编者按：本文来自微信公众号 笔记侠（ID：Notesman），责编：柒，创业邦经授权转载。
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？”
本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。
