就是面向人工智能的知识管理；
“B”指的是“Business”，因为我们在企业里服务的主要核心是业务，所以面向业务这一点绝对不能被忽视，它是我们的源头所在；
“C”指的是“Collective-wisdom”，意为集体智慧，这一点是回归到人的本体。
以“A、B、C”作为三层结构，我将其称作“一体两翼”。具体来说，把“B”放在三角形的中间位置，“A”放在左边，“C”放在右边，这样正好形成“A、B、C”的布局。
其中，“A”更偏向于技术方面，“C”则偏向于人（people），如此一来，“technology”（技术）、“process”（业务）以及“people”（人的集体智慧）就与西方管理中的流程、技术和人相吻合了，所以我觉得这个三角形架构很美妙。
3. 知识管理两件事：外挂与内化
田俊国：归根结底，知识管理主要涉及两件事，一是外挂，二是内化。
所谓外挂，就是借助当下的AI工具，像大模型等，它们可视为全人类的知识库。不过，外挂这种公共资源大家都能使用，这时候就看谁的应用水平更高了。
而能否精准地提出问题是衡量应用水平的关键，并且能否提出精准问题，不仅取决于对工具的运用，也与自身的知识积累程度相关。
业务可以理解为知识管理的应用场景，它属于外挂部分之外的另一个要素。还有人的整个内在的集体潜意识部分也很重要。
我们一方面要善于将一些核心技能真正内化为自身的能力，另一方面也要善于运用好外挂工具，而我们在这其中充当的是一个调和者的角色。
即便AI再厉害，若我们自身不具备与之互动的能力，那也是无济于事的，只能是临渊羡鱼。
反过来讲，与AI互动的能力，本质上对自身的学习力、模型提炼能力以及知识积累等诸多方面都极具挑战性。
所以这两者本质上是相辅相成的关系，并非此消彼长，不能因为有了AI就觉得其他方面不需要了。
随着AI不断迭代，我们自身也得跟着迭代，组织同样需要跟着迭代。
早在20世纪70年代，麦肯锡基本上就已经实现了让每一个小顾问的背后都仿佛有一个AI作为支撑。
只不过那时的“AI”不像我们如今使用的这般便捷罢了，但相关理念在那时就已经落地实施了。
4. 组织进化，需要通用大模型、行业知识库和个人知识库结合
吴庆海：结合目前的发展态势来看，在企业中，AI最核心的部分在于自然语言处理。它通过对文本进行加工、挖掘以及组合生成等操作，以语言的形式将结果表达出来，从而能很好地辅助我们。
然而，在通用大模型落地应用时，也出现了不少问题，比如会产生知识幻觉。当我们需要非常精准、权威的知识时，若大模型未学习到相关内容，就会一本正经地胡说八道。
目前在企业里，针对这一情况已有解决方案。由于通用大模型已学习了人类通用的知识，可作为外挂大脑。
但对于企业内部本行业、本专业领域的知识，外部互联网是无法提供给大模型的，所以需要在企业内部再建立一个知识库。
如此一来，通用大模型与内部知识库相结合，便形成了现在所谓的RAG（检索增强的生成）模式。
进一步将此逻辑延伸到个体层面，个体所拥有的know-how，即其最本质、最独特的东西，并非通用大模型以及企业垂直领域知识库所能替代的。
因此，我认为只有将通用大模型、企业自身独特领域及行业的知识库，再与个体自身内化为一个非常独特的知识库相结合，才是一种较为完美的结合方式。
5. 再强大的外挂工具，都无法替代自身的学习
田俊国：本质上，我们需要了解AI工作的机理，并且要把自己的潜意识当作类似AI的存在，这样才能如同与潜意识配合一般去更好地调用AI。
我认为存在这样一种层级结构：意识、潜意识、AI以及人类集体潜意识。
若要练习与AI协同工作，首先就得练习与自己的潜意识协作。这个逻辑看似自洽，但关键在于要去实践、去练习。而在这当中，我发现最为重要的一点是要信任自己的潜意识。
然而很多人并不信任潜意识，比如有些人做演讲时要准备详尽的逐字稿，全程都依靠意识在工作。
而我认为，比如在与人交谈时，可以先明确自己要说几点，抛出第一点之后，就可以让潜意识来主导后续内容。
