AIGC时代下，知识管理有点多余了？

AIGC时代下，知识管理有点多余了？

尤瓦尔在《今日简史》中曾断言“每过10年，你都要接受再培训，你学过的知识都可能被颠覆。”。而在当今AIGC爆火，AI技能日新月异的情况下，我们所接触、了解到的信息、知识也在不断增多和迭代。这种情况下，作为普通人，我们究竟要学什么？知识管理还有必要吗？

GPT告诉你，4月23日是世界读书日，值得重新聊一聊「知识管理」。

GPT告诉你，在AIGC时代下，个人学习和管理知识的方法正在发生变化。这些技术不仅能够增强我们对知识的获取、整合和应用能力，还可以改变我们与信息互动的方式。

GPT告诉你……诶？

问题大了。

是的，我大意了。

最近我有一个转变，从信赖AI到依赖AI，我发现自己越来越离不开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引导方式能给出更专业的答复；我能熟练地调教好Midjourney画出我喜欢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似乎什么都知道，只需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正确。我似乎不用动脑了，也不需要学习系统性知识了，我只需要学会利用AI工具找到可以追索下去的线头就行？

在AIGC时代下，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，但每逢我遇到问题下意识打开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基础物理学和经济学；蔡崇信建议年轻人掌握前沿学科技能，比如数据科学和心理学……

产品经理如何做好B端数字化？

各行各业都搭上了数字化转型的顺风车，实现了行业的迅速发展。由于B端产品是为企业所提供服务的产品，那么，企业应该如何乘上数字化的顺风车呢？

查看详情 >

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，你都要接受再培训，你学过的知识都可能被颠覆。

左右什么基础学科都得学，什么又都会过时。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」技术“黑入人心”

现在有三种最流行的神经网络算法：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训练一个算法来预测病人是否会出现某种疾病，这是在利用已知的医疗数据进行预测；

2）无监督学习，要学习的数据量特别大，标记不过来，这时候你不用标记每个数据是什么，AI看得多了会自动发现其中的规律和联系。比如，淘宝根据你的购买历史数据推荐你可能喜欢的好物，抖音推荐你可能感兴趣的视频；

3）强化学习，在动态的环境中，AI每执行一步都要获得反馈的学习，常常伴随着即时的奖励和惩罚的行为。比如，自动驾驶汽车需要在实时环境中做出决策，根据传感器收集的数据信息不断调整行为。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，直接考察每个动作导致什么结果，获得即时的反馈。

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教学，有标准答案，对错分明，有时候甚至你说不上来是什么原理。

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，你有哪个动作错了立刻帮你纠正，你所有的训练计划都是定制的，能获得即时反馈的。

而随着AI的发展，我们也逐渐步入了一个「强化学习」的时期，AI似乎不仅是一个工具了，更是一个法宝。它会成为你的私人定制助理，甚至是保姆和专家顾问。

举个例子，你想学一门新语言，你直接跟AI互动交流，随时随地练习和纠正，比起你跟老师、跟朋友交流来得更高效；你想面试一家企业，你把岗位要求和简历喂给GPT，ta就能帮你分析岗位的重点和注意事项，并且模拟面试场合向你提问，对你给出的答复加以评价和指正，并给出ta的专业答复。

听起来似乎一切都在转好，那么你是否思考过一个问题：在AIGC时代下，仿佛你只需要学会如何利用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“年度观念”剧场演讲中，分享过一个概念“新黑客”。以前的黑客攻击你的电脑手机，解锁你的账户密码。

而今天出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，而这种操纵的感觉你是一点都没有意识的。你反而觉得是出于你的自由意志，这是我们今天人类在重新被技术定义的一个表现。

是的，现在的技术有“黑入人心”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分析数据，最终它能够比你更了解你自己，它能够预测你的行为，可以操纵你的决定和选择，甚至被操纵的人都不知道自己被操纵了。

所谓“自由意志”，听起来好像我们完全可以自己做决定，实际上自由意志就是被操纵的决定，你对自己做决定并不会深思，你以为这是你想要的，但其实你已经被操纵了。相反，越是认为自己拥有自由意志的人，越容易被操纵，而这一现象会越来越极端。

从前我们能够收集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，跟谁吃饭。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，从大脑和身体里获得数据，拿到你的体温、血压、大脑的反应，甚至一些生物的表征。

过去我的信息不想让你知道，这叫隐私，而今天的隐私是很多我自己不知道，但是你通过数据和算法，比我更了解我不所谓的隐私信息。

上述的系列变化相信你也意识到了，但我们天然地学会适应自然规律和丛林法则，所以没关系，被操纵了没关系，隐私泄漏也没关系，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结构化的知识，那么人呢？在知识管理的链路里，人究竟能发挥什么作用？

二、知识管理最朴素的概念

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、知识和智慧。很久前我在另一篇知识管理的科普文章里有详细分析过，感兴趣的话可移步to B路上，除了服务管理，还要知识管理

简单来说，数据是没有上下文的要点，碎片化、离散的、不成体系的、过目即忘的。信息呢，传统的解释是，信息是为数据提供上下文，是数据分析和综合之后的产物，通常存储在半结构化的内容中，便于查询、重用，使得错误不再重复。

但乔治·吉尔德在《后资本主义》一书中打开了一个新思路，他认为：

信息就是意外。

比如我跟你说1+1=2，这实际上没有给你提供任何信息，因为这是你已经知道的东西，或者说，你一点儿也不意外。

但如果我跟你说，1+1>2，这跟你常识不符，你会感觉意外。这时候我再来解释1+1在什么时候大于2，比如，在两个人交流想法的时候，碰撞出了新的想法，那这就是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。

