GPT见告你，4月23日是天下读书日，值得重新聊一聊「知识管理」。
GPT见告你，在AIGC时期下，个人学习和管理知识的方法正在发生变革。这些技能不仅能够增强我们对知识的获取、整合和运用能力，还可以改变我们与信息互动的办法。
GPT见告你……诶？
问题大了。
是的，我大意了。
最近我有一个转变，从相信AI到依赖AI，我创造自己越来越离不开AI工具了。我能清楚地分辨GPT4、Claude3、Perplexity、Llama分别在什么类型的话题领域以一种什么样的勾引办法能给出更专业的答复；我能闇练地调教好Midjourney画出我喜好的特定风格的海报和肖像；我也能用stable diffusion、runway、pika、suno、bedrock综合制作一个看似人模狗样的流畅视频……
AI彷佛什么都知道，只须要通过互动式的对话就能获取超出我认知范围内的信息，而且它的判断大概率比我精确。我彷佛不用动脑了，也不须要学习系统性知识了，我只须要学会利用AI工具找到可以追索下去的线头就行？
在AIGC时期下，我们还要学习吗，要学什么，如何学习？
这些问题看似无病呻吟，但每逢我碰着问题下意识打开GPT的时候，我都难免为之一颤。而这些问题也在困惑着许多人，隔三岔五都会有一些大佬发声：黄仁勋建议年轻人学人类生物学；马斯克建议年轻人学习根本物理学和经济学；蔡崇信建议年轻人节制前沿学科技能，比如数据科学和生理学……
直到我翻开以色列历史学家尤瓦尔·赫拉利在《今日简史》的断言：
每过10年，你都要接管再培训，你学过的知识都可能被颠覆。
懵了。
旁边什么根本学科都得学，什么又都会过期。那作为普通人，我究竟要学什么？知识管理还有必要吗？
一、「新黑客」技能“黑入民气”
现在有三种最盛行的神经网络算法：监督学习、无监督学习和强化学习。
1）监督学习，有已知的明确的输入和输出内容，比如，医院利用大量的医疗数据演习一个算法来预测病人是否会涌现某种疾病，这是在利用已知的医疗数据进行预测；
2）无监督学习，要学习的数据量特殊大，标记不过来，这时候你不用标记每个数据是什么，AI看得多了会自动创造个中的规律和联系。比如，淘宝根据你的购买历史数据推举你可能喜好的好物，抖音推举你可能感兴趣的视频；
3）强化学习，在动态的环境中，AI每实行一步都要得到反馈的学习，常常伴随着即时的褒奖和惩罚的行为。比如，自动驾驶汽车须要在实时环境中做出决策，根据传感器网络的数据信息不断调度行为。这时候AI不是静态地看很多汽车驾驶录像，它是直接上手在实时环境中操作，直接稽核每个动作导致什么结果，得到即时的反馈。
同理，这三种最常见的神经网络算法也能对应到人类三种最常见的学习过程。
1）监督学习，就像是学校里老师对学生的传授教化，有标准答案，对错分明，有时候乃至你说不上来是什么事理。
2）无监督学习，这是一个自主学习的学者，通过自主调研大量的内容，自学成才；
3）强化学习，则是专业运动员的教练，你有哪个动作错了急速帮你纠正，你所有的演习操持都是定制的，能得到即时反馈的。
而随着AI的发展，我们也逐渐步入了一个「强化学习」的期间，AI彷佛不仅是一个工具了，更是一个法宝。它会成为你的私人定制助理，乃至是保姆和专家顾问。
举个例子，你想学一门新措辞，你直接跟AI互动互换，随时随地练习和纠正，比起你跟老师、跟朋友互换来得更高效；你想口试一家企业，你把岗位哀求和简历喂给GPT，ta就能帮你剖析岗位的重点和把稳事变，并且仿照口试场合向你提问，对你给出的答复加以评价和示正，并给出ta的专业答复。
听起来彷佛统统都在转好，那么你是否思考过一个问题：在AIGC时期下，仿佛你只须要学会如何利用AI工具更高效地帮你解疑即可所向披靡，你还有必要学习系统化知识吗？知识管理是否有些多余了？
