AI時代，認知先行

“拿着你的劍，但別忘了路邊的花” 作爲一名程序員，我的日常工作與 AI 編程打交道最多。AI 編碼的效率高得離譜——原來需要幾個人甚至幾十個人排期的工作量，交給 AI 可以壓縮到十分之一，甚至百分之一。但關鍵還是在於用 AI 的人，如何把它的價值發揮到最大。強者恆強吧。 這本書戳中了我很多痛點和共鳴。要是能早點讀到，或許我會更快地改變對 AI 的認知和使用方式。到現在，我依然每天抽時間學習各種 AI 技巧，收藏各位大佬的方法論。好像學了很多，又好像忘了很多——可能一開始就沒進腦子，只是吹了陣耳邊風，聽了個響罷了。從最早的 Prompt Engineering，到 Context Engineering，再到 Harness Engineering 和 Loop Engineering，學習的速度根本趕不上 AI 進度的飛漲，很多理論還沒搞懂，新的又冒出來了，總感覺自己一直在追趕。回到最初的提示詞工程階段，那會兒大家都在摸索，比拼的就是誰的提示詞更好：有結構、能複用、能快速變現。於是人人都在套用各種提示詞模板。現在回過頭看，那時的自己真像是在用上個時代的方法學這個時代的東西。再好的提示詞，都不如你自己想清楚、表達清楚要做什麼來得重要。提示詞只是方向盤，不是目的地本身。 說到公司層面的 AI 提效，關鍵往往不在個人。個人的提效是已知的、可控的，但整個流程和組織的提效卻是未知的、不可控的。個人的工作大多可以拆解成具體步驟，有了明確步驟，人加 AI 就能做到精確提效，甚至一個人幹多個人的活——無非就是“人 + 多個 AI”罷了。“流程摺疊”和“成本摺疊”效果很誘人，但改動極大，很大可能需要重新設計、重新規劃整套運行機制。前期或許傷筋動骨，後期的收益卻非常巨大，這也是爲什麼很多大廠在用 AI 重塑整個團隊的工作流。那麼，AI 會取代很多人嗎？不一定。事情還在，只是不需要你來做了。就像現在，我已經不用“古法編程”——手寫代碼了，但寫代碼這件事一直都在，只是換成了 AI 來做。那我做什麼呢？我只能去做 AI 做不了的事：告訴它能不能做、該不該做、應該怎麼做。於是，我有了更多時間去設計需要的功能和系統，也有了更多時間去處理人與人協同中那些繁瑣的事情。AI 很難替代人與人之間的協作，因爲協作充滿了不確定性，而 AI 更偏向執行已確定的任務。即便到了現在的循環工程階段，也需要設計出完善的驅動進化系統，AI 才能更好地執行下去。這個前提，依然是你要更懂 AI 纔行。 如何與 AI 工具建立深度關係？這是個好問題。我們可以用不同的 AI 工具做不同的事，每個工具都有自己擅長的領域，也都在持續進步，新功能層出不窮，學不完，也很容易學不動。我覺得需要收斂一下：工具不在多，在精。啥都用過、啥都能用，不代表啥都會用。淺層地使用很難真正發揮出 AI 工具的價值，很多能力都是在深度使用過程中才被激發出來的。比如我用 Superpowers 處理一個很大的需求功能，花幾個小時想清楚設計規範和實現思路，AI 編程只用了半個小時，結果改動了七八十個代碼文件，影響範圍完全可控，系統穩定性和代碼健壯性都很好。這時我真正感受到 AI 的價值巨大：不單是完成了一項出色的編程任務，而是整個過程可以穩定、高質量地執行輸出，大幅減少了我後面 review 和維護的時間。 合上書，作者那句“進化的本質是出錯”讓我印象深刻。實踐出真知，學再多的 AI 知識都不如上手去試。犯錯是正常的，至少能讓你看清自己的不足，摸清 AI 的邊界，然後再去思考如何改進、如何做得更好。成爲更好的自己，纔是我們一直在追求和成長的必經之路。

