人类学会了创造知识，却没有学会传递理解

人类从未像今天这样拥有如此便捷的信息获取途径。

几乎任何人都能在几秒钟内找到量子物理学教科书、世界顶尖大学的讲座、编程文档、遗传学科学论文、经济学、历史学、工程学或医学课程。

随着人工智能的出现，甚至连自己主动寻找大部分这类需求也消失了。只需提出问题即可获得答案。

似乎我们已经解决了知识获取的问题。

但我们并没有解决一个更重要的问题。

获取信息并不等于获取理解。

你可以把一篇绝对准确、包含极有价值信息的科学文本交给一个人，却几乎什么也没有传递给他。

因为要理解信息，人必须已经理解某些东西。

而这正是现代知识传递系统中最根本的问题之一。

概念——理解的基本单位

我们习惯于用词汇、页数、书籍、讲座、学习时间、数据吉字节来衡量信息。

但人类的思维运作方式并非如此。

我们的脑海里不存储书籍。

我们构建概念。

概念是一个完整的意义单位，人能够识别、在脑海中重建并用它来理解后续的事物。

例如，“压力”这个词本身并不是知识。

对一个人来说，它背后是几乎快忘光的学校定义。

对工程师来说，是一整套物理模型系统。

对水管工来说，还有实践经验：水是如何表现的、改变管道直径时会发生什么、系统为什么会发出噪音、问题出现在哪里。

词是同一个。

背后的概念却不同。

反之亦然：一个人可能完全理解某个想法，却根本不知道公认的科学术语。

例如，他理解当结果变得太大时系统可以自行减少影响，当结果变得太小时可以自行增加影响。

他已经理解了这个机制。

他可能只是不知道存在“负反馈”这个术语。

因此，术语和概念不是一回事。

术语是指南针。

概念是这个指南针在人脑中展开的内容。

这个区别看似微小，但它彻底改变了对教育的看法。

人类不是线性积累知识的

把学习视为往大脑中按顺序填满信息的观念未免太原始了。

实际发生的是另一回事。

人是通过现有的概念来掌握新概念的。

起初，复杂的想法必须通过长篇大论来解释——通过例子、类比和熟悉的现象。

然后人理解了它。

在此之后，整个结构可以被打包成一个简短的名称。

现在只需说：

“负反馈”

——他脑海中就会展开那个已经熟悉的模型。

几段信息变成两个词。

但更重要的事发生了。

这个新概念现在可以用来理解接下来的概念。

因此，学习看起来并不像是：

知识 + 知识 + 知识 + 知识。

更像是：

理解了 → 压缩了 → 重复使用了 → 通过它理解了更复杂的事物 → 再次压缩。

人类不断重构自己的思维语言。

这个系统越丰富，就能通过简短的信息向他传递越复杂的信息。

一句话对某个人完全毫无意义，却能在几秒钟内向另一个人传递海量的知识。

正因如此，两个人可以阅读同一篇科学论文，实际上却从中获取了完全不同数量的信息。

传递信息并不意味着传递理解

假设有这样一句话：

现代系统结合使用知识追踪（knowledge tracing）和知识图谱（knowledge graphs），在考虑学习者的认知负荷（cognitive load）和先决条件（prerequisites）的同时，构建自适应学习路径（adaptive learning paths）。

