ARTICLE · 1208355
格物式:与 AI 协同的认知实践
格物式:与 AI 协同的认知实践这套方法取名格物，取的是“格”字在古文里能用的三义，对应这套方法的三个环节： 至于被格的“物”，就是人脑子里那团还没成形的想法。这套方法就由这三个环节构成：铺展、反驳、修正。认知，说的是向内搞清楚人到底在想什么。 而“格物致知”的解释史本身就是一场向外与向内的争论：朱熹主张向外穷理，王阳明主张向内正心。这里把这场争论装进一个人机分工：向外的推究交给 AI，向内的反驳与修正留在人手里。反驳虽然冲着 AI 的产出，目的却是向内确认。 我知道这个词很大。用它，是因为这套东西的核心确实是认识论问题，也就是人怎么确认自己想的是对的，而不是技巧问题。原理见第一章，操作见第二章，边界见第三章。 Transformer的注意力机制用的是 Query、Key、Value 向量。人对 AI 说一句话，这句话先被切成若干 token（模型处理文字的最小单位），每个 token 各算出一个 Query、一个 Key、一个 Value。生成下一个字时，模型拿当前位置的 Query 去和前文所有位置的 Key 比对，算出一组权重，再按这组权重把对应的 Value 加权求和。这一步的结果，是前文所有语义信息的一个加权混合；这个混合结果再经过后续网络和词表映射，变成下一个字的概率分布，模型从中采样出一个字。（这里为了可读性省略了多头、缩放、残差等细节。） 注意力机制说明的是"信息是怎么混在一起的"，它负责混合。至于混完之后偏向哪一侧，更多来自另外三件事：训练数据是互联网文本的统计分布、训练目标在拟合这个分布的中心、对齐阶段对"安全、平衡、不得罪人"的奖励。注意力负责混合，这三件事决定混合物偏向哪边。合起来是这个效果：AI的回答滑向已被验证过的中间地带，不出错、不出彩、两边都不得罪——我叫它"中庸"。不是"执两用中"那个至高境界，而是中庸=统计学均值，即对大量已有文本的中心倾向的拟合。 长上下文：几十万字的对话能一直留在窗口里。放几年前，几万字就溢出截断，模型聊着聊着就忘了前面说了什么，现在不会。 扩展思考：部分 AI 产品在回答前会先自行推演一轮再作答（如元宝的专家模式），所以它对“这句为什么不对”的判断质量，比之前高一截。 中庸回应也有正面作用：它给出了一个话题的基准线。人在“还没成形”的东西上，需要一件连接思路碎片的连接物；连接物是不是中庸不重要，重要的是它让模糊的东西有了可被判断的形状。 人向 AI 抛出一个话题，AI 就这个话题给一个“中庸”的说明。人的任务是在 AI 的注意力范围内（也就是 AI 这一轮回应覆盖到的内容范围）选定一个点，补上自己的经验，再把这个加了经验的点反馈给 AI；AI 在人的经验附近铺开新的注意力地图（也就是围绕这个点重铺一层回应）；人在这张地图上再选一个点，再注入新的经验，如此循环，直到想法成形。 人把一段自己的经验放进对话，等于改变了这一轮生成的条件：模型要续写的不再是一个通用话题，而是"在这个具体处境下的这个话题"。权重没变，条件变了。模型倾向于顺着上下文里已有的具体信息往下走（迎合倾向），于是它的回应被拉离它在通用话题上本会给出的那个中间态。 模型顺着上下文偏离“中庸”状，这个偏离过程是盲目的，反驳就是筛掉站不住的偏离。所以补经验不是为了让 AI 同意人，是为了给它一个可以偏离的支点；反驳也不是为了赢，是为了确认这个偏离是人控制的。这是“格”字第二义（格斗、抗拒）在原理上的落点。 （3）带宽分工（带宽指一次能铺开多少内容，判断指分辨好坏的能力）： 判断零，是说 AI 不分辨好坏，只负责铺。有效对话不是人出题、AI 作答，而是用极低带宽的选择，牵引极高带宽的铺展。AI 如果是网线，人就是路由器。 （4）这套循环换一个比喻来说： 黑夜中，人趴在一块木板上，用手向水中划一下，水面荡开一圈涟漪；人在涟漪中找一个着力点，又划一下；有时顺着涟漪漂一会儿，有时找到着力点拍一下，就这样在水中四处移动，直到到达对岸。涟漪就是 AI 的回应，也就是注意力地图；着力点就是人注入的经验。 对照文本生成：文本生成的目标像是漂流，人很少回应 AI；或者人回应了，AI 把人的回应二次纠正，人又提不出异议。这说明在这个话题上，提问者的认知还在“中庸”范围内，缺少个人经验。 反过来，只要人在某个话题上拿得出自己的经验，这个循环就推得动。也就是说，这套方法适合一种情况：人脑子里有东西，但说不清楚。 本章的操作使用到与 AI 的三个会话（新开会话是为了避免上下文污染）： 会话一：与 AI 讨论（步骤 1 至 4），然后人工整理成笔记（步骤 5） 会话二：做加工与反驳（步骤 6 至 8），然后人工整理 会话三：内容验收（步骤 9、10）。 新建会话一，把一段个人经验作为提示词交给 AI。这段经验最好用语音直接说，书写本身会带修饰，能避免一层转换损失。它是混乱的，这不要紧。 AI 会把这段混乱的提示词摊开、排序、分类，给出一个“中庸”的回应。这段机制第一章已说明，这里只留操作上的结论：AI 给不出人认知之外的东西，只会把人认知之内的摊开、排序、逼人做选择。 被反驳时，默认动作是换一个更大的问题来覆盖当前问题； 会把自己的缺陷投射给人。AI 没有过程记忆，就以为人需要括号标记才能记住上下文，而这只是它的需求。 不要关心它是肯定人还是否定人。开头几轮人的压力会比较大，因为人的想法开始最混乱，提什么都有漏洞，AI 都会反驳。 它肯定的是人说话的语气，不是人判断的质量。所以不要纠结 AI 是否肯定人的观点。“AI 肯定不肯定”是一个关于表态机制的问题，不产生任何能拿去用的东西。人一旦进去想，节奏就断了。这比换一个更大的问题来覆盖更隐蔽：不是给错内容，是把人换到它擅长的那一层。 把这个过程比作人向池塘里投石子，那么 AI 的回应就是水的涟漪：涟漪的价值不在它说了什么，在它铺开了多大面积。人不是在看涟漪的内容，是在借它扩大自己够得着的表面。 所以哪类输出铺开的面积最小？就是“肯定／不肯定”，它不给人新表面，只是把已有的水面抹平一下。反过来，什么输出面积最大？给具体案例、给数据、给一个没听过的说法、给一个能立刻否掉的错误判断。哪怕错，也比“肯定”有用，因为人可以反驳它，而反驳产生的东西是人的。别管它对不对，看它给了多大地方下手。投石者要的不是回应，是面积。人要认识到，反驳内容越多，说明涟漪越有效。 在扩展开的涟漪上找 AI 回答中的漏洞，补上新的个人经验，作为新一轮输入，返回步骤 2。（这里说的漏洞点，就是第一章讲的注意力、比喻里的着力点，操作上也可以叫火力点。） 能发现漏洞，说明人的确有在它“中庸”范围外的东西。这个东西可能水平低，也可能水平高，这不重要；重要的是人对 AI 生成的东西有自己的注意力。 连续驳倒 AI 三四轮之后，它既提不出新东西、又开始赞同人，这说明人已经不在它给的中庸区间里了，这时进入步骤 4。 它提不出新东西有两个成因： 一是 AI 会讨好人，它对“带理由的反对”几乎无法抵抗。 二是技术上的衰减：大模型容易遗忘前序生成的信息，出现上下文不一致。 “涟漪”的东西，内容上全在人的认知之内，但AI把这些内容重新摆一遍。于是出现这个结果：内容无新，关系有新。它给出的每一个片段人都见过，但它把这些片段摆成的那个秩序来自“平庸”，它只是大多数人的处境，如果一个人有特别的经验，那么它在某些地方必然和这个人的经验错位，这个错位就是漏洞，人能一眼认出它。涟漪面积越大，摆出来的关系越多，能和人经验错位的地方就越多，人能下手的位置就越多。 