这篇文章的每位读者，都可以看成是一个将原始数据组织成有用信息进而做出决策的系统。我们每天在做的事情，是通过阅读、谈话、观看等等途径获取作为原材料的数据，通过记忆和理解把它们变成自身的一部分，再基于自己的认知结构判断、分析、组合它们，来产生新的知识，进而做出决策。

大致框架是这样的，但是当然还有不少细节，例如让·皮亚杰（Jean Piaget）的同化-顺应模型认为，我们获取的新数据是通过整合到现有认知结构（同化）或改变结构以容纳信息（顺应）的方式被理解消化，这意味着我们需要主动尝试理解和自己不一致的观点，来构建更符合现实的认知模型，以产生更靠谱的结论；生成新的知识过程中，基于经验而构成的直觉或者说“默会知识”会起到很大作用——迈克尔·波兰尼（Michael Polanyi）的《个人知识》和野中郁次郎的《创造知识的企业》都阐述过——也就是说我们不能将重要的记忆理解过程外包。

还有，新知识的产生过程不是个线性过程。我们需要不断试错，从反馈来调整我们的认知结构。当然也免不了受到我们不靠谱大脑固有的认知偏差影响，比如锚定效应、频率错觉、刻板印象、从众效应等等。这些认知偏差会影响我们对数据的处理，最终影响我们的决策。

总之这是个很麻烦的过程，和我们对真实世界的观察相符——只有极少数人能够有效获取和使用信息，从而获取巨大收益，无论是名望还是金钱。

不过让我们先简化一下，把这个框架简化为三个步骤：获取，记忆，生成。这三个步骤中，都有一些任务是可以用 AI 来提效的。

首先是获取。今天我们能够获取的数据量是前所未有的，但是它们的重要、可信、准确、完整、相关、及时程度却天差地别。我们的注意力和时间都极为有限，所以需要工具来初步筛选过滤。随意浏览显然不行，搜索引擎只能告诉我们我们已知的东西，任由自己沉溺在社交媒体信息流中简直是对自己的犯罪。

幸好，今天除了 RSS 主动订阅和基于用户的协同过滤（如 Follow）之外，也有了 AI 工具。Elicit、Scite 等提供了强大的文献分析能力，News Minimalist 可以根据重要程度筛选新闻。这类工具会越来越多，它们将会帮助我们自定义信息来源，而且可能会主动提出建议，帮我们扩展视野。

无论是书籍、文章还是新闻，我们往往要摘取其中的片段用来下一步处理——就像“渐进式总结”所提倡的那样。传统上我们做笔记比较麻烦：复制粘贴不容易留下印象，扫描识别也是一样——这两种方式的必要难度太低，存下来也很难想起——而手写或打字虽然可以提供一定必要难度，但是效率太低。

语音识别则刚刚好。无论是手机上的 Get 笔记、微信输入法，还是电脑上的讯飞输入法，都可以帮助我们快速记录。今天语音识别的准确度已经足以完成这些任务，在必要难度和效率之间取得平衡。

然后是记忆。如果我们的记忆能够像硬盘那样快速写入和删除就好了；但这可能还需要过些年才能实现。

我们需要记忆的东西类型不少，有些是事实，有些是观点，有些是概念。对于前两者，我们往往不需要真正记得它们，只需要知道它们存在，然后可以通过稳定的工具来查找即可。这已经衍生出了从知识管理到笔记术等等的一系列方法和工具，让 Obsidian、Roam Research、Notion 等工具人尽皆知，让弗拉基米尔·纳博科夫（Vladimir Nabokov）、尼古拉斯·卢曼（Niklas Luhmann）获得了专业领域之外的巨大名声。

这些工具和方法的核心是链接，可以看成是个人使用的维基百科。当然，分类和标签也是常见的技术，它们是记忆辅助工具。这些方法和工具可以形成一个包含了多种内容的知识网络，但维护成本也不低。

今天的 AI 具备一定语义分析能力，可以作为补充。AI 和知识库的结合是近两年的重要发展方向，检索增强生成（RAG，Retrieval-augmented Generation）成了个热词。Amazon 去年就推出了面向企业的 Amazon Q，腾讯则在去年年末推出了面向个人和小型组织的 ima.copilot，2G 存储空间，差不多够用。

对于事实和观点，我们可以以知识库来管理，以双链笔记为补充；但对于概念，我们需要更多主观努力。概念的理解需要更多的认知加工，手写笔记过去是、现在是、将来也可能是更好的选择。调动更多感官和肌肉、做笔记时主动思考，会更容易记住。Anki 之类的工具也不能放下，毕竟大脑并不是个好的记忆设备，重要内容需要不断复习。

最后是生成。大脑不擅长逻辑思考，它擅长通过模式识别产生一些碎片，即所谓“灵感”。灵感转瞬即逝，快速记录是关键。在这方面，语音笔记当然是首选。

过去我常用 flomo 配合微信输入法，但现在主要换成 Get 笔记了。Get 笔记除了录制和识别外，还会通过 AI 加工，自动删除重复、顿挫和语气词，整理成文。但是不知道是不是它的默认提示词设计有点问题，我觉得它整理后的内容经常有点偏离我的初衷。

也偶尔用豆包。豆包 App 的语音识别很准，说完后还能顺便和它讨论一下。虽然豆包大模型表现不突出，但是豆包 App 的交互体验真是很不错。

收集一些想法后，就该尝试把这些碎片组合成论述了。在这种时候，因为聚焦思维模式，经常会出现疏漏和偏差。这也难以避免，毕竟我们并不总是有合适的人可以和我们讨论、检查和补充。

但是现在我们有了推理大模型。用多个推理大模型来检查想法、讨论结构、补充逻辑，就相当于和多个人讨论。Grok 3、Gemini 2.0 Flash Thinking Experimental、DeepSeek R1、Kimi 1.5 都不错；数量大于质量，“只要有足够多的眼睛，错误就无所遁形”——开源社区的原则，在这里也适用。

甚至，如果嫌在多个网页之间来回切换太麻烦的话，现在还有可以和多个大模型同时对话的开源工具，Github 上可以找到一堆。

但需要注意的是，大模型本身也存在局限性。和它们讨论时的提示词很重要，而它们也可能会放大已有的偏见，缺乏真正的批判性。这和许多事一样，也不能过度依赖。利用大模型提供的不同视角和信息，激发自身更深层次的思考，增强自己的批判性思维能力，这才是关键。