在一本月刊上寫“AI實用手冊”確實風險不小。

　　就拿上期專欄來說吧，我想探討的是新一代推理模型能否真正解決我們工作中“最難的問題”。寫的時候，我用的是OpenAI的o1。結(jié)果DeepSeek恰好在截稿當晚發(fā)布了R1，完美錯過。

　　倒不是說內(nèi)容會瞬間過時。我寫這個專欄時希望，既然是印在紙上的文字，盡量做到在一年后讀也有價值。上期專欄探討的是推理模型，而同日發(fā)布的R1和Kimi的k1.5都是和o1能力相近的推理模型，現(xiàn)在再讀上期專欄，對理解它們在實際應(yīng)用中的能力和局限也有幫助。唯一的遺憾是，由于文中沒有直接提到R1，讀者需要自行建立這個關(guān)聯(lián)。

　　R1相對o1帶來了幾項重要改進：可以聯(lián)網(wǎng)搜索，這樣就不會“不知魏晉”了；默認展示推理過程，讓用戶能更直觀地看到推理模型的神奇之處—很多時候推理過程比結(jié)果更值得一讀。最重要的是，DeepSeek將OpenAI的付費功能變成了免費服務(wù)，又憑借開放策略讓它在市場上遍地開花，讓數(shù)以千萬計的人第一次體驗到了推理模型的魅力。人們很快發(fā)現(xiàn)了許多不太“正經(jīng)”的創(chuàng)新玩法：寫同人小說、角色扮演游戲、占卜算卦……連跟它模擬談戀愛都覺得它帶有理科男特有的蠢萌感。這樣一來，推理模型就不再局限于解決上期專欄提到的“最難的問題”了。

　　這其實就是新技術(shù)發(fā)展的規(guī)律，只是現(xiàn)在變化得更快了。隨著成本降低，新技術(shù)從專業(yè)領(lǐng)域走向日?；?、娛樂化場景，變成真正的創(chuàng)新。繼續(xù)用我們的比喻，如果說大語言模型就像是一個接受過良好通識教育但不具有專業(yè)知識的助理，那么推理模型就把這位助理的學(xué)歷從本科升級成了博士，而成本的快速下降讓每個人都能擁有不止一個助理，可能是成千上萬個。上萬個！想象你有1萬個博士當助理—那你可不得給他們找各種雞毛蒜皮的活兒來干？

　　所以，新技術(shù)的有趣之處不在于替代現(xiàn)有勞動力，而在于它能做那些你今天根本想不到可以雇人來做的事情。

　　其中一件這樣的事情，就是“AI知識 庫”。

　　先不去管它的定義，每個互聯(lián)網(wǎng)資深用戶肯定都像倉鼠一樣囤積了不少東西。“將來可能用得上”的資料：電子書、課程講義、數(shù)以千計的待讀文章，各類行業(yè)的研究報告和幻燈片，微信、小紅書、即刻等社交應(yīng)用中的收藏夾，手機相冊里的無數(shù)截圖，還像很多父母一樣，網(wǎng)盤中存著大量“也許孩子將來用得上”的學(xué)習(xí)資料……

　　這當中的許多囤積，是源于對知識匱乏的恐懼。有研究人員將這種習(xí)慣稱之為“數(shù)碼囤積癥”（digital hoarding），數(shù)碼倉鼠們收藏了過多資料卻從不學(xué)習(xí)，確實是一個讓人焦慮的不良習(xí)慣。

　　AI能在很大程度上解決這個問題。這并不是說讓AI來替你學(xué)習(xí)—學(xué)習(xí)只能由自己完成。但換個角度來想，并非所有知識都需要經(jīng)過學(xué)習(xí)才能被我們使用。很少有人會把字典從頭到尾讀完，大部分我們一生中可能用到的知識，只要在需要時知道怎么去找就夠了。

　　AI能幫你做到這一點。以前的問題是，你收集的學(xué)習(xí)資料不像字典那么結(jié)構(gòu)化，如果不學(xué)習(xí)一遍，等將來要用的時候你也無法找到，甚至不知道這個知識的存在。有了AI后，可以將它想象成一位不知疲倦的圖書管理員，它能將你所有的藏書通讀一遍。雖然它不是某個領(lǐng)域的專家，但它會努力用自己的常識來理解每本書的每一頁講了什么、包含什么概念，并記錄下來。和傳統(tǒng)的關(guān)鍵詞搜索不同，當你向這位管理員提問時，它能理解你的問題，找出概念上相關(guān)的段落，重新組織語言將這些內(nèi)容整合為完整的敘述來回答你，而不是機械地查找關(guān)鍵詞。

　　日常使用中最讓我驚喜的是，它能在我熟讀的書中挖掘出我未曾想到過的角度。比如我將收集的育兒書籍交給AI，問它“孩子沉迷奧特曼卡片怎么辦？”，它用一本近百年前的書中的觀點回答了我。顯然，百年前的書不知道什么奧特曼，也不知道現(xiàn)代兒童會流行收集“谷子”，但書中關(guān)于兒童的收藏偏好和占有欲的見解仍然適用。