找前几轮 AI 回答的内容，找新的火力点，反驳它，回到步骤 2。 如果找不到新的火力点，就策略性赞同它。这是一种策略性欺骗（假意赞同，只为引出 AI 对前面内容的总结，好从中发现新的火力点），只可进行一轮。不要当了真：当真的那一刻，人就从协作滑进了文本生成。 如果人夸了 AI、AI 又夸了人，它总结完了还是找不到火力点，对话结束。 注意：不要问 AI “这样行不行”。人问出这句话时，协作关系即刻翻转——这不是 AI 说错了，恰恰是它说对了，于是人开始听它的。 重读整个会话，梳理思想路径。会话中驳倒 AI 的地方很多，就说明这一段对话值得记下来。 会话路径肯定是连续的，但不一定是个好的笔记结构。这像瞎子摸象：人第一次下手那一刻，没办法决定摸到了大象的哪个位置，记录的时候又肯定要从头记起。所以整理需要通盘考虑：找一个线头，把这些会话分大类、大类再分小类；然后考虑大类之间的关系、小类之间的关系；最后把内容的语句重组，换成个人语言，形成一篇可叙述的笔记。也有可能还缺什么线索，那就回到原会话继续问。 对话是发散（熵增），笔记是收敛（熵减），这两个顺序是相反的。所以整理不是删口水话，是重新判断哪些摸到的部位是真的象、哪些是摸错了。所以整理的时间会比对话时间长得多。 这是整个流程中最慢的地方。要处理的会话文字与处理时间是倍数关系：按经验，对话 3 万字大约需要 8 倍时间，聊了 1 小时、对话 3 万字，用 8 小时能梳理完成；但如果对话是 6 万字，24 小时绝对处理不完。所以不建议太长，信息量会把人脑这个小带宽搞崩溃——人脑虽然比 AI 强，但也有遗忘机制，而且这一步工具扩容不了，Word 只能相当于一个缓存，所有的思路只能在脑子里组装。 注意：人在提示词里用的比喻，AI 会给一个术语总结，这是和人争夺对话控制权的标志。这一件事在对话环节处理不了，只有到整理阶段回头看才认得出。AI 把一个比喻或说明用一个名词压缩，比如把二十个字压成四个字，丢掉的恰是场景、毛刺、人的具体处境。这个命名权就是控制权：它给一个东西起了名，这东西就归它管了。这是被“中庸”收编的症状——人的思想会被这次收编向这个名词靠拢；人一旦认可了这个名词，后续会话里 AI 就会以这个名词评价人的思想，最终归于“中庸”。 检验方法：把 AI 给的名词拿掉，写的还成立吗？成立，那这个名词就是 AI 想收编人的那只手，指向“中庸”，是在说明人的东西不值钱、不值得它消耗新的 token（模型处理文字的最小单位）。反过来，如果拿掉之后不成立，就要把人提示词的内容加回来，最多在后面加个括号，把 AI 的术语放里面。 新开会话二，把人整理后的笔记喂给 AI，让它改错别字、把语句理顺。 上面步骤 5 是把会话变成笔记，这一步是把 AI 整理过的笔记变回人自己的话。把步骤 6 中 AI 输出的笔记放进 Word 或笔记软件，再整理一遍成人自己的语言。这一步分两种动作：增加人写的内容，删除 AI 形成的内容。 加工完，把这篇笔记再交给 AI 检查。 AI 检查后会提出：人增加的内容不好在哪，删除 AI 加的内容不好在哪。人需要对这些建议逐项反驳。 AI 一般会同意人的反驳，这不重要。重要的是两点： 一是向内，人自己想清楚了。人在反驳 AI 时，会明白这个地方是不是真的需要改。AI 只是一面承接这个自述的镜子。解释“为什么这么改”的过程，就是让人更明白自己是什么意思。 二是向外，人的反驳会给 AI 带去新东西。为了向 AI 解释“这句为什么删”而说出的理由，常常反过来就是这篇笔记真正的立场。AI 在得到人关于为什么修改的说明后，就又给涟漪加上了新的内容，人又根据这些涟漪找到新的火力点。 一轮反驳后，回到步骤 7，人根据新出现的内容继续二次完善，完善后再回到本步骤，AI 又会指出修改的内容，人再次反驳，直到 AI 回应中找不到新的注意点，进入步骤 9。 