夜雨聆风这期视频的主讲人是 Justin Sung，一位专门教人"怎么学""怎么思考"的学习方法教练。他职业医生出身，后来创办了在线学习课程 iCanStudy，如今靠一对一辅导职场人、做教学视频和一份周更 newsletter 。用他自己的话说，他就是靠教这个吃饭的。这支视频不教你怎么用 AI，讲的是反过来的一件事：当所有人都在学 AI，你到底该学什么，才不会被 AI 甩下。
本期概要
• 你不需要成为 AI 专家，只要把 AI 不擅长的那部分做到足够好。 • 公司付你钱，本质上是赌你能解决那些还没被定义的未来问题。 • 未来五年，30%–50% 的职场技能会过时，但你和 AI 根本不在同一条赛道上。 • AI 变强靠的是底层技术演进，你变强只要把已有的大脑用在对的方向。 • 真正稀缺、也真正值钱的是高阶思维：把一大堆相互影响的碎片拼成一张完整的图。 • 想练出高阶思维，从明天起做三件事：从第零天就应用、建立心理秩序、允许自己一直画错。
你不需要成为 AI 专家，你需要擅长 AI 不擅长的那部分
所有人都在学 AI，好像不懂 AI 就等于把自己关进黑屋子。但实际上，你根本不用成为 AI 专家也能保持竞争力，你只要把 AI 不擅长的事做到足够好。
要做到这点，得先想清楚一件更基础的事：别人为什么付钱给你？
通常的想法是，你带着一套技能和知识、一套能力（competencies）进入一份工作，公司有要解决的问题，而解决方案最终替它赚钱。这么理解不算错，只是只说对了一半。更底层的真相是，公司雇你、留你，是因为它相信你能解决未来会冒出来的问题，而这些未来的问题，有一部分现在还没被定义。
公司必须相信：不管未来的问题具体长什么样，你都有办法把它解决掉。
（"a business has to have the belief that regardless of what these future problems look like exactly, you will be able to solve them nonetheless."）
换句话说，哪怕你现在还没有这些技能和知识，公司也得相信，等问题真找上门，你学得会。
未来五年 30%–50% 的技能会过时，但总有人能留下来
过去几年，Deloitte、LinkedIn、Gallup 这些大公司陆续发了几份报告，结论都指向同一个方向：
• 未来 5 年，你在职场上要保持有用、有竞争力，所需技能里会有 30% 到 50% 发生变化。 • 也就是说，你现在赖以保住饭碗、换来晋升的那些本事，几年内有三到五成会变样。 
更要命的是，几乎可以肯定，这些调查是在这轮 AI 热潮爆发之前做的。所以这个数字往后只会更高。
从大学的角度看更刺眼：变化快到，等你读完学位、毕业拿到第一份工作时，当年学的东西已经有三分之一过时了。当然不是每个行业都这样，但这是个大趋势。
问题是，照样有人被录用、被晋升、被留下。这又绕回那条主线：公司得相信，哪怕现在没人说得清未来要什么技能，你也能在问题来临时学会它。于是往后几年，你最大的对手之一会变成这么个问题：你学会解决一个问题的速度，能不能快过 AI 学会解决它的速度？
你和 AI 根本不在同一条赛道上
表面上看，这像一场赛跑：人类学着解决问题，AI 也学着解决问题。而 AI 肯定更便宜，它一旦能解决某个问题，你守在那个位置上就不安全了。但这里有个常被忽略的关键。
人类和 AI，不在同一场比赛里。
（"humans are not in the same race as AI."）
一个人学得更快，和一台 AI 学会做某件事，根本不是一回事，没法直接比。AI 在某件事上变强，靠的是底层技术本身在演进，模型能力得爬到某个水平，才解得了某类问题。而一个人变强，靠的是把你本来就有的那颗脑子，用在对的方向上。
用 AI 把自己的活干得更快，正是公司日后替换你的理由
很多职场人学 AI 时反复在问：我怎么用 AI 加速现在的工作流？怎么靠 AI 工具把个人产出和效率提上去？这当然有直接的效率好处，你尽管去试。但它并不会让你的长期职业安全感好多少。
道理很直白：
• 原来公司花 40 小时请你做的事，你现在用 AI 10 到 20 小时就能做完。 • 那它为什么还要为这件事付你 40 小时的钱？等 AI 再强点，又为什么不干脆拿 AI 把你整个换掉？
你用 AI 加速自己工作流的那套思路，恰恰就是公司将来用来替换你的同一套逻辑。
