真正该训练的不是工具，而是Taste

答案越来越容易获得，但那真的是你想要的答案吗？

假如有一天，一台AI读完了你读过的所有书，看过了你所有聊天记录，也知道你经历过哪些成功和失败。

它会不会比你更像你？

它大概能复述你的偏好，猜出你在多数情况下会怎么选，甚至学你的语气，写出一个很像“你”的回答。

但真到了人生的岔路口，它还是替不了你。

接下来，你想成为什么样的人？

什么值得放弃？你又愿意为哪个选择承担后果？

这不是一个遥远的问题。AI越聪明，它越会贴近我们日常的工作、学习和决策，这个问题也就越躲不开。

今天，答案变得很便宜。AI可以搜资料、理信息、写方案，很多过去要长期训练才能做好的专业活，它现在已经能帮上忙。

可答案变多，不等于判断变好。

我们越习惯向外找答案，越需要小心另一件事：自己生成答案的能力会不会变弱？当AI越来越像一台随叫随到的外脑，人到底还该训练什么？

在本周六的混沌课程《你是一台大模型：在AI时代，用Taste实现人生复利》中，老喻试着从另一个角度看人和AI的关系：

我们每个人，其实都是一台不断接收数据、作出判断、再被现实反馈改写的“大模型”。

• 读过的书、见过的人、爱过的人、摔过的跟头，都是训练数据。

• 价值观、习惯和长期形成的判断方式，则像这台模型里的参数。

• 一个人能走多远，不只看他知道多少，更看他能不能持续更新自己。

老喻一直在追问的，还是那个问题：人在复杂世界里，怎样不把自己的人生交给惯性？

那些决定我们如何选择、如何行动的判断，是怎么形成的？又该怎么训练？

信息越来越多，为什么人未必越来越聪明？

问题不在信息太少。

很多时候，信息只是从我们身上流过去，并没有真的改变我们的判断方式。

老喻借用了大模型训练里的两个概念。

• 我们日常做得最多的，是“前向传播”：刷视频、读文章、问AI，新信息不断进来，但脑子里原来的权重没怎么动。

• 真正让模型变强的，是“反向传播”：先作出判断，再撞上现实误差，最后根据这个误差修改自己。

苏格拉底和苏东坡掌握的信息远少于今天的人，却能形成有分量、也相对独立的判断。他们并不是知道得更多，而是更愿意反复追问，愿意面对现实，也允许现实改写自己。

所以在AI时代，获取信息已经不够了。

更稀缺的是把信息压缩成判断，并让判断经受现实检验的能力。

写方案、做PPT、整理信息、生成内容，这些“会做事”的能力正在变便宜。真正拉开人与人差距的，变成了另一件事：

你能不能判断什么值得做，什么该放弃，又愿不愿意为这个选择投入真实的时间和代价。

老喻把这种能力称为Taste。

Taste不是品位，而是一套判断系统

Taste常被翻译成品位、审美，或者某种说不清的直觉。

但老喻讲的Taste，不停留在“我喜欢什么”。它更像一套判断系统：面对复杂和不确定时，你能不能形成自己的判断，并让这套判断在现实里慢慢进化。

这堂课里，他把Taste拆成五个环节。

• 压缩：从杂乱的信息里找出真正起作用的东西。重点不在记住更多结论，而在于把复杂世界压缩成自己能反复调用的理解。

• 校准：给判断标上诚实的置信度。你说“我觉得会这样”时，也要知道自己有几成把握；如果出现新的证据，你也知道自己该在什么时候改口。

• 取舍：承认时间、金钱和注意力都有限。选择不是在两个选项里挑一个，很多时候是拒绝一堆看起来还不错的可能，把资源留给少数真正重要的事。

• 下注：让判断进入现实。没有投入时间和资源，也不承担失败风险，再正确的观点都只是旁观者评论。

• 迭代：把现实反馈写回自己。判断错了，别只换一个答案，还要继续问：当初产生这个答案的方式，到底哪里出了问题？

这五件事不是一张打勾清单。它们更像一套会循环的系统：

从信息里压缩出规律，给判断标上概率，经过取舍作出下注，再让现实反馈改写自己。

它和复利的关系也在这里。

真正的复利，不是把同一件事机械重复很多年。它发生在一次次判断、行动和反馈里，那个“作出判断的人”也随之变了一点。

上一轮经验，成了下一轮判断的起点。循环久了，留下来的就不只是答案，还有一套越来越准确的判断系统。

能产生复利的，除了行动本身，还有那个在行动里不断更新的自己。

人和AI，如何组成一套“双智能系统”？

这套系统还有一个更现实的用法：它可以接上AI。

面对AI，很多人容易在两个方向之间摇摆。要么担心自己被替代，要么急着把越来越多的任务交给AI。

老喻关心的，不是“人和AI谁更强”这类输赢问题。他更想谈两种智能怎么配合。

AI擅长搜索、计算、生成和模拟。它能迅速扩大一个人的信息范围，给出更多备选方案，也可以当反方、陪练和检察官，帮你发现原来判断里的盲点。

但AI不能替你确定真正的目标，也不能替你决定什么值得放弃、什么值得下注。

更重要的是，它不生活在你的后果里。

一个选择进入现实之后，承担损失、修正方向、重新开始的，还是人。

所以，人和AI更好的关系，不是简单把任务外包出去。更值得讨论的是重新分工：

• 让AI扩大可能性，让人完成取舍。

• 让AI加速反馈，让人更新判断。

• 让AI承担算力，让人承担后果。

当AI接入Taste这套闭环，它就不再只是一个提高效率的工具，也会成为个人判断系统的一部分。

这也是这堂课和许多AI课程不太一样的地方。

它不追逐某一种工具、某一套提示词，或者很快就会过期的玩法。

它想讨论的是一个更长期的问题：

当AI越来越强，一个人该如何训练自己，并和AI一起进化？

工具会一直更新。但判断什么值得做，愿意为什么下注，又如何从错误里重新出发，仍然是人的课题。

也许，AI时代真正值得训练的，不是把自己变成一台更快的机器。更重要的是，让自己成为一台更清醒、更诚实、也更能更新的“大模型”。