当年初的DeepSeek火爆开始，在使用了后，其实个人最深的感觉反倒在于“AI时代对于批判性思考能力要求更强了”这个点上。因为觉得这个时候提出好的问题可能比会用DeepSeek更为重要。刚好我这里后续要讲一个话题，我就花费了点时间把这几个问题梳理了一下，当然，我也和Kimi同学聊了一会，它也给了很多真知灼见。
批判性思考
我一直觉得“批判性思考”这个词翻译的真诡异，其实批判性思考并不代表一种“质疑权威”、“杠精”、“挑刺”、“怀疑一切”、“对抗”—它其实定义可以理解为，你有目的的思考，观点要明细，对问题的清晰定义、假设的合理性、概念的清晰、信息的广度、精度有较高的要求，逻辑严谨，结果有意义。
图1-批判性思考的思维过程
比如评价你是否有批判性思考，它的标准根本就不是你是否质疑、对抗别人，而是指，你的思考在以下几个方面是否符合基本的诉求。
训练批判性思考的话，其着手点在于训练“提问”—提问这个事情特别的“专业性”，尤其是那些从事咨询行业的专业人士，则体现得更为明显。专业的咨询顾问总能在开放与收敛之间来实现对问题的清晰界定—找到了问题，则好解决问题，用电影《年会不能停》里Mark的一句废话“解决问题的关键是找到关键的问题”。
图2-批判性思考的评价标准
比如，我们参考批判性思考的评价标准，我们来梳理日常的无论是销售工程师还是技术工程师在解决问题中的那些需要达到标准的沟通作业。
清晰性
在比较多的时候，提供服务的广告公司还是提供技术方案的通常会觉得似乎“需求并不清晰”-其实，问题并不清晰是个很常见的事，这也没什么抱怨的。这个时候要借助专业的提问来把问题澄清。
->需求本来就是模糊的，比如 “快一点点”、“好用一点”；根本就没有清晰的量化指标；这就是问题的精度不够，或者准度不够-精度是什么？准度又是什么？
图3-精度和准度的差异
->对可实现性不清楚，比如用户非你的专业的话，它对你的专业能够实现的边界并不清晰，以及综合来考量-复杂的考量中的各项决策因素的关系通常纠缠在一起的。比如对方并不清楚这些实现方法之间在时间消耗、复杂性、可维护性、综合成本、寿命等多方面的权衡中的最优解是什么？这都需要清晰的边界来定义，以获得比较合理的方案。
->没有可参考的，比如纯粹的全新设计，也没有可参考的；或者这个需求来自于一个指令，他们也并未理解透彻，很难把一个事情讲清楚。甚至需要的是一个“灵活”具有“动态”应变的权衡—或者在多个可能的方案中进行决策的灵活应对。
深度-不要停留在表面，要去思考背后的逻辑和机理—这些深度需要再一次去挖掘，因为停留于表面的结论并不能真正解决问题。
图4-深度分析的策略层级及逻辑脉络
总之，批判性思考的提问训练是通过有序的、结构化的提问来深度发掘问题，并为问题寻找综合优化的答案。
FDE是技术也是顾问
最近老看到关于Palantir的话题，Palantir比较强的是FDE-当然这种模式我们比较熟悉，当我和同事们转发Palantir的FDE模式的时候，他们第一反应是“这和我们很像的啊！”—其实，这就是一个问题，Palantir的FDE其实很难学习，因为这是一个投入很大的，必须有极强的Engineering的咨询和工程能力的。
这里的“咨询”在工程里，不是简单的咨询公司的咨询，而是一种挖掘潜在需求的能力，并将这种需求与实际的技术实现结合，并最终以模块化的方式进行封装，进而批量化。
因此，对于工程师来说，它的强大在于具有咨询能力，而这又是“批判性思考”来对问题进行澄清的过程。
大模型的提示工程(Prompt Engineering)
其实在大语言模型里，“提示工程也成为了关键”-就是人与机器的交互问题。
提示工程被Kimi定义为“模型能力边界进行精准雕刻的唯一软接口”—这个话特别有意思。就是你让大模型发挥的好，你得通过这个Prompt Engineering来进行这种调校。
首先，我们说LLM它的训练基于概率性，它本身不具备目标、意识和理解能力—提示就是要消除模糊性，你对你想问的问题范围、约束条件、方向、角色的提示越清晰—它就能在巨大的概率空间获得高信噪比的答案。