对专家来说，这可能是完全正常且紧凑的表述。

对广大普通人来说，这是信息垃圾。

并不是因为他们没有能力理解这个想法。

而是因为消息是通过他们大脑中尚不存在的概念编码的。

我们完全可以用另一种方式表达同样的思想：

计算机可以逐渐确定一个人已经理解了什么、他还需要什么知识、以及以什么顺序提供这些知识最好，以免强迫他同时学习太多新东西。

现在，这个信息对完全不同的受众变得可理解了。

实质上的信息几乎没有改变。

改变的是它的编码方式。

这让我们能够总结出一个最重要的原则：

好的解释不仅取决于发送者知道什么，还取决于接收者已经知道了什么。

普遍意义上完美的解释可能根本不存在。

科学知识正在不断被压缩

随着任何领域的发展，都会产生属于它自己的语言。

这是必要的。

专家们每次都从零开始向彼此解释基本概念是没有意义的。复杂的结构被赋予名称，并转化为思维的新构建块。

一个术语开始替代一页的解释。

这是极其高效的信息压缩。

但它是有代价的。

要解压这样一个术语，人必须预先具备相应的概念。

因此，每个成熟的领域都在逐渐建立自己的解码器。

物理学家理解物理学家。

生物学家理解生物学家。

经济学家理解经济学家。

程序员理解程序员。

在学科交界处，这个问题尤为明显。

高水平的专家可能会打开一篇相邻领域的论文，发现其中相当一部分内容对他来说几乎无法理解。

他读得懂每一个单独的词。

但他不会解压这些词背后的概念。

这就产生了一个悖论。

人类知道的越来越多，但个体获取人类全部知识却变得越来越困难。

现代教育试图解决错误的问题

传统教育通常从学科出发。

这就是大纲。

这就是主题顺序。

这是第一学期。

这是第二学期。

这是书单。

然后，成千上万个完全不同的人被拉着走这条路线。

但这些人的大脑是不同的。

一个人已经知道了一半所需的观念。

另一个人缺少几个基础观念。

第三个人非常理解这个核心思想，却不知道专业术语。

第四个人知道术语并能重复定义，但背后实际上没有概念。

第五个人来这里完全只是为了某一个具体的能力，而课程中80%的内容他永远用不上。

我们试图让适应学习计划。

更符合逻辑的做法是反过来。

不应从学科开始，而应从目标开始

假设一个人想要获得某种能力。

不是“学习编程”。

而是，例如：

学会为自己的业务独立创建简单的数字工具。

这是完全不同的任务设定。

现在我们可以问：

为了获得这项能力，这个具体的人真正需要理解什么？

他已经理解了什么？

缺少哪些概念？

传统学习的东西中，有哪些是现代技术已经使其变得不再必要的？

他只需肤浅地了解什么？

什么必须深入理解？

哪些中间概念完全可以跳过？

结果突然发现，那条长达一千个传统知识单位的传统路径可以缩短到二百。

这不是通过降低结果质量来实现的。

而是通过剔除那些在现今技术世界中，对于这个具体之人的既定目标根本不需要的信息。

技术不断摧毁陈旧的必修知识

在个人电脑的萌芽期，确实必须教人用 win 命令启动图形界面。

必须解释什么是窗口、图标、双击。

今天，大量的人永远不需要这些知识。

技术隐藏了相应的复杂性层级。

但教育具有巨大的惯性。

我们继续根据历史形成的链条来制定大纲：

为了理解D，先学习A，然后是B，接着是C。

尽管现代世界已经允许：

A → D。

或者干脆：

D。

在人工智能的帮助下，这一进程正在变得尤其迅速。

五年前还是必备的专业胜任力，明天就可能变成智能系统的内部技术细节。

因此，必修概念链不可能是固定不变的。

它必须被持续重新审视。

人工智能使另一种学习架构成为可能

在现代AI系统出现之前，以这种方式将知识传递个性化几乎是不可能的。

教科书的作者被迫写出单一版本的文本。

教师可以稍微调整解释以适应受众，但在物理上无法持续维护数百名学生中每个人的精确知识模型。

AI能够以不同的方式工作。

系统可以逐步构建具体之人的实时概念模型。

不仅是：

懂数学 — 72%。

而是：

这个概念理解得很好； 这个在使用，但不理解机制； 用另一个名字知道这个； 这里缺乏必要的因果联系； 这个术语对该人很陌生，尽管他已经理解了这个思想本身。

在此之后，解释的任务就变得可计算了。

拥有：

人的目标；

他当前的观念系统；

庞大的人类知识图谱；

现代技术能力。

需要找到最小的转变链条，引导这个人从当前状态走向所需的能力。

需要最小化的不是学习时间

我们通常会问：

如何更快地解释这门课程？

这是一个次要问题。

第一个问题应该是：

人凭什么非得学习整个这门课程？

如果大纲包含一千个概念，而具体之人的目标只需要一百个，那么加速学习这一千个就是一个糟糕的优化。

首先应该抛弃九百个。

在剩下的一百个中，有一部分人已经知道了。

有些可以用更通用的模型来替代。

有些只需指出：“知道有这样一个领域，以及在何时向它求助。”

