尤瓦爾在《今日簡史》中曾斷言“每過10年，你都要接受再教育訓練，你學過的知識都可能被颠覆。”。而在當今AIGC爆火，AI技能日新月異的情況下，我們所接觸、了解到的資訊、知識也在不斷增多和疊代。這種情況下，作為普通人，我們究竟要學什麼？知識管理還有必要嗎？
GPT告訴你，4月23日是世界讀書日，值得重新聊一聊「知識管理」。
GPT告訴你，在AIGC時代下，個人學習和管理知識的方法正在發生變化。這些技術不僅能夠增強我們對知識的擷取、整合和應用能力，還可以改變我們與資訊互動的方式。
GPT告訴你……诶？
問題大了。
是的，我大意了。
最近我有一個轉變，從信賴AI到依賴AI，我發現自己越來越離不開AI工具了。我能清楚地分辨GPT4、Claude3、Perplexity、Llama分别在什麼類型的話題領域以一種什麼樣的引導方式能給出更專業的答複；我能熟練地調教好Midjourney畫出我喜歡的特定風格的海報和肖像；我也能用stable diffusion、runway、pika、suno、bedrock綜合制作一個看似人模狗樣的流暢視訊……
AI似乎什麼都知道，隻需要通過互動式的對話就能擷取超出我認知範圍内的資訊，而且它的判斷大機率比我正确。我似乎不用動腦了，也不需要學習系統性知識了，我隻需要學會利用AI工具找到可以追索下去的線頭就行？
在AIGC時代下，我們還要學習嗎，要學什麼，如何學習？
這些問題看似無病呻吟，但每逢我遇到問題下意識打開GPT的時候，我都難免為之一顫。而這些問題也在困惑着許多人，隔三岔五都會有一些大佬發聲：黃仁勳建議年輕人學人類生物學；馬斯克建議年輕人學習基礎實體學和經濟學；蔡崇信建議年輕人掌握前沿學科技能，比如資料科學和心理學……
直到我翻開以色列曆史學家尤瓦爾·赫拉利在《今日簡史》的斷言：
每過10年，你都要接受再教育訓練，你學過的知識都可能被颠覆。
懵了。
左右什麼基礎學科都得學，什麼又都會過時。那作為普通人，我究竟要學什麼？知識管理還有必要嗎？
一、「新黑客」技術“黑入人心”
現在有三種最流行的神經網絡算法：監督學習、無監督學習和強化學習。
1）監督學習，有已知的明确的輸入和輸出内容，比如，醫院利用大量的醫療資料訓練一個算法來預測病人是否會出現某種疾病，這是在利用已知的醫療資料進行預測；
2）無監督學習，要學習的資料量特别大，标記不過來，這時候你不用标記每個資料是什麼，AI看得多了會自動發現其中的規律和聯系。比如，淘寶根據你的購買曆史資料推薦你可能喜歡的好物，抖音推薦你可能感興趣的視訊；
3）強化學習，在動态的環境中，AI每執行一步都要獲得回報的學習，常常伴随着即時的獎勵和懲罰的行為。比如，自動駕駛汽車需要在實時環境中做出決策，根據傳感器收集的資料資訊不斷調整行為。這時候AI不是靜态地看很多汽車駕駛錄像，它是直接上手在實時環境中操作，直接考察每個動作導緻什麼結果，獲得即時的回報。
同理，這三種最常見的神經網絡算法也能對應到人類三種最常見的學習過程。
1）監督學習，就像是學校裡老師對學生的教學，有标準答案，對錯分明，有時候甚至你說不上來是什麼原理。
2）無監督學習，這是一個自主學習的學者，通過自主調研大量的内容，自學成才；
3）強化學習，則是專業運動員的教練，你有哪個動作錯了立刻幫你糾正，你所有的訓練計劃都是定制的，能獲得即時回報的。
而随着AI的發展，我們也逐漸步入了一個「強化學習」的時期，AI似乎不僅是一個工具了，更是一個法寶。它會成為你的私人定制助理，甚至是保姆和專家顧問。
舉個例子，你想學一門新語言，你直接跟AI互動交流，随時随地練習和糾正，比起你跟老師、跟朋友交流來得更高效；你想面試一家企業，你把崗位要求和履歷喂給GPT，ta就能幫你分析崗位的重點和注意事項，并且模拟面試場合向你提問，對你給出的答複加以評價和指正，并給出ta的專業答複。