AI的底層邏輯： 概率：如果你把AI當成一臺“概率預測機”，你的心態就完全不同了：它在猜。它猜得好不好，很大程度上取決於你給它什麼上文讓它猜。你不是在“問”一個專家，你是在“引導”一個概率模型。所以——所有的提示詞技巧，歸根到底就一句話：縮小它的概率空間。 均值迴歸：平均值就是沒有特色的東西，統計學上叫“均值迴歸”——當你從一個大樣本里取平均值，所有有趣的特徵都被抹平了。 角色：AI最好的角色，也許不是你的助手、你的工具、你的員工。也許是你的一面安靜的鏡子。AI幫你建立一種新的思維方式——先想清楚，再說出來。AI只是那個放大器。你給AI的每一個指令，映射出來的是你自己思維的清晰程度。你說得模模糊糊，AI就回得模模糊糊。你說得刀刀見骨，AI就回得刀刀見骨。 心理模型：學AI的第一課不是學提示詞，是建立一個正確的心理模型。 提示詞三段式：角色設定，任務描述，輸出要求。 * 角色設定：角色最好是用一個文化符號替代一堆描述。 * 任務描述：目的-要什麼，約束-不要什麼，流程-按什麼步驟來。 * 約束的力量不是限制了AI，是把AI逼出了舒適區。約束的核心機制——它不是限制AI的能力，它是逼AI使出真本事。三條約束就夠了，一條定風格，一條定邊界，一條定禁區，這三條的質量，比五百字的詳細描述有用得多。堵路比描路高效。減法比加法精確。 * 輸出要求：真正的威力在於兩個字“舉例”。在提示詞的世界裏，一個好例子勝過一千字描述。你說“輕鬆”，AI可以理解成一百種輕鬆——脫口秀的輕鬆、朋友聊天的輕鬆、TED演講的輕鬆、段子手的輕鬆。你給一段“輕鬆”的例子，AI只能理解成這一種輕鬆。概率空間從一百條路縮小到了一條路。 提示詞經典例子： * 你是做過超級碗中場秀的創意總監。 * 用李誕的口吻吐槽加班，100字。 * 用GQ雜誌的筆法寫一段男士手錶的推薦，200字，結尾留一個懸念。 * AI吐槽師：你是一個毒舌但善良的脫口秀演員。用一個具體的生活細節，把這個熱點的荒誕感說出來。30字以內。 * 用曹德旺在央視採訪裏的說話方式，寫一段給員工的年終覆盤。800字。只准說實話，不準說套話。 * 用一個從沒見過秋天的熱帶地區的人第一次到北京的視角，寫50字。不許用‘落葉’‘金黃’‘蕭瑟’這三個詞。 上下文工程“正想倒做”“逆向渲染”： * 不從外部出發，而是從內部出發，目標、意圖、競爭對手、卡點、數據、會議紀要，從內部資料與外部趨勢對齊，這樣更快、更不繞彎、更能激發AI理解。 * 不是從正面輸入框架、分類收納的泛泛之談，而是多維掃描、直接追問核心問題，引導AI走入 “焦點探測”。 1. 前置探測：先用逆向渲染提問法，完成對新業務的深層透視，挖出核心勝負手、機會點、風險點，得到一組經過交叉驗證的真實結論。 2. 後置整理：把這些結論填充進 SWOT、五力、GE 矩陣裏，做最終的結構化呈現和量化決策。 將錯就錯：AI將發明什麼 在AI世界，99%的東西還沒被髮明。 人類歷史上最重大的發明和發現，有一大批不是“按計劃做出來的”，而是在某個出錯（bug）的瞬間，有人多看了一眼。 進化的本質就是出錯。而AI，是人類有史以來最大規模的“出錯機器”。 這就像基因突變：百萬次隨機錯誤裏，有一次恰好創造了一種前所未有的蛋白質，一種更好的適應方式。 保持一種“獵人的覺察”——當AI給出一個意料之外的回答，不要急着刪除，先停三秒鐘想一想：這個“錯誤”裏有沒有一個我從沒想過的角度？ 把AI推到“已知”的邊緣，看看它會撞出什麼。這是探索地圖之外的區域。你可能走一百步只找到荒地，但第一百零一步踩到了金礦。 創新的本質是組合。而AI是人類有史以來最強大的“組合機器”。