那些灵感、直觉的背后，也都是潜意识在起作用。不要以为只有意识具备建模能力，潜意识同样拥有。就像俗话说的“熟读唐诗三百首，不会读诗也会吟”，潜意识看久了、经历多了，也能理解并发挥作用。
吴庆海：这让我特别有共鸣。古人讲“内圣外王”，意思是要将内在和外在打通。
如今的AI等数据工具，大多都属于外在的东西，而若要把内在也打通，就涉及潜意识或者集体潜意识了。
佛家讲八识，前面的六识，是眼、耳、鼻、舌、身，再加上第六识意识，第七识和第八识就类似于潜意识或集体潜意识。
三、人类学习力的奥秘
1. 个体学习力
① 大脑的5大网络
田俊国：大脑的构造极为复杂，大脑有前额叶、顶叶、枕叶等等，我们要把这些器官以一种更易理解的方式呈现出来，将其感知成人的某种状态。
我在模型中将其抽象为5个方面：感知网络、联想网络、决策网络、反应网络和学习网络。
感知网络与眼、耳、鼻、舌、身等相关联，它们相当于我们感知世界的传感器，这些传感器又可以分为意识层面和潜意识层面。
也就是说，你能意识到的那部分信号是比较明显的，但有时候你也会在潜意识层面去处理信息。
信息流和能量流也属于感知的范畴：信息流，是通过语言来表达的内容；能量流则是通过肢体语言、语音语调等方式来表达的内容。
人与人之间的区别就在于感知方面，感知本身就像是一个过滤器。我所注意到的，你未必会注意到，因为每个人都会依据自己的专业背景，自动对信号进行过滤。
比如在一个房间里，一位建筑学家进来，马上会关注建筑结构，而其它人不一定会去看这些。这就是不同人的感知网络存在差异的体现。
联想方面也是如此。当信息进入大脑后，它能激活大脑神经元回路中的某些信息，这就是每个人不同的联想，而且每个人的联想情况都是不一样的。
比如有人问陕西的省会在哪？你会不假思索地说“西安”。如果我接着问，我的问题有哪些线索让你想到“西安”？相信每个人都不一样。
有的人可能想到凉皮、肉夹馍，有的人想的是大雁塔、十三朝，还有的人会想到兵马俑。
当联想网络和感知网络相结合后，才进入到决策。同样的刺激，有人会悲观，有人会乐观，为什么？因为联想网络不一样，决策算法也不一样，决策完之后就会有反应。
所以，大脑就是这么一个由感知、联想、决策、反应组成的循环网络。当然，也有可能从感知直接到反应，那已经形成直觉习惯，也有可能感知没有联想和决策直接反应。
总之，大脑会有多种反应方式，但都离不开这四大网络。
感知网络、联想网络、决策网络、反应网络属于工作系统，而还有更为高深的层面。
比如原始人打猎时，猎物跑了，他在树根底下思考：要是在某个地方安排一个人堵着猎物，猎物可能就跑不了，但要是猎物把堵着的人撞伤了怎么办？最后想到挖个陷阱。
这个思考过程就是学习网络所做的事情，即对这四大网络之间的配合、协作关系以及它们各自的反应能力进行不断地复盘，然后实现提升，也就是进行学习并升级算法。
于是，我在这四个网络之上，架构了一个学习网络。通过这样的方式，我将复杂的大脑架构成了五大网络，其中四大网络作为工作系统，而另外一个学习网络则不断迭代。
之所以要设置一个学习网络，这涉及到教育学中的元认知能力，我把它抽象出来。当把复杂的大脑抽象成这五大网络的时候，学习力模型也就自然而然地呈现出来了。
② ACCP模型
ACCP模型恰好与大脑的四大网络相对应。
“A”代表“Absorb”，意为吸收，它对应的是感知网络的活动，也就是进行知识的吸收。
“C”有两个：第一个“C”（construct），是指建构主义的“建构”，它对应的是联想网络，强调在学习过程中通过联想来建构知识体系。
第二个“C”（correct）是指决策网络，意味着在决策时要有自己创造性的发挥，要能做出恰当的判断和抉择。
“P”则代表“perform”（反应），涉及到对知识的实际运用和做出相应反应。
我认为学习的重点在于联想网络和决策网络，也就是两个“C”。
衡量是否真正掌握知识有两个标志：一是形成个人版本的理解，二是能够进行个性化的应用。