其次，提示工程也是解锁它的能力，因为，如果问题更为清晰，就可以唤醒那些AI的潜能，你以为做不到，其实它可以。
图5-提示工程的几个常见作用（根据KIMI的解读）
提示工程可以让问题更为清晰，思考的更为完整、输出更为精准，精度指可量化的，而准度则包括它没有“文不对题”，在靶子上。
经济性更好-提示工程会让不要把精力浪费在不必要的事情上，越模糊就会消耗资源越大，经济性很差。要有很好的目的性。
相关性-其实，你搜索问题，必须清楚问题之间的关联性，你才能问出合理的问题。但是你得了解相关性是哪些思考的维度？
比如，我们要利用AI来解决聚合物成型，如塑料的注塑、挤出、吹瓶、吹膜的过程的控制，则需要了解它的特性—这个特性才能让你去构造合适的数据采集、分析、以及希望得到的相关性关系的曲线或参数集。上表也是基于KIMI的总结-我想他符合我们对聚合物成型过程中的理解。
你去问AI，就得知道怎么问它，才能获得最好的答案。
因此，在于未来，我想对每个人用好AI，就得更好的掌握这种批判性思考的结构性、标准，以及问出好的问题，当AI能够为我们提供知识的快速检索、输出的时候，我们要干什么？
1).人要思考价值输出—我们究竟希望AI解决哪些问题？例如，写一篇文章，我们思考的是读者想获得什么，我们如何让他们获得这些价值的东西—为什么我们可以输出这个，而别的人他同样可以用AI却无法去解决的问题？批判性思考称之为目的和意义。
2).我们要为其构造相关性-哪些是和这个目的相关的话题，我们要按照什么样的层级和结构来解析，让AI为我们来获得相关的信息，以及做相应的分析。这就是关于相关性，重要性的话题。
3).精度和准度的问题-我们希望他达到的精度取决于我们为它提供的提问的严格定义，使得它能够去按照我们所要求的准度和精度来进行检索、梳理和推理。
4).深度和广度-这是AI可以给我们最显著的贡献，它扩展了我们的边界给了我们启发，我们要用的是它的这种在更为广泛的世界里获得信息能力。深度则是通过层级的挖掘提问来让它进一步去思考和寻找数据、证据来反馈。
5).清晰与明确的问题界定-如果问的模糊，就会容易产生模糊，你无法清晰的定义问题时候，或者无法为问题找到清晰的假设、概念、定义的时候，就会对它的结论也难以判定。
判定仍然由我们来进行
从输入的视角，AI可以为我们提供很好的输出，同样换个视角，如果对于AI的输出-我们如果同样缺乏批判性思考的能力，我们就难以做出准确的判定—包括对以下思考：
1).它是答案吗？
AI输出的并非“1对1”的绝对答案，因为，世界大部分时候能够提供近似的参考，但世界并没有“完全准确、精确”为你给出答案。这世界本来就没有，AI更不会有。
它只是给了你一个参考、启发、方向，它给你的甚至只是一种推测性的结论—你能判定吗？
2).它是准确或精确的吗？
AI学习的是无非已经在网络世界里的信息，这些信息先不说是否被有序的“投毒”，即使不是有序投毒，在网络世界里的信息也是那么的虚假-它吃的食物如果是混乱的、虚假的、模糊的，那你如何做出准确的判定？
3).什么是AI的价值-什么又是你的价值？
当我们在使用AI的时候，我们要思考的是，我们做什么，AI做什么，才能发挥各自的优势—否则，我们个体就会失去价值和意义。就像最近我在思考写一本书，我明白了我就是要定义价值—即，究竟什么是读者想看的，以什么方式呈现的—我可以问AI具体的事情，但如何定义价值和意义，则需要我们去思考，以人文的视角。
4).它的能力边界在哪里？
我们需要AI去解决问题，比如，自动化行业需要AI解决问题，但我们真的需要它去实时的控制吗？其实，它不擅长这种具有可靠性、实时性的控制，但它的能力在于为控制找到最佳的那个参数或者曲线。在变化的条件下，寻找到最优的那个相关性关系的曲线—然后控制去按照这个曲线控制。它的价值找到那个关键的曲线—而不是去控制。
批判性思考，能让我们用好AI，而用好AI并非是易事—当我们说“不会用AI的人将碾压那些不会用AI的人”—但是，我想说的是，如果你没有批判性思考，在没有AI的时代，我们做不好一件事，那么，在AI的时代，同样如此。
原因在于，AI是技术平权了—但，思考并未真的改变。