　　R1近乎免費的價格，讓我毫不猶豫地將我的圖書管理員升級成了博士學(xué)歷，它在看似毫不相關(guān)的資料中推演出意想不到的角度的能力也大幅增強，你還能看到它如何鑒別信源、思考問題。不過，所謂巧婦難為無米之炊，AI仍依賴我們?nèi)祟悂硖峁┛煽康男畔⒃?。如果你在某個專業(yè)領(lǐng)域收集了足夠全面、高質(zhì)量的資料，以此建立AI知識庫，就相當于創(chuàng)造了一個很棒的垂直搜索產(chǎn)品，回答質(zhì)量應(yīng)該能輕松超出市面上的通用AI搜索。

　　我們收集的內(nèi)容中，還有大量互聯(lián)網(wǎng)碎片信息。如果你搜索“知識庫”搭建教程，它們往往會強調(diào)知識庫應(yīng)該是“結(jié)構(gòu)化”“體系化”的。

　　但大部分日常信息本就不是體系化的，過度追求結(jié)構(gòu)反而限制了知識的活力。何況，大語言模型在大量碎片信息中大海撈針、穿針引線的能力遠超人類。對它們來說，所有文本都是一串串token，并不需要特別的結(jié)構(gòu)。春節(jié)前，我們讓AI閱讀了閱覽室去年推薦過的大約300篇和個人成長有關(guān)的文章，然后根據(jù)用戶的新年愿望給出具體建議，并生成一張帶有座右銘的手機壁紙。例如，我的新年愿望是“產(chǎn)品準時上線”，AI敏銳地建議我要避免完美主義，并生成了一張寫著“許多偉大事業(yè)都是從某人說‘這有多難’開始的”圖片，它就是我現(xiàn)在的手機壁紙。

　　我也試著把我去年全年的日記給AI，請它歸納我情緒的變化和困擾的來源，這讓我從新角度看到了自己。

　　很多人忽略了AI還能利用知識庫中的現(xiàn)有素材再創(chuàng)作。這篇文章的提綱就是用R1生成的。我把我日常記錄零碎想法的筆記本和本專欄的定位提供給它，AI就在這些未經(jīng)整理的碎片中找出了與知識庫、知識管理相關(guān)的碎片，連點成線，串聯(lián)成了文章的雛形。用同樣的方法來生成新產(chǎn)品策劃，效果也令人驚喜。

　　這讓我反思各種知識管理的方法論。在計算機進入人們的生活之前，我們就發(fā)明了各種筆記方法來手動為知識建立索引。某種意義上，我們花費大量時間整理筆記，都是為了方便將來查找和回顧，這實際上是在和想象中的未來的自己對話，一種難度極高的未卜先知。我覺得，這些“管理”工作反而讓我們成為知識的仆從，而不是知識的主人。

　　Gmail在2004年發(fā)布時有一句令我印象深刻的宣傳語：“Search, don’t sort”（搜索即可，無需分類），這也改變了我管理郵箱的習(xí)慣，就是不再管理。AI時代既然已經(jīng)到來，我們也應(yīng)該用新的方式來積累和管理知識。最好的知識管理工具，就是不需要管理。既然AI能夠喚醒我們積累的零散知識，我完全接受自己的筆記習(xí)慣與“結(jié)構(gòu)化”“體系化”背道而馳—想到什么就隨手記下來。在我看來，快速捕捉思維碎片，比構(gòu)建深思熟慮的體系化知識更重 要。

　　不過，今天暫時還沒有完美的工具。最簡單的實踐方法，是直接把文本貼到和AI的對話框中，或?qū)⑽募鳛楦郊蟼?。如果還不夠用，可選用專門的“知識庫”工具，每個工具都有一些不同的限制：數(shù)量、容量、格式、單個文件字數(shù)……沒有哪個工具能將我收集的文件一次導(dǎo)入。更糟的是，社交應(yīng)用的數(shù)據(jù)導(dǎo)出往往很麻煩，甚至可以說不可能。即使我用AI編程工具寫了各種格式轉(zhuǎn)化、切割、數(shù)據(jù)抓取和下載工具，對有些數(shù)據(jù)還是無能為力。

　　即使克服了這些困難，這些工具還有一個根本問題：它們都將知識庫和日常積累知識的場所割裂開了。這樣一來，只適合用它們建立靜態(tài)的知識庫。想活用實時更新的日常零散知識，要么使用本身具備AI搜索問答能力的知識積累工具（比如我使用的Notion），要么就得改變收集知識的習(xí)慣，按知識庫產(chǎn)品的要求來收集。

　　這也是為什么我覺得這個領(lǐng)域要創(chuàng)業(yè)有點難，因為要讓人改變習(xí)慣非常困難，為已經(jīng)存放了用戶數(shù)據(jù)的產(chǎn)品增加AI搜索問答能力則容易很多。稍微暢想一下，如果微信可以直接把你的聊天記錄變成知識庫，那該有多強 大。

關(guān)注讀覽天下微信， 100萬篇深度好文， 等你來看……