引言：AI加速进化下的学习焦虑
AI的发展让许多人感到焦虑。当 ChatGPT（OpenAI开发的基于大型语言模型的聊天机器人）刚出现时，我感到特别兴奋，并像许多人一样，加入了AI的学习大军。作为一个没有编程基础的“麻瓜”，我进行了许多AI尝试，甚至计划制作自己的AI课程。然而，AI进化的速度太快了，我刚写完课程大纲，ChatGPT的升级就让许多内容失去了意义。这种还没开始就被淘汰的经历，在开发者社区里更为常见。许多人辛辛苦苦地基于OpenAI刚开发出一个应用，ChatGPT的一个更新就可能将其消灭在萌芽阶段。
其实在一年前ChatGPT刚出现不久，我曾制作一个视频，分享了如何抓住ChatGPT带来的机会。那个视频分享了自然语言编程的概念，并建议大家应该去使用AI，成为一个超级学习者。但问题在于，在一个AI什么都懂、比人类进化更快的时代，我们到底要学什么才有意义呢？
就在制作这个视频的节点，OpenAI的视频生成模型 Sora（OpenAI发布的文生视频AI模型）横空出世，让视频AI的能力实现了质的飞跃。开个玩笑，这是威尔·史密斯制作的真人调侃视频，但人们容易被骗不正好说明了现在AI已经在模糊虚拟和真实的边界吗？正是如此，人们又开始呼喊AI又要革命了，因为Sora它不仅仅只是一个视频生成AI，它更是对现实物理世界本质层面的理解和模拟。这意味着太多的东西，比如解决自动驾驶的问题、创建AI和物理世界的连接、加快 AGI（Artificial General Intelligence: 人工通用智能，指能像人类一样执行任何智力任务的AI）的步伐。而作为一名视频创作者，我感到瑟瑟发抖，因为在实现那些宏大的目标之前，Sora最先可能解决掉的就是我。
知识爆炸与过时：历史的启示
实际上，在AI盛行以前的很长一段时间里，知识工作者就一直面临着应该学什么的挑战。例如， Richard Hamming（美国数学家，曾获得图灵奖并参与曼哈顿计划）的著作《The Art of Doing Science and Engineering》，最早出版于1997年。我强烈推荐大家去看这本书。他在书的第一章就提出了这个困惑：从牛顿时代开始，人类的知识每隔17年就会翻倍一次。这一点除了可以从书籍的出版总数量得到佐证外，他还从自己工作的 贝尔实验室（Bell Labs: 著名的美国工业研发机构，在科学和工程领域做出诸多重大发现）观察到这个现象。从1946年他工作起的30年里，无论怎么尝试暂停招聘和裁员，贝尔实验室的员工大概每17年就会翻倍。他说科学家的数量也在指数级地增加。在当时的90年代流行一个说法：历史上所有科学家中有90%的人还活着，因为新增的科学家数量太多了。
他继续指出，除了知识的指数级增加让科学家无法应对，一个更糟糕的挑战是每15年就有一半的知识将会变得过时。这让学者与时俱进变得更加困难。他预测，除了知识，我们的信息和媒体也在指数级地增加。他说30多年后，当一个大学生成长到自己人生事业顶峰的时候，技术知识已经翻了4倍。如果这些就足够让人震惊的话，他还调侃说这个大学生可以想象一下，未来他的孩子会面对多少选择不过来也消费不完的媒体内容。别忘了，他最早写这本书是上个世纪90年代。现在将近30年过去了，现实不仅印证了他的预测，而且我们还有了AI。所以，我们到底应该学什么呢？
AI时代的学习策略：Go Basic与跨领域
Hamming提出了两个建议：第一，你必须把注意力集中到那些基础知识（Foundamentals）上；第二，你需要发展去学习新领域知识的能力。我知道它们听起来似乎是老生常谈，就像我们中学班主任的口吻。但我相信你一定有过这样的体会，那就是有些话我们以为懂了，听得耳朵都磨出茧子了，但是随着时间的流逝，到你人生的某个阶段，你再读到那句话，你突然发现你以前并不真的懂，或者说你有了新的感悟。这两句话对我就是这样。
我把Richard的这两个建议总结成了我自己的话：在AI进化比人更快的时代，我们应该：
- Go Basic：去学习最基础、最核心、最有杠杆力的 Big Ideas（核心思想/大观念: 指一个学科或领域中最基础、最本质、最具普适性的概念或原则）。
- 跨领域学习：一定要跨领域去学习其他行业那些最基础、最有杠杆力的Big Ideas，做那个最懂行的外行人。
- 利用AI：利用AI加速上面两点。
这就是我认为的在AI时代，超级学习者应该做的事情。
为何“Go Basic”：区分廉价想法与价值想法
