思維方式

筆記君說：

隨著人工智能技術的快速發展，許多專業和職業，可能面臨著被AI代替的風險。不少知識工作者產生了一些困惑和焦慮。

實際上，在很多專業領域，還離不開人類的技能、智慧和創新，涌現出了很多不被AI所代替的專業高手。

我們如何才能像他們一樣不被AI取代？如何像AI一樣迭代自己？

今天這篇文章，我們就來聊聊學習力與AI。

一、不被時代追殺，
唯一的核心競爭力是學習力

 

1.學習的本質：把經驗轉化為知識，用知識解決問題

田俊國：AI來勢洶洶，大有重新改變一切行業的趨勢。
 

在一次沙龍上，大家都在討論一個話題：如何運用AI讓我們的工作更方便？甚至有人提出：AI來了，作為自然人，我還需要學習嗎？

在那次沙龍上，我突然提出了一個反問：我們更需要思考的是，你如何能像AI一樣迭代自己？

我們其實根本沒有教會我們自己迭代，我們依靠AI在迭代。我們訓練AI，其實是反的，你真正需要訓練的是你自己的潛意識，你的潛意識就是你隨身攜帶的AI。

如果你不能讓你的潛意識像AI一樣工作，你跟自己內在的龐大的智囊無法合作的話，你訓練外部的AI，其實也是句騙人的話。

反而，在AI時代，對自然人學習能力的挑戰，對知識管理，和知識提煉加工能力的挑戰，是越來越大，而不是越來越小了。

我們咋一想起，很多事都能讓AI來做，而我們忽略的一個現實是：我們身上一直都帶著AI。

以我來說，如果讓我講課拿著稿子念，我可能會崩潰。因為我不習慣用稿子，我可以用一個即時貼講一天的課，我只需要把提綱一寫，我就交給自己的“AI”了。

我上課最喜歡學生向我提問和點評作業，喜歡“你說我點評”和“你問我答”的方式。

因為在這個當下，我自動把我當成個“AI”，分成了前臺和后臺，前臺是你能看見的我，后臺是內在的我。你問的任何問題，我都會轉而問他（后臺的我、內在的我），他告訴我一個答案，我因此而受啟發。

而關于“自然人如何像AI一樣迭代自己”的思考，其實源于2020年我開展的一波關于深度學習的主題閱讀。那一批書中有很多微積分的內容，很難看懂。

但我們把這批書全都讀完的時候，我驚呆了。因為我是計算機專業，其實知道最早的AI就是憑著大樣本量，大數據庫，拼命地算，看起來很智能，其實很笨。

但我看了深度學習理論以后，才發現這一代的AI完全不一樣了，它的卷積積分和深度學習理論太厲害了。

受其啟發，我就想如何借助AI的學習方式，來反哺自然人的學習。在做完這波閱讀之后，我推出了一個“學習力躍遷的訓練營”，其文字稿最后也就演變成了這本書。

這個訓練營的目的或者根本上想解決的問題，就是自然人如何像AI一樣迭代自己，這對于每個人來講，都很現實的問題。

所謂“知識工作者”，是能把經驗變成知識，再運用知識解決問題，二者缺其一，都不能稱為知識工作者。

但是，這兩點恰恰是AI最厲害的地方。現在路上跑的每輛智能駕駛汽車，都在積累數據，積累經驗，再把經驗迭代成算法，算法再指導所有的智能車。自然人也要像智能汽車，我們才能在這個時代生存。

以前的時代，你用存量的知識都能混一輩子。今天你必須有足夠強的學習力，才能生活下去。在過去，會開車可能就是一輩子的鐵飯碗，現在換5次職業也未必能熬得到退休，可能突然有一天，你的職業就被別人替代了。

“蘿卜快跑”剛火起來那陣，我正好到武漢出差，坐了一輛滴滴快車，師傅跟我說：現在感覺到被時代追殺。

這位師傅原來是一個IT企業的中層，企業因為經營不善，自己主動辭職，但半年時間都沒事干（沒找到工作），然后自己弄個車跑滴滴，跑了沒多久，發現蘿卜快跑出來了，所以，我們（自然人）在被時代追殺。