《AI時代，認知先行》 徐衝 41個筆記 第9章 一把用到爛的槍 ◆ 比如你可能不知道，在一個對話裏反覆追問同一個問題、要求AI自我糾正，三四輪之後它給出的答案質量會有一個跳躍式的提升。 ◆ 你也可能不知道，先讓AI列出它不確定的地方再回答，幻覺率會大幅降低。這個技巧叫“元認知引導”——你逼它在回答之前先審視自己的知識邊界，它就會在不確定的地方保持謹慎而不是胡編亂造。你可能更不知道，把一個複雜任務拆成三個簡單任務分別給AI做，然後再讓它把三個結果整合起來，效果遠比一次性把複雜任務丟給它好。 第10章 少即是多 ◆ 三條約束就夠了。一條定風格，一條定邊界，一條定禁區。 第13章 CT掃描式提問 ◆ 逆向渲染法，就是把CT掃描的邏輯用在AI提問上。不直接問“這個東西是什麼”——因爲這個問法只能給你一張正面照。而是設計多個不同的觀察維度，讓AI分別從每個維度分析同一個對象，最後把這些分析交叉對比，還原出任何單一維度都看不到的深層結構。 ◆ 具體怎麼做？三步。第一步：選角度。 ◆ 第二步：逐一投影。把每個角度單獨給AI，讓它深入展開。 ◆ 第三步：交叉還原。這是魔法發生的地方。把五個角度的分析放在一起，讓AI（或者你自己）做交叉比對：“我剛纔從五個維度分析了這個新業務。現在請你把這五個分析放在一起看——有哪些結論是多個角度都一致指向的？有哪些結論是互相矛盾的？一致的地方說明了什麼？矛盾的地方又說明了什麼？” ◆ 怎麼找到甜點區？一個簡單的檢驗方法：如果你提出一個角度，AI的回答像一份報告的某個章節（太具體），那就往上提一個抽象層級。如果AI的回答像一篇哲學隨筆（太抽象），那就往下降一個層級。甜點區的回答應該像一個聰明人在跟你認真聊天——有觀點、有論據、有判斷，但不拘泥於細節也不飄在空中。 第15章 99%尚未誕生 ◆ 想想看：如果AI能實時生成內容，那“文章”這種預先寫好、固定不變的形式是不是可以被替代？也許未來的“閱讀”是你說出一個問題，內容圍繞着你的問題實時生長，像一棵樹一樣往你需要的方向長出枝丫？如果AI能理解你的情緒和意圖，那“PPT彙報”這種你說我聽的單向形式是不是可以被替代？也許未來的“彙報”是老闆走進一個AI生成的沉浸式數據空間，自己探索，自己得出結論？如果AI能同時處理文字、圖片、聲音、視頻、代碼，那“把內容按格式分類”這件事是不是可以被取消？也許未來根本沒有“文章”“視頻”“播客”的區分，只有“內容”——它會根據你接收的場景自動選擇最合適的呈現方式？你在地鐵上，它變成短文字。你在開車，它變成語音。你在書桌前，它展開成一個可交互的知識地圖。 ◆ 進化論的核心也是這麼說的：基因複製的時候偶爾會出錯，絕大多數錯誤是有害的，但極少數錯誤恰好讓生物更適應環境——這就是突變，這就是進化的引擎。進化的本質就是出錯。 ◆ 就像今天會用Excel不算什麼優勢一樣，三年後會用AI也不算什麼優勢。降本增效是一場沒有終點的軍備競賽。你永遠可以更快、更便宜，但你永遠跑不過AI本身的進化速度。今天你用AI兩小時做完的事，明年AI可能十分鐘自己就做了，不需要你。唯一的出路是：做AI做不了的事。 