有些确实需要深入理解。

只有在此之后，优化解释才有意义。

我们无法强迫人类大脑以快二十倍的速度学习。

但有时我们可以把真正需要学习的东西减少二十倍。

这是加速人类发展的一种本质上不同的方式。

同时，每个人的最小路径都是独特的

假设需要向一个人解释某种控制系统。

对工程师来说，用数学解释它更方便。

对程序员来说，通过程序状态和反馈回路（feedback loop）解释。

对企业家来说，通过价格和需求变化解释。

对水管工来说，通过压力和阀门解释。

这不是四个不同的概念。

这是通往足够接近的内部模型的四种不同方式。

一旦理解产生，就可以说：

用通用的形式，这就叫做……

现在，专业术语不再是一个未知的词。

它变成了指向已有概念的压缩指针。

下一步的解释就可以直接通过它来构建了。

因此，学习系统必须随着人的改变而不断变化。

他今天需要的解释，在半年后会变得烦人地原始。

他的内部解码器变了。

这意味着系统的语言也必须改变。

首先必须教会人如何学习

但存在一个比任何技术都更深层次的问题。

绝大多数人根本不理解学习过程中发生了什么。

一个人来到课堂。

听讲座。

在某个时刻，他停止理解正在发生的事情。

继续听。

接下来的解释已经建立在那个未被理解的概念之上了。

二十分钟后，有三个概念不理解。

一个小时后——一半的材料不理解。

于是人得出结论：

“我不够聪明。”