聽起來似乎一切都在轉好，那麼你是否思考過一個問題：在AIGC時代下，仿佛你隻需要學會如何利用AI工具更高效地幫你解疑即可所向披靡，你還有必要學習系統化知識嗎？知識管理是否有些多餘了？
尤瓦爾·赫拉利在2020年中信出版集團舉辦的“年度觀念”劇場演講中，分享過一個概念“新黑客”。以前的黑客攻擊你的電腦手機，解鎖你的賬戶密碼。
而今天出現了一種更強大的黑客，它直接解碼你的内心，攻擊你的大腦，你在不知不覺中就被它操縱，而這種操縱的感覺你是一點都沒有意識的。你反而覺得是出于你的自由意志，這是我們今天人類在重新被技術定義的一個表現。
是的，現在的技術有“黑入人心”的能力，這就意味着它可以擷取海量個人資料，并有足夠的運算能力來分析資料，最終它能夠比你更了解你自己，它能夠預測你的行為，可以操縱你的決定和選擇，甚至被操縱的人都不知道自己被操縱了。
所謂“自由意志”，聽起來好像我們完全可以自己做決定，實際上自由意志就是被操縱的決定，你對自己做決定并不會深思，你以為這是你想要的，但其實你已經被操縱了。相反，越是認為自己擁有自由意志的人，越容易被操縱，而這一現象會越來越極端。
從前我們能夠收集到的大多數的個人資訊都還是“表層資訊”，是外在行為，從身體外部拿資料，包括你看什麼電視，你到哪裡去，跟誰見面，跟誰吃飯。現在到了一個分水嶺，資料可以檢測到我們的“皮下資訊”，從人體内部，從大腦和身體裡獲得資料，拿到你的體溫、血壓、大腦的反應，甚至一些生物的表征。
過去我的資訊不想讓你知道，這叫隐私，而今天的隐私是很多我自己不知道，但是你通過資料和算法，比我更了解我不所謂的隐私資訊。
上述的系列變化相信你也意識到了，但我們天然地學會适應自然規律和叢林法則，是以沒關系，被操縱了沒關系，隐私洩漏也沒關系，隻要我明面上還在操控着我的大腦和雙手就行。
但事實真是這樣嗎？
想想看，有了網際網路後你可以更廉價地擷取資料；有了維基百科後你可以更快捷地擷取資訊；GPT出來後又可以幫我們更高效地擷取結構化的知識，那麼人呢？在知識管理的鍊路裡，人究竟能發揮什麼作用？
二、知識管理最樸素的概念
什麼是知識管理？
最常見的說法是，知識管理包含四個層次“DIKW”，即資料、資訊、知識和智慧。很久前我在另一篇知識管理的科普文章裡有詳細分析過，感興趣的話可移步to B路上，除了服務管理，還要知識管理
簡單來說，資料是沒有上下文的要點，碎片化、離散的、不成體系的、過目即忘的。資訊呢，傳統的解釋是，資訊是為資料提供上下文，是資料分析和綜合之後的産物，通常存儲在半結構化的内容中，便于查詢、重用，使得錯誤不再重複。
但喬治·吉爾德在《後資本主義》一書中打開了一個新思路，他認為：
資訊就是意外。
比如我跟你說1+1=2，這實際上沒有給你提供任何資訊，因為這是你已經知道的東西，或者說，你一點兒也不意外。
但如果我跟你說，1+1>2，這跟你常識不符，你會感覺意外。這時候我再來解釋1+1在什麼時候大于2，比如，在兩個人交流想法的時候，碰撞出了新的想法，那這就是1+1>2；或者平台的規模效應，平台使用者網絡擴大一倍，它的影響力增長不止一倍。
如果之前你不曾考慮過這個層面，那麼上述内容對你來說就是一個資訊。
如果資訊就是意外，那知識是什麼呢？知識就是在我們跟這些資訊、這些意外發生碰撞之後，我們把它收攏起來，反複地去驗證，把那些真正有價值、有用的資訊沉澱下來，或是結合過往你的隐性經驗、洞察力和判斷做進一步的改進，這樣就形成了知識。
從資料到資訊再到知識的過程，就是知識管理的全鍊路，這個鍊路伴随着你持續的學習和産出。
而智慧呢，它賦予了物質的終極洞察力，具有應用和情景意識，提供強烈的意識判斷。通常來說，你會無意識地去調用你的智慧做出一些決策，甚至跳脫事情本身去思考這件事的意義，這種情況下都是你的智慧在牽引着你。
基于上述資訊，再來看AI提供給你的究竟是什麼？是離散的資料還是無序的資訊？
你基于這些資料和資訊作出的決策，正是憑借你經過驗證的知識體系才有的結果。
