这里是 Tabbit「Tinsight · 洞见」栏目，我们会在这里分享一些值得花时间阅读的深度好文。此前我们已经分享过来自 offbook.press 的文章《AI 时代的真正分化》。接下来的新系列《个体学习的重建》侧重于为人们提供了一连串实际可行的解决方案。全文共有 1.9w 字，我们会分 6 次推送，本次是第三章。核心内容是探讨在 AI 时代学习思维工具的全新路径：不再依赖传统「读书—理解—尝试内化」的模式，而是将 AI 作为一位对思维工具极度熟悉的苛刻审阅者，让你在真实的判断上反复接受它的审阅和反驳，通过「被打脸」的机制来真正内化概率推理、因果推理、博弈论和系统动力学这四门核心思维工具。
作者：耿达维 Dawei Geng
来源：https://offbook.press/essays/rebuilding-learning/
第三章 · 用 AI 建模（一）：思维工具作为审阅者
讨论过什么问题值得问之后，下一个问题是：AI 时代应该学什么。
「学什么」这个问题在 AI 时代的答案和过去完全不同。知识不值得学（模型比你知道得多）、技能的大部分在被自动化（执行层面 AI 越做越好）、各种「思维框架」大部分是装成工具的话术（读一下感觉涨姿势但下次遇到具体问题根本调用不出来）。
真正值得学的只有少数几件具体的事。思维工具是其中最关键的一件。
什么是思维工具
思维工具是装载在认知系统里、可以随时被调用的具体思考方法。它和知识的关系类似软件和数据：知识是一堆信息，思维工具是处理这些信息的程序。
覆盖最广、回报最高的四门思维工具是：
一、概率与不确定性推理
真正理解基准率、条件概率、样本偏差、选择效应、校准。不是学统计课程，是把它们变成判断的反射。
二、因果推理
区分相关和因果，理解混淆变量、反事实对照。大部分人把「A 伴随 B 发生」等同于「A 导致 B」，这一门就是系统地纠正这个习惯。
三、博弈论与激励结构
不需要数学深度，要的是在任何现象里自动识别「谁在为谁的决策买单」的反射。装上后看新闻、看政策、看商业现象的方式会完全不一样。
四、系统动力学
理解非线性、延迟反馈、涌现。大部分复杂问题的错误归因，都是因为没在脑子里跑反馈回路的模拟。
四门装齐之后，面对任何现象，认知系统会自动把它拆成「这里面哪些变量、因果方向如何、各方激励如何分布、反馈回路在哪里」，这不是思考技巧，是一种反射。
装没装上，有一个极简单的测试：面对新现象时，此人是直接给一个结论，还是会自动把它放进某个推理框架。前者贫乏，他的结论可能对可能错，但他自己分不清；后者已经内化，他会先问基准率、因果方向、激励分布、反馈延迟。
传统的学习路径为什么失败
学思维工具这件事，过去的默认路径是读一本经典书，反复读，试图内化。
比如学概率推理就读 Kahneman 的《思考，快与慢》，学因果就读 Pearl 的《为什么》，学博弈就读 Schelling 的《冲突的战略》，学系统就读 Meadows 的《系统之美》。
这条路径不是错的，这些书都是这个领域最好的入门读物之一。但它的失败率极高。
失败的具体表现：一个人认真读完了《思考，快与慢》，合上书时觉得自己「学会了」。三个月后你问他「你上周做过的判断里，哪几个用到了你从这本书学到的东西」，他答不出。半年后他在做决策时，依然在用直觉、依然会落入书里明确警告过的偏误、依然无法识别自己什么时候在做模式匹配什么时候在做真正的推理。
这不是他不够认真。这是学习方式本身的错配：读书只是接触信息，但思维工具需要的是在具体判断上反复调用才能内化。没有调用，再多读也没用。
过去的补救方案是「刻意练习」：读完书之后每天写判断日志、做决策复盘、有意识地套用工具。这个方案理论上对，实际上大部分人坚持不下来。因为写日志这件事本身是一种额外投入的精力，而你的精力没有冗余，两周内就会停。
结果就是绝大部分认真读过这些经典书的人，没有真正装上这些工具。
AI 时代的新路径：AI 作为审阅者
