“AI会让本来就懂的人变得更强。”这句话相当有道理，但只说对了一半。“懂的人”并不只是那些一开始就把大量专业知识装在脑子里的人。
更重要的是，他能不能看着AI的输出判断：“这个有用”“这里可疑”“比较对象太少”“这还不能算完成”。而且这些判断标准并不一定要事先全都掌握。不知道标准时，可以直接问：“别的公司怎么做？”“行业标准是什么？”“失败案例在哪里？”“最强的反对意见是什么？”——也就是说，连评价标准本身都可以调查。
这样看，AI与其说是知识自动售货机，不如说是一个可以不断比较、追问、反证并提高思考分辨率的陪练场。
1. “懂的人会变得更强”只说对了一半
把AI理解成一个倍率器会很清楚。目标模糊，它就可能把模糊高速化；问题清楚、评价标准好，它就能大幅加速探索。因此，有经验的人和专家使用强AI时往往显得格外强，这是很自然的现象。
但被放大的不只有已有知识。寻找比较对象的能力、发现异常的能力、怀疑假设的能力，以及定义“做到什么程度才算结束”的能力，也会被放大。AI承担越多搜索与整理工作，人类“要看什么证据才能判断对错”的能力反而越重要。
粗略地写成公式，就是：
AI实用倍率 ≈ 知识 × 评价标准 × 比较能力 × 反证能力 × 迭代次数
有些领域里，几乎零知识确实会成为限制。但即便知识很多，如果看到每个流畅答案都只说“原来如此”，倍率也不会很高。
2. “懂”与其说是知道很多，不如说是会判断输出
把“懂”拆成五种能力会更实用。
- 说得清目标：到底要解决什么，最终状态是什么。
- 能判断好坏：什么算合格，什么算失败。
- 能找到瓶颈：不被表面症状带走，而是找到真正的限制。
- 能发现违和感：至少有一个模型让自己停下来问“这是真的吗？”
- 能定义完成：知道调查、修改或验证什么时候应该停止。
不需要五项都达到专家水平。关键是不要因为“文字看起来很像那么回事”就接受，而是能根据目的和标准判断结果。
知道答案和能够评价答案，是两种不同能力。AI时代会显著提高后一种能力的价值。
3. 评价标准也可以从外部导入——“别的公司怎么做？”
这里有一个关键转折：如果自己没有标准，就去调查标准本身。
面对陌生业务，没有必要停在“我不知道最佳做法”。可以让AI帮助调查：
- 别的公司怎么做？
- 有没有行业标准？
- 头部公司和普通公司有什么不同？
- 失败的公司在哪一步坏掉？
- 相邻行业怎样解决同一个约束？
- 法规与正式标准要求的最低线是什么？
- 用户长期在抱怨什么？
只看一家公司，几乎什么都可能显得“原来就是这样”。看五家，差异就出来了。再加上失败案例，就开始能看见差异为什么重要。
What do others do?——“别人怎么做？”并不只是搜集信息。它是在生成一张你原本没有的评分表。
4. AI不只是“知识高速公路”，还是“比较轴采购机”
在陌生领域里，AI能缩短从“完全不懂”到“至少知道该检查什么”的距离。一个常见路径是：
未知 → 全局 → 比较 → 假设 → 实例 → 反方观点 → 例外 → 一手资料 → 评价标准 → 暂时判断
目标不是瞬间成为专家，而是先达到这样一个水平：能向专家提出更好的问题，能发现薄弱证据，能比较几个方案。到这一步，下一轮调查质量会明显提高。
AI出现以前这些事也能做，只是成本高。找十家竞争案例、学习术语、阅读失败案例、跨到相邻行业，都需要大量时间。AI降低了搜索、整理和跨语境转换的摩擦。所以变强的不只是“本来就懂的人”，也包括能很快移动到‘开始懂了’状态的人。
5. 核心是追问到底——不要拿到第一版回答就下班
AI使用者之间很大的差异，是把第一版回答当成终点还是起点。不要听完“原来如此”就走，而要继续追问。
“证据是什么？”“具体会改变什么？”“别的公司呢？”“这真的是常态吗？”“例外是什么？”“给我反例。”“是不是把相关和因果混在一起了？”“真正的瓶颈是什么？”“如果这个假设是错的，我们应该观察到什么？”
一开始的泛泛而谈，加上比较后会被相对化；加入例外后会看见边界条件；加入反证后会暴露弱点；拿一手资料去碰，会看见哪些部分能留下、哪些部分会消失。到这里，“听起来合理”才开始变成“可以用来决策”。
真正会用AI的人，第一条提示词不一定像艺术品。他们在第二轮、第三轮、第十轮毫不客气地提高分辨率。 这才是核心。
6. 为什么对人很难做到同样程度的追问
对人连续追问，会产生信息检索之外的成本：占用时间、让对方觉得被怀疑、触碰地位或自尊、造成解释疲劳。这些都是人际摩擦，而不一定是逻辑问题。