其實，不被時代追殺唯一的核心競爭力是學習力。學習力的核心，是把經驗轉化成知識，用知識解決問題。

當然，這個過程中，又會有新的領域不斷涌現出來，這些領域誰都沒干過（如知識主播），大家都在探索，這個時候比的就是學習力。

我在為一個學生的書作序時寫道：好奇心、探索精神和學習力，可以碾壓一切經驗。因為經驗在這個時代不值一提，所有的經驗都比不上你的探索精神，你的學習力。

 

2.從實際問題著手思考，是最好的學習方式

田俊國：當你在某段時間內思考一個問題時，這個問題便成了主題閱讀的主題。圍繞此問題去買書，買一堆書，然后帶著問題去學習、思考。
 

我之所以對學習力感興趣，是因為我一直從事教學工作，教學與學習是相互關聯的，所謂“不知學，何以教”。

一開始我覺得認知心理學很重要，因為它是關乎一個人接收信息、加工信息的學問，但這還不夠。

我就在想，人工智能學習力那么強，它是怎么學習的呢？我圍繞這個問題進行了主題閱讀。那時候ChatGPT在國內還未出現，我只是對一些很前沿的理論保持關注，比如庫茲維爾這些前沿人物的理論。

當我看到他們寫的內容時，我意識到從20世紀90年代到現在的30年里，人類對自身大腦的研究達到了一個很高的高度。

因為我們借助科學手段，比如通過戴一個頭盔，就能把此時此刻的腦活動看得一清二楚。

這些最前沿的腦科學并沒用于自然人的學習，自然人的學習還停留在六七十年代那個水平。而現在整個學術界，或者整個產業界，都是把腦科學的學習成果，用于研究人工智能了。

但我們的教育依然是很落后的，因為我在教育賽道，自然而然就能想到如何把人類的腦科學的研究成果，用于幫助自然人學習。

我寫的很多書，都是從一個問題開始引發，然后通過一波主題閱讀，把它架構為我的輸入，有了很多輸入之后，就可以輸出我的一個知識體系，以此來招生。

然后回答學生問題，點評作用，在內容豐富，迭代幾輪之后，覺得可以出書之后，就出書了。

從疫情到現在，不到5年時間出了9本書。如果我是一個封閉大腦，通過看書寫出來的書，你也不會看，恰恰是我把課堂當成一個練功的場景，和大家充分交流，形成了很多新鮮素材，才能如此高產。 

 

二、知識管理與AI的關系

1.AI是大腦最好的外掛

吳慶海：我的第一份工作是在聯想，恰逢麥肯錫給聯想做咨詢，我有幸被篩選到項目組，所負責的一套流程，就是知識管理流程。
 

當時我對于知識管理并沒有特別直觀的認識，但觀察麥肯錫顧問的工作方式給了我極大的啟發。我舉兩個方面來說明。

首先，我發現麥肯錫的顧問普遍很年輕，然而他們卻能在大型場合中，面對具有豐富經驗的管理高層侃侃而談，并且能讓這些管理者點頭稱是。

因為麥肯錫從20世紀70年代起就開始積累其內部的知識庫，即便是工作才三五年的顧問，也能在管理層面前匯報工作、呈現方案，并非是獨自作戰，其背后有著全球幾萬專業人員的知識儲備作為支撐。

由此我想到，一個人若要實現快速成長，其背后也需要有一個類似外掛大腦的存在。而且這個外掛大腦不一定完全依靠其自身，實際上這和如今我們借助人工智能、知識庫加上大模型的方式是極為相似的。

隨著項目不斷深入，我們遇到了越來越多棘手的問題，這些難題在標準的知識庫中都無法找到答案。

這時候，我發現麥肯錫有第二個有力的解決辦法。他們邀請我到北京的嘉里總部中心，在那里開會幫我連線了一位在英國的專家。通過與專家進行互動交流的方式，來協助我解決這些困難的問題。