AI 把这条路径彻底重写了。
新的路径不是让 AI 教你这些工具，那样得到的是 AI 版本的书，没有比读原书更好。
新的路径是把 AI 当成一个对这个工具极度熟悉的苛刻审阅者，让它在你的真实判断上检验你有没有内化。
具体操作：
第一步：建立工具画像
让 AI 用一段话清楚地概括这个工具的核心、适用范围、最常见的误用、和其他工具的区别。这个画像不是给你读的，是接下来让 AI 保持一致审阅标准的参照物。
比如对于因果推理，让 AI 写清楚「好的因果推理应该做什么、不应该做什么、最常见的误用是相关性当作因果、混淆变量没有控制、反事实没有想清楚」。这段描述会成为 AI 在后续审阅中使用的标准。
第二步：拿出一个你最近做的真实判断
必须是真实的、具体的、你自己做的判断：工作上的、生活上的、对某个新闻的判断都可以。
必须是具体的：
好的判断：「我觉得 X 公司下一季度财报会不及预期，因为 Y」
不好的判断：「我觉得最近市场不太好」
后者无法被审阅，因为它没有具体内容。前者可以。
第三步：让 AI 用工具审阅你的判断
「请用因果推理的视角审阅我刚才的判断。我有没有把相关性当作因果？我说的证据真的支持因果方向吗？我漏掉了哪些可能的混淆变量？我的反事实假设合理吗？」
AI 会指出一堆问题，这些指出是你真正学会这个工具的地方。你不是在「读懂因果推理」，你是在看因果推理在你的真实判断上发现了什么。
第四步：基于反馈调整判断，再送回去审阅
直到 AI 没有重大反驳为止。然后换一个新的真实判断，重复。
十个判断之后这个工具开始内化；三十个判断之后，它变成反射。每个判断花 15 分钟，30 个判断大概 7-8 小时，分散在几个月里。
比啃完一本 500 页的书再试图内化要快得多、有效得多。
为什么这个方法管用
这个方法之所以有效，核心原因是它把学习的机制从「理解」转向了「被打脸」。
理解是一个在脑内发生的动作。你读一段话，觉得「懂了」。这个「懂」是一种感觉，不是一种能力。大部分「我懂了」的感觉在几天之后就消散了，什么都没留下。
被打脸是一个在具体情境中发生的动作。你做了一个判断，这个判断被指出有问题。这个「有问题」是具体的、带着疼痛感的、会让你想「下次不这样」的。每一次被打脸都在你的认知系统里留下一个真实的痕迹。
传统读书学习大部分是「理解」，很少是「被打脸」，因为书不知道你的具体判断是什么，它没法针对性地打脸。它只能给你一堆例子，指望你自己把例子套用到自己身上（这件事大部分人做不到）。
AI 时代的新路径解决了这个问题：AI 可以针对你的具体判断做精准反驳。它对这个工具的了解足够深、对你的判断的理解足够具体，所以它能做一对一的审阅。
一对一审阅过去只有真人导师或昂贵的顾问能做，书做不到。AI 让这件事变成了零成本、随时可得的东西。这是 AI 相对于过去大部分学习方式的结构性优势。
一个具体演示
为了让这件事更具体，下面用一个虚构的例子演示这个方法的机制——但要记住一件事：你自己应用时必须用真实的判断，虚构判断是审不出东西的（后面「关键的限制」里会再强调）。
假设你想学因果推理。
你写下的初始判断（虚构的）：
我最近观察到我团队里喜欢提问的人，在一年后留下来的比例更高。所以我觉得‘喜欢提问’是员工留任的一个重要原因。下一次招聘我应该更重视候选人的提问习惯。
你给 AI 的 prompt：
请扮演一个非常严格的因果推理审阅者。我认真对待这个判断，我要把它用于实际招聘决策。请指出我的判断里所有可能的因果错误：相关性被当成因果、混淆变量没控制、反事实没想清楚、选择效应、幸存者偏差。不要客气，我要知道我哪里想错了。
AI 的反驳可能是：
你的判断里有几个严重的因果问题：
一、你没有控制混淆变量。「喜欢提问」的人可能本身就是更聪明、更投入、更好奇的人。真正让他们留下来的可能是这些底层特质，「提问」只是这些特质的一个外在表现。招聘时重视「提问习惯」可能抓错了信号，你真正想要的是底层特质。
