如何用 AI 搞懂一切？

今天的 LLM 几乎在全学科拥有博士后的能力，但是要发挥这种能力，限制在于你自己。

以下是我进入一个全新领域的方法论，你可以把他做成一个 skill，但是如果你是为了锻炼大脑，而非解决问题，最好的方式还是对话。

1：研究基本假设。

几乎一切艰深的学科都有一个起源，类似于考古学的第一个甲骨文碎片。任何学科，利用智力低下的博士生提示词，你都可以比较轻易的找到这个起源。

举例就是物理信息论，他的基本假设就是能量和信息的转化关系，是 1961 年 Landauer 提出的。

2：研究时间线。

这是当年学摄影老师告诉我的，要搞明白摄影，先搞明白摄影史。

通过 LLM 可以让他列出基本假设之后所有研究人员发展出来的脉络。

比如在 Landauer 之后，物理信息论的关键发展基本上是：Bengio(2013)：流形假设确认 ↓Bialek(2010s)：最优维度的数学形式 ↓Chen/Cambria(2024)：物理信息论的统一

3：横向扩展。让 LLM 把今天最新的研究成果扩展开来，理论，paper，代表人物，如果时间线是横轴，那么这个就是纵轴。

比如物理信息论今天和 CNN 网络，LLM 网络，模型训练能量消耗的 paper ，x 空间，y 空间，世界模型的很多 paper 都有关系。

4：运用费曼原理。相信任何复杂原理或者术语都可以用小孩子可以理解的语言描述。澄清横轴和纵轴上所有你不理解的术语和概念。直到你相信可以转述给一个小孩子为止。

5：证伪结论。要求模型从正反评估所有这些理论的置信度，并且列出最有力的支持和反对意见。这是对整个框架的一次可信度检验。本质上所有科学理论都是仍然未被证伪的假设，你要知道边界在哪里，那么你就要知道他们的界限在哪里。

比如你可以从多个维度来挑战信息能量转换的公式，从定性到定量。

6：推论未来。第5步是检验过去的边界，而接下来为了验证你的掌握程度，你要开始从目前 5 步学习的内容开始，尝试推论新的边界。

这并不是让你直接搞到人类认知的边缘，而是让你开始运用你掌握的知识尝试泛化。

这个过程中你所有的推论，极大概率，模型都可以找到更 nb 的前人研究。这就对了。

这不是重新发明轮子，这说明你的思维和这个领域的专业研究者开始重合了，你上道了。

7:尝试升维总结。回归第一性原理，重新审视整个学科，尝试用一个更根本的理解建立一个统一理论。并且，和模型讨论验证你的理论的方式，永远让他意识到你没有立场，你的立场就是可验证的实验结论。你的升维尝试大概率会失败，但是在发现前任推导或者测试的过程中，你会加深对这个专业的理解。

基本上经历了这 7 步，你就能非常快速的对一个专业领域，建立一个基本认知了。

接下来唯一能超越模型的方式，就是实践和迭代了。

很多事情，不量化认知仍然是千差万别的，而量化的最好方式，就是实践。

这是我用了几年模型，不断进入新的专业的一个基本方式。

你可以把这个做成一个 skill 或者优化这个 skill 。

我也很好奇是否有更好的办法。