为什么想写这个问题？
尽管过去了很多天，我还是觉得Y同学的那句话挺有意义“善用AI的人，将会对不会用AI的人，造成难以逾越的能力鸿沟”。这个问题之所以萦绕几周，这里是有几个问题要思考：（1）.在技术平权后，究竟什么才是“出乎其类，拔乎其萃”的关键？这就是我和老婆大人思考闺女如何在内卷的时代，脱颖而出的关键—反正平面设计、写作、翻译等很多工作都可以由AI来干了。并且，大家都有这个工具，那究竟什么是人与人真正的差异之处？ （2）.大学的教育究竟怎么样才能改变？应对未来AI带来的冲击-这是我和冰老师、戴老师探讨的话题。（3）.我们究竟如何应对这种变化的世界—它迭代太快，对于一个自动化公司，一个装备企业，一个生产企业，究竟怎样才能在这种快速变化的世界里生存？
在飞机上顺了份报纸
2月24日，在去广州出差路上-上飞机前的报纸栏有一份《环球时报》，看到一篇由北京邮电大学人机交互与认知工程实验室刘伟教授写的一篇《从技术到伦理-破解AI“说谎”难题》，觉得挺深刻的。概括来说，AI在以“客户满意度”目标设定下，其“多内层神经网络中非线性复合函数”机制（它会造成参数权重分配不可解释的根本原因，以及词频共现黑盒生成文本—而费理解语义真伪的原因），结合为了“逻辑自洽”，以及语料本身的质量导致了其产生“幻觉”—AI说的似乎是对的，但却脱离现实的情况。工业里打上时间戳就在于解析“基于时间的事件发生的因果链”判断，就像很多年前与试飞院的专家聊到机载数据的时序分析就是为了记录在时间轴上事件发生的顺序-但如果在网络里的文章、数据没有时间或无法提供时间标记的时候，AI如何获得这种判定的有效性就会成为难题。
图1-环球时报的一篇文章
这就是它在形似而神不似—它满足了形式意义的逻辑自洽，但这并非是其真正意义的思考过程。必须承认的是，就纯技术视角来说，目前AI的这种推理的架构和语言呈现，已经超越了大部分人的思维也是现实—进步肯定是极大的。
提问是批判性思考的关键实践
我挺感兴趣《批判性思考》这个话题，因为实在是感慨于“思辨的匮乏”—相信刷视频号/某音的人会特别有体会。但是，我刚开始就有个困惑—这个批判性思考，是否比较难以训练？
这就像大家读书时候，提高数理化分数还是相对容易，而语文、音乐这种就不是那么容易。我想谁会在自己思考的过程中，不断去按照一个“目的、方法、逻辑”按部就班去形成一个合理而又高效的思考路径呢？这个东西似乎也没法“教”—你总不能拿不同的事情来给大家来讲，我知道有些博主还挺想讲“批判性思考”—或者“逻辑谬误”这样的话题。
前几天，与郭老师闲聊，他把一份DeepSeek教程发给了我-我一看，原来就是Y同学在2月6日发给我的那份，据Y同学说，这个教程是2月4日新鲜出炉的。我居然没有认真看，但郭老师说他研究了一番，我就赶紧快速浏览了一遍。然后与郭老师聊到了“提示工程”—这个DeepSeek里的关键话题。
图2-清华大学DeepSeek培训2月4日版关于AIGC时代必备技能
这篇培训通篇主要是在提示词、提示策略和方法上的分析。当然了，本身—这反应的是人如何与AI进行交互的问题。这已经很进步了，从输入0/1代码的汇编语言，高级语言的前面历史里，我们都必须给计算机非常精准的，受过专业训练的程序指令和数据。现在你都可以说的很模糊了，大致，AI已经在帮你分析了—这个进步显然是巨大的。
AI与批判性思考的相遇
在我看来，批判性思考和AI在这里相遇了—提问的问题。就是说，如果你能够提出好问题，就说明你具备了真正的批判性思考能力。那么对于AI同样如此，如果一个人，他本身缺乏思辨力，那么，他就很难用好AI。