尤瓦尔·赫拉利在2020年中信出版集团举办的“年度不雅观念”戏院演讲中，分享过一个观点“新黑客”。以前的黑客攻击你的电脑手机，解锁你的账户密码。
而本日涌现了一种更强大的黑客，它直接解码你的内心，攻击你的大脑，你在不知不觉中就被它操纵，而这种操纵的觉得你是一点都没故意识的。你反而以为是出于你的自由意志，这是我们本日人类在重新被技能定义的一个表现。
是的，现在的技能有“黑入民气”的能力，这就意味着它可以获取海量个人数据，并有足够的运算能力来剖析数据，终极它能够比你更理解你自己，它能够预测你的行为，可以操纵你的决定和选择，乃至被操纵的人都不知道自己被操纵了。
所谓“自由意志”，听起来彷佛我们完备可以自己做决定，实际上自由意志便是被操纵的决定，你对自己做决定并不会寻思，你以为这是你想要的，但实在你已经被操纵了。相反，越因此为自己拥有自由意志的人，越随意马虎被操纵，而这一征象会越来越极度。
从前我们能够网络到的大多数的个人信息都还是“表层信息”，是外在行为，从身体外部拿数据，包括你看什么电视，你到哪里去，跟谁见面，跟谁用饭。现在到了一个分水岭，数据可以检测到我们的“皮下信息”，从人体内部，从大脑和身体里得到数据，拿到你的体温、血压、大脑的反应，乃至一些生物的表征。
过去我的信息不想让你知道，这叫隐私，而本日的隐私是很多我自己不知道，但是你通过数据和算法，比我更理解我不所谓的隐私信息。
上述的系列变革相信你也意识到了，但我们天然地学会适应自然规律和丛林法则，以是没紧要，被操纵了没紧要，隐私泄露也没紧要，只要我明面上还在操控着我的大脑和双手就行。
但事实真是这样吗？
想想看，有了互联网后你可以更廉价地获取数据；有了维基百科后你可以更快捷地获取信息；GPT出来后又可以帮我们更高效地获取构造化的知识，那么人呢？在知识管理的链路里，人究竟能发挥什么浸染？
二、知识管理最朴素的观点
什么是知识管理？
最常见的说法是，知识管理包含四个层次“DIKW”，即数据、信息、知识和聪慧。良久前我在另一篇知识管理的科普文章里有详细剖析过，感兴趣的话可移步to B路上，除了做事管理，还要知识管理
大略来说，数据是没有高下文的要点，碎片化、离散的、不成体系的、过目即忘的。信息呢，传统的阐明是，信息是为数据供应高下文，是数据剖析和综合之后的产物，常日存储在半构造化的内容中，便于查询、重用，使得缺点不再重复。
但乔治·吉尔德在《后成本主义》一书中打开了一个新思路，他认为：
信息便是意外。
比如我跟你说1+1=2，这实际上没有给你供应任何信息，由于这是你已经知道的东西，或者说，你一点儿也不虞外。
但如果我跟你说，1+1>2，这跟你知识不符，你会觉得意外。这时候我再来阐明1+1在什么时候大于2，比如，在两个人互换想法的时候，碰撞出了新的想法，那这便是1+1>2；或者平台的规模效应，平台用户网络扩大一倍，它的影响力增长不止一倍。
如果之前你未曾考虑过这个层面，那么上述内容对你来说便是一个信息。
如果信息便是意外，那知识是什么呢？知识便是在我们跟这些信息、这些意外发生碰撞之后，我们把它收拢起来，反复地去验证，把那些真正有代价、有用的信息沉淀下来，或是结合过往你的隐性履历、洞察力和判断做进一步的改进，这样就形成了知识。
从数据到信息再到知识的过程，便是知识管理的全链路，这个链路伴随着你持续的学习和产出。
而聪慧呢，它授予了物质的终极洞察力，具有运用和情景意识，供应强烈的意识判断。常日来说，你会无意识地去调用你的聪慧做出一些决策，乃至跳脱事情本身去思考这件事的意义，这种情形下都是你的聪慧在牵引着你。
基于上述信息，再来看AI供应给你的究竟是什么？是离散的数据还是无序的信息？
你基于这些数据和信息作出的决策，正是凭借你经由验证的知识体系才有的结果。
三、大概你只须要一根可以追索知识的线头
