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，本次是第四章。本文探讨跨领域学习的核心路径：不是广泛涉猎新领域，而是用已有的深度模型作为「镜子」去照亮新领域的结构。真正的跨域能力建立在至少一个领域的深度理解之上 —— 无论是专业技能、工作经验还是生活实践。
作者：耿达维 Dawei Geng
来源：https://offbook.press/essays/rebuilding-learning/
第四章 · 用 AI 建模（二）：跨域同构从已有镜子出发
「通才」这个概念在最近几年被反复讨论。大部分讨论都暗示一条路径：你要去学很多新领域（读多个领域的入门书、订阅各种 newsletter、接触各种新概念）。这条路径的隐藏前提是跨域能力 = 知道很多领域。
这条路径大部分时候是失败的。
失败的证据很具体：那些「读书很多、涉猎很广」的人，在真实判断上并没有比「只在自己领域深入」的人明显更强。他们脑子里有更多概念，但这些概念没有被组合成真正的洞察。他们的「广度」是一种知识展览，不是一种判断力。
这条路径的失败暴露了一个很深的误解：跨域能力的本质不是「知道很多领域」，是「能用已有的深度去照新领域的结构」。
这个修正改变了关于「通才」和「学习新领域」的一切。
为什么必须从已有的镜子出发
先用一个极端例子说明这个判断。
一个从未深度理解过任何领域的人，读一本关于生物进化的书、再读一本关于市场竞争的书，他最多能产生的 insight 是「哦，它们都讲了优胜劣汰」。这个 insight 是教科书级别的陈词滥调，不会改变他任何判断。
一个在市场竞争里做了十五年、对这个领域有深度模型的人，读生物进化的时候会突然看到：
所以市场里「护城河」这个概念，其实对应生物里的「生态位特化」。这意味着护城河深的公司和特化程度高的物种会共享同一个脆弱性：环境剧烈变化时特别容易灭绝。通才型公司像通才型物种（老鼠、蟑螂）在环境剧变时反而更有韧性。
这个 insight 是他自己的。它不在任何书里、不是任何 AI 生成的，它来自他熟悉的领域被另一个领域的视角重新照亮了一遍。
▍区别在哪里？
第一个人没有深度模型，所以两边都只看到了表面，相似也只是表面。第二个人有一边的深度模型，所以他能用这个模型去质询另一边，质询出来的就是真正的 insight。
所以跨域同构只能被一个已经有深度模型的头脑识别出来。没有深度模型，你看到的只能是表面相似；有了至少一个领域的深度模型，你才有一把结构比较的尺子。
这个判断有几个重要的推论：
一、通才不是「知道多个领域」，是「有可以在任何新领域快速建起结构的能力」。而这个能力的起点是一面真实的镜子，你自己深刻理解过的那个领域。
二、想建立跨域能力的正确起点不是「学一个新领域」，是「把你已有的深度磨成一面可用的镜子」。这件事大部分人从来没做过，他们在领域里做了很多年，但从未系统地把经验抽象成可用的结构。
三、「我没什么专业领域所以跨域能力建不起来」是一个错觉。每一个认真做过某件事的人都有深度模型的原材料：工作、长期爱好、生活实践、专业技能。问题不是「没有」，是「没被整理成可用的镜子」。
你已经有镜子了
这一段特别重要，因为大部分读者读到这里会默认「深度领域必须是某个专业性很强的东西」，然后自觉地把自己排除在外。这个默认是错的。
深度领域的唯一标准是：你在这件事上接受过真实的反馈、做过真实的判断、承担过真实的后果。
这个标准下，深度领域可以是任何事：
一个认真做了十年饭的家庭主妇，在烹饪领域的深度模型可能比大部分读过烹饪书的美食博主都深，因为她有十年的真实反馈数据，知道什么时候按照菜谱做不出来、什么时候违反菜谱反而对、不同食材之间的真实互动规律
一个养了三个孩子的父亲，在儿童心理和人际关系方面有大量深度观察。他知道什么样的表达能让孩子真的听进去、什么样的惩罚会长期反噬、怎么处理兄弟姐妹之间的动态平衡
一个修车修了二十年的师傅，在机械系统和故障诊断上的模型远超任何书本知识。他知道一辆车在某个具体声音下可能发生了什么、不同故障之间的因果链、什么时候是小问题什么时候是大问题
一个做了十年销售的人，在人性、动机、说服、谈判上有极深的实战模型。他知道对方什么话是真话什么是托词、什么时候应该推什么时候应该退、价格和价值之间的真实关系
关键不在于这个领域「显得专业」，关键在于你真的在这个领域里接受过现实的反馈。
