在上一期的讨论中，我们深入探讨了AI时代下人类如何适应并利用AI工具来提升个人能力。我们了解到，尽管AI在处理信息、学习和执行任务方面拥有惊人的效率，但它在情感、意识和创新性工作上仍然无法与人类相媲美。我们强调了掌握AI工具使用的重要性，并指出选择合适AI工具的必要性，同时讨论了AI工具在文本生成、艺术设计、搜索引擎等方面的应用，以及如何通过构建个人工具链来提升生产力。

在本期文章中，我们将延续上一期的讨论，进一步探索如何更有效地利用AI工具，并发展人类在AI时代下不可或缺的核心技能。我们将讨论以下几个关键点：

1. 学会提问：掌握“提示词工程”技巧，通过改善提问来提升AI的输出效果。
2. 项目式学习：通过主动提问和项目实践，培养解决问题的能力，提高学习效率。
3. 创新和想象力：强调知识与想象力的结合，以及跨学科学习和开放心态在创新中的重要性。
4. 与人沟通的能力：认识到AI在情感交流方面的局限，发展深度的人际交往技能。
5. 审美力：探讨审美思维在人类认知活动中的独特性，以及它在创造性实践中的作用。
6. 批判性思维：在信息泛滥的时代，批判性思维对于辨别真伪和逻辑严密性的重要性。

需要掌握的品质

掌握AI工具的使用

2. 学会提问

了解了AI的工具链条之后，如何用好AI也是一个需要认真对待的问题。目前大多数生成式AI都是基于自然语言进行交互的，常见模式就是我们提出一个问题，大模型返回一个答案。要想让大模型的输出符合预期，就得从提问本身入手，通过各种方法完善提问，从而引导它生成更好的结果。

这种通过改善提问来提升大语言模型输出效果的做法，现在已经形成了一门叫“提示词工程（Prompt Engineering）”的学科。当然，和之前选模型的思路一样，日常生活中用的方法也不是越多越好，关键是要挑出那些效率最高的。不同的提示词工程方法各有其适用场景，有的针对应用构建，有的适合日常使用，还有的专门用于测评。对我们日常使用来说，找准那些简单实用的策略就够了。下面推荐几个常用的方法：

• 提供详细的背景

提问时最重要的就是交代背景。背景就是告诉大模型一些基础信息，让它在这些信息的前提下给出最合适的回复。比如，想让ChatGPT写一篇专业的学术论文，那肯定需要言简意赅、专业性强的文字；如果想让ChatGPT写一篇适合发在小红书的推文，那可能需要表情包多、读起来有趣的内容。

在编程领域，提供背景就是说明你当前的计算机环境。这一点在GitHub的技术问题提问指南里早就提到过，也是日常问技术问题的基本功。假如你连背景都说不清楚，技术人员也很难精准复现并找到问题所在。这些背景包括：你是在Linux、Windows还是Mac环境下开发？Python版本是1.x、2.x还是3.x？某个库的版本是多少？诸如此类。只有提供了这些背景信息，ChatGPT才能给出全面的回复，而不是需要一次次修改才能给出正确的代码——那样的效率实在太低。

总而言之，说清楚背景极其重要，我们在日常生活中也需要养成这样的习惯。说不清背景，就等于没有填平你和对方理解上的鸿沟，对方自然很难真正和你沟通。如果你朋友不知道你最近发生了什么，突然听到你吐槽，心里肯定很懵。对大语言模型也是一样，把它当成朋友，尽可能把事情说清楚吧！

• 给出需要输出的示范案例

除了提问时给背景这种常规操作，还有一点很重要：如果你有特殊格式上的需求，不仅要明确告诉大模型，最好还能给出一个或多个示例。

比如，让它写一篇稿子，如果什么都不说，大模型可能哐哐哐就开始写了。但如果你期望的是Markdown格式，那在提问时就要加上一句“请输出Markdown格式的文本”，这样大模型就能按指令来。或者，你可以给出一段Markdown格式的示例，让它模仿这种文体来写。这些方式都能让大模型意识到需要用特定格式输出。

