什么是真正的知识？

我最近见了两个年轻人，都是今年刚毕业。

一个是名校计算机专业的硕士，绩点很高，算法题刷得比我见过的大多数人都熟。另一个是普通学校的本科生，专业甚至不太对口。两人去同一家公司面试同一个岗位，那家公司让他们各做一件小事：给一个真实的业务需求，限时两天，交一个能跑起来的东西。

结果是第二个人拿了 offer。

这件事我想了很久。如果你问一个传统意义上的教授，他会说第一个人的知识显然更多、更系统、更扎实。这个判断没错，但公司选了另一个人，公司也没有错。那么问题就来了：我们一直在说的“知识”，到底指什么？

我的回答是：真正的知识，是在真实约束下能把事情做成、并能判断做得对不对的能力。能复述、能答题的那部分，AI 已经把它的价格压到接近零了。

下面我分几步讲这个判断。

一、能答对题的东西，已经不值钱了

先从最容易被忽略的地方说起：知识也是一种商品，商品的价格取决于稀缺程度。

过去很长时间里，一个人“知道”某些东西本身就是稀缺的。你知道某个公式怎么推，某条法规怎么写，某种语法怎么用，别人不知道，这就构成了你的价值。大学的整套制度，从课程到考试再到文凭，都是围绕这种稀缺性建起来的：把知识装进学生脑子里，再用考试验证装进去了没有。

现在这件事的成本发生了根本变化。凡是能被写下来、能被检索、能被复述的东西，一个 AI 几秒钟就能给你一个八九成准确的版本，而且不会累，不会忘，也不收钱。你花四年记住的东西，别人花四秒钟就能调出来。

这里有一个很多人没想清楚的地方：贬值的不是知识本身，而是“靠答题来检验的那一类知识”。

道理很简单。答题这种检验方式，要求的是在没有外部帮助的条件下，凭记忆给出标准答案。这恰好是 AI 最擅长的事。一个考试能被 AI 轻松考满分，说明这个考试测的东西，AI 已经能够廉价地提供。考试没有变难，变的是被测对象的价格。

所以你会看到一些很具体的现象。有些课程多年不变，教的内容并没有错，办公软件的操作、某个数据库工具的使用、围绕单一媒介写成的教材，一字一句都是对的。但学生学完之后，发现自己会的东西，打开一个 AI 对话框就能获得。内容没有过时，价值却不见了。

这个变化对个人的冲击，比对课程的冲击更直接。如果你的核心竞争力是“我知道”，那你面对的是一个正在降价的市场。降价的速度，比大多数人愿意承认的要快。

二、真正的知识要经得起交付的检验

那什么东西没有贬值？

回到开头的故事。第二个年轻人做了什么？据我了解，他拿到需求以后，先花了半天时间跟业务方确认了三个问题，把模糊的需求变成了清楚的条件。然后他把任务拆成几块，分别让 AI 去做，每一块做完他自己跑一遍，发现问题就改。两天后交的东西不算漂亮，但能用，而且他清楚地知道哪里不稳、哪里需要后续处理。

把这个过程拆开，有四个动作：说得清，拆得开，做得出，验得了。

说得清，是把一个模糊的想法变成别人（现在也包括机器）能执行的描述。这听起来简单，实际上是最难的一步。很多人做不好事情，根本原因是自己没想明白要什么。

拆得开，是把一个大问题分解成可以逐个处理的小问题，并且知道先后顺序和依赖关系。这需要对问题本身有结构性的理解。

做得出，是把想法落成一个真实存在的东西。这一步，AI 正在迅速接管大部分体力活。

验得了，是判断做出来的东西对不对、好不好、能不能用。

这四个动作里，前三个都在被 AI 压缩成本，唯独最后一个，成本反而在上升。原因很简单：生成变得极其便宜以后，产出的数量会爆炸，而每一份产出是否可靠，仍然需要有人负责判断。一个工具每秒钟能给你一百个答案，那么能分辨哪个答案对的人，就成了瓶颈。