我们不应该去学习 Prompts（提示词: 指向AI模型输入的指令或问题）、AI工具和最新的技术吗？既然我们视频刚开始提到了Sora，我们就做一个思维实验：在Sora存在的时代，下面哪两种人更容易做出好的作品？第一种是懂得使用高级工具和技术的人，第二种是懂得讲故事和视频制作核心流程的人。作为一个视频从业者，我会说是第二种人更容易出好作品。因为那些所谓的高级工具和技术，越来越可以通过Sora这样的AI来实现。最终最重要的不是谁剪辑软件掌握得更好，做特效的技巧有多么棒，而是你的想法。
但是你要警惕“想法”这个词。我这里说的“想法”跟许多人理解的“想法”它不是同一个概念，因为它被人们滥用了。例如，我们经常听人说“ideas are easy, execution is hard”（想法是容易的，难的是执行）。如果AI能够帮助我们去执行，我们去负责简单的ideas，大家不都成功了吗？这其实就是许多在ChatGPT出来之后，教你用AI致富的那些视频的思路。首先，这些视频大多会用“天呐，我用AI帮我月入多少万”作为标题或开场白，然后他们会说，你可以用AI成为儿童绘本大师，让AI生成故事，再生成插画，然后你就月入多少万。或者让ChatGPT帮你生成创业咨询企划，生产一个爆款商品，打入一个新市场，然后你就月入多少万。你也可以让ChatGPT帮你去制作导购网站，选择垂直领域的爆款产品，然后你做联盟销售，然后你就月入多少万。你甚至可以让ChatGPT帮你去选股票，做自动交易，月入多少万。最后他们还会直捣我的老巢，教你用AI成为视频创作者，你就可以月入多少万。
现在ChatGPT的第一波浪潮已经过去了，再回看这些视频，我们能得到两个结论：第一，这么好赚的项目，这些视频的作者自己不去做，制作这样的视频或课程才是他们的盈利模式；第二，很少有人真的尝试这些方法，即使有，也很少有能执行下去的，更不要提真的实现了这些月入多少的目标。我这里并不是说这些视频作者都是骗子，因为这些点子本身确实都有理论上的可行性，而且AI确实也能够帮你去执行。但是为什么大多数人没能实现呢？这些案例告诉我们的是，并不是“ideas are easy, execution is hard”，而应该是“execution is hard, and ideas are even harder”。
这些例子里的ideas，被我叫做“廉价的想法”（cheap ideas）。而那些真正有意义的想法，是那些基于一个事物或者行业最基础、最本质理解产生的想法。我们可以把它们叫做“价值想法”（value ideas）。例如，许多人说未来你可以直接跟Sora说：“你给我制作一个好莱坞式的大片”，然后Sora就“嘟嘟嘟”给你做出来了，就让好莱坞的人失业了。这说起来很搞笑，但是刚才举的许多想法就是这个逻辑，这就是廉价的想法。但是如果把Sora给到一个好莱坞的导演手里，他会告诉Sora要什么样的故事，人物发展的轨迹是什么，性格是什么，内心的挣扎和外在的挣扎是什么，有几条故事线，时代背景是什么，背后的人生哲学是什么，什么音乐的表达、节奏、影片的色调，甚至是镜头的构图和角度等等。当Sora遇到具体问题的时候，这个导演能够给出具体的反馈，让AI去做修改。我知道有人会说，那是因为现在AI还不够强，等AI有了读心术的时候，我说一句“你给我做个大片”，它就能做出来。关于这一点，我们要明白两点：第一，所谓的读心术，需要你心里有这些东西才能读出来，我们大多数人心里其实没这些东西；第二，如果你没这些东西，即使AI做出来好的作品，那跟你没有关系，你也收获不了它能产生的价值。甚至还有一种情况，AI做得够好了，但是你的审美不够好，不能理解这个作品，你会把它当成垃圾来处理。
我们再看导演使用的这些语言，里面并没有什么具体的技术细节，比如应该如何设置镜头的光圈，去调整剪辑软件的某个参数。他更不需要去考虑那些技术的细节，更不用去告诉AI在曝光的时候要使用减光镜，去保证快门速度能够产生自然的运动模糊。这是因为这些工具不存在了，那些所谓的有门槛的技术消失了，他的想法真正有价值的地方就只有一点：它是最基础、最核心的知识——如何用视觉讲好一个故事。这就是所谓的价值想法。
许多人说，AI是为我们赋能的一个杠杆。这点我同意，但是许多人没搞清楚的是，那个杠杆的支点是什么。这个支点并不是那些最新的工具或技术，因为这些技术除了自己更新迭代，在AI时代更恐怖的是，许多会被AI直接消灭掉。AI去生成视频不需要使用我们人类用的那些软件和设备，它做的就是端到端，从想法到产品没有所谓的中间过程。所以AI的这个杠杆的支点是那些最基础、最核心的知识。因为它们是经过长时间筛选验证出来的所有新技术和理论的源头，它们最稳定，最适合做这个支点。所以想在AI时代为自己赋能，我们每个人都需要去思考我们所在的行业，哪些东西是最核心、最基础的。
