首頁 / 自我成長 / 有了 AI 還需要知識管理嗎？答案是更需要

有了 AI 還需要知識管理嗎？答案是更需要

不難想像，隨著 AI 能力突破，越來越好用，我們什麼事情都會用到 AI。例如：查餐廳、規劃旅遊、查商品評價、寫影片腳本、工作上產出報告、公司會議錄音轉寫、練英文。AI 已經變成「第一接觸點」，我們遇到問題時的第一反應，不再是 Google、不再是問朋友，而是 —— 先問 AI。

那接下來，這問題是逃不開的：「有問題問 AI 就好，我們還需要做知識管理嗎？」

為什麼不能把學習外包給 AI？

我不得不說，AI 時代的知識管理已經走偏了。是在往「降低認知損耗」的方向發展。就像我上禮拜提到的「YouMind」。它處理信息的流程長這樣：閱讀（你翻網頁，AI 幫你閱讀，給你摘要）、筆記（蒐集的筆記不需要你加工、統整）、寫作（你可以一鍵生成文章粗搞）。

你看看，這是不是很懶人化？你完全不需要動腦 —— 它省去了閱讀文章、整理筆記、寫成文章的功夫 —— 可以無痛的把你認定的好知識，轉化成一篇可以對外輸出的文章。而你在中間，只需要扮演「品味擔當」的角色，讓 AI 修改編輯後，再用你的品味，命令它繼續修改，最後製造出好內容。

我得說，如果你的目的，只是為了流量，那確實是有效的。但是呢，這會損害你的「成長系統」。

我覺得這個就跟跑馬拉松一樣。大家在跑馬拉松，而你卻叫計程車。計程車跑得更快、花的力更少，但你跑馬拉松的目的是什麼呢？是鍛鍊身體。那學習成長系統也是一樣。

「必要難度」是認知加工的前提。你需要自己加工筆記、自己寫成文章，這樣才能讓那些知識融入長期記憶中，反哺原有的認知模式 —— 因為你能學到什麼，是取決於你本身懂了什麼，而反哺的知識能讓你在看新知識時，獲得更多，這樣讓舒適圈一圈圈擴大。

這就很像是你在健身房鍛鍊，你今天舉起的重量會破壞肌肉纖維，而等到修復時，肌肉變更強壯了，你才能舉起更重的重量。

但如果你將這「必要難度」都交給 AI 處理，那你是不會記住內容的，這樣過一個月後，你還會覺得這內容很陌生，甚至是不是自己寫的，都不能肯定。等於還要重學。

所以如果是寫日常文章或故事那種就算了；但是如果是為了成長、是要寫有知識落差的內容，就一定要讓它長進腦子裡。

我換個例子解釋你就懂了，如果有一位學生，他寫數學題都拍照，然後叫 AI 解題，從三角函數解到微積分，那你能說這是他自己的實力嗎？不能吧。因為去掉 AI 後，他一題都解不出來。

同樣的，AI 現在確實能讓很多人寫出一些好文章，但是那是 AI 寫得，不是他們親自寫的，那等於說他自身並沒有成長。

而且知識和數學考題可不同。知識會複利成長。是貝葉斯定理 —— 新知識會反哺，改正原有知識 —— 類似於你吃了個大苦頭，你下次就不敢再犯了。因為苦頭(新衝擊)改正了你舊認知(原本以為那套老觀念才是對的)。

所以，如果你全交給 AI 寫，你就喪失了認知成長的機會，等於書白讀了，筆記白做了。

因為這比較難懂，所以我得再解釋一次邏輯：必要難度 → 進入長期記憶 → 迭代認知 → 擴大原有知識圈 → 看懂更多新知識 → 截取新筆記 → 加工筆記、寫成文章 → 必要難度。但如果交給 AI 處理，就無法進入長期記憶中，那知識複利的循環就斷了，你今天用 AI 寫的文章，過幾個月後就忘了，還會以為是新文章。

// 讀到這，先存個檔

AI 時代知識管理，一鍵打包為 Notion 模板

重點濃縮 + 動手檢查表，留個 email，我直接寄一份可直接套用的版本給你。

寄一份給我 →

P.S. 一週寄一封電子報，不喜歡退訂兩秒鐘 ✏️

為什麼 AI 只能給出 80 分的公版答案？

我看到社群上有人說：「AI 出現，網路課程已死，因為要學什麼，都可以問 AI」。但是，我不同意這說法 —— 因為每當我把自己模擬成初學者，去問 AI 我所擅長的領域時，它給出的答案，我覺得都很普通。不是說不好，而是那種 80 分的安全牌答案。沒什麼洞察，也沒有講到本質上。

