内容来源：内容汇编自网络资料。

责编  | 柒  排版  | 拾零

第 9320  篇深度好文：6561  字 | 17 分钟阅读

思维方式

笔记君说：

当 ChatGPT 能在瞬间生成学术报告、Midjourney 可依据需求绘制创意作品、智能助手能精准响应各类指令时，一个普遍的困惑开始在人群中蔓延：在 AI 能提供几乎所有答案的时代，人类该拼什么？

拼提问能力。一个好问题，能解决问题的一大半。

但并非简单地问 " 是什么 "，而是带着批判性思维去追问 " 为什么 "" 凭什么 "" 还有没有别的可能 "。

AI 是答案的生产者，而提问则是答案的筛选器、优化器。今天这篇文章，我们就学习一下如何批判性提问。

一、AI 时代，如何高效吸收信息与知识？

1. 两种思维模式

《学会提问》将人类的思维划分为两种模式：

第一种是海绵式思维，其核心特点是被动吸收、全盘接受，简单来说就是 " 记 " ——划重点、抄笔记、背结论。

在 AI 的助力下，这种思维模式的 " 便利性 " 被推向了极致：无论是你需要的报告、方案，还是各类知识点，AI 都能为你整理得妥妥当当。

然而，便利背后潜藏着巨大风险：你无法确定 AI 提供信息的来源是否可靠、逻辑是否存在漏洞，更无从知晓其中是否隐藏着隐性偏见。

第二种是淘金式思维，它以主动筛选为核心，强调带着问题去与信息对话，关键在于 " 问 " ——边阅读边质疑，边聆听边评估，如同在沙子里淘金一般，从中筛选出具有核心价值的内容。

同样是借助 AI 制作报告，有经验的产品经理会提出三个关键问题：

1. 数据来源是哪里？是否有最新的行业报告能够佐证？

2. 得出这个结论是基于什么假设？例如 "90 后偏好低价产品 "，其背后的假设是 "90 后消费能力弱 "，这种假设是否合理？

3. 存在反例吗？比如某高端品牌在 90 后消费群体中的销量增长十分迅速，这是否能对该结论构成挑战？

在 AI 时代，这两种思维模式的差距，直接体现在是 " 被误导 " 还是 " 能做出正确决策 " 上。

拥有淘金式思维的人，既不会盲目跟从 AI 给出的答案，也不会固执地坚持自己的固有看法，而是会用证据去验证，用逻辑去判断，从而掌握主动权。

2. 批判性思维的三大维度：构建缺一不可的思考闭环

不少人会说 " 我也想主动提问，但不知道该从何处入手 "。《学会提问》为我们提供了明确的答案：首先要搭建起批判性思维的三个维度，形成完整的思考闭环。

意识层面：主动寻找 " 漏洞 "

这一维度的核心在于 " 不轻易相信 "。每当看到 " 专家说 "" 数据显示 ""AI 生成 " 等内容时，首先要在心里打一个问号：这些信息中是否存在未被提及的前提条件？

比如某网红推荐 " 减肥茶，7 天瘦 10 斤 "，拥有海绵式思维的人会直接记住 "7 天瘦 10 斤 " 这个结果；而具备淘金式思维的人则会思考：这个减肥效果有对照组吗？饮用这款减肥茶是否会产生副作用？7 天瘦下来的是水分还是脂肪？

在 AI 时代，这种主动找 " 漏洞 " 的意识尤为重要。AI 生成的 " 行业分析报告 " 可能包含过时的数据，" 营销方案 " 或许会忽略你的产品定位，" 法律建议 " 也可能没有考虑到地域差异。

只有主动去寻找这些潜在的 " 漏洞 "，才能避免被 AI 误导。

态度层面：保持 " 谦逊开放 "