记得很早以前，在Google当时还可以用的年代，我曾自诩为Google专家，因为我特别了解如何去用组合词构成一个提问，以让自己快速搜索到特别有利的结果。当然，这个不能建立在像某度这种烂搜索引擎的基础上。顺便提一句，我这辈子最鄙视的公司就是这家公司-因为，在我的世界里，该公司属于科技界的耻辱—即使那些那些吹牛逼的新势力我都还保持些许敬意。我最初用Google，在Google被关闭的时候有朋友给了个使用的号称被俄罗斯黑客破解的Google使用通道，后来也用不了了，就开始用Bing，我除非迫不得已的情况才会用某度。
我用搜索引擎除了擅长于关键词的组合外，有几个地方我觉得可以分享一下：
1).用PPT/PDF放在最前面，这样可以搜索到很多会议的讲稿、PDF文件的论文等资料，这样的好处是你可以直接找到完整的资料，而非碎片的网页文件，适合于下载阅读和保存。通常我会将原文中的图片、结构图等直接重新绘制，或翻译后绘制。这是我平时做报告的讲稿素材来源。
2).在Bing的Image里搜索—先搜索图片，因为图片最为直观的介绍某些技术的原理，构造，机械结构等。或者咨询公司的数据报表。然后打开这些图片的对应链接，这样就能找到比较好的原文阅读。
3).鉴于中文网络的内容匮乏性，尤其是在科技领域，因为很多较为前沿的素材都来自英文的资料。因此，一般会采用英文搜索会比较简单。但是，对于英文资料-我也是快速阅读。
快速阅读最好的办法就是看图标，因为图表是高度浓缩的知识。
那么，在AI时代，我们如何更好的向AI提出问题，其实，本身就是如何“批判性思考”的问题。基于批判性思考中常见的几个问题，目的的清晰性、假设的合理性、数据的准度与精度、数据与目的的相关性重要性、思考的广度与深度等，我们取其中几个问题，结合AI来思考。
目的是否清晰—就是究竟我们想干什么？
对，我们想干什么，听上去，这不是废话吗？我们想干什么还能不清楚—但就现实的人和人沟通的现实反馈告诉我们，这可能并非是件容易的事。
平时我们是不是会遇到这样的情况：一个人在跟你沟通中，他表达不清楚，让你稀里糊涂—这个人，他究竟想说什么呢？
这种情况一方面在于，他可能想把真正的目的隐藏。当然，这个就不在讨论之内。另一个方面通常就是“没有想清楚”，想不清楚，就会问不清楚—因为，问题若是想清楚，就会提问很直接明了啊！
DeepSeek好的地方在于它会去判断“隐藏的目的”—这是让我吃惊的地方。但是，如果你问的特别清晰的话，AI就会更好的帮助你。
如果我们不知道我们要干什么，就无法更好的应用AI。这就是目的的清晰性—或者，即使你心里是有目的的，但你能否用清晰的语言表达呢?我们人和人之间这个沟通还时常让人感觉费劲，更别说让机器理解你的意图—人还能揣摩揣摩你的表情和动作，AI只能看你输入的指令和提问字符。
假设是否合理？
如果我们设计一个产品、解决一个问题，他都是基于一个合理的假设前提，就像经济学要基于“理性人”这个前提。工程设计要让多个变量中其他不变这个前提来测试某两个变量的因果和相关性。
这种常用的测试分析肯定是基于你能将其它变量静态，实际上也很难。其次，对于很多数据分析的问题，也是基于“假设性”—因为存在你想要的是无法测量，只能依靠其它的数据来寻找其因果性或相关性。而因果性则是具有时序上和累积量的有效性来判断的。通常，因果的问题一般早早就被发现了，相关性的分析本身就需要建立在这些非直接数据的潜在相关性这个假设前提下的。
AI应用的整体构造—它就是基于合理的假设，或能够构造的相对静态的其它变量。否则，你就无法做出判断—例如，这个所谓的静态变量其实它也不是静态的，而你没有给他做出变化的测量，意味着你所有的这个分析过程可能就是虚假的或者根本没有意义的。
数据的准度与精度
基于“事实与数据”-本身就是我们日常批判性思考的基本素养。那么，数据本身就会存在着精度和准度的需求问题。
图3-准度与精度的关系