我把这个现象叫作验收的稀缺。企业现在招人，越来越看重的不是“你会不会做”，而是“你交出来的东西，我敢不敢直接用”。前者 AI 可以替你，后者只能靠你自己。

这也解释了为什么“会答题的人”和“能交付的人”之间会出现反差。答题的人，知识的价值体现在脑子里，别人看不见，也无法验证。交付的人，知识的价值体现在一个具体的东西上，这个东西能被运行，被检查，被使用。后者的知识是可被检验的，因此是可被定价的。

三、AI 越强，底层知识越重要，而不是越不重要

读到这里，你可能会得出一个结论：既然 AI 什么都能做，那我们不用再学那些基础的东西了，学会怎么指挥 AI 就行。

这个结论是错的，而且错得很危险。

我先讲一个投资里的例子。现在很多人用 AI 做公司分析，丢进去一份财报，几分钟就能得到一份结构完整、措辞专业的报告。这份报告里，有的判断是对的，有的是看似合理但其实站不住的。比如它可能把一笔一次性的收益当作经营改善，可能把会计口径的变化当作业务的真实增长，可能对一个行业的竞争格局给出一个听起来头头是道、实际上忽略了关键约束的结论。

一个真正懂会计、懂行业的人，看一遍就能发现这些问题。一个不懂的人，只会觉得这份报告写得真好。

这两个人用的是同一个工具，拿到的是同一份输出，但结果完全不同。差别不在会不会用 AI，而在有没有足够的底层知识去判断 AI 给的东西。

代码也是同样的道理。AI 能在一分钟里写出几百行程序，能不能放进生产环境，取决于看代码的人是否理解系统的运行原理、边界条件、安全隐患。不懂这些的人，用 AI 写代码，等于把一个自己看不懂的东西交到客户手里。

所以我在前面说，验收是稀缺的，而验收的前提，恰恰是扎实的领域知识。这两个判断是同一个逻辑的两面：能被廉价复制的知识在贬值，而让你能够判断复制结果好坏的知识在升值。

这里的差别，是“知道一个答案”和“理解一个问题”的差别。知道答案可以被替代，理解问题不能。理解一个问题，意味着你知道这个问题为什么难，哪些地方容易出错，一个看起来对的答案可能在哪里崩掉。这种理解只能来自长期的、系统的、有深度的学习，不可能靠对话框里的几轮提问获得。

换句话说，AI 放大的是你已有的判断力。判断力强的人，AI 让他如虎添翼；判断力弱的人，AI 只会让他更快地犯错，而且错得更有说服力。

所以“精通 AI”这个说法，我一直觉得有点误导。一个人真正精通的，是某件事。AI 只是他做这件事的杠杆。杠杆再长，支点不在，也撬不动东西。

四、知识有半衰期，要分清哪些会过时

接下来的问题是：既然底层知识重要，那是不是什么都该学？显然不是，人的时间有限，必须分清哪些知识值得投入。

我的办法是按半衰期来分，把知识大致分成三层。

最外面一层是工具层。具体某个模型怎么提问效果最好，某个框架的接口怎么调，某个产品的功能怎么组合。这一层变化极快，半年前的最佳实践，今天可能已经没人用了。学这一层，要的是用到的时候快速上手，不值得系统地投入。

中间一层是方法层。怎么把模糊的问题定义清楚，怎么把大问题拆成小问题，怎么设计验证，怎么在反复迭代中逼近目标。这一层的半衰期长得多，二十年前的优秀工程师和今天的优秀工程师，在这些方面是相通的。

最里面一层是领域层。经济学的基本原理，金融的定价逻辑，工程的力学和系统思想，统计的推断方法。这一层几乎不会过时，而且正是前面讲的验收所依赖的东西。

有了这个划分，很多事情就清楚了。一个人如果把大部分精力花在工具层，他其实是在追一个跑得最快的目标，追上的时候，目标已经换了。一个人如果只有工具层，没有方法层和领域层，那他的竞争力会像沙子一样，被每一次技术更新冲走一层。