（"The way you are thinking about using AI in your own personal workflow is the exact same reasoning that the business will have to replace you."）
所以问法该反过来：等我现在的活被 AI 替掉一部分，那些繁琐、低级、纯执行的环节都交给了 AI，我的时间被腾出来，我拿这些时间去做什么？
公司不会一边照付你工资，一边看你闲着转笔。等"用 AI 增强工作流"在你这行变成标配（他说这几乎已经是现在进行时），你还能带来什么别的价值？这点别的价值，才是你的竞争力。而它通常落在 AI 自己干不太好的那些事上。
AI 真正搞不定的，是把一堆碎片拼成完整的图
那到底是哪类工作？这点其实已经讲得比较透了。AI 真正吃力、因此你做好了就能加分的，是这么一类事：高度依赖上下文（deeply contextual）、牵涉很多因素（multifactorial）、又充满条件分支和复杂度。
这些场景没有标准答案，信息往往很新、很微妙。它考的是关键性的问题解决，是高风险的决策，是看清所有碎片怎么拼到一起。这对 AI 很难，对人也很难。人一旦面对太多彼此牵连、相互影响的碎片，而决策好坏又取决于看懂它们怎么整体咬合，就很容易被淹没。这恰恰是"人和 AI 不在同一条赛道"的要害。
除非你是谈的是生成式 AI，否则眼下绝大多数热度说的其实是 LLM（large language models，大语言模型），ChatGPT、NotebookLM、Claude、Gemini 这一类。LLM 跑在 transformer 架构上，这套底层技术有它固有的天花板。要让它在这种高复杂度的事情上做到人类专家的水平，得有一些实质性的技术突破才行。
【注：LLM（大语言模型）是当前主流生成式 AI 的核心，底层是 transformer 架构。它擅长在海量文本里做模式匹配和生成，但碰到需要跨多因素整合、长链条因果推理的高复杂任务，仍有结构性的短板。这正是整段论证的技术前提。】
有一天它能到那个水平吗？大概会。但有件事Justin很确定：那些能保住工作、还能继续升职、保持竞争力的人，就是把这类事做得很好的人。等 AI 真的够强了，他们或许也会丢工作，但至少在知识工作者里，他们会是最后一批丢工作的。
如果这种思考方式起了个名字。这种依赖上下文、牵涉多因素、高复杂度、各种东西彼此关联的思考，可以叫高阶思维（higher-order thinking）。在高阶层面学习，就是高阶学习；在高阶层面解决问题，就是高阶问题解决，统称高阶思维能力。它有一个前提：你得看到所有东西都是连在一起的。别把每件事看成一个孤立的点，要把一切看成一张网、一种模式。
每一个信息点、每一个事实、概念、变量，之所以有价值、有分量，只是因为它对另一个点产生的影响和关系。事物不会因为孤立存在而有价值。
（"each fact, concept, factor, variable ... only has value and importance because of the influence and relationship it has on another point. Things are not valuable and important in isolation."）
低阶思维练到顶，也长不出高阶思维，这是两套系统
与它相对的是低阶思维（lower-order thinking）：把信息当成一个个孤立的点，靠记忆，靠"懂了没""背得出吗""能复述吗"来衡量。我们从小被训练出来的思考方式，大体就是低阶的。直到今天，很多课程的重点还是落在孤立地背内容上。
问题是，在真实的职场里，复制知识值不了几个钱。真正值钱的是你怎么应用你知道的东西，而那些东西你通常查得到，根本不用靠脑子背。你能解决的问题越难，扛的责任越大，拿的钱也越多。
哪怕你理解得深到能就此写一篇博士论文，只要你做不到把它连起来、放进上下文里去用，这份知识就是没有价值的。
（"It doesn't matter if you understand it so deeply you could write a PhD on it. If you can't do the connecting and the contextual application, that knowledge is valueless."）