" 认知茧房 " 是一个广为人知的概念，而 AI 在一定程度上会加剧这一问题，比如你喜欢什么内容，它就会向你推送类似的内容，让你逐渐陷入自我封闭的认知空间。

批判性思维所要求的态度，正是打破 " 认知茧房 " 的关键：要承认自己存在认知局限，愿意倾听不同的观点，不被情绪左右自己的判断。

例如，当你支持某项政策时，不要急于让 AI 为你提供 " 支持该政策的 10 个理由 "，而是应该先去搜索 " 反对该政策的核心观点 "，然后进行理性评估，这样才能全面、客观地认识该政策。

技能层面：掌握 " 提问工具 "

如果说意识层面是让你 " 想提问 "，那么技能层面就是教你 " 会提问 "。

《学会提问》将抽象的批判性思维，转化成了 10 个可直接套用的关键问题。只要按照以下 10 个问题依次进行提问，就能穿透表面现象，洞察本质。

二、10 个关键问题：

让批判性思维成为 " 肌肉记忆 "

第一步：明确议题与结论——先抓住 " 靶心 "

你是否有过这样的经历：开了两个小时的会议，却始终不清楚老板到底希望你做什么？出现这种情况的根源在于 " 没有找到结论 "。

《学会提问》中明确指出：结论是 " 可被论证的观点 "，而不是 " 事实陈述 "。例如，" 今年公司营收增长 20%"，这只是一个事实，并非结论；而 " 今年营收增长是因为新品上市 "，这才是一个需要证据支撑的结论。

举个例子，新人小李利用 AI 生成了一份 " 渠道优化方案 "，方案开篇罗列了大量的行业数据，但却没有明确提出核心结论。

领导看完后反问他：" 你的结论是‘放弃线下渠道’还是‘优化线下渠道’？" 直到这时，小李才意识到自己深陷在数据中，却忽略了抓住问题的 " 靶心 "。

这里有一个关键提醒：如果一份内容找不到明确的结论，即便它辞藻华丽、数据丰富，也没有实际意义。在分析任何内容时，都要先问 " 结论是什么 "，然后再展开后续的思考。

第二步：探寻理由——再查看 " 桥梁 "

没有理由支撑的结论，都只是 " 断言 "，不值得相信。比如，只说 " 这个方案不行 "，这就是一种断言；而 " 这个方案不行，因为投入产出比只有 1:1，低于行业平均的 1:3"，这才是一个有理由支撑的结论。

在面对一个结论时，我们可以提出这样的问题：" 支持这个结论的证据是什么？"" 这些证据是数据、案例，还是个人经验？"

在生活中也有很多这样的例子。比如朋友推荐你 " 买这款基金，肯定涨 "，这时你不要直接听从建议去购买，而是应该反问：" 你说它会涨，理由是什么？是基金经理过往的业绩表现出色，还是该基金所投资的行业正处于风口？" 如果对方只是说 " 我感觉的 "，那么你就应该果断拒绝这个建议。

第三步：识别歧义词语——警惕 " 模糊陷阱 "

很多争论的本质，其实是双方对词语的定义不同。

举个例子，A 说 " 某企业是良心企业 "，在 A 的认知里，" 良心企业 " 的定义是 " 员工福利好，五险一金齐全 "；而 B 却反驳 " 它污染环境，不是良心企业 "，B 对 " 良心企业 " 的定义则是 " 社会责任强，环保达标 "。两人争论了半天，实际上讨论的是两件不同的事情。

因此，在分析观点时，我们要提出这样的问题：" 结论中的关键词，具体定义是什么？"" 不同的人对这个词的理解，会不会存在差异？"

第四步：挖掘隐含假设——找出 " 地基 "

有些观点表面上看起来逻辑通顺，但实际上隐藏着没有明确表达出来的前提条件。这些前提条件就是 " 假设 "，也是最容易出现问题的地方。

《学会提问》将假设分为两种类型：

第一种是价值观假设，即对 " 什么更重要 " 做出的隐性判断。

例如，" 应该废除死刑 " 这一观点，背后隐藏的价值观假设是 " 生命权高于惩罚权 "；而 " 应该保留死刑 " 的观点，背后则藏着 " 正义（惩罚犯罪）高于生命权 " 的价值观假设。价值观本身没有绝对的对错，但它会直接决定结论的方向。