如果可以给出一个完整的问答对，也就是同时包含问题（Q）和答案（A）的示例，这在提示词工程中常被称为“few-shot prompting”或“chain-of-thought prompting”。

比如下面这个例子，大语言模型会根据上面的问答对给出相对应的答复：

输入的内容：

Q：“whatpu”是坦桑尼亚的一种小型毛茸茸的动物。一个使用 whatpu 这个词的句子的例子是：
A：我们在非洲旅行时看到了这些非常可爱的 whatpus。

Q：“farduddle”是指快速跳上跳下。一个使用 farduddle 这个词的句子的例子是：

输出的内容：

A：当我们赢得比赛时，我们都开始庆祝跳跃。

不过，如果给的案例还不够理想，可能就需要调整一下，提供更完整的示例。比如下面这张图展示的情况：一开始给了一个示例，但模型还是没答对；当增加了示例回复的细节以及对应的思维链条后，模型就答对了。从这个过程可以看出给出合适且正确示例的重要性。

即使没有现成的案例可给，在提问时加上一句“Let's think step by step”往往也能取得更好的效果。这种方法被称为“Zero-Shot Prompts”。

• 将问题写清楚

即便有了案例和背景，还有一个关键点：问的问题本身必须足够清晰。你得自己想清楚究竟想问什么。如果你对一个方向本身就感到迷茫，不知道从何问起，那就不该把乱糟糟的思绪一股脑全写进去，这样只会让大语言模型困惑不解，给不出你想要的答案。在提问之前，自己先稍微捋一捋问题和想法。当然，这个过程也可以让大语言模型陪你一起做，比如让它帮你整理思路、归纳想法、查找资料等等。但无论如何，在最终提问之前，一定要想清楚要问的是什么，否则很难得到满意的答案。

举个例子，如果想让模型帮忙总结，就直接说“帮我总结一下上面的文件或内容”；如果想翻译，就说“请翻译这部分内容”；如果想写一个脚本，就说“请基于以上要求生成脚本”。说话要清晰明了，而不是含糊不清。

另外，由于大语言模型几乎很难进行长篇幅输出以及深度思考，因此还需要把一些大问题拆解成一个个小问题来问。这才是正确的使用方式。如果你一次让它帮你写完一整篇论文，几乎不现实。所以，让AI辅助写论文的正确方式是：先让AI根据题目出个大纲；然后自己修改一下大纲，再把一个大点丢给AI，让它生成该大点下的一系列小点；最后再针对每个小点进行具体撰写。这样写出来的文章才不至于太拉胯。当然，中间还是需要加入很多自己加工的内容，但最后可以让AI帮忙进行润色处理。

总的来说，提问其实是一件很简单的事情。只要有不懂的地方，我们就会去问该怎么解决。用平常与人相处的方式去和大语言模型提问，同样是可行的。只不过，不同的人有不同的提问方式——有些人觉得这样提问舒服，有些人觉得那样提问好——AI自然也有它觉得舒服的聊天方式。我们现在研究提示词工程，本质上就是在研究如何与机器更舒服地聊天。所以，学会与大模型提问和聊天，是非常关键的技巧。后续也会专门有一篇文章来详细阐述这方面的内容。

3. 项目式学习

即便知道了如何向大语言模型提问，但对大多数中国学生来说，平日里做得最多的事还是上课听老师讲。这种情况下，很多时候都是被动式听课，很难培养起主动提问的能力。如果无法主动提问，就只能上网看各种课程，慢慢记笔记来学习，这样很难真正把大语言模型用起来，加速自己的学习。

要提高主动提问的能力，最好的方式就是通过项目来进行学习和提问。比如，想用Python做数据分析，前期肯定需要了解一些基础知识，比如函数等内容，这些可以通过基础课程来学习。但有了基础知识之后，就应该快速上手实践。一旦真实地面对项目，就不能再被动听课了，而是需要真正去尝试解决问题。

