Matrix 首頁推薦?

Matrix?是少數(shù)派的寫作社區(qū)，我們主張分享真實的產(chǎn)品體驗，有實用價值的經(jīng)驗與思考。我們會不定期挑選 Matrix 最優(yōu)質(zhì)的文章，展示來自用戶的最真實的體驗和觀點。?
文章代表作者個人觀點，少數(shù)派僅對標題和排版略作修改。

最近 AI 的智力升級了，時不時就有大佬們出來說：「人工智能時代，會提問的人，會比回答問題的人更加重要?！勾罄袀冊捳f了一半，然后就露出蒙娜麗莎的微笑，讓群眾們（含本人）都有點懵。

「學會提問」、「深度思考」、「底層邏輯」成為了一門顯學，暢銷書都把這些詞語用大字印在封面上，看來印上去書比較好賣。經(jīng)過與 AI 友好地請教與磋商，我發(fā)現(xiàn)其實把問題問好也沒那么神乎其技。

我們提問，就是要想辦法搞懂一些事情、找 AI 拿一個好方案。如果我們已經(jīng)參加工作，標準化的流程無非是：展開調(diào)查、分析規(guī)律、拿出方案、實施看看。

對應要問的問題是：問題找對了沒有，按什么規(guī)律辦事，有啥方案，實施有啥要注意。

別被各種術(shù)語騙了，這些都是我們的日常。為了蹭熱度，我也拿開源卷王 · 服務器繁忙 · ChatGPT克星 · 美股蹦迪選手 · 深度思考版的 DeepSeek 來舉例。

想象一個普通的場景，我們打開對話框輸入：我想去日本旅游，有什么好推薦。

正常情況下，我們會得到一堆景點、美食、交通、注意事項等，然后要根據(jù)自己的需求去進行排列組合。 ?

這時可以打上一個萬能補：你先不要著急回答我的問題，為了質(zhì)量更高的答案，我還需要補充哪些信息？這是 DeepSeek 給出的答案：

這個問題揭示了一個事實：每個人都有自己的地圖。它代表著我們自己獨特的背景、資源、目標。很多時候，我們會有個盲區(qū)，以為大家都是去日本，所以看日本的地圖就夠了。但從廣州還是上海出發(fā)，會讓安排區(qū)別很大，我們地圖除了日本，也要包含自己出發(fā)的地點。

就像我們找人請教問題，不能看別人的地圖，而是要拿著自己的地圖來給人看。DeepSeek 除了把價格打下來，比 ChatGPT 更大威力的按鈕是上傳資料和搜索按鈕。因為它提供了比「提示詞」更多的「背景」。

你先不要著急回答我的問題，為了質(zhì)量更高的答案，我還需要補充哪些信息？

對應的元問題是：這個問題的「問題空間」是什么？

有兩個概念單列一下：所謂元問題是關(guān)于考慮「問題本身」是否設置正確的問題，而非直接解決原問題的內(nèi)容。而所謂的問題空間，就是包含了所有可能的變量、約束和潛在解決方案的集合，它并非把所有「可能事項」都納入問題空間，只有與核心目標強關(guān)聯(lián)的要素才被包含。

問題空間的大小決定了答案的廣度和深度。有的問題本身無比簡單，但問題空間巨大。比如蘋果為什么從樹上掉下來，關(guān)于它的問題空間，如果是生物學領域，是因為蘋果熟了。如果是物理學領域，那會推導出：萬有引力。

我們問問題，主要就是想知道為什么、怎么辦。除了補充問題的相關(guān)信息，在問怎么辦之前，先問問「底層邏輯」。

說到底層邏輯那就厲害了，它常見于互聯(lián)網(wǎng)大公司黑話，等于什么核心洞察啦、第一性原理啦、根因分析、系統(tǒng)基模、奧卡姆剃刀、溯因推理、范式、戰(zhàn)略焦點啦（可能是大家 PPT 標題如果沒有用這些詞，就要扣績效）。

其實底層邏輯就是問這個事情的規(guī)律是啥。規(guī)律是指事物之間內(nèi)在的、必然的、穩(wěn)定的聯(lián)系或重復出現(xiàn)的本質(zhì)特征。它反映了現(xiàn)象或過程在一定條件下的確定性、有序性和可預測性。

它揭示了我們從問題的起點到答案的因果關(guān)系。連去日本旅游都有「底層邏輯」：

我發(fā)現(xiàn)了一個有趣的問題：當我們對一個事情的本身理解不夠深入的時候，如何確認答案里的邏輯夠不夠底層？我的理解是一個邏輯更底層，是因為它的例外更少。

我們沒有辦法從正面去判斷一個邏輯是不是夠底層，就應該用反例對它進行「碰撞測試」。多問問 AI：你的這個邏輯都有些啥例外呢？

因為對牛頓力學的例外的「碰撞測試」，我們誕生了：相對論。

對事情的規(guī)律判斷清楚后，我們可以問：這件事的可能性空間是什么？

可能性空間是指某個問題、系統(tǒng)或情境中所有可能存在的狀態(tài)、解決方案或結(jié)果的集合。它反映了在給定條件和約束下，所有潛在的可能性范圍。其實沒這么復雜，簡單點說就是問 AI 有啥方案可以選。

?