第二种是描述性假设，也就是对 " 世界是什么样 " 做出的隐性判断。

比如 " 应该多读书，因为能提升收入 "，这句话背后的假设是 " 读书和收入呈正相关关系 "。如果这个假设不成立，那么 " 多读书能提升收入 " 这个结论也就站不住脚了。

在分析观点时，我们可以提出这样的问题：" 作者默认了什么前提？这个前提是否合理？"" 如果这个前提不成立，那么结论还能成立吗？"

第五步：评估证据效力——判断 " 可信度 "

AI 会为我们提供数据，专家会给出观点，朋友会分享案例。但并非所有这些所谓的 " 证据 "，都值得我们相信。

《学会提问》将常见的证据分为 6 类，每一类证据都有其特点、陷阱以及对应的批判性提问重点，具体如下表所示：

个人经历：具有生动性，容易引发共情，但很容易出现 " 以偏概全 " 的问题。 

典型案例：内容具体，包含丰富细节，但这些案例可能是经过 " 筛选 " 的，不具有普遍性。

专家观点：具有一定的权威性，但专家可能存在立场偏向，或者其观点已经过时。

数据 / 研究报告：看起来客观公正，但数据和研究报告很容易被 " 操纵 "。

类比论证：通俗易懂，便于理解，但 " 类比是否恰当 " 是关键问题。

个人观察：具有直接性，但很容易受到观察者主观偏见的影响。

第六步：寻找替代原因——避免 " 单一归因 "

复杂的问题从来都不是 " 一因一果 " 那么简单。但 AI 和很多人都倾向于给出 " 单一答案 "，这种做法很容易导致我们对问题的认知出现偏差。

比如，某奶茶品牌去年的销量增长了 50%，AI 分析得出的结论是 " 产品口感好 "。但品牌创始人通过深入提问，发现了其他可能导致销量增长的原因：

1. 去年夏天天气异常炎热，消费者对饮品的需求大幅增加；

2. 该品牌的竞争对手出现了食品安全问题，导致大量用户流失，转而选择该品牌；

3. 该品牌新开通了外卖渠道，扩大了产品的覆盖范围。

如果创始人只相信 AI 给出的 " 口感好 " 这一个原因，今年盲目地投入资金升级产品配方，而忽略了渠道拓展和对竞争环境的关注，那么今年的销量很可能会出现暴跌。

第七步：识别数据欺骗性——拆解 " 数字陷阱 "

数据看似客观公正，但实际上却最容易误导人。《学会提问》总结了三种常见的 " 数字陷阱 "：

陷阱 1：百分比陷阱。这类陷阱通常只强调增长的百分比，却不提及增长的基数。比如 " 某产品销量增长 100%"，听起来增长幅度很大，但实际上可能只是从 10 件增长到 20 件，基数非常小，这样的增长并没有太大的实际意义。

陷阱 2：平均数陷阱。平均数往往会掩盖数据之间的差异。

例如 " 某公司员工平均月薪 1 万 "，但实际情况可能是老板月薪 10 万，另外 10 个员工月薪仅为 5 千，将这些数据平均下来，才得出了 " 平均月薪 1 万 " 的结果，这个平均数并不能真实反映大多数员工的薪资水平。

陷阱 3：图表陷阱。有些报告为了突出某个观点，会对图表进行操纵，比如将 Y 轴刻度从 0 改成 90，这样原本只有 1% 的差异，在图表上看起来就像有 10% 的差距，从而误导读者对数据的判断。

第八步：关注省略信息——警惕 " 片面性 "

任何论证过程，本质上都是 " 选择性呈现信息 "——只展示对自己观点有利的信息，而隐藏不利的信息。AI 在这方面也不例外，它会根据你的提问倾向，筛选出符合你预期的信息。