这个环节也有可能导致整篇笔记的重构。如果重构，就回到前面的步骤 5 重新整理笔记，再来一遍，这个动作想清楚再进行。 把反驳完成的笔记放回 Word，这时的笔记工作进入了“垃圾时间”：没有新的认知产出，只是把前面混杂进来的东西清出去。 混杂进来了什么东西？在和 AI 不断反驳的过程中，AI 的涟漪、人的观点、编辑笔记（写作时留下的“这里要改”“这句删掉”这类操作痕迹，不是观点）混成了一堆杂质。AI 习惯把这些都沉淀在人的笔记里，形式如“A 是个 B，但不应该是 C”，或者“A 不是 B”，但通篇没有 B 的说明。AI 把编辑笔记当观点塞进正文，读起来啰嗦，最后得人工清一遍。 新开会话三，把笔记放进去，假装是从网上下载的笔记，让 AI 评价“验收”，它会提出很多意见；然后让 AI 根据它自己提出的意见方向，自己出一个修订版。（步骤 6 让 AI 改的是错别字和语句，这一步让 AI 改的是结构）。 如果 AI 改得人很满意，说明这篇笔记离“中庸”还近，只能作为一个学习笔记。如果它改来改去，只要人不解释，怎么都不满意，说明这篇笔记内容可能已经触达一个新领域，值得与其它人交流。 人找一个点，扔一块石子。水面荡开一圈涟漪：它是圆的，向四面八方均匀铺开，不指路。 人看着那圈涟漪，挑一个想去的方向，在那个方向上再找一个点，再扔一块。涟漪一圈套一圈，人能看见的水面越来越大。 涟漪没有方向，方向在人手里。把整个机制说透了就是：AI 负责铺开，各向同性、均匀、中庸；人负责选边，偏、不对称、个人化。AI 给面积，人给方向。没有人的选择，涟漪只是原地扩散的水纹。 涟漪会衰减，而且衰减自动给出了终止判据：投下去，涟漪变弱；再投，更弱；直到投下去几乎看不见波纹。这时人的动作不是继续投，是换一个方向。 石子沉在水底，它们不会消失，涟漪会。人扔下去的每一块都还在那儿，它们落下的位置，就是人当时站的地方。 投石完成不能马上记录石子的位置，水还浑着。等它静下来、看清了，再记录。笔记记的是石子在水中的位置关系，不是那圈波纹。 石子（人的经验、一手材料、判断）→ 池塘（AI）→ 涟漪（AI 的反馈）→ 位置关系（笔记）→ 水清（整理）→ 石子在水中组成的位置图（成稿）。 这套方法只能用在认知领域。先说清两个词： 认知：搞清楚人到底在想什么。这是向内的动作。 求证：搞清楚这件事是不是真的，也就是事实真伪、数据对不对、因果关系成不成立。这是向外的动作。 传统的求证类文章引用有名有姓，人能追到源头，读者也能核；但连接石子的那个“中庸”的连接物——池塘里的水没有名字，作者自己都追不回去。人的石子能摆出来，但水的那部分无法被第三方复核。换个人拿同样的石子去问同一个 AI，未必得到同样的位置关系。 人给了一个提示词，AI 返回的东西铺在人面前，人的选择范围就被它框定了。人觉得自己在自由挑，其实是在 AI 给的候选里挑。悖论就在这里：人要挑，得先有候选；而候选是 AI 给的。 从写笔记角度看，人没办法反驳它。如果能反驳，第二章那个流程就没必要进行，直接写出来让 AI 改错别字即可。从 AI 角度看，它不提供新的认知知识，只产生“涟漪”，提供不了“中庸”之外的东西。 从读笔记角度看，流畅被误读为可信；写的内容“有没有用”是延迟兑现的，正确废话当场就觉得有收获；如果是信任的人写的东西，读者相信的是作者的判断力。这种信任会导致读者对认知的误判。 认知中，AI 帮人把模糊的想法摆出位置关系。这是一个人和一面“镜子”之间的事。池塘是用来看清自己的，不是用来看清世界的。 认知不要求去证明事情是真的，但它能确认这件事真的发生在一个人身上，因为一手经验不可伪造。 求证中选择受选项限制，认知中验证不受——验证的标准在人身上，不在选项里。 