人类的认知能力一直以来都在不断扩展，而工具扮演着至关重要的角色。从古老的语言、地图到现代的代码、模型，技术的发展史就是一部人类 外部化思考 的历史。如今，随着 大型语言模型 (LLM) 的兴起，我们不再仅仅是利用工具进行思考，而是开始 与机器共舞，与它们一同思考。这标志着一场认知上的深刻变革，一场从“工具辅助思考”到“伙伴式思考”的转变。
思考工具的演进：从计算器到对话伙伴
纵观历史，技术始终与我们的思考方式紧密相连。文字 外部化 了记忆，使信息的存储和传播成为可能；几何学 映射 了空间，帮助我们理解和驾驭周围的世界；逻辑学 形式化 了推理，提升了我们分析和解决问题的能力。 每一种工具都塑造了一种不同的思维模式：卷轴使长篇论证成为可能，计算器实现了大规模的计算，电子表格则支持了多维度的规划。而 LLM 则引入了一种全新的模式：对话式认知，将思考视为一种对话的过程。
想象一下，在撰写商业计划书时，传统的方式可能是查阅大量的市场数据和行业报告，然后独立完成文档。但有了LLM，你可以与它进行对话，例如：“分析当前电动汽车市场的竞争格局，并提出三种潜在的差异化战略”，LLM会立即提供详细的分析，包括主要竞争对手、市场份额、潜在的风险和机遇，以及三种可行的战略方向，并详细解释每种战略的优缺点。 通过这种 对话式 的交互，你可以快速迭代你的想法，并从机器那里获得有价值的反馈和建议，从而更快地完善你的商业计划。
从“回答”到“流动”：LLM的认知模式转变
传统的工具通常返回的是静态的输出结果，而 LLM 则提供了一种 流动 的体验。搜索引擎给出的仅仅是“这是答案”，而像GPT这样的 LLM 则会反问：“你能否进一步阐述你的问题？”
这种差异并非仅仅是技术层面的，而是认识论层面的。我们不再仅仅是检索知识，而是在 实时 地塑造知识，与一个能够反映我们自身不确定性的系统进行互动。举例来说，如果你向搜索引擎提问：“如何提高写作效率？”，它可能会返回一些文章链接，你需要自行阅读并提取信息。而如果你向LLM提出同样的问题，它可以根据你自身的写作习惯和目标，为你量身定制一份详细的写作效率提升计划，并提供实时的反馈和指导。
这种 互动性 是LLM的核心优势。它不仅仅是一个知识库，更是一个能够与你共同探索问题、塑造想法的伙伴。
外部化认知：LLM如何助力思维演练
长期以来，我们一直在 外部化 我们的认知工作：将记忆存储在笔记中，将计算交给软件，将工作流程转化为代码。 LLM 则让我们能够 外部化 另一种能力：认知演练，即在行动之前塑造想法的过程。
我们可以学会：以结构化的方式进行思考，在迭代的对话中测试想法，外部化 尚未成型的疑问，并观察想法逐渐成形。Prompting 成为一种 心理草图 的形式，在对话中进行。
例如，在进行一项复杂的项目决策时，我们可以通过与LLM进行对话，模拟不同的情景和后果。我们可以这样提问：“如果我们将预算削减20%，会对项目产生什么影响？”，LLM会根据项目的具体情况，分析可能的影响，并提出相应的应对措施。通过这种 认知演练，我们可以更好地评估风险和机遇，并做出更明智的决策。
伦理与认知的转变：内省而非预言
Prompting 的目的并非是寻找真理，而是进行 内省。当你询问：“我应该如何处理这个决定？”，或者“我为什么会犹豫？”，你并非总是寻找信息，而是寻找被重塑的自我。
LLM 通过反映我们自身的结构，更多地扮演着 镜子 的角色，而非 神谕。我们原以为是在查询机器，但实际上，我们常常是在审视自己的认知。
想象一下，你在工作中遇到了一个棘手的难题，你可以向LLM寻求建议，但不仅仅是询问“如何解决这个问题”，而是更深入地探讨“我为什么觉得这个问题如此棘手？”，LLM会通过分析你的提问方式、用词选择，以及你所描述的情境，帮助你识别潜在的认知偏差或情绪因素，从而更全面地理解问题的本质，并找到更有效的解决方案。
与机器共舞：伙伴而非替代
“通过工具思考”意味着像使用管道一样使用工具。“与工具思考”意味着像使用伙伴一样使用工具。LLM 的优秀用户：
- 不只是发出指令，而是共同塑造问题
- 不期待结论，而是邀请惊喜
- 不寻求自动化，而是寻求扩展
AI 成为一个共同思考者，而非替代品。它是思考的脚手架，而非捷径。
一个生动的例子是，一位小说家在使用LLM创作故事时，他并不是简单地让LLM生成故事情节，而是与LLM进行对话，共同探索人物的性格、动机，以及情节发展的可能性。他可能会这样提问：“如果主人公面临这样的选择，他会如何行动？”，LLM会根据已有的信息，提供多种可能的答案，并解释每种选择的逻辑和后果。通过这种 共同创作 的方式，小说家可以跳出自己的思维定势，发现新的创意和可能性，从而创作出更富有深度和感染力的作品。
对话的新素养：驾驭模糊与反思
未来的思考者不仅要精通代码或数据，还要：
- 精通问题的框架
- 擅长构建反思
- 能够探索对话中的模糊性
他们不仅要使用机器，还要 与机器共舞，以一种玩耍、精确和哲学的方式。下一场革命将不再是计算革命，而是 对话革命。
这意味着，我们需要培养一种全新的 对话素养，包括：提问的能力、反思的能力，以及驾驭模糊性的能力。我们需要学会如何与机器进行有效的沟通，如何从机器的反馈中获得启发，以及如何利用机器来扩展我们的认知能力。
例如，在进行科学研究时，研究者可以利用LLM来分析大量的实验数据，寻找潜在的模式和规律，并提出新的研究假设。他们需要具备 提问的能力，能够向LLM提出有意义的问题，引导其进行分析和推理。他们还需要具备 反思的能力，能够批判性地评估LLM的分析结果，识别潜在的偏差和错误。此外，他们还需要具备 驾驭模糊性的能力，能够接受LLM提出的不确定性结论，并进一步探索其背后的原因和机制。
最终的反思：理解而非输入
所以，下次当你打开一个 prompt 窗口时，请暂停一下。不要问：“我应该输入什么？”，而是问：“我真正想理解什么？”
有没有那么一次，你被 AI 的回复所震惊，不是因为它正确，而是因为它反映了你思考方式的真实之处？它激发了什么？它让你看到了什么？
这并非是一个简单的技术问题，而是一个关乎我们如何重新定义人与机器关系的哲学问题。我们必须认识到，LLM 并非是万能的工具，而是与我们共同思考、共同探索的伙伴。只有当我们真正理解了这一点，才能充分发挥 LLM 的潜力，并将其融入我们的思考过程，从而创造出更加美好的未来。人类与机器的 共舞，才刚刚开始。