第16章 執劍看花 ◆ 他發現自己無法純粹地畫畫了。AI給了他一個參照系——一切不用AI做的事情，都顯得“低效”。而一旦“效率”成爲你衡量一切的標尺，那些“沒有產出”的事情就會自然而然地從你的生活中消失。畫畫沒有產出。散步沒有產出。發呆沒有產出。看夕陽沒有產出。跟朋友聊一些沒用的廢話沒有產出。但一個全是“產出”的人生，是值得過的人生嗎？ ◆ 這就是品味。這就是判斷力。它不是“學”來的。它是“泡”出來的。它需要時間。而且這個時間必須是“沒有目的”的時間——一旦你帶着“我要提升判斷力”的目的去看電影、去逛展覽、去散步，那種功利性就會過濾掉你真正需要的東西。因爲判斷力的本質是一種直覺。 ◆ 你可能已經注意到了：這本書一直在做一件事。第一部分，我們說你的焦慮是對的，但焦慮的方向是錯的——你不應該焦慮“AI會不會取代我”，你應該焦慮“我有沒有學對”。第二部分，我們說你學錯了——你一直在學工具的用法，但你真正需要的是理解工具的本質，然後重新理解你自己。第三部分，我們給了你具體的方法——三板斧、約束、邏輯分支、上下文工程、逆向渲染——讓你真的能用起來。到了第四部分，也就是現在，我要說的是：上面這些全是手段。 ◆ AI最好的角色，也許不是你的助手、你的工具、你的員工。也許是你的一面安靜的鏡子。你對着它說話，聽到的是你自己的聲音。然後你終於可以安靜下來，想一想：在這個一切都在加速的時代，你真正想要的是什麼樣的生活？你真正在乎的是什麼？你希望自己被怎樣記住？ 第5章 一隻讀過整個互聯網的鸚鵡 ◆ 所有的提示詞技巧，歸根到底就一句話：縮小它的概率空間。 第6章 說人話的方法論 ◆ 目標、約束、流程。但記住，這不是一個模板——你不需要每次都寫齊這三樣。有時候一句話就夠了：“用李誕的口吻吐槽加班，100字。”目標有了（吐槽加班），約束有了（100字），角色有了（李誕），流程不需要。簡潔本身就是精準。 ◆ 在提示詞的世界裏，一個好例子勝過一千字描述。因爲例子是無歧義的。 第12章 從一句話到一個世界 ◆ 上下文有四個層面。第一層：你直接給它的信息。 ◆ 第二層：對話歷史。 ◆ 第三層：角色設定注入的隱性信息。當你說“你是一個有十年經驗的品牌策略顧問”， ◆ 第四層：示例。你給AI看的任何例子——“類似這種風格”“像下面這段話一樣”“參考這個格式”——都是極其強大的上下文。示例是所有上下文形式中信息密度最高的。 ◆ 你不可能全塞給AI（上下文窗口有限，而且信息過多反而稀釋重點），你需要做選擇：哪些放進去、哪些不放、放進去的以什麼順序排列、每一份材料加不加你自己的批註。 ◆ 好的策展有幾個原則，我在實踐中總結的。第一，相關性優先，但“相關”的定義比你想的寬。 ◆ 第二，結構化呈現。同樣的信息，一坨純文本和按照清晰標題分塊整理過的文本，AI的理解效率差很多。 ◆ 第三，把最重要的信息放在開頭或結尾。大模型對上下文的注意力分配不是均勻的——研究表明，開頭和結尾的信息通常比中間的更受重視。 ◆ 第四，留下你自己的判斷。不要只給AI原始材料。加一段你自己的理解——“我讀完這些材料後的初步想法是…… ◆ 第五，告訴AI它不知道什麼。這一點99%的人會忽略，但它極其重要。如果你知道某個關鍵信息缺失——比如你沒有競品在印尼的具體市場份額數據——明確告訴AI：“以下分析中缺少競品在印尼市場的具體份額數據。在涉及市場份額的論述中請註明這是推測，不要給出看起來很確定的數字。” 第8章 它說謊時和說真話一模一樣 ◆ 那怎麼相處？