对于培养人才来说，这个划分也意味着一个很实际的选择：不能追着最新的工具跑。你今天教的框架，三年后一样会变成“落后的技术”。真正值得花时间教的，是方法层和领域层，这两层的东西，学会了可以用一辈子，而且能让人在工具更替的时候迅速适应。

当然，这不等于说工具层完全不用管。教学内容需要有更新机制，保证学生接触到的是活的东西，而不是十年前的教材。但更新的是载体，不是骨架。

对个人也是一样。你可以问问自己：现在花在学习上的时间，有多少在工具层，有多少在方法层和领域层？如果答案是前者占了绝大部分，那你大概率正在做一件投入产出比不太高的事。

五、检验机制比内容更重要

最后一个判断，也是我觉得最容易被忽视的一个：学习的效果，主要取决于检验的方式，而不是学习的内容。

这是一个很朴素的道理，但它的含义很深。一个人会把精力放在被检验的地方。如果检验方式是考试，他就会去背，去刷题，去琢磨出题人喜欢考什么。如果检验方式是交付一个真实的东西，他就会去想这个东西要解决什么问题，用什么办法，怎么才能让它真正跑起来。

同样的知识点，放在不同的检验方式下，学出来的是两种完全不同的人。

这就是为什么我对“在课程里加入 AI 内容”这类改良一直持保留态度。如果课程里多了一些 AI 的概念讲解，期末还是一张卷子，那学生学到的就是“AI 相关的考点”。他们会背出大模型的几种架构，会默写出提示词的几个技巧，然后在真实的工作中，依然不知道怎么把一件事做成。

内容变了，检验没变，结果就不会变。

检验机制之所以重要，还因为它决定了学习的反馈速度。考试的反馈是一个分数，往往隔很久才来，而且你不知道自己到底错在哪里。交付的反馈是即时的：东西跑不跑得起来，用户满不满意，一试就知道。这种反馈密度，是学习效率的关键来源。

当然，我也要把话说完整。教育的功能，不能全部用“企业要不要”来衡量。一个人在大学里学到的东西，有一部分是为了理解世界，为了形成判断力，为了成为一个有思考能力的人，这些东西很难在短期内变成一个可交付的作品。如果把教育简化为职业培训，那也是一种损失。

但这和我前面的判断并不矛盾。恰恰是因为教育承担着培养理解力和判断力的任务，它才更不应该用“会不会答题”这种最容易被机器替代的方式来检验。真正的理解，是能够在新的情境下运用，能够解释，能够判断，能够做出东西来。用交付来检验，反而更接近“理解”这个目标本身。

回到那两个年轻人

我想回到开头那两个年轻人。

我并不觉得第一个人不优秀，相反，他的底子很好，如果他愿意转换一下检验自己的方式，很快就能赶上来。第二个人也不是没有短板，他在很多基础问题上还有欠缺，如果不补，天花板会很快出现。

对年轻人来说，我的建议很具体：不要再用“我学了多少”来衡量自己，找一个真实的小目标，把它做出来，交出去，让别人来用。做的过程中你会发现，自己哪些地方是真懂，哪些地方只是以为懂。这种发现，比一百张试卷都有价值。

对关注投资和 AI 的读者，我想请你做一个小小的盘点：你脑子里的知识，哪些是“答题型”的，哪些是“交付型”的？比如，你知道市盈率的定义，这是答题型的；你能拿一家具体的公司，说清楚它的盈利为什么可持续，或者为什么不可持续，并且愿意用真金白银为这个判断负责，这是交付型的。

前者 AI 可以帮你，后者必须是你自己的。这周就挑一件你一直想弄明白的事，把它做成一个能拿给别人看的东西，一份分析、一个小工具、一篇能被反驳的文章，都可以。