接下来是Justin花了最长篇幅、自己也认为最要紧的一个观点。他常画一个三角形：上面几层是高阶学习，下面几层是低阶学习。
【注：这个三角形通常指布鲁姆教育目标分类法（Bloom's Taxonomy）：从底部的记忆、理解，到顶部的分析、评价、创造。常见的画法暗示学习要"从底层往上爬"。】
这个画法，加上"低阶—高阶"这种叫法，藏着一个误导：好像你得先在底部打基础，再一层层往顶上爬。早期讨论这个话题的一些论文就是这么说的。但他说，自己已经把这套东西教给了几万人，手上数据一大堆，结论是：这条"往上爬"的路根本不成立。
原因在于，低阶思维是一套特定的习惯和模式，它倾向于把信息留在孤立状态；高阶思维是另一套习惯和模式，它做的是整合，让你看见每个点都嵌在一张更大的网里。这两套习惯彼此不相通。你低阶练得再好，也不会自动通向高阶，因为那条连接线压根不存在。它们是两种完全不同的思考方式。
Justin还画了两张图说明价值：
• 低阶思维：练到某个点就封顶了。你能记多少、能多孤立地背诵，过了那个点都不再重要，实用价值很低。而且这条线还在往下掉，因为 AI 正在把这块填满，在低阶的事情上它已经超过了大多数人。 • 高阶思维：你越强，能创造的价值也跟着往上走。你能处理越来越复杂的局面，扛起别人扛不动的责任，解出别人无从下手的题。别人觉得快被淹没的地方，你知道怎么走。
Justin拿自己举例。他练过记忆术，20 分钟能记住 150 样东西，记忆宫殿、故事法、串联法、数字编码，各种花样他都会。可这本事他几乎从不用，占他时间不到 0.1%，对他人生真正有价值的部分，几乎跟它没关系，顶多算个唬人的派对小把戏。上学那会儿它还稍微有点用，大概能解释他两成的学业成绩，但即便如此也只是少数。
练出高阶思维是有路、有具体步骤的。人们练不出来，不是因为没路，而是因为他们不肯走在路上，没意识到这事值得做。停在低阶很舒服，练高阶要花时间、精力、专注，是真投入，难得多。
别假设你哪天就会自动擅长高阶思维。除非你刻意、主动地逼自己去做高阶思维，否则你不会变得更擅长它。
（"you will not get better at higher-order thinking unless you deliberately and actively push yourself to do higher-order thinking."）
实操一：从第零天就开始"用"，别先急着"懂"
讲完道理，Justin给了三件从明天就能开始做的事。第一件：从第零天就开始用。
我们有个从多年学校教育里养出来的低阶习惯：翻开一本新书、点开一场 webinar，第一反应是"先把它弄懂"。这很直觉，好像不然还能怎样，读了却不懂吗？他要你换个想法：弄懂不该是你刻意去追的目标。你接触任何新信息、学任何复杂的新东西，目标都应该是马上把它用到自己的处境里。先别管记不记得住，甚至先别管懂不懂。
在你第一次接触一样东西时，就想着去理解它、记住它，恰恰是最高效的遗忘方式。
（"trying to just understand and remember something when you're first going through it is an incredibly efficient way to forget it."）
区别在认知框定（cognitive framing）。你给大脑一个上下文，告诉它"我们要拿这些去解决某个问题、达成某个结果"，大脑就知道该怎么处理了。它看到每一块碎片时，不光是去理解，而是在"我要怎么用"的语境里去理解。于是你自然会问：这块信息和我要的结果有什么关系？我学到的这个跟那个，怎么组合、怎么互相影响？这会把大脑推进一种更主动、更讲关系的状态。
反过来，要是你停在低阶模式，先一股脑理解、回头再看怎么拼，你会花上几小时、几天、甚至几周，钻进过量的细节里，却不知道自己要知道什么、要知道到什么程度、将来怎么用。结果是大脑不知道拿这些信息怎么办。它和别的东西没关联，没有能嵌进去的位置，大脑就没理由留着它，干脆当垃圾清掉、忘掉。这也解释了，为什么你花一周学完所有材料，回头要动手做方案、定策略时，却发现连从哪下手都不知道，翻回当初的笔记，只觉得"我不知道拿这些干嘛"。
Justin给了个很具体的时间窗：信息进来，到你第一次想"它怎么用"之间，要是超过 5 到 10 分钟，大脑基本就开始清除它了。所以你得不停回到那几个问题上：我怎么用它？它跟什么相连？它对我解决问题、达成目标意味着什么？
