两岁的孩子坐在公园长椅上，你指着一只路过的金毛说，狗。他盯着看了一会儿，没说话。三天后，邻居牵出一条吉娃娃，他伸出手指说，狗。
没有人教过他，狗是什么意思，他都不知道。他听过的次数，一只手数得过来。
你试着把这套规则讲清楚，会发现自己也讲不清：一只大狗和一只小狗，凭什么共用同一个词。但孩子就是会了。更奇怪的是，如果下次他指着一只猫说「狗」，你纠正一次，他大概也就记住了。有些规则，一条经验就装了进去。
每个带过孩子的人都被这一幕震惊过，然后很快忘了。它太日常了，日常到没人去想它有多不寻常。
但是，现在我们看看另外一端。你刷过一万条短视频，合上手机，什么也没留下。ChatGPT 读完了整个互联网，让它数一段恰好 29 个字母的句子，它容易数错；换成 30 个，反而数对。原因很怪：30 这个数字在文本里比 29 常见，它训练出来的“数字直觉”，悄悄替它做了主。
学习到底靠什么？
为什么有时候一条经验就够，有时候一万条都不够？为什么有人比别人学得快？这个问题不是我发明的。十九世纪的英国哲学家约翰·斯图亚特·密尔（John Stuart Mill）就问过。
最近，我跟会员推荐了普林斯顿大学认知科学家汤姆·格里菲思（Tom Griffiths）的一本新书，书里也探讨了这个问题。 格里菲斯之前出版过一本书《算法之美》。
据说，密尔曾经读完了他那个时代出版的所有的书籍。显然，今天已经不可能了。密尔问那个问题的时候，世界上还没有互联网，没有一万条短视频，也没有能读完整个互联网的机器。所以，他的这个问题提前了一百多年，等在了那里。
格里菲思在书里给的答案，和我们从小被教的那一套，恰好方向相反。而这背后的思路，在今天的ai时代，特别值得拿出来讲一下。因为AI只会放大这种差距。
一、你不是缺经验，是缺先验
先说普通人默认的一套认知：学习等于积累经验。经验越多，学得越多；一万条永远比一条强。学校按这个逻辑教，家长按这个逻辑卷，大部分人也是按这个逻辑囤积各种教程、文章和书籍。
格里菲思的答案，先把这个想象拆了。
一条经验能带来多少学习，取决于两件事。第一，它作为证据有多强。第二，在它到来之前，你给那个假设多大的信任。第二件，他叫先验（prior）。先验就是经验落地之前，你心里已经标好的价。
可以看两个例子。
你在实验室里看到一块铜导电，立刻相信所有铜都导电，包括你从没见过的任何一块，你甚至不会想去找第二块来验证。可你在家庭聚会上，发现房间里坐着一个排行第三的儿子，你不会因此推断全屋都是第三子。
美国哲学家纳尔逊·古德曼（Nelson Goodman）一辈子研究一个刁钻的问题：哪些规律值得从经验里推广。他举的正是这对例子：同样是「看到一个正例」，一个让你放心推广到全宇宙的铜，一个连下一位客人都推不过去。
差别不在于经验本身。两次观察在形式上几乎一样。差别在于，经验落地之前，你给两个假设标了不同的价：同类物质共享性质，你早就信；房间按出生排行聚集，你从来没信过。经验只是落下来，砸中哪个价签，就按哪个价签成交。
先验听上去很学术，但我们每天都在用。同一块灰色，放在阴影里你觉得浅，拿出来你觉得深，眼睛给你的信号其实一样，剩下的全是你自己补的。一句没听清的歌词，你会自动听成一句熟悉的话。我们的感官给的信息永远不足够，缺口往往都是靠先验来填。
还有一条规律：经验的力量会随着相似度衰减。吃过一种蘑菇没事，面对另一种，你还是会小心；只不过长得越像的，你才越敢下口。一条经验画不出全有全无的边界，它画出的是一圈一圈往外淡出去的光晕。
这也能解释一种日常的不公平：同样勤奋的两个人，一个读十本书像读了十本，另一个读一本顶十本。差别不在书，在读书之前各自是什么人。
另外一个例子有点抽象。
爱伦·坡笔下的侦探杜宾，经常靠现场的几条线索破案。格里菲思借它讲概率推理：假设凶手是一只猩猩，先验概率是 0.15。线索是「凶手爬得上去」。如果只有猩猩能解释这条线索，其他生物不匹配场景，凶手是猩猩的概率从 0.15 冲到 0.75。如果人通常也能爬，同样的线索只把概率推到 0.158。