你看，有搜索引擎，有谈天机器人，人类的大部分成型知识，你都可以通过搜索找到。但你在搜索框里搜索什么？你要跟GPT提什么问题？键入一个什么词，成为你的第一个出发点？如果这个时候，大脑一片空缺，怎么办？
《知识大迁移》一书里有一个观点，叫“元无知”，即：你不知道自己不知道的那种无知。
这不是本日才有的征象，书里举了一个例子：古希腊的元老院里有一个职业叫做“助记员”。他们的事情很大略，每逢元老们辩论的时候，主动给元老们供应一些数据，比如城里有多少人口，上个月景象怎么样，诸如此类。元老们不须要自己记答案，有人专门卖力给答案。元老们搞政治辩论，真正的竞争在于，他们能向“助记员”问出什么样的问题。
这跟我们本日面对搜索引擎、面对GPT，是不是千篇一律的情境？
你须要的不是体系性的知识，你须要的是一个可以追索知识的线头。只要这个线头存在，你就摆脱了“元无知”。没错，你仍旧是无知的，但没紧要，互联网上的那些知识工具会帮助你办理后面的问题。
这么说来，学习可以是系统性的，也可以是碎片化，乃至浅近化的。这种情形下，最关键的学习是，如何找到一个可追索下去的知识线头？
1） 找一壁镜子。这面镜子可以是人，是你的朋友、长辈、上级，也可以是AI机器人。互动式的请教是零散知识的最好的线头。很多事情能力强的人，都有一个习气，当他们碰着一个无从下手的棘手问题，第一个反应是请教有履历的过来人，请教有资源有人脉的人。
“应试学习”不见效了，回家憋答案也太低效了，何不如启动侦查式地毯式学习，找到办理问题的渠道。
2）建一个仪表盘。你要有自己的不雅观测繁芜征象的仪表系统。从一个特殊显而易见的表像，看出背后一大堆信息的工具，就像我们通过看体温计知道体温一样。
举个例子，你在跟互助团队开会的时候，通过对方的言行举止，是否可以推测出对方的性情、高下级关系以及未来开展互助的可能性。
在互联网时期，我们总以为天下是平的，每个点和每个点都可以建立连接，以是这是一个人人都有机会的时期。但几十年运行下来，天下并没有大同，而是重新部落化了，每个人都进入了一个小圈子，丰俭由人。这个状况，其实用区块链这个词来描述才更准确。每个人都生活在一个区块里，被这个小环境制约，越来越难以分开。
而未来天下的代价，就在区块链的这末了一个字“链”上，谁能够供应冲破区块，连接区块、跨界区块、供应那条链，谁就能享受未来时期的红利。
四、顺应人脑构造，区块链式的学习
既然是区块链式的学习，那就要进一步追溯到人脑的事理了。你所有的认知，大脑都会记录下来，但我们有个误区，总想着怎么提高影象力。
没错，人脑不是用来影象的，乃至不须要影象，它该当是索引，让你清楚在哪里可以快速找到对应的内容。
我们跟艾宾浩斯遗忘曲线斗智斗勇了这么多年，你见告我人脑不是用来影象的？
不久前我跟一位鹅厂的前同事磋商知识管理的时候，结合脑神经科学他给了我这样的洞见，我大为震荡。
构造比内容更主要，比起从头啃一部大块头的书，我们更该当要学的是如何构造，比AI更往上一层。AI工具的确能让你快速获取信息，但你可以更构造化地搭建全体知识体系。
举个例子，很多人都说未来学校极有可能被颠覆，由于学校里传授的所有知识都可以由GPT教会你，毕竟它把全体天下的知识压缩到大模型里。但果真如此吗？且不说学校担负着帮企业主筛选精良人才的职责，很多学生挤破脑袋进入这样的筛选池以得到更多选择和当选择的机会，更主要的是，学校能教会你如何建立脑中的索引，这是GPT很难取代的。
我在思辨的时候，溘然明白这位同事特地找我磋商知识管理的目的了，你只有想明白一件事，才能分清楚在什么情形该做什么。如果我们对不同层级的知识理解达成共识的话，那么接下来，你可以这么去做：
先搞清楚什么是数据，什么是信息，什么是知识；
然后，大略的数据大略网络和归类；繁芜的信息，尤其是你认可的信息可以用称手的工具抽象后记录归档；知识用脑图梳理，顺应你大脑神经的构造，神经元和突触构成了人脑的索引，而你画出来的脑图也是一种外显的呈现。