答案是八個字：“用它想，自己判。”什麼叫“用它想”？AI特別擅長幫你做這些事：發散思路、整理結構、換角度看問題、快速生成草稿、模擬不同立場、把模糊的想法變成結構化的表達、幫你做頭腦風暴、幫你找到你自己思考的盲區。 ◆ 什麼叫“自己判”？任何涉及事實、數據、引用、法律條文、醫學建議、技術參數的內容——你必須自己驗證。不是“大概率沒問題”就行了。必須驗證。一次都不能偷懶。 ◆ 小陳後來改了工作流。他現在用AI的方式是這樣的：第一步，讓AI幫他搭報告框架——哪些維度、哪些板塊、什麼邏輯線、什麼敘事節奏。這一步AI做得又快又好，因爲不涉及具體數據，純粹是結構和邏輯的工作。綠燈區。第二步，讓AI幫他寫每個板塊的分析文字——觀點、論述、邏輯鏈、過渡語。這一步AI也做得不錯，因爲分析的質量取決於框架和邏輯，不取決於某個具體數字是387億還是342億。黃燈區——邏輯鏈條需要他自己審一遍。第三步，他自己查數據。去Statista、去行業白皮書、去上市公司財報裏扒——每一個數字親手覈實，每一個引用追溯到原文。這一步只有他自己能做，AI在這一步的角色只是‘幫他列出需要查哪些數據’。紅燈區——絕不假手於AI。 第11章 教它分岔路 ◆ 這是邏輯分支最深層的價值。表面上你在教AI判斷，實際上你在整理自己的判斷體系。AI只是一面逼你把直覺變成邏輯的鏡子。邏輯分支的應用遠不止郵件。它是一種通用的提示詞結構，適用於所有需要“分情況討論”的場景。而“分情況討論”，幾乎就是工作的全部。 ◆ 你看出模式了嗎？所有好用的邏輯分支都有一個共同點：它們不是在描述“你該怎麼做”，而是在描述“先判斷是什麼情況，再決定怎麼做”。 間章 三個躍遷——從“我在用AI”到“AI在替我做” ◆ skill是你給自己造的工具箱。簡單說，skill就是把“提示詞+流程+長期需要帶的上下文”打包成一個可觸發的東西。需要時調用，不需要時它就在那兒。 ◆ 什麼時候該把一個提示詞升級爲skill？三條判別標準：第一，這件事你幹過三次以上。 ◆ 第二，這件事有相對穩定的流程。 ◆ 第三，有一段需要長期帶着的上下文。 ◆ 反過來——什麼時候不要做skill？不要太早做。 ◆ 還有一條——不要把skill庫做得太大。一個人的skill庫十幾個就夠了。 ◆ agent是一個有目標、能自己規劃、能多步執行、能調用工具的AI實體。你給它一個目標，它自己拆任務、自己執行、自己反思、自己產出。 ◆ 什麼時候該把skill升級爲agent？還是三條：第一，這件事可以脫離你的實時關注。你不需要在場盯着。結果好不好，你事後看一眼就行。第二，這件事的目標比流程更重要。你不在乎它具體怎麼做，你只在乎結果。你說：“每天早上給我一份200字的行業動態簡報”，至於它去看哪些信息源、怎麼篩選、怎麼壓縮——它自己看着辦。第三，這件事需要在某個時機自動發生。不是你想起來才做，是到點就做。每週一早上七點交簡報，每天下午六點匯總今日待辦——這種“按時鐘”或“按事件”觸發的事，是agent的本命。反過來——放權要慢。 -- 來自微信讀書