正是因為在參與項目過程中有了這樣有意思的經歷，所以后來我便走上了相關的道路。

當然，在這個過程中，知識管理是幫助企業如何去系統地沉淀、提煉知識，最終加以應用的，它屬于一個跨學科的領域。

每個人在學習過程中，必然會涉及知識的獲取與吸收，然后將其內化為自身的知識網絡等，最終能夠依據實際問題產出結果，以此解決難題，我們也一直在對這個過程展開研究。

后來我們發現，若想更高效地完成知識的生命周期管理，就需要對每個個體的知識進行系統性梳理，從而由個體知識形成組織知識。

在這個過程當中，我們遇到了諸多問題與挑戰，比如：怎樣能讓大家更便捷地檢索到知識？如何依據大家的工作場景，主動為其推送合適的知識？

20多年前，相關需求還比較樸素。但隨著需求不斷深入，大家就在想，檢索或者搜索，能不能更智能一些，推薦能不能更智能一些，于是我們便朝著相應方向展開研究。

到了近幾年，大模型橫空出世。在諸多重要的應用場景中，它恰好可作為一個很棒的外掛工具，能更好地支持我們更智能地檢索知識、回答知識相關問題以及進行知識的推薦。

這與我們當初夢寐以求的境界不謀而合，所以知識管理和AI自然而然地融合到了一起。

雖然這些工具和技術能給予我們強大的輔助，但我們不能完全依賴它們。我們自己若是坐在那兒不謀求自身發展，那肯定是不行的。

 

2.“ABC”知識觀模型

吳慶海：后來我提出了一個名為“ABC”的知識觀。 
 

“A”指的是AI，即“AI oriented”，也就是面向人工智能的知識管理；

“B”指的是“Business”，因為我們在企業里服務的主要核心是業務，所以面向業務這一點絕對不能被忽視，它是我們的源頭所在；

“C”指的是“Collective-wisdom”，意為集體智慧，這一點是回歸到人的本體。

以“A、B、C”作為三層結構，我將其稱作“一體兩翼”。具體來說，把“B”放在三角形的中間位置，“A”放在左邊，“C”放在右邊，這樣正好形成“A、B、C”的布局。

其中，“A”更偏向于技術方面，“C”則偏向于人（people），如此一來，“technology”（技術）、“process”（業務）以及“people”（人的集體智慧）就與西方管理中的流程、技術和人相吻合了，所以我覺得這個三角形架構很美妙。

 

3.知識管理兩件事：外掛與內化

田俊國：歸根結底，知識管理主要涉及兩件事，一是外掛，二是內化。
 

所謂外掛，就是借助當下的AI工具，像大模型等，它們可視為全人類的知識庫。不過，外掛這種公共資源大家都能使用，這時候就看誰的應用水平更高了。

而能否精準地提出問題是衡量應用水平的關鍵，并且能否提出精準問題，不僅取決于對工具的運用，也與自身的知識積累程度相關。

業務可以理解為知識管理的應用場景，它屬于外掛部分之外的另一個要素。還有人的整個內在的集體潛意識部分也很重要。

我們一方面要善于將一些核心技能真正內化為自身的能力，另一方面也要善于運用好外掛工具，而我們在這其中充當的是一個調和者的角色。

即便AI再厲害，若我們自身不具備與之互動的能力，那也是無濟于事的，只能是臨淵羨魚。

反過來講，與AI互動的能力，本質上對自身的學習力、模型提煉能力以及知識積累等諸多方面都極具挑戰性。

所以這兩者本質上是相輔相成的關系，并非此消彼長，不能因為有了AI就覺得其他方面不需要了。

隨著AI不斷迭代，我們自身也得跟著迭代，組織同樣需要跟著迭代。

早在20世紀70年代，麥肯錫基本上就已經實現了讓每一個小顧問的背后都仿佛有一個AI作為支撐。

只不過那時的“AI”不像我們如今使用的這般便捷罷了，但相關理念在那時就已經落地實施了。

 