我認為，你問 AI 問題，它的回答會是「有限框架」。所謂有限框架，就是它會把那些本來無窮的選擇，限縮在一個範圍內。

我舉個例子啊，比如你去圖書館找書，你可能沒什麼目的性，就是隨意閒逛。比如你想看商業的書，你就走到商業那一區，看看書名、慢慢挑書，可能還會遇到意外、會有驚喜。

但是如果你去問圖書館管理員，你問他說最近商業排名前三名是哪些書，他會直接把答案告訴你。這個就是有限框架。相較於直接把全部種類攤開給你，它會把範圍限縮在一定的框架裡。

那 AI 的有限框架是什麼呢？是語料中出現頻率最高、共識最強的答案。也就是說，AI 呈現的是「大多數人的理解」，而非「最深的理解」。它通常不會給你什麼很冷門的答案，而是依照主流去回答你。但主流的答案並不見得是正確的。

在語料裡：主流觀點很多、頂尖高手的突破只有少數、世俗解讀多、原創性洞見少。

結果就是：AI 會把「大多數人怎麼理解」當成「標準答案」。而不是用「最尖端、最聰明」的方式來回答。

所以，除非你本來就是這個領域的頂尖人物，知道怎麼從特定角度鑽研和詢問，不然你拿到的答案就是 80 分的。就是主流答案，公版答案。

我覺得有個比喻好理解，就比如說你要到一個地方旅遊，想找好吃的，那通常餐廳會區分為，專做觀光客的，和在地人自己吃的。你要說哪個好吃，不一定。主流答案就是網紅店，給觀光客吃的。而冷門答案，但可能更好吃，就是在地人內行的才會知道的。

那你請 AI 推薦餐廳時，他就只會跟你講「主流答案」 —— 觀光客吃的餐廳。

無腦相信 AI 的答案會怎樣？ChatGPT 思想實驗

我們來做一個思想實驗：假設我們把 ChatGPT 出世前的所有資料拿來訓練一個現在的模型，然後問它：「我要做出像 ChatGPT 這樣的大型對話模型，該怎麼設計？」它會怎麼回答？它會告訴你：當年主流的機器學習路線、當時的 SOTA 解法、HMM、SVM、RNN、LSTM 等模型。

但它不會告訴你 Transformer。因為在當時，Transformer 根本不是主流 ── 甚至還沒被視為「答案」。

那我們透過這個思想實驗，你就知道，如果我們把 AI 的答案當成真理，會怎樣？那 ChatGPT 就不會誕生啦，也不會有你現在用得到的 AI，更不會有後面的 AI 大爆發。

OpenAI 之所以能做出 ChatGPT，就是因為：不相信 2010–2016 的深度學習主流、把大家不看好的 Transformer 拿來做語言、採用當時被視為「怪招」的 RLHF、做了大家都覺得不可能的 scaling law。

換句話說：真正的創新者，不使用 AI 的「大眾答案」，而是質疑大眾答案。如果你無腦接受 AI 的答案，你就無法成為下一個能回答的人。

為什麼 AI 時代反而更需要知識管理？

我用淘金的例子來說明。淘金的時候，如果人少金多，那你要挑出金子其實很簡單，你隨便撈都有。但是如果越來越多人摻和進來，金子都快掏完了，或是溪水變得混濁，那你就得花很大的功夫在「篩選」上，把黃金跟金沙分開。

對比現在這時代，大量 AI 內容湧進，像這兩年、甚至未來，可能 99% 以上的內容都是 AI 寫的。那在資訊量龐大的情況下，阿貓阿狗都在用 AI 產文，資料本身就不值錢了。

那資料不值錢，什麼值錢呢？就是資料的上一層 —— 「洞察」值錢。你要能從這些資料裡判斷什麼是對的、什麼是錯的，而要做到洞察，你就需要知識管理。所以，這就是 AI 時代反而更需要知識管理的原因(篩選的重要性大大增加了)。

動手做：把你現在的 AI 用法逐項攤開，分清哪些在省力、哪些在斷成長

複習完了，現在輪到你動手。原文講的是一個判斷——什麼能外包、什麼不能。下面這張表，讓你把自己現在的 AI 用法逐項攤開，分清楚哪些是在省力、哪些是在斷自己的成長。

「能不能外包」決策表

// 把這篇帶著走

AI 時代知識管理，一鍵打包為 Notion 模板

重點濃縮 + 動手檢查表，留個 email，我直接寄一份可直接套用的版本給你。

寄一份給我 →

P.S. 一週寄一封電子報，不喜歡退訂兩秒鐘 ✏️