一个人文化程度不高、从未读过商学院、但认真经营了一家小店二十年，他对「生意」这件事的深度模型可能远超一个读了 MBA 但从未真正做过生意的顾问。因为前者有二十年的真实反馈数据，后者只有教科书里的案例。
前 AI 时代的悲剧是这类人从不知道自己拥有的这种深度有多珍贵。他们把自己经验叫做「常识」、叫做「土办法」、叫做「凭感觉」，从不把它们当作可以被系统化、抽象化、用来理解世界的资源。
AI 时代给这类人一个完全不同的起点：你已经有镜子了，只是没意识到。
把经验整理成显式的镜子
AI 能做的第一件关键事就是帮你把你脑子里的隐性经验挖出来，变成一个显式的、可以被用来质询其他领域的结构。
这个过程不难，但大部分人从没做过。
具体做法：
第一步：选一件你做了很久、有过真实反馈、承担过真实后果的事
工作、长期爱好、生活经历、专业技能，只要满足「有真实反馈 + 真实后果」这两个条件，都可以。
第二步：给 AI 一段具体的描述
不是抽象描述，是带具体例子的描述。
比如：
我做了十五年销售，主要客户是中小企业老板。我观察到几个现象：
现象一：当客户第一次见面就问价格的时候，他们通常不会真的买。真的会买的客户会先问其他问题：我能解决他什么问题、我之前做过类似的案例吗、实施过程是什么样。
现象二：客户说「我们需要开会讨论」几乎总是委婉的拒绝。真的需要开会讨论的客户会具体地说「我需要和 X 和 Y 讨论，周二我们有个定期会议，我会在会上提出来，周三给你反馈」。
现象三：价格很少是真正的决定因素。我做过的所有失败案例，虽然他们当时说「太贵了」，但复盘时我发现真正的原因是别的：他们不信任我、不信任产品、或者他们其实不是决策者。
请帮我把这些观察整理成一个关于「B2B 销售过程」的因果模型。底层机制是什么？我的经验指向哪些一般规律？哪些可能只是偶然？
第三步：让 AI 帮你挖深层结构
AI 会从你的具体观察里抽象出机制：
你的观察指向几个深层机制：
一、真实需求 vs 表面需求。客户问价格这个动作，本身不代表他在评估价值。它可能是一个社交动作（显得我在认真考虑），可能是一个防御动作（让你离开的借口）。真正要买的客户的注意力在「这个东西能不能解决我的问题」，这才是真实需求。
二、具体性 vs 抽象性 作为承诺信号。真的会买的客户描述他们的决策过程时使用具体词汇（具体的人名、时间、地点）。不会买的客户使用抽象词汇（「我们」「要讨论」「有空再说」）。具体性的程度是承诺强度的一个可靠代理。
三、价格作为理由 vs 价格作为原因。价格几乎从来不是真实的决策原因，它是一个社会上可接受的拒绝理由。真实的拒绝原因（不信任、没决策权、优先级低）都难以说出口。所以客户说「太贵了」99% 的时候你应该把它翻译成「我有别的原因不买，但我不想讨论那个原因」。
四、把这些机制抽象化：你的观察其实在讲一个更一般的现象：人类在面对社交压力时，会用可被接受的表面理由掩盖真实原因。这个机制不只适用于 B2B 销售，它适用于任何涉及决策和社交压力的情境。
第四步：检查和修正
AI 的抽象可能有些地方不准。你要用你的具体经验去验证：「这条机制符合我的观察吗？有没有反例？」
经过几轮往返，你会有一个显式的、用你自己的语言表达的、带有底层机制的领域模型。
这个模型就是你的第一面镜子。
一旦建立起来，它就可以被用来照其他领域：政治、教育、医疗、投资、人际关系，任何涉及「人类在社交压力下做决策」的领域。
用镜子照新领域
有了第一面镜子之后，进入一个新领域的方式完全不一样了。
传统方式：从零开始读这个新领域的入门书、教材、案例，花几个月到几年建立基础认知。
用镜子的方式：用你已有的结构去质询新领域，快速定位到深层机制。
具体做法：
第一步：明确你镜子里的关键机制
从你刚刚整理的深度领域里挑出几个关键机制。比如上面销售的例子：「真实需求 vs 表面需求」、「具体性作为承诺信号」、「价格作为拒绝理由」、「表面理由掩盖真实原因」。
第二步：用这些机制去质询新领域
假设你想理解医药行业。不是从「医药行业有哪些玩家」开始问，而是从你已有的镜子开始问。
我在销售领域有一个观察：人们用表面理由掩盖真实原因。这个机制在医药行业的什么地方出现？比如病人选择某个药、医生开某个处方、医院采购某个设备，这些决策里，表面说的理由和真实原因之间可能有多大差距？
第三步：AI 给出新领域里的对应机制
在医药行业，这个机制非常明显，几个例子：