一个很好的方法是复现别人做过的项目。比如，别人用了什么方法来解决什么问题，你可以尝试把他的方法应用到自己的数据集上。这样一来，就能真正实践如何解决自己领域中的问题了。

在解决问题的过程中，难免会犯各种错误。面对错误时，除了自己思考解决方法外，还可以向大语言模型提问，借助它的力量快速定位问题并解决问题。这样，项目推进会促使人不断提出新问题，并借助各种力量来解决。如此一来，就能摆脱低效的被动学习模式，进入高效的主动学习模式。

就像下面这张关于学习内容平均留存率的经典图片所展示的：我们在课堂上常用的被动学习模式（听讲、阅读、视听、演示）留存率只有5%到30%；而项目式实践这种主动学习方法能达到75%。如果在完成项目后还能把知识和内容教给别人，留存率甚至可以达到90%。

所以，如果想更好地利用大语言模型提升整体学习效率，最好的方式就是真正去实践。实践出真知，只有真正去使用，去面对真实的问题和环境，才能获得真实的成长。

创新和想象力

在前面AI与人类的对比中已经提到，AI擅长在既定规则下完成工作。那么对人类来说，重点突破方向自然是创新力和想象力。创新并非一味追求独特，而是破旧立新的意愿与扎实知识的完美结合。创新，让我们突破常规，实现从无到有的创造。

要想拥有创造力，有两个前提条件：知识和想象力。知识是一切的基础，如果知识不够扎实，再强的想象力也只是空中楼阁。但光有知识没有想象力，也只能在原地打转，很难前进一步。真正的创造力往往需要跳出思维的舒适区，将看似不相关的知识和想法结合起来。

要想跳出思维的舒适区，一个很重要的方法是在原领域打好扎实基础后，接触跨学科知识来获得更多灵感，从而产生突破。前面也提到过，大语言模型的知识往往比较浅层，指望它构建本学科完善的知识体系非常困难。但大语言模型可以加速我们对跨学科知识的掌握，让我们快速且多方位地了解其他领域最重要的知识。

除了了解其他学科的知识，开放的心态也很重要。遇到新观点时，不要下意识地否定，而是先听完整体逻辑，再批判性地提出自己的质疑。如果整体逻辑没问题，就可以思考能不能进行整合。保持开放心态和好奇心，有助于拓展视野、激发想象力，从而更好地结合知识与想象力进行创新。

另外，在一个充满创新氛围、鼓励尝试和接纳失败的环境里，人们的想象力更容易被激发出来。这种环境不仅包括物理空间（如创意工作室、艺术工作室），也包括社会文化背景、组织文化和管理方式等。在这样的环境中，人们更容易摆脱传统束缚，敢于提出大胆的设想和实验。

其次，经常进行自我反思也很重要。审视自己的思维模式、习惯和方法，发现其中的局限和不足。在此基础上，尝试突破自己的舒适区，挑战新的领域和问题。这种自我突破的过程往往会伴随心理上的不适和困难，但正是这种挑战促进了成长和创新。通过反思与自我突破，可以不断优化知识结构和思维方式，使想象力和知识更好地结合，从而提升个人创造力。

总的来说，创造力的产生需要知识与想象力的结合。这需要从多个方面入手：既要有广泛而深入的知识储备，又要敢于跨越学科界限；既要营造有利于创新的环境，又要不断反思和突破自我。只有这样，在面对挑战时才能充分发挥创造力，找到独一无二的解决方案。

与人沟通的能力

如果你和ChatGPT真正聊过天，就会知道，想在ChatGPT身上找到和朋友一样的聊天体验其实挺难的。虽然ChatGPT已经能逻辑清晰地输出很多文字内容，但在感情方面，它仍然很难替代真人的体验。即使现在已经有很多针对情感方面进行微调的项目，比如EMOLLM这类专门解决心理健康问题的大模型，实际上也很难真正动摇心理医生的作用。