算法很简单：能爬上去的可能世界合起来占两成，猩猩占其中的一成半，一成半除以两成，就是 0.75。同一条经验，两种命运。它的力量不取决于它自己，取决于它有没有竞争对手。
侦探和普通人的差距，从来不在于看见多少，而在于给每条线索标多少对价。
一条经验值多少钱，往往不在于它是怎么得来的，而是由它能不能被别的解释顺手消化掉决定。
被一个人骗过一次，从此对整类人设防；被市场教训过一次，胜过读完十本投资书。你以为是那一次太痛，其实是那条经验找到了你身上早就备好的价签。
密尔那个问题，到这里可以回答一半。一万条经验可以一条都不起作用，因为每条都落在你没标过价的假设上，落下来就被滑走了。一条经验可以顶一万条，因为它正好落在一个你早就准备好的价签上，当场就可能成交。
所以，经验是钥匙，先验是锁孔。一万把钥匙开不了的锁，一把对的就开了。
二、偏见不是学习的敌人，是学习的前提
你可能已经觉得，先验听起来像「偏见」的体面说法。格里菲思的结论比这个更反直觉：没有偏置的学习者，什么也学不会。
他举了一个小算式：x 加 y 等于 5。数学给不出唯一答案，3 和 2 可以，负 1 和 6 可以，3.1 和 1.9 也可以。要给出一个具体答案，你必须自带倾向。这就是说，一个对所有解释一视同仁的学习者，面对任何一份经验，都无从下手。
他管这叫「学习守恒」：你能考虑多少种假设，学会每一种就需要多少证据。信任是一种有限的资源，你能考虑的假设越多，分给每一个的就越薄，数据就得更有力，才能把某个假设重新垫起来。可能性越开放，经验越廉价。
这也顺手解释了一件事：为什么大模型要吞下整个互联网。它的起点几乎无限灵活，几乎不预装任何倾向，每一份数据都要从零开始教。而孩子不用。孩子的起点被漫长的进化预先裁剪过，他来到这个世界的时候，已经带着一整套倾向：什么东西值得注意，什么规律值得推广。
孩子接触的经验还比机器吃的文本值钱，一句话连着手势、眼神和眼前的物体，同样一个词，对他来说是几条线索捆在一起。没人给他列过「哪些句子不能说」的清单，他照样把边界划得清清楚楚。这个能力，跟记性无关，跟起点有关。
当然，低先验也不是不能翻身。一屋子人，你看到第一个人是家里的第三子，你不会当回事；第二个，只当是巧合；第三个，开始好奇；第五个，你会怀疑自己闯进了一场第三子聚会。证据一直在累积，只是起点太低，需要更多条，才能把你垫起来。
一万条经验并非全无用处，它能补起点低的账。
有个实验可以看得更清楚。语言学家查尔斯·杨（Charles Yang）和认知科学家史蒂文·皮安塔多西（Steven Piantadosi）给一个系统装上结构化的先验，让它学一种人工语言：大约十个合法例子，就达到了普通神经网络要几百个例子才有的表现。这是特定任务，不能夸张成十句话学会一门真语言。但方向是硬的：同样的数据，起点不同，产出天差地别。
起点很重要，而且也有代价。如果真实规律不在你的假设空间里，再强的先验也只会把人带向错误的方向。固执的人学不会新东西。因为他们的价签早就贴死了，新经验砸上去，连个响都没有。所以年纪越大越难学新东西，未必是脑子慢了，是价签贴得太满。
所以「偏见」这个词，被我们用坏了。日常语境里它是毛病，在认知上它恰恰是引擎。
对世界对路的偏见，我们叫它直觉，叫眼光，叫洞察。跟世界一直拧着的，才叫偏执。
三、GPT 读完了整个互联网，学习能力还比不上一个两岁孩子
再说现在的 ai，已经能解决百年难题，但还会数错字母。一个读完整互联网的系统，数 29 个字母会错，数 30 个反而对。这件事很有意思。
它会错，是因为为「预测下一个词」练出来的倾向，在需要精确计算的场合，就变成了干扰。它见过的文本里，30 比 29 常见，这个概率直觉在语言任务里是天赋，在计数任务里是残疾。格里菲思和同事用 GPT-4 做过一个研究，想说的正是这一点。
同一个倾向，在一个任务里是天赋，在另一个任务里可能是残疾。
所以大模型的流畅，和它的正确，是两笔账。流畅来自先验，正确来自任务。先验错了，流畅就是帮凶。
