AI 时代，普通人如何用「提问」逼近天才的认知密度——从杨植麟本科演讲说起

看完 Kimi 创始人杨植麟 2014 年的本科毕业演讲感觉有点恍惚AI 缩小了获取答案的差距但放大了提出好问题的差距。一、残酷的事实差距在问题不在答案杨植麟本科期间的路径清华年级第一大二进数据挖掘实验室一年内发表 KDD/WSDM/CIKM 三篇顶会一作主动学习算法节省 95% 标注成本数据流算法被腾讯/华为采用普通人的路径工作 5-8 年解决业务问题偶尔接触新技术用 AI 辅助写文档、生成用例、查资料两者的差距不在智商在问题暴露的密度和反馈循环的速度。杨植麟在 20 岁时每天面对的是这个算法为什么慢 100 倍这个数据分布为什么不符合假设这个预测误差从哪来他被迫建立了从现象→抽象→建模→验证的完整闭环。而大多数职场人工作 10 年可能只在这个闭环里跑了 3-5 次。AI 给得了答案但给不了这个问题值得被解决的直觉。二、 AI 给了普通人一个作弊器我们没有清华实验室但可以用 AI 来人造问题密度。核心思路不是问 AI 怎么做而是让 AI 帮你看见你原本看不见的东西。方法一认知升维——从执行者跳到设计者普通问法这个 Bug 怎么修升维问法假设我是这个系统的架构师应该在哪些环节设置防穿透的校验点请从数据流、模型层、工程层分别分析。如果我是这个产品的竞争对手我会怎么攻击这个系统的弱点列出 10 种攻击路径。把这个 Bug 放在整个产品生命周期里看它在哪个阶段最容易被引入、哪个阶段最容易被发现、哪个阶段修复成本最高区别普通问法给答案升维问法给地图。方法二跨域嫁接——把别的领域方法论搬过来杨植麟的核心能力之一是跨域迁移。AI 让普通人也能玩这个游戏软件工程里的契约式编程思想怎么应用到 AI 评测的数据集设计中医学里的双盲实验能不能用来设计 AI 模型的回归测试金融风控里的压力测试怎么转化为 LLM 的对抗评测AI 读过全人类的知识它能帮你建立你这辈子都不可能自己去建立的连接。方法三反共识推演——逼自己看见反面我现在用不变量断言做自动分桶请列出 5 个这个方案必然失败或产生严重偏差的场景。假设我是一个坚持传统手工测试的老派测试经理他会怎么反驳我的 AI 评测方案请帮我把反驳做到最尖锐。能在攻击中站住脚的观点才是你真的理解的。三、一个可复用的提问框架建议收藏表格层次提问模板目的L1 事实层XXX 是什么怎么做获取信息最浅L2 结构层XXX 由哪些要素组成它们之间什么关系哪个是瓶颈建立系统地图L3 反事实层如果不做 XXX会发生什么如果反过来做呢突破默认假设L4 元认知层我为什么觉得这个问题重要我漏掉了什么视角如果我是 3 年后的自己会怎么看待这个问题校准问题本身工作中应该少用 L1多用 L3 和 L4。四、每周 30 分钟的非功利性实践不需要多每周抽 30 分钟做一次认知扩展对话选一个你最熟悉的工作问题比如Agent 幻觉让 AI 从 3 个不相关的领域医学、金融、军事、生物学来分析这个问题记录跨域洞察哪怕听起来荒谬挑一个最能启发你的试着迁移到工作中这 30 分钟不做任何产出不做笔记不追求正确。唯一目的是强迫大脑建立新的连接。五、结语杨植麟的看见本质上就是大脑里有太多跨域的连接点。我们没见过清华实验室、没见过斯坦福、没见过 KDD 审稿人。但 AI 见过。AI 读过他读过的论文理解他理解过的算法甚至能模拟他思考问题的风格。你不需要成为杨植麟你需要成为会用 AI 来扩展自己认知边界的你。差距永远存在但 AI 给了一个以前不存在的杠杆。用得好你能从执行层跳到设计层用不好只是多了一个更快的搜索引擎。选择权每天都在重新选择。