即便把《道德经》背得滚瓜烂熟，也不一定真懂，必须要把它转化成自己个人版本的理解，用自己的话阐述它在讲什么，并且在遇到实际场景时能够灵活变通地加以应用。
现实场景和书本上讲的往往不一样，没有哪一种知识能够不做任何改变就直接解决现实问题。
所有的现实问题，都得做适应性的改造和创造性地发挥，然后通过反应网络，会得到独一份的经验。再通过个人的加工，把经验转化为个人版本的知识。
个人所形成的个人版本的知识相互交换后，就会汇聚成为集体智慧。集体智慧与个体智慧就是通过这样不断的交换而得以发展。
实际上，教学就是集体智慧在个体之间进行传播的过程。
为什么要在个体间传播呢？原因在于所有的经验都无法直接从个体间进行复制，必须要将经验转化为结构化的知识，这样才能够在个体间实现复制。
教学本质上是一种结构化知识的传播。然而，即便学习了结构化的知识，如果不能将其转换成自己的语言，也就是没有真正理解，没有真正领悟。
若不能依据自身所处的场景进行适应性改造并灵活发挥，实现个性化的应用以解决问题，那就说明知识还没有学透。而当通过知识解决了问题后，又会形成新的经验。
由此可见，在学习的过程必然是按照这样的流程进行：
第一，将公共知识建构成个人版本的知识，即实现知识的建构化；
第二，运用所建构的知识去解决问题，此过程就是将知识经验化；
第三，经验化之后再将其转化为知识，然后再次知识化后的知识又能够变成公共知识得以传播，如此便形成了一个完整的循环闭环。
这种循环能力是未来个体必备的一种能力。如果你自身具备了这种能力，既能学会指导自己的潜意识工作的能力，又能学会指导AI工作的能力。这其实是AI时代的一个元能力。
2. 知识的本质含义
① 知识不仅是内容，更是一个过程
吴庆海：我从事与知识相关的研究已经有20多年了，在这个过程中，我对于“知识”这个词的理解也在不断地迭代更新。
从名词的角度看，大家通常会认为一本书、一个文档或者一篇内容，结合五大网络相关理论，我们发现知识更像是一种过程。
② “知”为客观，“识”为主观
田俊国：知识存在多种说法，有一种说法是：知识的关键在于“识”，“识”是个人对信息的理解。
以往我们普遍认为知识是客观的，但其实不对，知识必定是主观的，因为不同的人会有不同的理解，也就是说“知”可以是客观的，但“识”一定是主观的。
那么，知识能不能算客观？当大部分人都认同的一种主观认知，就可以勉强称作客观，也就是外界大部分人达成共识的主观认知可相对视为客观。
而一个人对于知识本身的理解和定义，会决定其在知识管理或者教学当中所采用的套路、打法以及具体方法。
真正的专家都有一个特点，特别擅长追问第一性原理。他们总是在默默深入地思考工作相关的问题，他们看待事物永远比普通人更加深刻、更加透彻。
3. AI，颠覆和重构教育体系
吴庆海：我想从两个方面来谈。一方面，知识有一种定义是“有效行动的能力”，这和现在所说的反应网络（基于问题作出反应）从应用角度来看是有一定道理的。
另一方面，我们来看看ChatGPT，它对之前的教育体系来说是一种重构。
以前我们的教育体系是：每个人从出生开始，历经小学到大学，要花费很多年去学习知识，而且是非常体系化地进行知识灌输，至于这些知识在大脑里形成什么样的结构，我们并不清楚。
但是ChatGPT就不一样了，它并不遵循标准的知识体系。只要你基于某个问题提问，它就会给你一个答案。
这种对知识的颠覆和重构，会对我们传统的教育或知识体系模式产生重大的反向冲击。
田俊国：现代教育其实是一种进化与退化并存的方式。为什么这么说？进化和退化是相互关联的，有进化就必然会有退化。
在教育过程中，我们往往想要强化一种固定的反应模式，然而这样做的同时，就把其他的可能性全部扼杀掉了。
所以，进化和退化是同时存在的。我们在成长的过程中，实际上是一边在进化，一边也在退化。不要以为成长就完全是进化。