那個“鏡子”的部分很棒。 我用AI很多年了，從GPT3.5就開始用了，當時是數學學習上遇到了巨大的困難，可能是我的天賦不夠吧，反正就是很多內容我理解不了，所以我見到了驚爲天人的GPT後就開始試着讓它用最通俗的語言解釋可能是世界上最複雜的一門“語言”——數學。結果我學習速度和深度達到了前所未有的程度。從那個時候開始起，我就知道我離不開這個東西了。 再後來，我學習到了大模型本身內部的一些數學原理，於是迅速嘗試了提示詞工程，發現比之前的提問效果好了十倍不止。到了這一步，我覺得我已經把AI用到了極致（畢竟我都用它來進行數學探索了，總該不會有比利用基於數學原理的提示詞來進行數學推理更復雜的應用了吧？）。 不過看完這本兒書我覺得還有更進一步的境界——用它來改造自己的思想（我必須說，這正是我很喜歡這一章的原因，它很“人文主義”），即“鏡子”這一章的內容。我從來沒想到過使用大模型的過程實際上就是一個發現自己和改造自己的過程，雖然我實際上確實被它改變了，但我從來沒有意識到這一點，直到這本書的作者在“鏡子”這一章指出這一點。 確確實實，組織提示詞的過程（尤其是在寫一個agent的提示詞時）就是一個不斷修煉自己思維的過程，比如我發現我在寫“skills”和“輸出格式”的時候，非常非常依賴“布爾代數”的思維，甚至於已經內化成了我在任何時刻思考問題的一個工具。所以AI真的是就像一個鏡子一樣照出了我們自身真實的邏輯水平。我們自己厲害，結果就很厲害；我們不行，用多厲害的工具都不行。 最後，我用一段我老師的話來共勉：如果我們是工具（包括但不限於AI）的延伸，那麼誰都無法代替我們；如果工具是我們的延伸，我們一定會被先進的工具所替代。

《AI時代，認知先行》是一本刺破時代迷霧的醒腦之作。它跳出技術迭代的表層喧囂，直指認知升級這個個體破局的核心命題。 書中對傳統線性職業觀的拆解令人震撼：AI浪潮下，“爬山路”式的職業路徑早已失效，唯有構建“萬花筒生涯”，以跨域能力和超級個體姿態，在靈活切換中錨定自身價值。它不提供標準化答案，卻用多元視角爲讀者搭起認知腳手架，幫你在AI重構的世界裏，找到清晰的前行座標。

讀完這本書的感覺：先別急着學工具，問題出在人的身上。 書裏最實在的地方是，不光告訴你"想清楚"，還教你怎麼想清楚。幾個方法特別好用： 第一，提示詞別寫一大段，就三塊：你是誰、你要幹啥、你要啥結果。比如"用李誕的口吻吐槽加班"就比"用幽默風格寫一段職場內容"好使十倍，因爲夠具體。另外，別忘了加一句"舉個例子"，效果直接翻倍。 第二，少說"要什麼"，多說"不要什麼"。別總想着給AI畫路線，直接把不能走的地方堵上，剩下的路它自己能找到。三條約束就夠：啥風格、啥邊界、啥不能碰。 第三，別上來就套框架。什麼SWOT、五力模型先放一邊，先把你自己的目標、卡在哪、手上有什麼數據扔給AI，讓它幫你往下挖，挖完了再套框架整理。這招做業務決策特別好使。 第四，同一個問題換個角度多問幾遍。就像醫院做CT，從不同方向掃，才能看清裏面到底是什麼。 第五，AI答得不對別急着刪。先想想——這個"錯"裏面，有沒有我沒想到的角度？很多時候意外才是最有價值的東西。 整本書最戳我的一句："AI一直在等一個能把話說清楚的人。"你問得糊里糊塗，它答得也糊里糊塗；你問得明明白白，它才能給你真東西。AI就是一面鏡子，照的是你自己腦子清不清楚。 總體來說，如果你已經過了"AI好神奇"的階段，卡在"到底怎麼才能真正用起來"，這本書能幫你把那個彎拐過去。

市面上AI書分兩種：一種是技術手冊，教你怎麼寫提示詞；一種是恐慌販賣，告訴你人類要完蛋了。這本都不是。它講的是：AI來了，什麼能力會變得更重要？答案是——提問的能力、判斷的能力、把碎片信息串起來的能力。作者徐衝應該是教育或諮詢背景，行文乾淨，不堆術語。最有用的是第三章，講“怎麼跟AI合作而不是被它帶着走”，給了幾個具體的工作流模板。缺點是案例偏白領場景，藍領或創意行業的讀者可能覺得隔。