尽管对这个问题的技术描述可能完全不同：

理解链条中缺少了一个节点。

也许老师使用了一个术语，假设它是众所周知的。

也许漏掉了因果联系。

也许使用了一个抽象概念，而对具体的人来说，最好先通过例子展示。

也许所有的中间材料对他的任务来说根本不需要。

因此，需要教给人的第一项技能之一，就是——诊断自己的不理解。

不是：

我不懂物理。

而是：

在这个解释中我懂A和B，但我不懂为什么从B能得出C。

或者：

我不知道X这个词是什么意思。

或者：

机制本身我懂，但我不明白它为什么在这里应用。

不理解不再是对人的评价。

它变成了概念链中可以被找到并修复的具体技术故障。

这才是学会学习的含义。

人工智能既能扩大也能缩小智力鸿沟

这里又出现了另一个问题。

我们常常假设，人人都能使用的AI将在智力上使人们趋于平等。

这并不必然发生。

假设两个人对同一个模型具有相同的访问权限。

第一个人这样使用它：

做了它。

AI做了。

人得到了结果。

第二个人：

为什么会这样？这里有哪些替代方案？我哪里没懂？它类似于哪个更普遍的原则？它还在哪里被应用？我们刚才默认接受了哪些假设？

AI回答。

回答催生了新的问题。

新的回答创造了新的概念。

新的概念让人能够提出以前连想都想不到的问题。

正反馈循环产生了：

理解 → 更强的提问 → 更强地使用AI → 新的理解 → 更强的提问。

因此，同样访问AI可能会导致完全不同的结果。

其中一个人的生产力主要在增长。

另一个人同时在成长的则是他自己。

他们之间的差距可能不仅不会缩小，反而会加速扩大。

在这种情况下，AI成了智力离散度的放大器。

结果的复杂性不再能代表人的复杂性

这是人类面对的一种新状态。

过去存在着一种相对牢固的联系：

为了创造更复杂的事物，人自己必须变得更有能力。

AI正在逐步打破这种联系。

一个人可以在几乎不懂编程的情况下创造软件产品。

可以在不掌握相应分析方法的情况下获得复杂的分析报告。

可以管理那些对其内部机制几乎不理解的流程。

这未必是坏事。

但出现了一个本质区别：

人所产生的结果的复杂性 ≠ 人自身的智力复杂性。

你可以生产大量智力上复杂的产品，而将其中包含的几乎所有复杂性都从AI中导入。

因此，生产力不能再被视为人类发展的充分指标。

必须提出另一个问题：

完成这项工作后，人脑中发生了什么变化？

但不能把每一项工作都变成一堂课

由此很容易得出错误的结论：

这意味着AI应该每次都强迫人自己思考，并向他解释它所做的一切。

这将摧毁智能自动化的意义本身。

人类的注意力是有限的。

不可能强迫人去研究他所使用的每一个工具的内部结构。

正因如此，“最小必要概念”的想法才变得至关重要。

系统必须能够区分：

这是人必须理解的；

关于这个，知道它存在就够了；

这只有在特定情况出现时才需要；

这可以完全交由机器处理。

目标不是最大化人的知识。

目标是——以最低的认知成本，最大化他理解和行动的能力。

概念成为最终的信息单位

由此引出一个架构原则。

不是文章。

不是书。

不是课。

不是课程。

不是学科。

概念。

庞大的信息结构之所以必要，仅仅是因为有时为了建立一个概念，人需要一长串的解释。

但最终的结果不是读完的一页纸。

结果是脑海中涌现出的意义结构，人可以将其用于后续的使用。

因此，概念可以同时被视为基本和最终的知识单位。

基本的——因为后续的学习建立在已经掌握的概念之上。

最终的——因为信息传递的任务并不是在人读完文本时结束，而是在所需的成功在世界模型中重建时结束。

文本是交通工具。

术语是地址。

解释是解码方式。

概念——是结果。

也许我们需要一个新的知识传递理论

经典信息论完美地回答了信号传输的问题。

但对于人类学习来说，仅知道传递了多少信息是不够的。

你可以传输一吉字节的文本，却几乎不改变接收者脑海中的任何东西。

而你也可以说出一句话——并重塑他对整个领域的看法。

这意味着我们关心的是另一个量度。

不是：

传递了多少信息？

而是：

接收者的概念系统中发生了什么有益的变化，付出了多少认知代价？

这让我们能够以不同的方式定义学习效率。

好的解释不是最全面的。

不是最科学的。

不是最短的。

甚至不一定是在最多细节上最准确的。

好的解释是——以最小的人类注意力成本，为下一次必要的行动或理解创造出足够准确的概念的解释。

随后，这个概念成为下一个概念的构建材料。

从通用教育走向活生生的概念系统

最终，我们会得到一个完全不同的架构。

不存在唯一正确的课程。

不存在固定的一套必修先决条件。

不存在唯一的最优解释。

有一个处于 H₀ 状态的人。

有一个他想要获得的能力——T。

有世界和技术的当前状态——W。

并且存在某种最小的转化：

H₀ → H₁ → H₂ → … → T

每一次过渡，都是概念的出现或重构。

每次过渡后，路线都可以重新计算。

也许新概念允许跳过接下来的三个。

也许发现了旧的空白。

也许人已经自己构建了必要的联系。

也许技术变了，一整支知识分支不再需要了。

因此，图谱必须是活的。

人的模型也必须是活的。

首要任务——提高人类发展的吞吐量

人类的生理机能变化缓慢。

我们无法简单地将人类记忆扩大十倍，或者让大脑以计算机的速度吸收复杂的模型。

但今天很大一部分学习成本根本不是由生理机能决定的。

它是由糟糕的信息路由决定的。

我们教导已经知道的事。

通过未知的术语来解释。

传递永远用不到的细节。

强迫学习历史形成的先决条件。

对不同的人使用相同的解释。

把认出术语与理解概念混为一谈。

忽视了那些阻碍整个后续链条的小空白。

并强迫人在浩瀚的人类知识空间中自己寻找路径。

人工智能首次让我们得以同时攻击几乎所有这些损耗。

不是让大脑变快。

而是把路变短。

不是给人更多信息。

而是传递更少——但恰好是他能够转化为理解的那部分。

不是强迫所有人知道一切。

而是给每个人最低限度足够的概念系统，使其能够继续前行。

而这，或许将成为人工智能时代教育最重大的变化之一。

因为人类的问题早已不是缺乏信息。

真正的问题是，今天需要消耗多少人类的生命，才能把可获得的信息转化为理解。