老子说“物壮则老，是谓不道，不道早已”，意思是事物发展到强盛之后就会走向衰老，很快就会消亡。
其实人的成长和成熟，有时候意味着思维的固化，一旦这种固化形成，人适应社会变化、适应外部环境的弹性就没有了。
学习实际上是一把双刃剑，它既有积极的一面，也有消极的一面，这一点我们必须要理解。
就像我们现在讨论的ChatGPT，它有一个优点，就是能够最大限度地克服学习过程中让人形成固化反应模式的弊端，因为它自身是在不断地迭代更新。
人也需要不断地迭代更新自己。有句话说得好，如果你不觉得年初的自己像个傻瓜，那就说明你的进步太慢了。
4. 组织学习力的SECI模型
吴庆海：能够说出来、表达出来的知识，只是我们对知识客观表达的一种方式。通常来讲，能够用字符串、声音、图像等方式表达出来的知识，就是一种显性知识。
SECI模型由日本著名学者野中郁次郎提出，他被誉为知识创造之父。他认为知识创新的本质，是始于个体与个体之间隐性知识的共享与交换，这就是“socialization”的含义。
在SECI模型中，第一象限就是“S”（Socialization），是隐性知识社会化、社交化的层面。就如同我们今天在交流过程中，其实是在调动我们的潜意识，把隐性知识激发出来。
所以，现在不可能有人独自闭关修炼几十年成为高人，因为知识强调的是多个人之间相互的激荡和碰撞，只有这样才能产生真知以及更新的东西。
第二象限，“E”，即“exteriorization”（外显化）。把我们隐性的东西表达出来，而外显化的过程，是衡量一个人能不能把知识讲得透彻、写得好、说得明白的真正关键所在。
在这个过程中，我们经常会通过复盘、知识萃取等方式把隐性知识提炼出来，这既考验我们个体知识素养的高低，也是考验组织能否把这些隐性知识提炼出来的水平。
当然，一旦形成了文档、书籍等，那就已经完成了显性化。
第三象限，“C”，即“combination”（组合化），我们大部分知识库、信息系统的建立，主要都是在这个象限上下功夫。
第四象限，“I”，叫做“internalization”（内化的过程），也就是要将知识内化成自身的能力。
我们常常会有这样的疑问，为什么学习了那么多知识、读了那么多书，却还是过不好这一生呢？这就要看内化有没有做好。
一千个人脑子里会有一千个哈姆雷特，一千个人脑子里会有一千个林黛玉，因为每个人大脑结构的五个网络存在差异，即便接触了大量外在显性化的信息或知识，但每个人大脑的结构完全不一样。
当一个人在知识的快速迭代过程中，速度和力度都能达到一定水平，就能够慢慢从泯然众人中脱颖而出，成为高手、专家、牛人。
这就是我所理解的SECI模型，从组织高度去看时，与知识管理模型之间产生的一些共鸣之处。
四、学习力跃升，像AI一样迭代
1. AI学习力的核心：算法、算力、数据
田俊国：人工智能如今厉害之处主要体现在三条。
其一，它永不知疲倦，能够24小时不间断工作，无需吃饭也不用发薪。原因在于它在知识转化方面表现出色，能将“C”（显性知识）高效地转化为“I”（内化知识），工作的同时就在学习，学习能力很强。
其二，它在“S”（社会化、共享隐性知识）方面也极为厉害，一个终端积累的经验能在其他所有终端马上实现共享。而在人类社会中，人与人之间经验共享存在很大门槛，包括语言等因素的限制。
其三，人工智能在这些人类学习的环节上能够进行诸多简化。基本上所有终端的数据都会积累到后端数据库，经验积累也是如此，并且它能带着算法开展工作，实现从“C”到“I”的无缝对接。
然而，自然人通常是工作与学习分开进行的，会觉得工作只是应付任务，不像人工智能那样工作即学习。这就凸显出碳基生命（人类）与硅基生命（人工智能）在这方面的差距。
人工智能最重要的要素无非是算法、算力和数据。
对于自然人的学习力而言，算法可以理解为做事情的各种方法论、套路，比如PDCA等，这些都可视为个人的算法。
但很多时候我们解决问题依靠的是经验，当遇到突如其来的问题时，可能不会快速提取出一个既定算法，但往往会冒出灵感。