因此，在向 AI 提问时，最好追加以下几个问题：" 是否存在相反的证据没有被提及？"" 这个方案可能存在的风险和需要付出的成本是什么？"" 有没有重要的背景信息被省略了？" 只有全面了解这些信息，才能做出客观、准确的判断。

第九步：审视结论是否 " 非黑即白 " ——拒绝 " 二元思维 "

" 要么加班，要么失业 "" 要么支持，要么反对 " ——这种非黑即白的二元思维，是做出正确决策的大忌。

《学会提问》提醒我们：现实中的问题大多是 " 灰度问题 "，存在中间地带，不能简单地用两种极端的情况来概括。

比如，家长们在讨论 " 教育应该侧重应试还是素质 " 时，很容易陷入二元对立的局面。

而有经验的老师则会提出这样的疑问：" 在小学阶段，是不是可以侧重素质培养，到了高中阶段再适当加强应试训练？"" 在应试教育中，对错题的分析整理，能不能转化为素质教育中所强调的反思能力？"

二元思维会极大地限制我们的思考范围，让我们无法看到问题的多种可能性。在面对问题时，多问一句 " 还有没有别的可能 "，才能找到更优的解决方案。

第十步：明确结论的 " 适用范围 "

任何结论都有其 " 边界 "，一旦超过这个边界，结论就可能失效。

比如，某互联网公司推行的 " 扁平化管理 " 模式取得了很好的效果，一位传统制造业的老板便直接将这种管理模式照搬过来。

结果却导致员工工作混乱：生产车间需要严格的层级管理来确保生产安全，而扁平化管理使得指令传达混乱；老员工习惯了明确的汇报关系，突然没有了明确的领导，反而不知道该如何开展工作。

由此可见，明确结论的适用范围，比了解结论本身更为重要。在借鉴他人经验或运用某个结论时，一定要先判断其是否适用于自己的实际情况。 

三、3 个方法，克服 " 思维惰性 "

有人可能会说：" 这 10 个问题我都明白，但遇到实际事情时，还是会忘记运用。" 其实，这种情况很正常。

大脑天生就喜欢 " 省力思考 "，而批判性思维则需要我们进行 " 费力思考 "，这与大脑的本能倾向相悖。《学会提问》给出了 3 个切实可行的落地方法：

1. 识别 5 种常见逻辑谬误——避开 " 思维陷阱 "

逻辑谬误是 " 省力思考 " 的产物，也是 AI 和骗子最常利用的手段。记住以下 5 种常见的逻辑谬误，能帮助你避开 80% 的思维陷阱。

谬误 1：人身攻击。这种谬误的特点是不反驳对方的观点，而是通过攻击对方的个人特质来否定其观点。

比如 " 你没做过生意，没资格谈论商业问题 "" 他品行不好，所以他说的话肯定不可信 "。应对这种谬误的方法是：不要关注对方的个人情况，只聚焦于对方的观点和支持观点的理由。

谬误 2：诉诸情感。这类谬误是用情绪代替理性论证，通过煽动他人的情绪来让对方接受自己的观点。

例如 " 不支持这个方案，就是不爱国 "" 他是可怜的受害者，所以他说的都是真话 "。应对方法是：冷静下来，主动询问 " 支持这个观点的理由是什么 "，不要被情绪左右自己的判断。

谬误 3：滑坡谬误。这种谬误是夸大某个行为可能带来的后果，认为只要迈出一步，就会引发一系列糟糕的连锁反应。

比如 " 允许学生带手机进校园，学生就会在上课时间玩手机，导致学习成绩下降，最终考不上大学 "。应对这种谬误时，要问自己 " 每一步之间的因果关系是否真的成立？是否存在相反的案例？"

谬误 4：稻草人谬误。该谬误是先歪曲对方的观点，然后再对被歪曲后的观点进行攻击。

比如你说 " 应该减少加班时间 "，对方却反驳 " 你是想让公司倒闭吗 "。应对方法是：明确指出对方歪曲了自己的观点，并重新清晰地表达自己的真实想法，例如 " 我没说过要让公司倒闭，我的意思是通过优化工作流程来提高工作效率，从而减少不必要的加班 "。