二、你可能混淆了因果方向。「留下来」的人和「离开」的人面对的不是同一个环境。留下来的人可能正好被分到了好的项目、好的 manager，所以他们有更多提问的机会和动机。不是「提问让他们留下」，是「好的环境让他们既留下又提问」。
三、幸存者偏差。你观察到的是「还在团队里的人」，你没有看到那些「喜欢提问但走了的人」。如果他们的比例也不低，你的结论就不成立。
四、你的反事实没有想清楚。「如果我招了一个不喜欢提问的人，他会怎样」，你没有数据。你只有关于「喜欢提问的人」的数据，单方面的数据无法建立因果。
五、最致命的：你观察到的可能是噪声。你团队里有多少人？如果只有十几个，样本量根本不足以支持任何因果推论。
这个反驳给你的冲击远大于读完一本因果推理书，因为它针对你的具体判断。你会立刻意识到「原来我以为的清晰判断里藏着这么多错误」。
而且这个冲击会永久改变你下次做类似判断时的思考方式。你下次观察到某个相关性时，会自动开始问「混淆变量是什么？因果方向呢？选择效应呢？样本量够吗？」
这不是技巧提升。这是一个认知反射被装上了。
四门工具的并行学习
前面只讨论了因果推理。另外三门工具（概率、博弈论、系统动力学）可以用完全一样的方式学。
更有意思的是这四门工具可以并行学，而且会互相强化。
因为真实判断通常不只涉及一个工具。你对「员工留任」做的判断可以同时用因果推理审阅（因果方向、混淆变量）、用概率推理审阅（样本量、基准率）、用博弈论审阅（员工激励、管理者激励）、用系统动力学审阅（反馈回路、延迟效应）。
所以一个判断交给 AI 之后，可以要求它从多个工具视角审阅：「请用因果推理、概率、博弈论、系统动力学四个视角分别审阅我这个判断」。AI 会用四把刀同时切这个判断，你会看到它的四种不同问题。
这种多视角审阅是任何一本书都做不到的，因为一本书只讲一个视角，而你的真实判断是多维度的、需要多个工具同时起作用。
时间预估上，四门工具并行学，6-12 个月可以到「反射水平」。这个时间跨度对大部分人来说短得惊人（远短于任何学位课程），但回报大得多。
关键的限制
这个方法有一个关键限制必须讲清楚：
它只在你真的拿出真实判断时才管用。
如果你拿给 AI 的都是「虚构例子」「课本上的案例」「别人的判断」，AI 的审阅依然准确，但你不会真正内化。因为你没有承担那些判断的后果、你不会为那些判断付出代价、你的大脑不会把它们当成真实的事。
内化的本质是真实判断 + 真实反驳 + 真实后果修正。三者缺一不可。
还有一个更底层的事值得讲清楚：AI 的审阅能指出你推理的漏洞，但它不能替代现实对你判断的验证。它加速了你的校准过程，但真正的校准最终还是现实做的——是你选中的方向跑出来的结果、是你下注的判断被市场证伪或证实。AI 只是让你在接触现实之前先被打一轮脸，让你第二轮接触现实的时候少犯一些可以避免的错。
所以这个方法不是一个你可以「抽空学一下」的东西。它必须嵌入你的真实生活：你真实在做的工作、你真实在思考的问题、你真实在评估的情况。只有这样才能积累足够多的真实判断让工具反复打磨。
这也回到了第二章的那个循环：做、观察、问、学、做。思维工具的学习就发生在「问」和「学」那两步里。如果你没有在「做」、没有在「观察」，你就没有判断可以交给 AI 审阅，这个方法也就没有燃料。
思维工具解决的是判断的方法论，让你在任何领域的判断都更准。但它不会自动让你了解任何具体领域。一个装满工具的人面对一个他完全陌生的领域，依然只能做表面判断，因为他缺领域的深层结构。
这就是下一章要处理的：跨域深度。而且，在 AI 时代，跨域深度的建立方式和过去截然不同。
第一章 · 大部分人用 AI 的方式在损伤认知去耦
第二章 · 用什么问题值得问
第三章 · 用 AI 建模（一）：思维工具作为审阅者
第四章 · 用 AI 建模（二）：跨域同构从已有镜子出发
第五章 · AI 能做的和不能做的
第六章 · 一个起点：AI 编程
第七章 · 最后
