为什么AI越强大，越需要我们提升知识？

2025年8月，《内科学年鉴·临床案例》发表了一份病例报告，主角是一位60岁的男人。

他读到了过量吃盐有害健康的文章，决定把饮食里的氯化钠彻底去掉。他问ChatGPT：氯化物可以用什么替代？ChatGPT告诉他，可以换成溴化物。于是他在网上买了溴化钠，当食盐吃了三个月，直至出现幻觉和偏执，被医生诊断为溴中毒。

医生没能拿到他的聊天记录，但他们自己用ChatGPT 3.5问了同样的问题，答案里同样出现了溴化物。回答提到"要看具体情境"，却没有给出明确的健康警告，也没有反问一句"你想知道什么"。

这件事常被当成“AI会害人”的例子。但我们可以想换个角度想一下：同一句话，如果递给一个有基本化学和营养常识的人，会怎样？溴化钠是泳池清洁剂和兽药里的东西，不是食盐的"食用替身"。

如今AI几秒钟就能回答大多数问题，于是有人说：知识不值钱了，会提问就行。而真实的世界恰好相反：AI能回答一切，我们恰恰需要懂得更多。因为，知识的获取成本在下降，与之相对应，对知识的分析、判断、整理成本也在直线上升。

AI给出的，那是“信息”，不是“知识”

首先，所有争论，几乎都出在"知识"这个词太笼统。其实把它拆开，至少有三层。

第一层，信息。孤立的事实与数据。比如："某书的作者是某某"。

第二层，理解。事实之间的因果与结构。比如："某书的作者是出于什么原因，写了一本什么内容的书"

第三层，判断。在具体情境下的取舍。比如："这本书在当时怎样，对当下还有什么价值？”

同样以一家公司为例，AI可以瞬间给出它近五年的财报数据，这是信息。但数据背后，利润为什么和现金流背离？是行业周期，还是会计处理，还是业务出了问题？这要靠理解。最后，要不要投、投多少、什么条件下撤，这是判断。

AI把第一层的成本压到了接近于零。但后两层有一个共同特点：它们必须发生在使用者自己的头脑里。毕竟，提问的是我们，核验的是我们，拍板的是我们，承担后果的也是我们。

2026年10月27日，女子父母向Open AI提起诉讼

也就是说，AI能回答的是信息，而理解与判断不能外包。理解与判断的原材料，恰恰是我们脑中已有的知识。

这也就是为什么哲学家康德说，人先要有感性（知识与经验），通过运用自己的知性与理性（理解力），最后才能生成判断（判断力）。没有空转的理性与理解力，踢球的姿势比划得再好，人与球接触的球感，也只能靠日复一日训练得来。

拉森在《造神:人工智能神话的起源和破除》一书中更进一步认为，AI只有演绎与归纳能力，不具备溯因能力，而这种能力才是判断力的根源。

>>> 02

能问出什么，取决于已经懂得什么

随着AI的兴起，新一轮沉醉于“know—how”型知识的成功学大师再次泛滥。

他们兜售着“如何使用AI”、“AI如何致富”等相关课程，不在鼓励人们学习新知，而反复强调的“重要的是学会提问”。好像“提问”是拿起扫帚扫地那样简单独立的技巧，学几个提示词模板就行了。

实际上，提问能力的底层，依然是知识储备。

认知心理学里有个概念叫"组块"：专家的优势不在于脑子更快，而在于他们脑中存着大量成型的知识结构，能把零散信息自动归并成有意义的整体。

最经典的证据是1973年蔡斯和西蒙的象棋实验。研究者让一位象棋大师、一位中等水平棋手和一位初学者，各看几秒钟棋盘，再凭记忆复原。面对真实对局，水平越高，还原得越多。但关键在下一步：把棋子随机乱摆，大师的优势几乎消失。可见大师的优势不是记忆力，而是看得懂。同一块棋盘，他们看到了新手看不到的东西。

另一个实验更贴近日常。1988年，研究者让64名初中生读一段棒球比赛的文字，学生按两个维度分组：阅读能力高低，以及对棒球的熟悉程度。结果是，懂棒球的学生，即便阅读能力偏弱，理解和复述的表现也胜过阅读能力强却不懂棒球的学生。

可见，背景知识，比所谓通用能力，更决定我们能读懂多少。

把这个结论搬到AI面前，道理一样。一个对金融一窍不通的人，大概只会问"股票怎么买"；一个有基础的人，会问"这家公司净利润在增长，经营现金流却是负的，常见原因有哪些，我该核查哪几项"。同一个AI，两个人拿到的是完全不同量级的答案。

