AI 时代，普通人如何用「提问」逼近天才的认知密度——从杨植麟本科演讲说起
看完 Kimi 创始人杨植麟 2014 年的本科毕业演讲，感觉有点恍惚：AI 缩小了"获取答案"的差距，但放大了"提出好问题"的差距。
一、残酷的事实：差距在"问题"，不在"答案"
杨植麟本科期间的路径：
清华年级第一，大二进数据挖掘实验室
一年内发表 KDD/WSDM/CIKM 三篇顶会一作
主动学习算法节省 95% 标注成本，数据流算法被腾讯/华为采用
普通人的路径：
工作 5-8 年，解决业务问题，偶尔接触新技术
用 AI 辅助写文档、生成用例、查资料
两者的差距不在智商，在"问题暴露的密度"和"反馈循环的速度"。
杨植麟在 20 岁时，每天面对的是：
这个算法为什么慢 100 倍？
这个数据分布为什么不符合假设？
这个预测误差从哪来？
他被迫建立了"从现象→抽象→建模→验证"的完整闭环。而大多数职场人，工作 10 年可能只在这个闭环里跑了 3-5 次。
AI 给得了答案，但给不了"这个问题值得被解决"的直觉。
二、 AI 给了普通人一个"作弊器"
我们没有清华实验室，但可以用 AI 来"人造"问题密度。
核心思路不是"问 AI 怎么做"，而是让 AI 帮你"看见"你原本看不见的东西。
方法一：认知升维——从执行者跳到设计者
普通问法：
"这个 Bug 怎么修？"
升维问法：
"假设我是这个系统的架构师，应该在哪些环节设置防穿透的校验点？请从数据流、模型层、工程层分别分析。"
"如果我是这个产品的竞争对手，我会怎么攻击这个系统的弱点？列出 10 种攻击路径。"
"把这个 Bug 放在整个产品生命周期里看，它在哪个阶段最容易被引入、哪个阶段最容易被发现、哪个阶段修复成本最高？"
区别：普通问法给"答案"，升维问法给"地图"。
方法二：跨域嫁接——把别的领域方法论搬过来
杨植麟的核心能力之一是跨域迁移。AI 让普通人也能玩这个游戏：
"软件工程里的'契约式编程'思想，怎么应用到 AI 评测的数据集设计中？"
"医学里的'双盲实验'，能不能用来设计 AI 模型的回归测试？"
"金融风控里的'压力测试'，怎么转化为 LLM 的对抗评测？"
AI 读过全人类的知识，它能帮你建立你这辈子都不可能自己去建立的连接。
方法三：反共识推演——逼自己看见反面
"我现在用'不变量断言'做自动分桶，请列出 5 个这个方案必然失败或产生严重偏差的场景。"
"假设我是一个坚持'传统手工测试'的老派测试经理，他会怎么反驳我的 AI 评测方案？请帮我把反驳做到最尖锐。"
能在攻击中站住脚的观点，才是你真的理解的。
三、一个可复用的提问框架（建议收藏）
表格
| 层次 | 提问模板 | 目的 |
|---|---|---|
| L1 事实层 | "XXX 是什么？怎么做？" | 获取信息（最浅） |
| L2 结构层 | "XXX 由哪些要素组成？它们之间什么关系？哪个是瓶颈？" | 建立系统地图 |
| L3 反事实层 | "如果不做 XXX，会发生什么？如果反过来做呢？" | 突破默认假设 |
| L4 元认知层 | "我为什么觉得这个问题重要？我漏掉了什么视角？如果我是 3 年后的自己，会怎么看待这个问题？" | 校准问题本身 |
工作中应该少用 L1，多用 L3 和 L4。
四、每周 30 分钟的"非功利性"实践
不需要多，每周抽 30 分钟做一次"认知扩展对话"：
选一个你最熟悉的工作问题（比如"Agent 幻觉"）
让 AI 从 3 个不相关的领域（医学、金融、军事、生物学）来分析这个问题
记录跨域洞察，哪怕听起来荒谬
挑一个最能启发你的，试着迁移到工作中
这 30 分钟不做任何产出，不做笔记，不追求正确。唯一目的是强迫大脑建立新的连接。
五、结语
杨植麟的"看见"，本质上就是大脑里有太多跨域的连接点。
我们没见过清华实验室、没见过斯坦福、没见过 KDD 审稿人。但 AI 见过。
AI 读过他读过的论文，理解他理解过的算法，甚至能模拟他思考问题的风格。
你不需要成为杨植麟，你需要成为"会用 AI 来扩展自己认知边界"的你。
差距永远存在，但 AI 给了一个以前不存在的杠杆。用得好，你能从"执行层"跳到"设计层"；用不好，只是多了一个更快的搜索引擎。
选择权每天都在重新选择。