4.組織進化，需要通用大模型、行業知識庫和個人知識庫結合

吳慶海：結合目前的發展態勢來看，在企業中，AI最核心的部分在于自然語言處理。它通過對文本進行加工、挖掘以及組合生成等操作，以語言的形式將結果表達出來，從而能很好地輔助我們。
 

然而，在通用大模型落地應用時，也出現了不少問題，比如會產生知識幻覺。當我們需要非常精準、權威的知識時，若大模型未學習到相關內容，就會一本正經地胡說八道。

目前在企業里，針對這一情況已有解決方案。由于通用大模型已學習了人類通用的知識，可作為外掛大腦。

但對于企業內部本行業、本專業領域的知識，外部互聯網是無法提供給大模型的，所以需要在企業內部再建立一個知識庫。

如此一來，通用大模型與內部知識庫相結合，便形成了現在所謂的RAG（檢索增強的生成）模式。

進一步將此邏輯延伸到個體層面，個體所擁有的know-how，即其最本質、最獨特的東西，并非通用大模型以及企業垂直領域知識庫所能替代的。

因此，我認為只有將通用大模型、企業自身獨特領域及行業的知識庫，再與個體自身內化為一個非常獨特的知識庫相結合，才是一種較為完美的結合方式。

 

5.再強大的外掛工具，都無法替代自身的學習

田俊國：本質上，我們需要了解AI工作的機理，并且要把自己的潛意識當作類似AI的存在，這樣才能如同與潛意識配合一般去更好地調用AI。
 

我認為存在這樣一種層級結構：意識、潛意識、AI以及人類集體潛意識。

若要練習與AI協同工作，首先就得練習與自己的潛意識協作。這個邏輯看似自洽，但關鍵在于要去實踐、去練習。而在這當中，我發現最為重要的一點是要信任自己的潛意識。

然而很多人并不信任潛意識，比如有些人做演講時要準備詳盡的逐字稿，全程都依靠意識在工作。

而我認為，比如在與人交談時，可以先明確自己要說幾點，拋出第一點之后，就可以讓潛意識來主導后續內容。

那些靈感、直覺的背后，也都是潛意識在起作用。不要以為只有意識具備建模能力，潛意識同樣擁有。就像俗話說的“熟讀唐詩三百首，不會讀詩也會吟”，潛意識看久了、經歷多了，也能理解并發揮作用。

吳慶海：這讓我特別有共鳴。古人講“內圣外王”，意思是要將內在和外在打通。

如今的AI等數據工具，大多都屬于外在的東西，而若要把內在也打通，就涉及潛意識或者集體潛意識了。

佛家講八識，前面的六識，是眼、耳、鼻、舌、身，再加上第六識意識，第七識和第八識就類似于潛意識或集體潛意識。 

 