如果之前你不曾考虑过这个层面，那么上述内容对你来说就是一个信息。

如果信息就是意外，那知识是什么呢？知识就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，把那些真正有价值、有用的信息沉淀下来，或是结合过往你的隐性经验、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，就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。

而智慧呢，它赋予了物质的终极洞察力，具有应用和情景意识，提供强烈的意识判断。通常来说，你会无意识地去调用你的智慧做出一些决策，甚至跳脱事情本身去思考这件事的意义，这种情况下都是你的智慧在牵引着你。

基于上述信息，再来看AI提供给你的究竟是什么？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，正是凭借你经过验证的知识体系才有的结果。

三、也许你只需要一根可以追索知识的线头

你看，有搜索引擎，有聊天机器人，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，成为你的第一个起点？如果这个时候，大脑一片空白，怎么办？

《知识大迁移》一书里有一个概念，叫“元无知”，即：你不知道自己不知道的那种无知。

这不是今天才有的现象，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”。他们的工作很简单，每逢元老们辩论的时候，主动给元老们提供一些数据，比如城里有多少人口，上个月天气怎么样，诸如此类。元老们不需要自己记答案，有人专门负责给答案。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。

这跟我们今天面对搜索引擎、面对GPT，是不是一模一样的情境？

你需要的不是体系性的知识，你需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，你仍然是无知的，但没关系，互联网上的那些知识工具会帮助你解决后面的问题。

这么说来，学习可以是系统性的，也可以是碎片化，甚至浅显化的。这种情况下，最关键的学习是，如何找到一个可追索下去的知识线头？

1） 找一面镜子。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。互动式的请教是零星知识的最好的线头。很多工作能力强的人，都有一个习惯，当他们遇到一个无从下手的棘手问题，第一个反应是请教有经验的过来人，请教有资源有人脉的人。

“应试学习”不奏效了，回家憋答案也太低效了，何不如启动侦探式地毯式学习，找到解决问题的渠道。

2）建一个仪表盘。你要有自己的观测复杂现象的仪表系统。从一个特别显而易见的表像，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，你在跟合作团队开会的时候，通过对方的言行举止，是否可以推测出对方的性格、上下级关系以及未来开展合作的可能性。

在互联网时代，我们总觉得世界是平的，每个点和每个点都可以建立连接，所以这是一个人人都有机会的时代。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，越来越难以脱离。

而未来世界的价值，就在区块链的这最后一个字“链”上，谁能够提供打破区块，连接区块、跨界区块、提供那条链，谁就能享受未来时代的红利。

四、顺应人脑结构，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原理了。你所有的认知，大脑都会记录下来，但我们有个误区，总想着怎么提高记忆力。

没错，人脑不是用来记忆的，甚至不需要记忆，它应该是索引，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，你告诉我人脑不是用来记忆的？

不久前我跟一位鹅厂的前同事探讨知识管理的时候，结合脑神经科学他给了我这样的洞见，我大为震惊。

结构比内容更重要，比起从头啃一部大块头的书，我们更应该要学的是如何结构，比AI更往上一层。AI工具的确能让你快速获取信息，但你可以更结构化地搭建整个知识体系。

举个例子，很多人都说未来学校极有可能被颠覆，因为学校里传授的所有知识都可以由GPT教会你，毕竟它把整个世界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优秀人才的职责，很多学生挤破脑袋进入这样的筛选池以获得更多选择和被选择的机会，更重要的是，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，突然明白这位同事特地找我探讨知识管理的目的了，你只有想明白一件事，才能分清楚在什么情况该做什么。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，简单的数据简单收集和归类；复杂的信息，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，顺应你大脑神经的结构，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。长远来看这就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化。

我好奇：“在你的人生命题里，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。

五、去学很土、很扎实的东西

既然顺应大脑结构去学习和产出这么重要，那么究竟要学什么？

所有的学习都是出于一定的需要和动机。比如你想学某一项技术，就找它的相关原始标准文档，如果嫌文档枯燥，就去找行业里对这个技术的最经典的实现；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，带来的收获肯定不一样。

这看起来很简单，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。再往上去生长什么，都会事半功倍。

很多时候，带着需求、硬着头皮，去学一些感觉很土的、很扎实的东西，对你来说可能才是捷径。

回想一下，当你在面对GPT给到你的答复时，尤其是跨领域信息的时候，如果你没有一些基础的知识底蕴，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，大佬们推荐的各种基础学科知识，都是在鼓励你掌握必要的底层逻辑知识，这些看似土、却很扎实的知识能帮助你更有章法、更高效地思辨你从AI工具那获得的上层信息。

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就是碎片化的信息，你要学会的是如何结构化AI提供给你的碎片化信息，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时间里，带着目的学习成块知识似乎也成了一件难事。我们常常因为没有连续的时间，认为碎片时间学习效果不好，于是就不学了，这是给自己找借口。

试想下，有碎片时间是不是比完全没时间好？学习效果不好是不是比完全不学好？何况能力是可以培养的。

一开始可能你适应不了用碎片时间学习，适应不了进入状态，通过一段时间的训练，这是有可能培养出来的。现在的电子设备其实很方便，即便再怎么忙，一天里能不能找出10个3分钟？那就是30分钟的学习时间。

想要更好、更快地织起这张网，一开始选择点的时候，要选择距离不是很远的点，那么它才有可能更快建立成网状结构；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化。

最后，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，而是提供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确定，每个人都在探索。唯一可以确定的是，无论时代如何变迁，一手的知识永远是非常值钱的硬通货。

作为个体，你能做的也许就是在掌握最新知识工具输入和输出的同时，保持清醒，不要过嗨。

我们学习和创造知识，也想试着在多年后回过头来，看看知识能不能让自己走得更远。