你见过的那种说得头头是道、查无实据的 AI 回答，就是这个机制的另一面。你不是 GPT，但同一个机制天天在你身上运行：做熟的事又快又好，做生的事错得离谱，因为你把老任务里练出来的倾向，带进了新任务。
人们以为 AI 公司的钱都花在数据上。其实，最前沿的活儿，越来越像是「给机器装先验」。卷积网络假设同一个图案在图片任何位置意义相同，这是把一种倾向焊进架构；元学习让网络先学会「怎么开始学」，再去学具体任务。外层循环像进化，花漫长的时间选出好起点；内层循环像是个体的一生，用眼前的经验做调整。
机器现在做的，是把进化那一步，用算力重跑一遍。
这些看着是工程细节，做的其实是同一件事：把人类进化了几百万年才攒下的起点，一点一点搬进机器。
打个比方，有人从农村到了陌生的城市，几天就摸清哪条路堵、哪家店好吃。他学到的，与其说是城市本身，不如说是一套怎么摸清城市的方法。
这背后的变化，比技术更大。数据已经便宜到接近免费，起点却越来越贵。人人都在囤，囤课程，囤文章，囤一切长得像知识的东西，可囤进来的绝大多数，连你现有的价签都碰不到，进来就滑走了。你刷到的内容越多，越难说清自己相信什么。这是结构问题，跟自律无关。
信息越过剩，起点越值钱。
这句话换个说法，就是我以前写过的：知识套利已死，叙事者永生；信息差的本质，根本不在于信息。今天这篇文章可以补上它的认知学底座：学习这件事，本来就不靠信息量。
四、白纸是学不会任何东西的
「清零」「空杯心态」这套话，在中文互联网流传了很多年。作为一种心灵鸡汤，听过就算了。但如果从认知和学习的角度，它正好把话说反了。没有先验的学习者面对世界无从下手，这是前面讲过的机制，跟姿态无关。
你真正要做的，不是清零，不是放空，是换起点，检查你的先验。
你应该读那些能改写你「预先相信什么」的书，靠近那些能给你新假设空间的人。一条好经验落在你身上，当场改变你；一万条平庸的经验，只会被旧框架当噪音消化掉。
囤积也有囤积的好处：它让你觉得自己在学，又不用真的改变什么。算法喜欢这样的你，停留时长在涨。两边都满意，只有起点原地不动。换起点比囤材料难，所以少有人做。囤是往购物车里加东西，换起点是要换掉那个正在往购物车里加东西的人。
怎么换起点，没法列清单，但有一个简单测试：读完一篇文章，如果你只觉得「说得好」，“我也是这么想的”，“这话我爱听”，那它就顺着你的框架滑过去了；但如果你读到一半，心里咯噔一下，发现自己之前想错了，那才是一条新经验落了地。那种时刻，一条就顶一万条。
我在《战略性无知》里写过，真正有判断力的人已经不看信息了。那篇讲的是从信息市场里退出来。这篇想讲的是退出来之后的事：装什么进去。两篇加起来，是同一件事：把接收信息的主权，真正拿回来。
白纸学不会任何东西。真正要做的，是把纸上写错的地方，重写一遍。
你读这篇文章的每一句，都被你现有的框架筛过一遍。同意的留下，不痛不痒的滑走。
而明天，信息照样像水一样流过来。
问题从来不在你收不收，而在于在你的网眼有多大，在于你预设的框架。
一万条经验里哪一条能击中你，早就被你的先验决定好了。先验跟你的自我，是同一件东西。要改先验，就是改人。
这件事，AI 帮不了你；它只会放大不同人的先验。【懂】
经叔最近做了一个网站，可在本号首页右下角订阅。
人肉筛选挖掘的硬核优质内容及深度原创，重点关注科技、文化、财富、权力四大要素以及它们之间的互动与影响。网站定价1999元/年，目前内测优惠价1299元/年，感兴趣的读者也可以加经叔微信订阅。
另外，欢迎加入经叔的知识星球。在这里，我们拒绝无用的焦虑，只谈底层的逻辑与实战的干货。我会结合最新的AI前沿动态、深度的商业创新分析（如一人企业的构建）和独特的文化思潮（如麦克卢汉的媒介洞察），帮助大家把握时间窗口。
我是不懂经的经叔，国内最早翻译介绍了纳瓦尔的《如何不靠运气获得财务自由》，以及影响了纳瓦尔、中本聪、马斯克等大佬的《主权个人》。
不懂经知识星球，众多百万粉丝大V、千万及亿万富翁订阅。专注分享一人企业、一人创投主题，关键词：AI、IP、创投、科技及商业前沿的高杠杆内容。
愈懂愈自由
热门跟贴