三、人類學習力的奧秘

1.個體學習力

① 大腦的5大網絡

田俊國：大腦的構造極為復雜，大腦有前額葉、頂葉、枕葉等等，我們要把這些器官以一種更易理解的方式呈現出來，將其感知成人的某種狀態。
 

我在模型中將其抽象為5個方面：感知網絡、聯想網絡、決策網絡、反應網絡和學習網絡。

感知網絡與眼、耳、鼻、舌、身等相關聯，它們相當于我們感知世界的傳感器，這些傳感器又可以分為意識層面和潛意識層面。

也就是說，你能意識到的那部分信號是比較明顯的，但有時候你也會在潛意識層面去處理信息。

信息流和能量流也屬于感知的范疇：信息流，是通過語言來表達的內容；能量流則是通過肢體語言、語音語調等方式來表達的內容。

人與人之間的區別就在于感知方面，感知本身就像是一個過濾器。我所注意到的，你未必會注意到，因為每個人都會依據自己的專業背景，自動對信號進行過濾。

比如在一個房間里，一位建筑學家進來，馬上會關注建筑結構，而其它人不一定會去看這些。這就是不同人的感知網絡存在差異的體現。

聯想方面也是如此。當信息進入大腦后，它能激活大腦神經元回路中的某些信息，這就是每個人不同的聯想，而且每個人的聯想情況都是不一樣的。

比如有人問陜西的省會在哪？你會不假思索地說“西安”。如果我接著問，我的問題有哪些線索讓你想到“西安”？相信每個人都不一樣。

有的人可能想到涼皮、肉夾饃，有的人想的是大雁塔、十三朝，還有的人會想到兵馬俑。

當聯想網絡和感知網絡相結合后，才進入到決策。同樣的刺激，有人會悲觀，有人會樂觀，為什么？因為聯想網絡不一樣，決策算法也不一樣，決策完之后就會有反應。

所以，大腦就是這么一個由感知、聯想、決策、反應組成的循環網絡。當然，也有可能從感知直接到反應，那已經形成直覺習慣，也有可能感知沒有聯想和決策直接反應。

總之，大腦會有多種反應方式，但都離不開這四大網絡。

感知網絡、聯想網絡、決策網絡、反應網絡屬于工作系統，而還有更為高深的層面。

比如原始人打獵時，獵物跑了，他在樹根底下思考：要是在某個地方安排一個人堵著獵物，獵物可能就跑不了，但要是獵物把堵著的人撞傷了怎么辦？最后想到挖個陷阱。

這個思考過程就是學習網絡所做的事情，即對這四大網絡之間的配合、協作關系以及它們各自的反應能力進行不斷地復盤，然后實現提升，也就是進行學習并升級算法。

于是，我在這四個網絡之上，架構了一個學習網絡。通過這樣的方式，我將復雜的大腦架構成了五大網絡，其中四大網絡作為工作系統，而另外一個學習網絡則不斷迭代。

之所以要設置一個學習網絡，這涉及到教育學中的元認知能力，我把它抽象出來。當把復雜的大腦抽象成這五大網絡的時候，學習力模型也就自然而然地呈現出來了。

 

② ACCP模型

ACCP模型恰好與大腦的四大網絡相對應。
 

“A”代表“Absorb”，意為吸收，它對應的是感知網絡的活動，也就是進行知識的吸收。

“C”有兩個：第一個“C”（construct），是指建構主義的“建構”，它對應的是聯想網絡，強調在學習過程中通過聯想來建構知識體系.

