AI时代,人类最需要培养的三大能力

看透本质的因果推理能力：

从 “找关联” 到 “懂为什么”

先看马库斯在《重启 AI》里提到的两个事实：

现在最先进的大模型，能以高分通过美国的律师资格考试，能写出能正常运行的复杂代码，却会在一个小学生都能答对的问题上频频翻车 ——“大象能不能塞进普通家用冰箱里？”

AI 会一本正经地给你计算成年大象的平均体积，再对比家用冰箱的容积，告诉你 “无法容纳”。

但它永远不会想到，这个问题的核心从来不是数学计算：正常人家的冰箱是用来存放食物的，没有人会把大象往冰箱里塞；

这甚至是个经典的脑筋急转弯，答案可以是只需要打开冰箱门，把大象放进去就行。

另一个例子：AI 能给你找出上万条数据，告诉你 “每天喝 3 杯咖啡的人，平均寿命更长”，

但它永远分不清，这到底是 “喝咖啡让人长寿”，还是 “能每天规律喝咖啡的人，往往收入更高、更注重健康、作息更稳定，所以才更长寿”。

这就是 AI 最核心的天花板：它永远只能找到 “相关性”，却无法理解 “因果性”。

在《代数大脑：揭秘智能背后的逻辑》里，马库斯用一整本书讲清了人类智能和 AI 的本质区别：当前所有主流 AI，本质上都是一台 “统计拟合机器”。

它的所有能力，都来自对海量训练数据的概率匹配 —— 它知道 “这些词语放在一起，在语法上是通顺的”，“这些数据同时出现，有很高的关联度”，但它永远不懂，这些词语、这些数据背后，到底是什么逻辑。

而人类的大脑，天生就是一台 “因果推理机器”。我们能从极少量的案例里，提炼出普适的底层规则，能清晰地知道 “A 导致了 B”，而不只是 “A 和 B 一起出现”；

更能完成 AI 永远做不到的 “反事实推理”——“如果 A 没有发生，B 会怎么样？”

一个刚学会说话的孩子，只见过邻居家的一次金毛，下次在街上看到一只吉娃娃、一只哈士奇，甚至是一只卡通画里的狗，都能立刻认出 “这是狗”。

但大模型要看过几十万张标注过的狗的照片，还是会把长着白毛的猫、印着狗图案的 T 恤，认成狗。

这就是马库斯说的 “系统性泛化能力”：人类能从具象的事物里，抽象出底层的规则，再把这个规则，跨场景用到所有相关的地方。

牛顿从苹果落地，提炼出万有引力定律，还能把它用到行星运动的计算里；

黄峥从 “消费升级的本质，是普通人也能买到性价比更高的好东西” 这个底层逻辑，做出了拼多多，而当时所有的电商数据，都只在告诉 AI “淘宝京东在一二线城市卖得更好”。

AI 能复刻所有已经出现的案例，却永远无法完成从 0 到 1 的规则提炼，永远无法在从未见过的场景里，做出可靠的逻辑推演。

而这，正是所有科学创新、商业战略、复杂问题解决的核心。

很多人以为，培养这个能力，就是要学更多的知识、背更多的模型。

但马库斯的研究告诉我们，恰恰相反，这个能力的培养，核心是戒掉对 AI 的 “逻辑依赖”。

你不用去啃晦涩的统计学教材，只需要在日常里，养成一个简单的习惯：每次看到一个结论、一个热点、一组数据，先停下来，问自己三个问题：

第一，这只是相关性，还是真的有因果关系？

第二，如果没有这个因素，这个结果还会成立吗？

第三，这个结论背后的底层规则，还能用到什么完全不相关的地方？

比如你看到一个爆款文案，不要让 AI 给你拆解模板、仿写句子，而是自己去想：这个文案能打动人，底层的用户心理到底是什么？这个心理，还能用到我的产品、我的工作里吗？

比如你看到一个商业案例，不要让 AI 给你总结成功经验，而是自己去推演：如果当时它没有做这个动作，还会成功吗？真正让它成的，到底是哪个核心变量？

这个过程，可能比让 AI 直接给你答案要慢，但正是这个慢下来的思考，正在强化你 AI 永远学不会的因果推理能力。

你要记住：AI 可以帮你核对数据、补充细节，但核心的逻辑推演，必须由你自己完成。

一旦你让 AI 替你思考，你就会慢慢失去看透本质的能力。

扎根现实的常识判断能力：

从 “看数据” 到 “懂世界”

你有没有见过这样的场景：

一个受过高等教育、能熟练用 AI 做各种复杂分析的人，会在网上相信 “喝小苏打能抗癌” 的谣言；一个能让 AI 写出完美商业计划书的创业者，会在现实里踩中最基础的商业骗局；

这就是马库斯反复强调的，AI 的第二个致命缺陷：它没有真正的 “常识”，也没有对真实世界的底层理解。

什么是常识？不是你在网上能搜到的 “生活小窍门”，也不是书本里的知识点，而是我们活在这个世界上，通过身体的感知、真实的互动、一次次的试错，慢慢搭建起来的 “内置世界模型”。

我们小时候摔过跤，就知道 “踩在滑的地面上会摔倒”；我们煮过饭，就知道 “水放多了会煮成粥，水放少了会煮糊”；我们开过车，就知道 “路上的异物，不管看起来是什么，都要先避开，因为你不知道里面藏着什么”。

这些东西，我们不用特意去学，就天然懂。我们能在信息不完整、场景模糊、充满不确定性的开放世界里，快速做出可靠的判断，处理无限多的 “意外情况”。

但 AI 做不到。马库斯在研究里反复提到，哪怕是最先进的大模型，也会在最基础的常识问题上翻车：

它会告诉你 “把鸡蛋放在水里煮一个小时，口感会更好”，会给你编出根本不存在的学术论文、根本没有颁布过的法律条文，会一本正经地胡说八道。

因为 AI 没有身体，没有真实的生活，没有和这个世界真实互动过。它所有的 “知识”，都来自网上的文本数据，

它知道 “鸡蛋煮熟了才能吃”，但它不知道 “煮一个小时的鸡蛋会口感不好”；

它知道 “法律条文有固定的格式”，但它不知道 “不存在的法条，是没有任何法律效力的”。它只是在拼接词语，却不懂这些词语背后，真实世界的运行规则。

AI 只能在封闭的、固定规则的、数据覆盖充分的场景里稳定运行，但我们的真实生活，从来都是开放的、模糊的、充满意外的。

而能让你在这些意外里稳住阵脚的，从来不是 AI 给你的标准答案，而是你对这个世界的常识理解。

马库斯说，人类的常识，是活出来的，不是背出来的。所以这个能力的培养，核心就是跳出屏幕，回到真实的世界里，去和这个世界真实互动。