所谓灵感，其实就是潜意识的建模，就如同“熟读唐诗三百首，不会读诗也会吟”的道理。因为潜意识已经把诗句模型化了，只是没有将其提炼成诸如平平仄仄这样作诗的具体套路。
当阅读积累到一定程度，即便没有明确的作诗算法，也能依靠感觉对字词进行调整。这说明当一个人有丰富经验时，在没有现成算法的情况下，数据本身就能堆积出一个算法。
这也反映出如今学习存在的一个麻烦之处，在课堂里老师教授的多是算法，但老师几十年的经验却无法一一传授给学生。
而且，算法看似有套路可循，但老专家解决新问题时，依靠的往往是自身的数据（经验）。一旦用经验解决了具体问题，经验就可以转化为知识。
2. 多对话，提升潜意识的原动力
田俊国：维果茨基说：所有的学习都是两次登场的，一次是个体间的交流过程，一次是个体内的交流过程，而对于个体来讲，个体内的交流过程才是学习发生的最后一步。
不管别人说多少、怎么说，最终是否采信在于自己，只有自己采信并内化成自己的理解，那才是真正的学习发生。就像杰根的那句名言：“我说的每一句话都没有意义，除非你认为它有意义。”
也就是说，我们自己才是学习成果的最终裁判。
哪怕把老师讲的内容背得滚瓜烂熟，如果没有内在的个体内对话，那也只是机械的反应，个体内对话才是学习真正发生的“最后100米”。
所有的个体间对话往往又是由个体内对话引发的，比如我要和别人讲事情，先要在潜意识里打个腹稿。
要学会运用潜意识开展工作，是存在一些有效秘诀的。
比如备课这件事，几个月前就可以给潜意识下一个“锚”，明确设定要解决某个特定问题。
当这个“锚”下好之后，潜意识便会持续不断地进行酝酿。经过较长一段时间，可能突然在某一天就会迎来顿悟时刻，问题的解决思路一下子就清晰了。
3. 构建场域，激发学习力
我现在特别强调“场域”的情况，就像我们现在聊天这样，一开始可能以信息流为主，大家比较拘谨，等慢慢放开了，想聊什么就聊什么，这就达到了一种比较畅快的状态，可称之为“场域”。
而场域是有其特定定义的，人其实存在两个最基本的状态：一种是“我”的状态，就是还比较关注自我；另一种是聊着聊着把“我”忘了，只剩下“我们”的状态。
在集体决策或者集体学习的场域中，对最终学习成果的质量影响非常大，因为它既会影响每个人的心情，也会影响每个人的能量状态。
影响决策质量的因素，往往并非仅仅取决于信息量是否足够。我个人认为，至少有两个因素是对半分的重要程度，那就是人的能量状态以及信息量。
当人们处于低能量状态时，会激活战斗逃跑模式，也就是会激发“小我”，每个人都在盘算自己的小算盘，只为自己的安全感考虑。
在这种情况下讨论问题，很难做出对集体更好的决策。大家都会借着事情本身，把自己隐藏层里的利益和诉求隐藏起来，说一些冠冕堂皇的理由，如此做出的决策往往就会偏离正确方向。
相反，当大家处于高能量状态时，就会想着怎样能让组织变得更好。不过这里存在一个风险，就像《乌合之众》所说的，当群体处于高能量状态，一人带起节奏时，群体越大越容易出现问题。
大家可能都在跟着考虑同一件事，而这时候智商可能会变得很低。比如大家一呼百应，就变成了乌合之众，所有人的智商瞬间变为零。
所以企业家在经营组织的时候，一定要把信息充分和能量状态这两个因素结合起来。有时候能量太高会变成亢奋状态，一呼百应，容易出现问题；而有时候信息不充分也不行，也会影响决策质量。
这两个场景需要经常交替出现，有时需要大家状态高一些，但状态高的时候智商又容易丧失，有时又需要信息充分。
对于个体决策来说，在决策的那一刹那，也要问问自己当下的状态是高还是低，因为状态太高容易亢奋而出昏招，状态太低也不行，所以影响决策的主要就是这两个维度。
本文来自微信公众号：笔记侠，作者：田俊国、吴庆海
本内容为作者独立观点，不代表虎嗅立场。未经允许不得转载，授权事宜请联系[email protected]
如对本稿件有异议或投诉，请联系[email protected]
End