谬误 5：诉诸权威。这种谬误是盲目相信权威的观点，不对观点的合理性进行审视。

比如 " 这是某教授说的，肯定不会错 "" 这是 AI 生成的内容，一定靠谱 "。应对方法是：运用前面提到的 10 个关键问题，对权威观点进行全面、深入的拷问，判断其是否合理。

2. 警惕 " 确认偏误 " ——避免只看 " 自己想看到的 "

" 确认偏误 " 是人类根深蒂固的一种思维偏见，而 AI 在一定程度上会加剧这种偏见。

当你支持某个政策时，AI 会不断向你推送 " 支持该政策的 10 个理由 "；当你相信星座时，你会只记住星座预测中说对的部分，而忽略那些错误的预测。

应对 " 确认偏误 " 的有效方法是主动进行 " 反向搜索 "。如果你支持某个观点，就要刻意去搜索 " 反对这个观点的核心证据 "；如果你想投资某只股票，不要只关注 " 看涨分析 "，而是应该先搜索 " 看空这只股票的 3 个核心理由 "。

只有同时了解正反两方面的信息，才能对事物做出客观、全面的判断。

3. 区分 " 事实 " 与 " 观点 " ——不把 " 看法 " 当作 " 真相 "

区分 " 事实 " 与 " 观点 " 是批判性思维的基础，也是减少无效争论的关键。

事实是可以被验证的，只有真和假两种情况。

比如 " 地球绕太阳转 "，这是经过科学验证的事实；"2023 年中国 GDP 增长 5.2%"，这是有官方数据支撑的事实；" 这款手机的续航时间为 24 小时 "，也可以通过实际测试来验证。

验证事实的方法有很多，比如查阅权威数据、进行实验、寻找可靠的信息来源等。

观点则是基于个人判断形成的，没有绝对的对错，只有合理与不合理之分。

例如 " 这家餐厅的饭菜很好吃 "，这是个人基于自身口味做出的判断；" 这部电影很无聊 "，是个人根据自己的观影体验得出的观点。判断一个观点是否合理，主要看支持观点的理由是否充分，逻辑是否严密。

每个人都有自己的观点，对于纯粹的观点争论，比如 " 甜豆腐脑更好吃还是咸豆腐脑更好吃 "，争论对错是没有意义的；而对于事实性问题，比如 " 豆腐脑的起源地是哪里 "，则可以通过寻找证据来争论出真相。

四、AI 时代，提问能力愈发重要

AI 能为你提供答案，但通过提问，你才能找到 " 正确的答案 "。

不妨从现在开始，当你遇到专家提出的观点，试着提出第一个问题：" 它的结论是什么？支持结论的理由是什么？"

* 文章为作者独立观点，不代表笔记侠立场。

PS：各位笔记侠的朋友，跟大家同步一个消息——第五代企业家互生大会暨笔记侠创始人柯洲和他的创业者朋友年度演讲，已经进入最后冲刺阶段，距离正式登场只剩 21 天了！

他会把这一年观察的 20 个全球化、数智化、新兴产业化代表性案例，全部浓缩进 4 小时的演讲里，一起寻找 " 看不见的新大陆 "！

现在开放 40 个现场名额，与上百位第五代企业家共学。本次报名采取审核制。

报名柯洲年度演讲 & 海南自贸港研学活动，请点击 " 阅读原文 "

预约直播，请扫码下方海报二维码↓

好文阅读推荐：

下一个 10 年，这 3 个能力最重要

为什么 90% 的公司，战略都执行不下去？

" 子弹笔记 "是笔记侠的矩阵公众号，聚焦职场效率追求、人际关系与高潜成长者，帮你 3 分钟吃透核心观点和方法论。欢迎关注～

分享、点赞、在看，3 连 3 连！