選完了方案還有兩個附加題，讓方案更可靠一點：

• 第一個是：有哪些措施能讓這個方案的容錯率更高？畢竟事情都是動態(tài)發(fā)展的，要多想想 plan B。
• 第二個是，最小關(guān)鍵步驟是什么，如何用 20% 的動作解決 80% 的問題？正因為事情是動態(tài)發(fā)展的，這個世界是一個復雜性系統(tǒng)。

面對復雜性系統(tǒng)，除了要預測，更要小步快跑做迭代。但每次迭代和演進都是有成本的，找找最小關(guān)鍵步驟。

我們上面講了很多關(guān)于 why 和 how，但其實我留了個陷阱。

我們老想著快點得到答案，因為思考很累很費腦，它涉及到高強度的推理、總結(jié)和演繹。AI 恰恰可以很快地提供答案，它認真地解釋為什么一件事情能導致另外一件事情。真是瞌睡碰上枕頭，口渴碰上奶茶。

可最大的風險在于，高質(zhì)量的推理需要滿足以下幾個特點：

1. 連貫，就像講故事一樣，每一步都要和前一步有明確的關(guān)系，不能跳躍。
2. 一致，前后說的結(jié)論后面不能改。
3. 可溯，每個結(jié)論都要能找到它是從哪里推理出來的。
4. 封閉，只用已知的信息來推理，不能隨便加入新的假設。
5. 可信，結(jié)論必須確定無疑，不能把「可能是這樣」當成「一定是這樣」。

AI 在推理的每一個方面都有「裂痕」：盡管 AI 可能說得頭頭是道，但它在邏輯連貫性、內(nèi)容真實性和推理可靠性等方面都存在明顯不足，也很難對其結(jié)論的來源進行有效追溯。

如果不好理解，想想我們進行文生圖的時候，生成出來人像的手指殘缺，它是 AI 推理質(zhì)量的一種表現(xiàn)。比起 why 和 how，真正重要的是 what，先問是不是，再問為什么。

AI 只是玻璃缸里的大腦，和現(xiàn)實完全脫節(jié)，它只能給意見，沒辦法給驗證。所以，能分辨 what 的能力才是將提問轉(zhuǎn)化成生產(chǎn)力最核心的能力，對推理中結(jié)論堅實性的把控能力成為了區(qū)分 AI 使用效果的關(guān)鍵因素。

如何可以提高確認 what 的能力呢？首先，我們需要在場，沒有人能代替你，因為每個人都有自己的地圖。然后，我們需要一點點的……審美：如果不知道什么是真的，至少要知道什么是美的。最后，早點動手吧，實踐是檢驗真理的唯一標準。

其實，提問沒那么復雜，就是先想可能性，后選方案的過程。先發(fā)散再收斂，人類的帶寬不行，而 AI 的腦子很快。

雖然 AI 推理的質(zhì)量好壞要打一個問號，但是多、快、省。它能快速產(chǎn)生大量可能性，這本身就是一種聰明。發(fā)散需要聰明，但收斂需要智慧和勇氣。選擇方案需要仔細分辨方案的優(yōu)劣，做出行動，然后承擔后果。

AI 思考最大的意義在于，它讓試錯的成本變得極低，我們可以快速產(chǎn)生各種假設，然后通過實踐來驗證、迭代和收斂到最優(yōu)解，從一個點子直通實踐。

當 why 和 how 的探索變得極為便捷，在問題現(xiàn)場去分辨 what 的能力將變得更加稀缺，當「知道」無限廉價，「行動」將閃閃發(fā)光。這種快速實踐和迭代的方式，才是我們在前額葉皮層,長出的「數(shù)字新腦區(qū)」的方式。

不是「完全不行」也不是「人類要完」。人類歷史上第一次電力可以轉(zhuǎn)換成智力，每個人的日均 token 消耗量將成為區(qū)分人群的重要指標。

這不是因為我們想得更久，而是因為我們嘗試得更多。

延伸閱讀

• 年度計劃必讀：計劃完不成，可能是好事
• 讓新知識成為冒險游戲，用 ?AI ?重構(gòu)「學習」這件事
• 工作最忙的 78 天，我用 ChatGPT 考了 CFA