第二個“C”（correct）是指決策網絡，意味著在決策時要有自己創造性的發揮，要能做出恰當的判斷和抉擇。

“P”則代表“perform”（反應），涉及到對知識的實際運用和做出相應反應。

我認為學習的重點在于聯想網絡和決策網絡，也就是兩個“C”。

衡量是否真正掌握知識有兩個標志：一是形成個人版本的理解，二是能夠進行個性化的應用。

即便把《道德經》背得滾瓜爛熟，也不一定真懂，必須要把它轉化成自己個人版本的理解，用自己的話闡述它在講什么，并且在遇到實際場景時能夠靈活變通地加以應用。

現實場景和書本上講的往往不一樣，沒有哪一種知識能夠不做任何改變就直接解決現實問題。

所有的現實問題，都得做適應性的改造和創造性地發揮，然后通過反應網絡，會得到獨一份的經驗。再通過個人的加工，把經驗轉化為個人版本的知識。

個人所形成的個人版本的知識相互交換后，就會匯聚成為集體智慧。集體智慧與個體智慧就是通過這樣不斷的交換而得以發展。

實際上，教學就是集體智慧在個體之間進行傳播的過程。

為什么要在個體間傳播呢？原因在于所有的經驗都無法直接從個體間進行復制，必須要將經驗轉化為結構化的知識，這樣才能夠在個體間實現復制。

教學本質上是一種結構化知識的傳播。然而，即便學習了結構化的知識，如果不能將其轉換成自己的語言，也就是沒有真正理解，沒有真正領悟。

若不能依據自身所處的場景進行適應性改造并靈活發揮，實現個性化的應用以解決問題，那就說明知識還沒有學透。而當通過知識解決了問題后，又會形成新的經驗。

由此可見，在學習的過程必然是按照這樣的流程進行：

第一，將公共知識建構成個人版本的知識，即實現知識的建構化；

第二，運用所建構的知識去解決問題，此過程就是將知識經驗化；

第三，經驗化之后再將其轉化為知識，然后再次知識化后的知識又能夠變成公共知識得以傳播，如此便形成了一個完整的循環閉環。

這種循環能力是未來個體必備的一種能力。如果你自身具備了這種能力，既能學會指導自己的潛意識工作的能力，又能學會指導AI工作的能力。這其實是AI時代的一個元能力。

 

2.知識的本質含義

① 知識不僅是內容，更是一個過程

吳慶海：我從事與知識相關的研究已經有20多年了，在這個過程中，我對于“知識”這個詞的理解也在不斷地迭代更新。
 

從名詞的角度看，大家通常會認為一本書、一個文檔或者一篇內容,結合五大網絡相關理論，我們發現知識更像是一種過程。

 

② “知”為客觀，“識”為主觀

田俊國：知識存在多種說法，有一種說法是：知識的關鍵在于“識”，“識”是個人對信息的理解。
 

以往我們普遍認為知識是客觀的，但其實不對，知識必定是主觀的，因為不同的人會有不同的理解，也就是說“知”可以是客觀的，但“識”一定是主觀的。

那么，知識能不能算客觀？當大部分人都認同的一種主觀認知，就可以勉強稱作客觀，也就是外界大部分人達成共識的主觀認知可相對視為客觀。

而一個人對于知識本身的理解和定義，會決定其在知識管理或者教學當中所采用的套路、打法以及具體方法。

真正的專家都有一個特點，特別擅長追問第一性原理。他們總是在默默深入地思考工作相關的問題，他們看待事物永遠比普通人更加深刻、更加透徹。

 

3.AI，顛覆和重構教育體系

吳慶海：我想從兩個方面來談。一方面，知識有一種定義是“有效行動的能力”，這和現在所說的反應網絡（基于問題作出反應）從應用角度來看是有一定道理的。
 

另一方面，我們來看看ChatGPT，它對之前的教育體系來說是一種重構。

以前我們的教育體系是：每個人從出生開始，歷經小學到大學，要花費很多年去學習知識，而且是非常體系化地進行知識灌輸，至于這些知識在大腦里形成什么樣的結構，我們并不清楚。

但是ChatGPT就不一樣了，它并不遵循標準的知識體系。只要你基于某個問題提問，它就會給你一個答案。

這種對知識的顛覆和重構，會對我們傳統的教育或知識體系模式產生重大的反向沖擊。

田俊國：現代教育其實是一種進化與退化并存的方式。為什么這么說？進化和退化是相互關聯的，有進化就必然會有退化。

在教育過程中，我們往往想要強化一種固定的反應模式，然而這樣做的同時，就把其他的可能性全部扼殺掉了。

所以，進化和退化是同時存在的。我們在成長的過程中，實際上是一邊在進化，一邊也在退化。不要以為成長就完全是進化。

老子說“物壯則老，是謂不道，不道早已”，意思是事物發展到強盛之后就會走向衰老，很快就會消亡。

其實人的成長和成熟，有時候意味著思維的固化，一旦這種固化形成，人適應社會變化、適應外部環境的彈性就沒有了。

學習實際上是一把雙刃劍，它既有積極的一面，也有消極的一面，這一點我們必須要理解。

就像我們現在討論的ChatGPT，它有一個優點，就是能夠最大限度地克服學習過程中讓人形成固化反應模式的弊端，因為它自身是在不斷地迭代更新。

人也需要不斷地迭代更新自己。有句話說得好，如果你不覺得年初的自己像個傻瓜，那就說明你的進步太慢了。

 