关于这一点，我们有一个好消息和坏消息。好消息是每个行业的核心基础知识并没有你想象的那么多。知识其实也遵循一个 Power Law（幂律分布: 指少数几个元素占据了主导地位，而大多数元素则贡献很小的现象，如二八原则），每个学科都有少数的最重要的基础想法，托起了这个学科的大部分知识。查理·芒格把这些核心的知识叫做Big Ideas，你需要做的就是要找到这些Big Ideas去学习。你甚至可以使用ChatGPT来帮你寻找这些Big Ideas。坏消息是，虽然我们管它们叫做基础知识，但是本质上它们是更难理解的高阶知识。这些基础知识最难懂，是因为对它们的理解需要经验和思考。经验可以被动积累，但是思考需要主动执行。对许多人来说，提高思考力就是最基础的基础。这就是为什么我推荐《The Art of Doing Science and Engineering》这本书，因为这整本书都是在教你如何思考和学习。虽然它出版于90年代，但是它对技术发展的思考以及AI的思考放到今天来看都得到了验证。实际上，我刚才举的那些例子，这个作者在90年代就已经举出了更好、更深刻的例子。毫不夸张地说，这本书是2023年对我影响最大的一本书，它已经不止一次出现在我视频里了。我曾经想专门做个视频来分享，但是我发现任何形式的总结都无法概括它的价值，你需要自己去读。
为何“跨专业”：利用而非挑战
回到我们视频的主题：AI时代学最基础的东西最具杠杆力，为什么我们还要去跨专业，成为一个所谓的最懂行的外行人呢？在解释它之前，我需要先澄清一个人们对跨领域的误解。我之前做过一期视频分享了埃隆·马斯克的传记，里面就谈到了要成为最懂行的外行人，这遭到了许多观众的误解，他们认为你们这些所谓的通才，就是所谓的什么都懂但什么都不专的庸才，你们无法挑战领域里的专家。这一点我非常同意。
例如，还拿我们刚才说那些通过AI致富的案例，除了它们是廉价的想法，它们不工作的另外一个原因，就是它们在倡导你去外行挑战内行。他们老强调可以无脑躺着用AI赚钱，但是凭什么你们这些没有任何基础知识的外行可以用AI，人家内行的专家就不能用呢？当许多人在幻想着用Sora去颠覆好莱坞的时候，好莱坞早就开始用AI来取代工具人了。都别说好莱坞了，我这种五六线的YouTuber，都在创作的每个环节使用AI了。我有理由相信，我会比那些只有廉价想法的人用得更好。我们追求跨领域，其实并不是去挑战别人的专业，而是去利用别人的专业，来解决自己专业的问题。
理解了这一点，你就明白为什么在AI时代，你应该去跨专业。首先，我们刚才说知识遵循Power Law，少数的Big Ideas就能撑起一个专业的大部分核心。所以我们在学习其他行业知识的时候，我们只需要聚焦在那些最基础的少数的Big Ideas。《穷查理宝典》那本书就很详细地讲解了这个道理，推荐大家去看一看。其次，随着科技的发展，我们许多人不得不去跨行业。比如我这个YouTuber，我需要懂的东西非常多，不管是写作、拍摄、剪辑、动画、音乐还是传播。你可以说我的本职是个说书的，其他所有的东西都是跨行业。我去学习动画，并不是为了靠做动画赚钱，而是为了帮助我更好去做这个“说书人”。如果你是个卖货的，学一些心理学基础知识，可能给你的业绩带来显著的提升，但是你的目的不是为了成为一个心理学家。当然我们这些外行人做不到像内行人那样去深刻地理解这些专业里那些最基础的知识，但是如果我们对本行业基础知识理解足够深刻，加上我们从其他行业借来那些我们肤浅理解的Big Ideas，我们依然能够获得强大的杠杆力。
这里同样有一个好消息和坏消息。好消息是AI可以加速我们跨学科的能力。比如我现在开始学习音乐作曲，AI就是我的老师，我会去问它音乐里的那些Big Ideas，把我的蠢问题全都抛给它。它会辅助我学习探索。我学习编程，它们能够迅速地帮助我理解一个语言最核心的东西，让我快速地把这些知识用到我自己的行业里。坏消息是不管你愿不愿意，未来许多人都必须要跨专业才能生存。因为AI模糊了专业的界限，它在加速减少工具和行业的数量。就像我之前那个视频里说的，我们每个人都面临一个从领域里的执行者到跨领域的决策和创作者的身份转变。完成不了这个转变，你就会被淘汰。