刚听到这个论断时我有点失落望，就这么个结论？但后面我又想通了，不是每个high level的主题落脚点都是高大上的事情，我这是不是也是一种先入为主的索引？
“这么多话题里，为什么你最想聊知识管理？”
末了我还是忍不住重复这个问题，他知道我什么意思。长远来看这便是塑造一个人的底层逻辑，也是一个人进步的源动力，只有你够懂，才能更快速进入新领域拥抱新变革。
我好奇：“在你的人道命题里，知识管理往前还有什么？”
“目标管理。”合理。
“你猜目标管理再往前是什么？”
不等我回答，“是哲学。”他得意地笑。
难怪。
五、去学很土、很踏实的东西
既然顺应大脑构造去学习和产出这么主要，那么究竟要学什么？
所有的学习都是出于一定的须要和动机。比如你想学某一项技能，就找它的干系原始标准文档，如果嫌文档呆板，就去找行业里对这个技能的最经典的实现；比如你想学着构建某个工具，就去看它的源代码，想提高效率的话，就去浏览最经典实现的帮助文档，或是用户手册，带来的收成肯定不一样。
这看起来很大略，但背后的知识就像树根，树根多了，下面就可以织成了一张知识的网。再往上去成长什么，都会事半功倍。
很多时候，带着需求、硬着头皮，去学一些觉得很土的、很踏实的东西，对你来说可能才是捷径。
回忆一下，当你在面对GPT给到你的答复时，尤其是跨领域信息的时候，如果你没有一些根本的知识秘闻，你要如何识别信息的真伪，如何构筑你的知识晶体？
从这个角度来看，大佬们推举的各种根本学科知识，都是在鼓励你节制必要的底层逻辑知识，这些看似土、却很踏实的知识能帮助你更有章法、更高效地思辨你从AI工具那得到的上层信息。
过去我们总说要学会系统性知识，但如果现今的社会学习趋势便是碎片化的信息，你要学会的是如何构造化AI供应给你的碎片化信息，如何再进一步转化成你的知识。
而在我们对日常事务应接不暇的韶光里，带着目的学习成块知识彷佛也成了一件难事。我们常常由于没有连续的韶光，认为碎片韶光学习效果不好，于是就不学了，这是给自己找借口。
试想下，有碎片韶光是不是比完备没韶光好？学习效果不好是不是比完备不学好？何况能力是可以培养的。
一开始可能你适应不了用碎片韶光学习，适应不了进入状态，通过一段韶光的演习，这是有可能培养出来的。现在的电子设备实在很方便，即便再怎么忙，一天里能不能找出10个3分钟？那便是30分钟的学习韶光。
想要更好、更快地织起这张网，一开始选择点的时候，要选择间隔不是很远的点，那么它才有可能更快建立成网状构造；每个点让它横向分出来的线拉长，线越长就更有可能和其他点延伸出来的线交织。
用这种办法去逼自己一步一步去深化，让自己一步一步向里面凿。
长远来看，这是塑造一个人的底层逻辑，也是一个人进步的源动力，只有你够懂，才能更快速进入新领域拥抱新变革。
末了，正如我在播客里所说的，这篇文章到此为止也没能真正给出一个什么确定性的答案。这个命题仁者见仁，重点不在内容本身，而是供应一根可供你追索下去的线头，这根线能牵引你到哪里，那就各凭本事啦。
本来网络上的各种声音就充斥着各种不愿定，每个人都在探索。唯一可以确定的是，无论时期如何变迁，一手的知识永久是非常值钱的硬通货。
作为个体，你能做的大概便是在节制最新知识工具输入和输出的同时，保持复苏，不要过嗨。
我们学习和创造知识，也想试着在多年后回过分来，看看知识能不能让自己走得更远。
专栏作家
林壮壮，微信公众年夜众号：健壮的大姐姐（ID: is_strong），大家都是产品经理专栏作家。腾讯高等产品经理，专注于To B做事项目管理和行业剖析，欢迎各路豪杰一起磋商。
本文原创发布于大家都是产品经理。未经容许，禁止转载
题图来自 Unsplash，基于 CC0 协议
该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。