三、也許你隻需要一根可以追索知識的線頭
你看，有搜尋引擎，有聊天機器人，人類的大部分成型知識，你都可以通過搜尋找到。但你在搜尋框裡搜尋什麼？你要跟GPT提什麼問題？鍵入一個什麼詞，成為你的第一個起點？如果這個時候，大腦一片空白，怎麼辦？
《知識大遷移》一書裡有一個概念，叫“元無知”，即：你不知道自己不知道的那種無知。
這不是今天才有的現象，書裡舉了一個例子：古希臘的元老院裡有一個職業叫做“助記員”。他們的工作很簡單，每逢元老們辯論的時候，主動給元老們提供一些資料，比如城裡有多少人口，上個月天氣怎麼樣，諸如此類。元老們不需要自己記答案，有人專門負責給答案。元老們搞政治辯論，真正的競争在于，他們能向“助記員”問出什麼樣的問題。
這跟我們今天面對搜尋引擎、面對GPT，是不是一模一樣的情境？
你需要的不是體系性的知識，你需要的是一個可以追索知識的線頭。隻要這個線頭存在，你就擺脫了“元無知”。沒錯，你仍然是無知的，但沒關系，網際網路上的那些知識工具會幫助你解決後面的問題。
這麼說來，學習可以是系統性的，也可以是碎片化，甚至淺顯化的。這種情況下，最關鍵的學習是，如何找到一個可追索下去的知識線頭？
1） 找一面鏡子。這面鏡子可以是人，是你的朋友、長輩、上級，也可以是AI機器人。互動式的請教是零星知識的最好的線頭。很多工作能力強的人，都有一個習慣，當他們遇到一個無從下手的棘手問題，第一個反應是請教有經驗的過來人，請教有資源有人脈的人。
“應試學習”不奏效了，回家憋答案也太低效了，何不如啟動偵探式地毯式學習，找到解決問題的管道。
2）建一個儀表盤。你要有自己的觀測複雜現象的儀表系統。從一個特别顯而易見的表像，看出背後一大堆資訊的工具，就像我們通過看體溫計知道體溫一樣。
舉個例子，你在跟合作團隊開會的時候，通過對方的言行舉止，是否可以推測出對方的性格、上下級關系以及未來開展合作的可能性。
在網際網路時代，我們總覺得世界是平的，每個點和每個點都可以建立連接配接，是以這是一個人人都有機會的時代。但幾十年運作下來，天下并沒有大同，而是重新部落化了，每個人都進入了一個小圈子，豐儉由人。這個狀況，其實用區塊鍊這個詞來描述才更準确。每個人都生活在一個區塊裡，被這個小環境制約，越來越難以脫離。
而未來世界的價值，就在區塊鍊的這最後一個字“鍊”上，誰能夠提供打破區塊，連接配接區塊、跨界區塊、提供那條鍊，誰就能享受未來時代的紅利。
四、順應人腦結構，區塊鍊式的學習
既然是區塊鍊式的學習，那就要進一步追溯到人腦的原理了。你所有的認知，大腦都會記錄下來，但我們有個誤區，總想着怎麼提高記憶力。
沒錯，人腦不是用來記憶的，甚至不需要記憶，它應該是索引，讓你清楚在哪裡可以快速找到對應的内容。
我們跟艾賓浩斯遺忘曲線鬥智鬥勇了這麼多年，你告訴我人腦不是用來記憶的？
不久前我跟一位鵝廠的前同僚探讨知識管理的時候，結合腦神經科學他給了我這樣的洞見，我大為震驚。
結構比内容更重要，比起從頭啃一部大塊頭的書，我們更應該要學的是如何結構，比AI更往上一層。AI工具的确能讓你快速擷取資訊，但你可以更結構化地搭建整個知識體系。
舉個例子，很多人都說未來學校極有可能被颠覆，因為學校裡傳授的所有知識都可以由GPT教會你，畢竟它把整個世界的知識壓縮到大模型裡。但果真如此嗎？且不說學校擔負着幫企業主篩選優秀人才的職責，很多學生擠破腦袋進入這樣的篩選池以獲得更多選擇和被選擇的機會，更重要的是，學校能教會你如何建立腦中的索引，這是GPT很難取代的。
我在思辨的時候，突然明白這位同僚特地找我探讨知識管理的目的了，你隻有想明白一件事，才能厘清楚在什麼情況該做什麼。如果我們對不同層級的知識了解達成共識的話，那麼接下來，你可以這麼去做：
先搞清楚什麼是資料，什麼是資訊，什麼是知識；
然後，簡單的資料簡單收集和歸類；複雜的資訊，尤其是你認可的資訊可以用稱手的工具抽象後記錄歸檔；知識用腦圖梳理，順應你大腦神經的結構，神經元和突觸構成了人腦的索引，而你畫出來的腦圖也是一種外顯的呈現。