AI像一扇窗。我们能看多远，取决于我们站在多高的地方。我们看不见的东西，就问不出来。

>>> 03

人只能验证已懂的东西

其次，众所周知，受限于底层技术，AI有一个不可杜绝的缺陷——AI幻觉，即一本正经的胡说八道。这就意味着，AI越强、用得越广，有一种能力就越稀缺：验证。

但要核验一个结论，得有独立的参照系，要么大致知道正确答案长什么样，要么知道哪里容易出错。没有参照系，面对AI的输出只剩两个选项：全信，或全不信。这都不叫判断，叫赌博。

哲学家波兰尼认为，我们所知道的，多于我们所能言说的，显性知识背后还有大量隐性知识。老医生看一眼病人就觉得"哪里不对"，老编辑扫一遍稿子就嗅出破绽，这种说不清的直觉，是长期积累沉淀下来的。AI文字再流畅，也掩盖不了它，更替代不了它。

另外，英国心理学家贝恩布里奇在1983年发表过一篇经典论文，叫《自动化的反讽》，核心观点是：系统越自动化，人在异常时刻就越需要更高的技能，而日常的自动化，恰恰在剥夺人练习这些技能的机会。2009年法航447航班坠毁后，调查机构指出，操纵飞机的两名副驾驶都缺乏近期的手动操纵训练，并建议加强这方面的培训。这起事故的成因是多重的，但它常被业界引为这一反讽的例证。

AI处理的是常规，人负责的是意外和把关。我们懂得多少，就是我们的安全边际。只有懂得越多，"盲信"和“盲疑”才会越少。

>>> 04

创新，诞生在知识的交界处

最后，同样是AI的底层原理所致，它最擅长的是，在既有框架内整合、归纳、优化，而真正出人意料的创新，往往来自两个原本无关的领域的重新连接。

也就是人们常说的：创意的本质常常是"重组"。两端距离越远，组合越出人意料，价值越大。但这有个硬约束：我们只能连接我们手里有的东西。

日本新干线500系就是个好例子。早期列车高速冲出隧道时，会在出口产生巨大的"爆音"，严重扰民。负责这一车型的工程师中津英治，恰好是个资深观鸟爱好者。他知道翠鸟能几乎无声地扎入水中，靠的是细长的喙形，让它从空气进入水里时几乎没有压力突变。他据此改造了车头，1997年投入运营的500系，噪音明显降低，速度和能耗也一并改善。

没有那份与工程无关的观鸟知识，这个解法很难出现。

乔布斯的故事也常被提起。他辍学后旁听了一门书法课，学字体的间距与美感，当时看不出任何用处。1979年乔布斯参观施乐PARC时看到了Alto电脑的排版系统，因为学过书法，他发现了其中的价值，这才有了Mac电脑别具一格的美学风貌。

这恰好说明了知识的作用：创新不是凭空出现，而是大量的看似无关联的知识偶然碰撞的结果。

一个值得注意的现象是，诺贝尔奖得主从事艺术、手工类业余爱好的比例，显著高于一般科学家。当然，这是相关性而非因果性，不能据此说“爱好让人得奖"，但它至少表明，顶尖的头脑往往不是单一领域的头脑。

AI可以帮我们把一个领域做到八十分，但把哪两个领域接在一起，则是我们自己的事情。人人都能调用AI的时代，把一件事做对会越来越便宜，想到把什么和什么连起来会越来越贵。

拉森在《造神:人工智能神话的起源和破除》一书中更进一步认为，我们人类头脑真正的伟大之处，在于新皮层，新皮层可以跨区域链接神经元，这是创新、新知的最重要来源。所以人工智能永远不能取代真正的人脑。

搜索引擎时代，人们担心信息太少。AI时代，最大风险则是信息太易得。它让我们误以为自己已经懂了，产生一种智力上升的错觉，进而排斥知识。

实际上，AI的确能回答一切，但问出什么、信到哪里、连向何处，只取决于我们自己懂得多少。

同样，只有懂得越多、越广，AI在我们手里才越像一根杠杆，事半功倍；反之，它就可能变成一根让我们日渐依赖、逐渐空心的拐杖。

诚挚推荐美国计算机科学家和科技企业家埃里克·J.拉森所著《造神:人工智能神话的起源和破除》一书，它破除了人们对人工智能的迷信，认为超人类智能并非触手可及，恰恰相反地，这种科技自大甚至会阻挠我们的创新之路。感兴趣的读者，点击下方链接，即可一键购买收藏。