4.組織學習力的SECI模型

吳慶海：能夠說出來、表達出來的知識，只是我們對知識客觀表達的一種方式。通常來講，能夠用字符串、聲音、圖像等方式表達出來的知識，就是一種顯性知識。
 

SECI模型由日本著名學者野中郁次郎提出，他被譽為知識創造之父。他認為知識創新的本質，是始于個體與個體之間隱性知識的共享與交換，這就是“socialization”的含義。

在SECI模型中，第一象限就是“S”（Socialization），是隱性知識社會化、社交化的層面。就如同我們今天在交流過程中，其實是在調動我們的潛意識，把隱性知識激發出來。

所以，現在不可能有人獨自閉關修煉幾十年成為高人，因為知識強調的是多個人之間相互的激蕩和碰撞，只有這樣才能產生真知以及更新的東西。

第二象限，“E”，即“exteriorization”（外顯化）。把我們隱性的東西表達出來，而外顯化的過程，是衡量一個人能不能把知識講得透徹、寫得好、說得明白的真正關鍵所在。

在這個過程中，我們經常會通過復盤、知識萃取等方式把隱性知識提煉出來，這既考驗我們個體知識素養的高低，也是考驗組織能否把這些隱性知識提煉出來的水平。

當然，一旦形成了文檔、書籍等，那就已經完成了顯性化。

第三象限，“C”，即“combination”（組合化），我們大部分知識庫、信息系統的建立，主要都是在這個象限上下功夫。

第四象限，“I”，叫做“internalization”（內化的過程），也就是要將知識內化成自身的能力。

我們常常會有這樣的疑問，為什么學習了那么多知識、讀了那么多書，卻還是過不好這一生呢？這就要看內化有沒有做好。

一千個人腦子里會有一千個哈姆雷特，一千個人腦子里會有一千個林黛玉，因為每個人大腦結構的五個網絡存在差異，即便接觸了大量外在顯性化的信息或知識，但每個人大腦的結構完全不一樣。

當一個人在知識的快速迭代過程中，速度和力度都能達到一定水平，就能夠慢慢從泯然眾人中脫穎而出，成為高手、專家、牛人。

這就是我所理解的SECI模型，從組織高度去看時，與知識管理模型之間產生的一些共鳴之處。

 

四、學習力躍升，像AI一樣迭代

1.AI學習力的核心：算法、算力、數據

田俊國：人工智能如今厲害之處主要體現在三條。
 

其一，它永不知疲倦，能夠24小時不間斷工作，無需吃飯也不用發薪。原因在于它在知識轉化方面表現出色，能將“C”（顯性知識）高效地轉化為“I”（內化知識），工作的同時就在學習，學習能力很強。

其二，它在“S”（社會化、共享隱性知識）方面也極為厲害，一個終端積累的經驗能在其他所有終端馬上實現共享。而在人類社會中，人與人之間經驗共享存在很大門檻，包括語言等因素的限制。

其三，人工智能在這些人類學習的環節上能夠進行諸多簡化。基本上所有終端的數據都會積累到后端數據庫，經驗積累也是如此，并且它能帶著算法開展工作，實現從“C”到“I”的無縫對接。

然而，自然人通常是工作與學習分開進行的，會覺得工作只是應付任務，不像人工智能那樣工作即學習。這就凸顯出碳基生命（人類）與硅基生命（人工智能）在這方面的差距。

人工智能最重要的要素無非是算法、算力和數據。

對于自然人的學習力而言，算法可以理解為做事情的各種方法論、套路，比如PDCA等，這些都可視為個人的算法。

但很多時候我們解決問題依靠的是經驗，當遇到突如其來的問題時，可能不會快速提取出一個既定算法，但往往會冒出靈感。

所謂靈感，其實就是潛意識的建模，就如同“熟讀唐詩三百首，不會讀詩也會吟”的道理。因為潛意識已經把詩句模型化了，只是沒有將其提煉成諸如平平仄仄這樣作詩的具體套路。

當閱讀積累到一定程度，即便沒有明確的作詩算法，也能依靠感覺對字詞進行調整。這說明當一個人有豐富經驗時，在沒有現成算法的情況下，數據本身就能堆積出一個算法。

這也反映出如今學習存在的一個麻煩之處，在課堂里老師教授的多是算法，但老師幾十年的經驗卻無法一一傳授給學生。

而且，算法看似有套路可循，但老專家解決新問題時，依靠的往往是自身的數據（經驗）。一旦用經驗解決了具體問題，經驗就可以轉化為知識。

 