剛聽到這個論斷時我有點失望，就這麼個結論？但後面我又想通了，不是每個high level的主題落腳點都是高大上的事情，我這是不是也是一種先入為主的索引？
“這麼多話題裡，為什麼你最想聊知識管理？”
末了我還是忍不住重複這個問題，他知道我什麼意思。長遠來看這就是塑造一個人的底層邏輯，也是一個人進步的源動力，隻有你夠懂，才能更快速進入新領域擁抱新變化。
我好奇：“在你的人生命題裡，知識管理往前還有什麼？”
“目标管理。”合理。
“你猜目标管理再往前是什麼？”
不等我回答，“是哲學。”他得意地笑。
難怪。
五、去學很土、很紮實的東西
既然順應大腦結構去學習和産出這麼重要，那麼究竟要學什麼？
所有的學習都是出于一定的需要和動機。比如你想學某一項技術，就找它的相關原始标準文檔，如果嫌文檔枯燥，就去找行業裡對這個技術的最經典的實作；比如你想學着建構某個工具，就去看它的源代碼，想提高效率的話，就去浏覽最經典實作的幫助文檔，或是使用者手冊，帶來的收獲肯定不一樣。
這看起來很簡單，但背後的知識就像樹根，樹根多了，下面就可以織成了一張知識的網。再往上去生長什麼，都會事半功倍。
很多時候，帶着需求、硬着頭皮，去學一些感覺很土的、很紮實的東西，對你來說可能才是捷徑。
回想一下，當你在面對GPT給到你的答複時，尤其是跨領域資訊的時候，如果你沒有一些基礎的知識底蘊，你要如何識别資訊的真僞，如何構築你的知識晶體？
從這個角度來看，大佬們推薦的各種基礎學科知識，都是在鼓勵你掌握必要的底層邏輯知識，這些看似土、卻很紮實的知識能幫助你更有章法、更高效地思辨你從AI工具那獲得的上層資訊。
過去我們總說要學會系統性知識，但如果現今的社會學習趨勢就是碎片化的資訊，你要學會的是如何結構化AI提供給你的碎片化資訊，如何再進一步轉化成你的知識。
而在我們對日常事務應接不暇的時間裡，帶着目的學習成塊知識似乎也成了一件難事。我們常常因為沒有連續的時間，認為碎片時間學習效果不好，于是就不學了，這是給自己找借口。
試想下，有碎片時間是不是比完全沒時間好？學習效果不好是不是比完全不學好？何況能力是可以培養的。
一開始可能你适應不了用碎片時間學習，适應不了進入狀态，通過一段時間的訓練，這是有可能培養出來的。現在的電子裝置其實很友善，即便再怎麼忙，一天裡能不能找出10個3分鐘？那就是30分鐘的學習時間。
想要更好、更快地織起這張網，一開始選擇點的時候，要選擇距離不是很遠的點，那麼它才有可能更快建立成網狀結構；每個點讓它橫向分出來的線拉長，線越長就更有可能和其他點延伸出來的線交織。
用這種辦法去逼自己一步一步去深化，讓自己一步一步向裡面鑿。
長遠來看，這是塑造一個人的底層邏輯，也是一個人進步的源動力，隻有你夠懂，才能更快速進入新領域擁抱新變化。
最後，正如我在播客裡所說的，這篇文章到此為止也沒能真正給出一個什麼确定性的答案。這個命題仁者見仁，重點不在内容本身，而是提供一根可供你追索下去的線頭，這根線能牽引你到哪裡，那就各憑本事啦。
本來網絡上的各種聲音就充斥着各種不确定，每個人都在探索。唯一可以确定的是，無論時代如何變遷，一手的知識永遠是非常值錢的硬通貨。
作為個體，你能做的也許就是在掌握最新知識工具輸入和輸出的同時，保持清醒，不要過嗨。
我們學習和創造知識，也想試着在多年後回過頭來，看看知識能不能讓自己走得更遠。
專欄作家
林壯壯，微信公衆号：健壯的大姐姐（ID: is_strong），人人都是産品經理專欄作家。騰訊進階産品經理，專注于To B服務項目管理和行業分析，歡迎各路好漢一起探讨。
本文原創釋出于人人都是産品經理。未經許可，禁止轉載
題圖來自 Unsplash，基于 CC0 協定
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務。