实操二、三：建立"心理秩序"，并允许自己一直画错
第二件：建立心理秩序（mental organization），而不是物理秩序（physical organization）。
Justin说"心理"这个词很关键。这些年他学过商业、学习科学、心理学、教育、就业力，"对了，我还读过医学院，差点忘了"，可你要去看他的笔记，简陋得不行。没有精心配色，没有文件夹标签，没有把一切连起来的完美 notion 模板。他不想要这些，那都是噪音，是干扰。很多人拿物理秩序来替代心理秩序，因为前者容易，后者更难，却更有意义。
物理秩序，本质上就是一种很有产出感的拖延。
（"This is basically productive procrastination."）
心理秩序，是去看拼图的每一块，再把它们拼成一幅完整的画：每块都在它该在的位置，因为它和周围块的关系，决定了它的价值、用途和位置。落到决策、解决问题、学新东西上，这意味着你一想到某个主题、某个问题、某个项目，就能说出大局上要走哪几步、哪些是必须钉死的关键、哪些是围绕它的细节和上下文。你能把它简单地讲出来，讲给相关的人听；你能看见计划会怎么变，看见往这张网里加一个新东西会带来什么影响。
物理秩序呢？是把拼图按大小、形状、颜色分门别类塞进不同的盒子。是的，它们被整理过了，可这种整理没意义，除了让你因为"看起来很整齐"而心安。写笔记时所有标题一个样式、所有要点排得齐齐整整、做好完美的闪卡、加好引用链接、塞进文献管理软件，你确实知道去哪找信息了，可你本来的目的是拿这些信息去做点什么，而干完几小时物理整理，你离那个目标一步都没近。
Justin给的快速做法是做点思维导图（mind mapping），试着把想法以讲得通的方式连起来，看你能不能在你认为重要的点之间，理出清晰的结构和连接。过程里会冒出几种常见的卡壳，他一个个点破：
• 嫌"太复杂了，因素太多、互相影响，画不进一张图"。其实真正搞懂了连接的人画得出来，区别只在于他能从不同角度画出好几张不同的导图。画不出来，往往说明你还没真的搞懂它们怎么连。 • 画到一半冒出新因素、新角度，觉得"这方法不对、不适合我"。恰恰相反，这说明它正在起作用。发现你还得考虑的新变量，本身就是目标。 • 思维导图是一份活文档。一开始你以为 A 连 B、B 连 C，学着学着发现 D 其实也重要，再后来又发现整个结构都错了，得改成 A 和 B 一起导向 C，再一起导向 D。该改就改，推翻重画也是好事，你对主题理解得越细，这张图就越细。
第三件：放弃完美。这条尤其能帮到不习惯画图的人。学新的、复杂的东西，你一定会错，而且错的次数远多于对的次数。他说，要是你一开始就能看清所有东西怎么拼，那它对你来说就不复杂了。
Justin做工作坊时发现，那些最难把东西连起来的人，通常不是组里最笨、知识最少的。真正的原因往往是连法太多，他们不知道选哪条：A 可以连 B，也可以连 C、D、E、F，选项太多，无从下手。他说这很正常，而且是好事，说明你在主动思考。
破解办法很简单：在纸上想（think on paper）。别在脑子里空转，把你想到的连法直接画出来，"A 可能导向 B，也可能是这样，或者那样"。你不用知道哪个对，画出来这个动作本身就是在帮你想。画在纸上，你就能真的盯着它看，再判断哪种更说得通。想试试把 E 并进 D 会怎样？别在脑子里猜，画出来：A 导向一个由 B 和 C 组成的更大的组，D 和 E 又组成另一个组，画完再问自己，我喜欢吗？说得通吗？也许一画就发现"这根本不对，这块其实属于 A"，那就再画一遍。
别把你写的笔记当成真理来源，把它当成助手，它是你制造心理秩序的过程。而"在纸上想"这一点，大概是对统计意义上最多人来说，最大的那个突破口。他在工作坊里反复验证过：让 100、200 个人做同样的"把要点连起来"练习，70% 的人会卡住，盯着一列要点，琢磨它们到底怎么连，又拿不准。而这些人里的大多数，光靠"在纸上想"、不强求一次到位，就能从"连第一条线都开不了头"，走到"画出真正有意义、有产出的东西"。
作者总结
通篇下来，他反复敲的其实就一句话：这是一场不一样的比赛。你的大脑本就有这种能力，差别只在于你有没有让它跑起来，有没有去改掉那些不太出活的低阶旧习惯。
原始视频：《How To Become Dangerously Self Educated (with AI)》