一、医生开处方。医生说的理由通常是「这个药对这个病最有效」。真实原因可能包括：他对这个药比较熟悉（熟悉度偏好）、他最近和药代互动比较多（关系因素）、这个药有循证医学证据（学术保护伞）、这个药开了之后医院会有回扣（利益因素）。而且这几个因素通常同时存在，他自己都不完全清楚哪个在起主导作用。
二、病人选择医院/医生。病人说的理由通常是「这家医院好」。真实原因可能是：朋友推荐（社交信号）、挂号方便（便利性）、之前来过（习惯）、离家近（成本）。「医术好」这个标准病人其实无法真正评估，所以它是一个表面理由，遮蔽了那些他不好意思说出口的真实原因。
三、医院采购设备。采购方说的理由是「需要更好的诊疗能力」。真实原因可能包括：科室主任的个人偏好、某个设备公司的公关力度、医院领导班子的派系平衡。这些真实原因都无法出现在采购报告上，所以表面理由必须存在。
第四步：进一步质询——相同和不同
你会发现，你的销售镜子在医药行业部分成立（人类行为的底层机制相通），部分不成立（医药行业有自己独特的结构：医保、专业门槛、生命攸关的情境改变决策动力）。
这些相同和不同都是 insight：
相同的部分让你看到了跨越行业的底层机制（人类如何在社交压力下决策）
不同的部分让你理解什么是真正领域特有的东西（医药的独特性：专业不对称、支付方和消费方分离、生命攸关的情境）
两种 insight 都会增加你的判断力。
非线性的积累
这个方法随着镜子数量的增加会产生非线性的收益。
不是因为 n 面镜子让你能做 n 维比较——那只是线性增加。真正的非线性来自镜子之间的两两组合：两面镜子有 1 对组合，三面镜子有 3 对组合，五面镜子有 10 对组合。每一对组合都是一个独立的结构视角，让你看到新领域里的不同机制。组合数是 n(n-1)/2，增长速度快于镜子数量本身。
更重要的是 —— 新领域里的某个机制在一面镜子里可能看不到，但在另一面镜子里清清楚楚。几面镜子同时照一个新领域，能命中的机制远超每面镜子独立比较的总和。
所以一个真正的通才不是「知道十个领域」，是有三到五面打磨得很清楚的镜子。这三五面镜子的组合，让他能快速理解几乎任何新领域的结构。
而且这个积累过程有一个反直觉的特性：每建一面新镜子，已有的镜子都会变得更清晰。因为在新领域里对它们的应用，会暴露它们之前没被发现的纹路。
所以「通才」不是一个积累到某个程度才到达的状态，它是一个每一步都在增值的积累过程。即使你只有两面镜子，你的跨域判断力也已经远超一个有十面浅镜子的人。
避开比喻陷阱
用镜子照新领域的时候，有一个陷阱必须避开：把「结构同构」退化成「表面比喻」。
比喻是「创业就像登山」、「婚姻就像合伙生意」、「生命就像一场旅程」。这些比喻在鼓舞情绪时有用，但在理解现实时几乎毫无价值，因为它们只抓住了表面相似。
结构同构是这样的：「创业公司的早期爆发式增长和登山里的 altitude sickness 共享同一个反馈结构：两者都是系统在没有完全适应环境的情况下被推到了极限，都会在某个临界点产生不可逆损害，而判断这个临界点的唯一方式是监测一系列间接信号而不是最终结果，因为最终结果出现的时候已经太晚了。」
这两种陈述的精度差一个数量级。比喻让你觉得自己懂了；结构同构让你真的能做出新的判断。
AI 在这里的关键作用是帮你从比喻下降到结构。
你提出一个比喻，让 AI 追问：
「这个比喻在哪里成立，在哪里不成立？这个相似是表面的还是结构的？如果是结构的，共享的是哪个因果机制？」
AI 会逼你从「A 像 B」精炼到「A 的某个具体机制和 B 的某个具体机制同构」。这个逼迫本身就是思维的提升。
如果你还没有任何深度领域
最后说一种情况——你可能觉得前面说的都对，但你自己真的没有一个明显的深度领域。你太年轻、还没开始工作、或者做的事不够深。
这种时候答案不是「去凑一个镜子」，是直接开始做一件能产生真实反馈的事。下一章讲的 AI 编程就是一个几乎任何人都能立即开始、而且反馈极其清晰的起点。做着做着，你的第一面镜子会自然长出来。
镜子不是找的，是做出来的。
前面两章讲了用 AI 做两件事：学思维工具、建跨域深度。但这两件事都建立在一个关键前提上：有些部分 AI 能做，有些部分只有你能做。这个边界如果不清晰，整个方法会在不知不觉中滑向失败。下一章讲这个边界。
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