优秀的同事或专家可能愿意陪你深挖很久。但如果“证据呢？”“例外呢？”“这个前提不对吧？”连续打三十次，即使每个问题都合理，空气也会变。
故意夸张一下：
- 第5次：一边眉毛动了。
- 第12次：叹气成为会议室共享基础设施。
- 第25次：“这个现在真的有必要吗？”登场。
- 第30次：结束会议比回答问题更像核心KPI。
这并不是人类有问题。人有时间、感情、角色和别的工作，没有谁是为了响应无限递归查询而存在的。
7. AI可以成为“追问不限量”的陪练场
面对AI，这类人际摩擦会小得多。第28次再问“所以证据呢？”也不会看到它挑眉。回到15分钟前说“你刚才的解释不是和现在矛盾吗？”也不用担心自己成为办公室传说。
因此AI的价值不只在知识量，还在于降低重复思考的成本。可以从另一个角度攻击同一假设，追加竞争对手，反转前提，先写给新手看，再重写给专家看。
不过，“No social cost”不能字面理解为成本为零。迭代仍然花时间，也可能在错误方向上自信地转三十圈，而且流畅的AI文字本身会产生认知牵引。它不是免费的无限真理机器。
8. 放大越强，错误也可能被放大得越强
倍率器有一个麻烦特性：它也会放大错误。如果起点假设错了，而你只让AI找支持材料，一个坏想法可以被高速整理成一个非常漂亮的坏想法。
尤其要注意四种失败：
- 自动化确认偏误：只收集符合想要结论的案例。
- 流畅的错误：因为文章写得好，就误以为证据也强。
- 基准崇拜式复制：不看约束差异，看到别家公司做了就照搬。
- 虚假共识：只看几个案例就宣布“大家通常都这样”。
对策很简单，也很麻烦，因此很有效：“最强的反对意见是什么？”“找反例。”“一手资料原文究竟怎么写？”“什么条件下这个比较不成立？”让AI不仅装饰你的结论，还要攻击你的结论。
没有方向盘的助推器，只会让你更快撞墙。
9. 强力循环是：比较 → 反证 → 一手资料 → 重新判断
实际使用时，可以按这个循环走：
- 提出假设：现在认为原因是什么？
- 建立比较集合：看别的公司、国家、制度、行业、历史案例。
- 抽取评价标准：哪些差异可能真的影响结果？
- 做暂时判断：选出当前最有力的解释。
- 尝试反证：找相反证据、例外、替代假设。
- 靠近一手资料：标准、原文、实测、官方记录。
- 更新判断：不要为了面子保护第一版假设。
- 定义完成：当继续调查已不太可能改变决策时停止。
把问题按用途分类，更容易复用：
| 想得到什么 | 问AI什么 |
|---|---|
| 比较 | “其他公司、国家、方法怎么做？” |
| 常态性 | “这是常见还是特殊？相关总体是什么？” |
| 例外 | “什么条件下会反过来？” |
| 原因 | “别看表面症状，真正瓶颈是什么？” |
| 反证 | “什么证据能否定这个假设？” |
| 完成 | “决策前确认到什么程度就够了？” |
这与其说是“向AI索要正确答案”，不如说是用AI训练自己的判断系统。
10. 新时代的“懂的人”不是全知的人
更适合AI时代的定义是：
能意识到自己不知道什么，收集正确的比较对象，建立或导入评价标准，尝试反证假设，独立判断输出质量，并在证据变化时快速更新的人。
这和把百科全书塞进脑子不是一回事。它更像是知道自己的无知在哪里，也知道再拿到什么证据，问题就会变得可以判断。
所以陌生领域也能较快进入状态。专家仍然拥有巨大的初始知识优势，但快速进行比较与反证，至少可以很快摆脱“连真正的问题是什么都不知道”的阶段。
这也不意味着专家失去价值。深层默会知识、现场经验、承担责任的判断都还在。变化的是：非专家建立理解专家、质疑薄弱主张、找到下一步调查位置所需脚手架的速度。
11. 结论——不要只让AI回答，而要持续提高分辨率
“AI会让本来就懂的人更强”是对的。更准确的说法是：
AI不仅让已经有评价标准的人更强，也让能快速建立标准、从外部导入标准、并反复压力测试结论的人更强。
一开始不必什么都知道。持续问：“别人怎么做？”“这正常吗？”“例外呢？”“证据呢？”再往前一步：“出现什么证据时，我应该放弃这个假设？”即使是新领域，判断力也会逐渐长出来。
对一个人连续这样问三十次，会议室里的氧气可能都显得稀薄。AI依然会接第29次“证据呢？”。但重要的不是可以问29次。真正重要的是第29次把自己的假设问碎以后，第30次能不能认真重建。
The point is: pressure-test the output. 不要只是接收答案。把它压到薄弱部分破裂，再用剩下的部分做判断材料。这就是“放大效应”的一个重要真相。