2.多對話，提升潛意識的原動力

田俊國：維果茨基說：所有的學習都是兩次登場的，一次是個體間的交流過程，一次是個體內的交流過程，而對于個體來講，個體內的交流過程才是學習發生的最后一步。
 

不管別人說多少、怎么說，最終是否采信在于自己，只有自己采信并內化成自己的理解，那才是真正的學習發生。就像杰根的那句名言：“我說的每一句話都沒有意義，除非你認為它有意義。”

也就是說，我們自己才是學習成果的最終裁判。

哪怕把老師講的內容背得滾瓜爛熟，如果沒有內在的個體內對話，那也只是機械的反應，個體內對話才是學習真正發生的“最后100米”。

所有的個體間對話往往又是由個體內對話引發的，比如我要和別人講事情，先要在潛意識里打個腹稿。

要學會運用潛意識開展工作，是存在一些有效秘訣的。

比如備課這件事，幾個月前就可以給潛意識下一個“錨”，明確設定要解決某個特定問題。

當這個“錨”下好之后，潛意識便會持續不斷地進行醞釀。經過較長一段時間，可能突然在某一天就會迎來頓悟時刻，問題的解決思路一下子就清晰了。

 

3.構建場域，激發學習力

我現在特別強調“場域”的情況，就像我們現在聊天這樣，一開始可能以信息流為主，大家比較拘謹，等慢慢放開了，想聊什么就聊什么，這就達到了一種比較暢快的狀態，可稱之為“場域”。
 

而場域是有其特定定義的，人其實存在兩個最基本的狀態：一種是“我”的狀態，就是還比較關注自我；另一種是聊著聊著把“我”忘了，只剩下“我們”的狀態。

在集體決策或者集體學習的場域中，對最終學習成果的質量影響非常大，因為它既會影響每個人的心情，也會影響每個人的能量狀態。

影響決策質量的因素，往往并非僅僅取決于信息量是否足夠。我個人認為，至少有兩個因素是對半分的重要程度，那就是人的能量狀態以及信息量。

當人們處于低能量狀態時，會激活戰斗逃跑模式，也就是會激發“小我”，每個人都在盤算自己的小算盤，只為自己的安全感考慮。

在這種情況下討論問題，很難做出對集體更好的決策。大家都會借著事情本身，把自己隱藏層里的利益和訴求隱藏起來，說一些冠冕堂皇的理由，如此做出的決策往往就會偏離正確方向。

相反，當大家處于高能量狀態時，就會想著怎樣能讓組織變得更好。不過這里存在一個風險，就像《烏合之眾》所說的，當群體處于高能量狀態，一人帶起節奏時，群體越大越容易出現問題。

大家可能都在跟著考慮同一件事，而這時候智商可能會變得很低。比如大家一呼百應，就變成了烏合之眾，所有人的智商瞬間變為零。

所以企業家在經營組織的時候，一定要把信息充分和能量狀態這兩個因素結合起來。有時候能量太高會變成亢奮狀態，一呼百應，容易出現問題；而有時候信息不充分也不行，也會影響決策質量。

這兩個場景需要經常交替出現，有時需要大家狀態高一些，但狀態高的時候智商又容易喪失，有時又需要信息充分。

對于個體決策來說，在決策的那一剎那，也要問問自己當下的狀態是高還是低，因為狀態太高容易亢奮而出昏招，狀態太低也不行，所以影響決策的主要就是這兩個維度。