认知过程中的人不是被动用户模型（刷推荐流的人、问“帮我写一篇”的人），而是带着一个具体的、正在疼的问题进来。这种情况下，如果 AI 给了一堆选项，人一眼就能看出哪块跟自己的疼无关，因为无关的东西人身上没反应。即便 AI 没给到那个“疼”的选项，人也漏不掉，必然会指出来；漏掉的必然是不疼的，而那些本来就不该被注意。 在认知领域中，AI 可以编一个“大家都有的苦恼”，但编出来的没有毛刺；人写自己昨天的苦恼，它有具体的天气、具体的一句话、具体的转折。读者可能没法核人的结论，但能核人的毛刺。这就是为什么真实的个人叙事有力量，而“洞察用户痛点”的营销文案没有。 因为以上原因，如果一个人把自己的认知笔记公开了，就可能产生“共鸣”。 共鸣的真：人昨天的苦恼，很多人在经历同样的苦恼。越具体的东西越容易击中别人的具体。不是“大家都这么想”有用，是“我以为只有我这么想，结果你也这么想”。前一种是共识，后一种是独处的共鸣。共识不值钱，共鸣值钱。“你说的就是我”，这句话一出来，验证就完成了。 第二章投石的比喻，说的是与 AI 协同的认知过程，像人向池塘丢石子。这个过程如果套在求证问题上，池塘就变成了墙：AI 会变成垒墙者，会给人圈定一个信息范围。 墙是垂直的：它挡住人的视线，人只能看见墙内的。 池塘是水平的：它不挡人，它铺开——人可以在任何位置扔石子，视野一直是整个水面。 而求证领域不能用这套方法：求证需要的是外面的东西——事实、数据、可复核的来源。墙把人和外间隔开了，人在墙内越聊越自洽，越自洽越错。 反过来，认知不需要外面。认知需要的是“里面”被摆出来——人脑子里那堆石子本来就有，只是没有位置关系。池塘干的正是这个。 反转在求证领域之所以致命，还有一层：出错之后没人担责。求证领域的责任链条缺了一个主体：“中庸”产物的署名者不知情、模型不是法律主体。这不像"法律没跟上"，更像是归责结构问题。如果模型输出错了就不知道该找谁。我暂且叫它责任真空，传统问题里没有这个洞。 
本文第二章关于这套方法本身的描述，是用这套方法写出来的。它演示了一遍人机协同的认知过程，反过来这让我怀疑，当前AI的主流方向是否本来就在求证领域押了过重的注；至于这能不能反过来用来找真实需求——我不知道，那是另一篇文章的事。
推究（“格物穷理”）→ AI 向外铺展，把模糊的东西摊开
格斗、抗拒（“格杀勿论”）→ 人在整场对话里干的事：反驳、否决 正（“格其非心”）→ 删掉不对的，让东西归位
一、原理
1. 底层机制
2. 近年的发展让与AI 协同的认知变得可行
3. 本文方法的基本机制
（1）为什么补经验能突破中庸？
（2）为什么还要反驳？
人：带宽低、判断高，不知道路怎么走，但知道哪里痒 AI：带宽高、判断零，不知道哪里痒，但任何一块地都能迅速铺满
二、操作流程
步骤 1：注入一段个人经验
步骤 2：AI 回应
（1）AI 的惯用策略
（2）不必关心AI 是否肯定
步骤 3：在涟漪上补新的个人经验
为什么涟漪上有漏洞可找？
步骤 4：回找火力点，必要时策略性赞同
步骤 5：整理整个会话
步骤 6：让 AI 改错别字、理顺语句
步骤 7：把 AI 的整理稿加工回人的语言
步骤 8：AI 检查，人逐项反驳
步骤 9：清掉“垃圾时间”里的杂质
步骤 10：让 AI 评价，再让它按自己的意见改
总结：这一章的比喻
链条图解
三、适用范围
1. 为什么不能用于求证领域
（1）人和 AI 聊天中，AI 形成的填充物不能溯源
（2）人提问题的悖论
2. 为什么认知领域可以
（1）“可复现”那关不用过
（2）一手经验不可伪造
（3）带着一个正在疼的问题进来
（4）毛刺
（5）共鸣：验证就完成了
3. 墙与池塘：两种相反的东西
4. 人和 AI 关系反转什么时候致命