我本科这个专业就是“检测技术及仪器仪表”—我就记得有一门课《检测技术》，学了一个学期，半个学期老师在讲“信号干扰”的问题，枯燥又乏味-实在无聊透顶。但是，我还是知道基本的问题，就是信号处理，这个也不像我们想象的那么容易—尤其是在制造业的场景里。谁也不能认为数据就是那么容易获取的。否则就不会“信号处理”这种专业课。
如果我们把现场的称为周期性控制，和全厂的称为“计算”-但是，其基本逻辑都是基于“检测”、 “反馈”、“分析”、“执行”的大闭环思维里。因此，测量及信号处理，本身就是我们需要解决的基础问题，不管是制造业的高精度测量还是运营场景里的模糊数据，或者极低周期还是长周期的应用，它本身对于数据的测量都是高要求的。
精度和准度，就是基本要求，其实，在批判性思考里，精度和准度同样也是基本要求。在这些问题上，各个学科还是具有一致性的思想的。
既然AI基准就是数据的处理问题，那么，数据本身的定义，以及采样、处理就很关键。我记得像这种小信号就很容易受到干扰，难以检出。就像在预测性维护的AI应用里，其实，故障信号其实就被淹没在各种信号里，那么如何检出这个信号，并做有效的处理—因为，从信号到数据，再到信息这个过程，并非是很容易就构成的路径的。
信息清晰且关联性
数据就会形成信息，数据真的能骗人，就像某位朋友发圈说某移动服务在结束后会让用户对服务满意度评价。选1是满意、选2是7-9分，选3是5-6分，但是，如果你选了3-那么系统会让你重新评分。好吧，你只好选“1”—那么这个用户满意度，就是一个虚假的满意度。因为它在诱导或强迫你选满意。
就像很多市场调研，都是“事后诸葛亮”，在《光环效应》一书中，作者谈到很多咨询、培训机构告诉你什么才是企业成功的关键。销售培训和咨询的就会用一份报告向你说“70%的组织成功在于销售管理”、如果这是一家人力资源咨询公司，它就会告诉你“公司成败的关键在于人力资源的战略设计”，你要是碰到一个法律事务所他们就会说“合规是企业基业长青的关键”，市场咨询的就会说“准确的市场定位是成功的一半”。每个人都会用数据告诉你，什么才是成功的关键。
《光环效应》这本书不是那么推荐阅读—因为它会让你看透世界的表演本质，真的是草台班子才能更好的生存。
就像前段时间，DeepSeek等六小龙取得了成就，据说南京市就问为什么这六小龙不会产生于我们南京？在我看，这就是个伪命题。其实，你若问杭州究竟怎么孕育了这些公司，它可能也不知道为什么？因为可能他们就是纯然的“无为而治”。然后，一帮博主就开始为杭州找这个成功的原因。
为成功者书写故事，那本来就是“喜闻乐见”的工作—要知道，去年我在上海图书馆的书架上还看到了三本跟许家印相关的歌功颂德的书，现在想想这些作者可真是尴尬啊。
深度-工程问题的复杂性
思考“背后”的问题，抽丝剥茧，一层层的分析问题背后引发的原因，本身就是批判性思考的能力。当然可以借助“鱼骨图”这样的工具来干这个活。
那么，在AI的引用中，我们就会需要层层的设计出好的问题，剥丝抽茧的方式来获得问题的有效答案。
对于制造业，同样，我们需要AI帮助我们干的是“背后隐藏的问题”—它不能停留于表面。我们反复强调，工程的问题就是有一个“未知之幕”。例如，我们会发现，印刷的质量总是不稳定，但是，究竟是什么造成这个问题呢？是材料的弹性变形特性、机械结构造成的摩擦力、压印力、轴承跑偏这样的问题，还是油墨的粘度、干燥的温度、机组间气流的扰动。如果我们再进一步发现，那具体到了干燥问题，继续深入就是热传导、热场分布、烘箱的热消散、或者加热与材料特性匹配问题、还是电气控制问题，比如检测的精度与响应时间、加热/冷却的占空比...究竟是什么问题。要一层层的去分析—但是，这个如果我们去引导AI的话，那就要为这个问题构造一个数据采集、数据处理、分析的策略。不管是设计采样频率、采样精度、采样的时钟、数据集的相关性预测，以及数据处理、传输。然后选择合适的算法/模型，训练这些数据，并对数据训练过程进行监测，调整参数，进行降维处理等等一系列问题。