大型语言模型之所以无法完全替代人类的情感交流，主要原因在于它们是基于大量文本数据训练而成的。而人类的情感交流不仅包括文字，还涵盖听觉、触觉、嗅觉和视觉等多种感官体验。这些复杂的感知和体验在模型训练过程中是缺失的，因此模型的回应往往只能遵循一种传统模式。此外，我们向模型表达情感时，通常也只能通过文字，而文字表达情感的能力本身是有限的。比如，在情绪崩溃时，人们可能只会哭泣，而不会把感受写成文字。即使是现代的语音转文字技术，也难以准确捕捉和反映说话者的情绪。

未来，即使AI与机器人能够完美结合，除非像电影里那样真正突破算法产生出真实的意识，否则基于一套模式运行的机器人很难与人类进行深入的交流。在拥有自我意识之前，AI只能作为我们的工具，而非真实的情感寄托。我们仍然需要大量与真实的人接触。因此，拥有良好的沟通能力、感同身受的能力、换位思考的能力，从而与他人产生深度的链接，是极其重要的。

审美力

迄今为止，AI的认知方法基于概率思维。而人的大脑活动还包括情感思维、直观思维和审美思维。特别是在审美思维方面，大脑的审美冲动来自于刹那间兆亿次的神经元放电，具有极大的偶然性。概率思维在与必然性和或然性相关的知识领域具有绝对优势，人越来越无法与AI竞争。但是，涉及审美冲动的偶然性，它并不在概率思维的统治范围内。因此，与审美冲动相关的审美信息，就具有了人类认知活动的独特性。许多专家类别的隐性知识也与专家的审美冲动有关。它无法被完全编程，只能个人理解，不能完全向大众解说。因此，人的审美活动和创造性实践是AI无法比拟的。

此外，审美力在促进人类创造性思维方面的作用也不可小觑。创造力往往来源于对世界的独到见解和非凡想象，而这些往往是在个体的审美体验中孕育而生的。比如，设计师的灵感可能来自对日落色彩的感悟，作家的故事创意可能源于对特定艺术作品的审美感受。这种由内而外的创造过程，依赖于人类情感的深度和复杂性，是AI难以达到的。

未来，随着AI技术的不断发展，可能会看到更多AI与人类在审美和创造力方面的合作，但人类的审美力仍将是这种合作不可或缺的核心。维护和发展人类的审美能力，不仅有助于保持文化的多样性和深度，也是确保技术发展服务于人类福祉的关键因素。因此，在AI时代，重视并培养个人和社会的审美力，是不应忽视的重要任务。

批判性思维

在这个信息泛滥的时代，强大的逻辑思维和批判性思考能力显得尤为重要。如今，网络上已经泛滥着各种由人工智能产生的虚假新闻和信息。如果不进一步审查，很难识别出其中的错误和漏洞。因此，需要具备优秀的批判性思维和判断能力，以确保接收到的信息是真实可靠的。

然而，即使是最先进的人工智能语言模型（如GPT-4），也难免在逻辑上出现问题。比如，有一位福建省专家评委库的辩手，曾希望利用GPT-4帮他编写一份辩论稿。但GPT-4输出完成后，他发现稿件中存在诸多逻辑漏洞，未能精准回应辩题要求。这一现象表明，即便是强大的模型，在逻辑处理能力上仍有很大的提升空间。

目前的人工智能更像是一个拿着词典和百科全书进行翻译的人——其中算法充当词典，数据库则是百科全书。当我们提出问题时，AI实际上是从数据库中提取信息，并结合算法进行“翻译”。这种处理方式意味着AI可能并没有真正理解问题的本质，而仅仅是根据数据库和算法进行响应。因此，尽管AI在处理大量数据和信息方面显示出惊人能力，但在理解和处理逻辑复杂的问题时，仍然需要人类的辅助和指导。

总结

综上所述，虽然AI技术带来了许多便利，但同时也存在一定的局限性。应当清醒地认识到这些局限，并通过持续学习和适应，发展那些AI难以取代的核心人类技能，从而保持在技术不断演进的未来中的竞争力和创新力。在AI的帮助下，结合人类的独特能力和深度思考，可以更好地面对未来的挑战和机遇。

这些能力和品质，正是人类在AI时代保持不可替代性的关键所在。