推薦！ 用AI把自己“優化”成地獄，我只用了3個月。 這陣子我在單位親手搭了個問答Agent， Reasoning+Acting架構，自研RAG工具， 提示詞、上下文、異常兜底全自己拿捏， 那一刻覺得自己真的nb壞了。 但很快掉進怪圈： AI給了我一個絕對的效率參考系， 任何不用AI做的事，都顯得又蠢又低效。 我以爲自己在馴化AI， 其實是思維模式被它反向馴化—— 怎麼寫prompt、喂什麼context、劃什麼邊界， 全程都在跟着機器的邏輯走。 更可怕的是心理層面。 每當AI產出驚豔結果， 我心裏就升起一種完美的幻想。 我開始用機器的標準要求自己： 不能冗餘，不能停頓，要時刻高吞吐。 我覺得自己在異化成一個Agent， 優化自己的“提示詞”，修剪自己的“上下文”， 把自己當成一個可計算的節點。 而且沒有任何人逼我。 壓迫者就是我自己， 是我對低效的恐懼，和對完美、無限可能的貪念。 AI讓做事能力爆炸式增強，成本變得極低。 於是我不自覺把所有時間填滿。 因爲“做”就有回報，“不做”就沒有。 這種高效率，就像在跑步機上追求終點， 因爲什麼都能做，就什麼都想做，什麼都要AI化， 心裏總有個聲音說：順手就幹了。 結果呢？ 效率翻倍，時間依然被填滿。 以前是被領導、被他人填滿， 現在是被我自己填滿。 我成了自己最嚴苛的監工。 康德說：自由是能選擇說不。 薩特說：他人即地獄。 但在AI時代，我覺得這些都不夠了。 真正的自由，是自己給的， 是能否跳出即時滿足和瘋狂追逐效率的陷阱。 如果跳不出， 那不要說他人， 自我，亦是地獄。

在思維的劇烈顛簸中讀完了這本書，雖然所有的收穫都含糊不清，雖然讀到後面幾章時，嚐到了濃濃的AI味，甚至有些邏輯方式完全就是AI的，但我還是要要推薦，是很認真的那種推薦。 在讀第一部分的時候我無地自容。我幾乎看到了所有曾經犯過的錯誤，從普通的到低級的，一直到弱智級的。 讀第二部分的時候我很慌。那個罵過無數次的AI，原來都是被我腦子裏水給耽誤的。 到第三部分的時候我在思考先有雞還是先有蛋的問題。因爲用好AI需要先想清楚問題，但我就是想不清楚問題，才讓AI幫我整理思路的。 最後的部分其實全書的核心。在AI時代，我們的價值是決策和判斷，而AI的價值就只是實現。爲了提升決策和判斷能力，我們還必須要要給自己充足的時間，讓自己做些無用的事情來自我修復。但問題是，我就是在做無用的事情，而且還都是那種毫無效率的無用。 如果想充分了解AI，就一定要讀這本書。不要着急罵，也彆着急誇。當思維被顛簸過之後，總會有些水被灑出來，這是好事。 學習AI的過程就是看清自己的過程。現在的核心問題並不是如何學習和了解AI，而是你有沒有能夠驅動AI爲你服務的自身價值。

對於一個概率機器來說，它是一面鏡子，能照到你自己，所以你最終要做的事情，或者最重要做的第1件事就是要想清楚，想清楚對方是一個概率的反饋，他給你提供很多建議和思考，他來提供建議，但是要你自己去判斷，所以說認知陷阱，就是你要想清楚你怎麼認識這個問題，你想要達到什麼目標，也就是所謂的先定角色再提要求，最後說輸出，這是最基本的框架，也就是說一條河，你就要堵住它不該流的地方，也要引導它該流的地方，最後形成你想要的東西，但是最重要的是去練，去接觸，去感受、去理解，因爲語言概率模型也好，最主要的就是去說它的精準，它的準確性，這樣才能最接近本質。