那么，如果说我们缺乏对这个过程的理解，对可能的因素的把握，那么，我们就无法告诉AI如何去做这件事。
即使现在常用的缺陷检测，在工程上同样是非常依赖于人的经验的—例如构造视觉系统所需的工程知识。我们要检测的对象它分为各种复杂场景，例如：透明的物体（薄膜、玻璃类制品）、表面强反光的（金属材料）、对比度极低（缺陷与背景色高度近似）的，那么，如何配置视距、频闪、强度、采样窗口等就成为了问题。
图4-常见的视觉照明场景设计
似乎在图像处理这个领域，消费市场的AI应用能力更强，普通的手机扫码在各种场景它也能识别，不管是运动状态还是晚上的黑色环境里。但是，这基于消费市场的大量场景的经济性，为手机这样的数以亿计的产品设计图像处理软件带来的回报就会很大。而工业里碎片化的市场里，各种复杂的场景远大于消费品—比如焊接中的超强光，更高的测量精度需求、更为快速的响应能力需求等等，这些又是工业里的尴尬—要求特别高，但似乎又需求不是那么大量。
回到AI话题本身-就是制造业里的难题在于，如何为特定的碎片化场景建立构造这个AI应用，本身就是特别依赖于机电软耦合的工程经验和能力的。
因此，对于制造业的AI更难—它更为依赖于工程经验和知识。而这个就是工程本身的复杂性，机械、电气、工艺的高耦合，以及在每个维度细分的更深维度的问题—它构成的问题空间极为巨大，且未知，如果没有深刻的了解和专业的精深，它很难利用好AI。
广度-如何建立约束
广度，其实就是我们究竟在多少个维度或视角去看待问题，我们是否有更为全景的分析这个问题。就像，我们分析历史，可以从经济学视角、体制架构、技术背景等多个视角，才能全貌的看清问题。在单一视角下，虽然深度可能是够，但并不是唯一的视角。
不管是在日常的消费和商业世界、还是在制造业的细分世界—广度的必然需求在于，世界本身就是一个复杂系统。因此，思考问题缺乏广度，就会缺乏对足够的问题相关性的理解—那同样无法用好AI。
深度与广度要有平衡-否则，就会资源消耗很大，因为在广度上和深度上构成的问题空间会让复杂性继续增强，而解耦会要求更大的算力和资源。
广度有一个重要的考量—就是约束条件下的工作问题。AI也是要在约束条件下工作的。包括AI的工具的使用能力边界。作为AI的使用者，它同样要清晰理解。
相关性问题
在制造工程里，AI的作用更多的来解决“相关性”的问题，而相关性这件事情本身却又特别依赖于人的判断—也即，我们要给出方向。
工程就是这样，对于任何制造工程而言，关注的核心问题就是质量、成本和效率的问题。那么，引发质量的问题，它必然会有人机料法环测这几个方面的因素—但工程师要给AI这个相关性的判断，并规划相关数据来进行分析，并经由AI的算力来获得这个“知识”—所谓知识，即对这个事物背后的因果和相关逻辑的理解和判断。
基于这个基本思想，我们可以理解AI对于相关性问题的判断，本身就是需要人给予指导。
其它关于批判性思考的论述就不多言，只是—清晰的观点在于“批判性思考”仍然是让我们能够更好利用AI的基础能力。
什么让我们脱颖而出？
综上所述，在批判性思考这个话题里，提问就是关键训练，而在AI这个应用世界里，同样，具有批判性思考—能够去清晰的表达问题、理解数据背后的大逻辑、思考各个维度之间相关性、数据与目标的相关性、数据的准度与精度需求、构造问题的层级架构、给出合理/公平的评价，才能更好的使用AI，让它成为我们的好工具— “君子生非异也，善假于物也”。
当工具平权的时代，我们都要思考一个问题--既然大家都能使用AI这个工具，什么让我们脱颖而出？
