AI最擅长的事情是回答问题。但如果你不知道自己不知道什么，你连问题都问不出来。
有人给我提了一个说法：借助AI，一个人可以在很短时间内搞懂一个完全陌生的行业，甚至达到可以给别人做分析的水平。
而且这不只是一种学习方式，它可以变成一种可售卖的能力。你卖的不是"我懂这个行业"，而是"我能在一周内搞懂任何行业，并给你有用的分析"。
我觉得这个想法挺好，就顺着这个方向想了很久。
但越想越觉得不对劲。
网上已经有大量教程在教这件事。"5个Prompt帮你快速了解一个新行业"、"ChatGPT加麦肯锡方法论，30分钟搞懂一个行业"。方法都不复杂，让AI列出行业关键词，分类排序，梳理逻辑关系，推荐书籍和专家。
这些方法有用，但用完之后总觉得差了点什么。
差什么呢？你拿到了一堆术语，聊五分钟没问题，听起来像那么回事。但如果有人追问一句稍微深一点的问题，你大概率就接不住了。
问题出在哪呢？不是AI不够聪明。今天的AI，你问它任何行业的深层问题，它都答得出来。
问题是，你没有问。
不是不想问，是不知道该问什么。
这就是让我觉得不对劲的地方：AI最擅长的事情是回答问题。但如果你不知道自己不知道什么，你连问题都问不出来。
大多数人面对一个陌生行业，打开AI的第一反应是什么？"XX行业是什么""XX行业的发展趋势"。这跟在搜索引擎里打字没有本质区别。拿到的回答自然也是搜索引擎级别的。正确、宏观，但对你真正理解这个行业没什么帮助。
所以一个挺反直觉的事情出现了——AI是目前最强大的知识获取工具，但它好像并没有让所有人都变成专家。
工具是平等的。但使用工具的前提能力不平等。
顺着这个想下去，问题就变成了“那些能用AI很快进入新领域的人，跟大多数人的差别到底在哪？”
不在于谁更会写Prompt，也不在于谁用的模型更贵。
我觉得差别可能在一个很少被提到的东西上——暂且把它叫做"元技能"。
什么意思呢？学一门外语是技能，但"知道怎么快速学会任何一门外语"是元技能。做一份行业分析是技能，但"面对任何陌生行业都知道从哪里开始"是元技能。它不是某个具体的能力，而是能力之上的能力。
在AI出现之前，这种元技能就存在。跨学科的人有，做咨询的人有，当记者的人有，他们的工作天然要求他们不断进入陌生领域，所以他们慢慢发展出了一套底层的认知方法。
AI没有创造这个元技能。AI做的事情是把它的效果放大了。以前有这个能力的人可能需要两个月才能形成对一个新行业的有效认知，现在有AI配合，一两周可能就够了。
但前提是，你得有这个元技能**。**
那它到底是什么？
想来想去，我觉得核心可能就是一件事：你拿到任何信息之后，会习惯性地往前再追一步。
大多数人拿到AI的回答就停了。有元技能的人不会停，他们会接着问"为什么是这样"，然后拿到新的回答，再追一句"那背后是什么"。每追一步，理解就深一层。而且每一步新的回答，都会让你有能力问出上一步根本问不出的问题。
这个过程，我觉得可以叫"源头追问"。
源头追问跟第一性原理有点像，但不完全一样。
马斯克说的第一性原理，是把已知的事物拆到最底层的事实，然后重新推导。这个方法很强大，但有一个前提，你得先知道一些东西才能拆。
面对一个完全陌生的领域呢？你连它由什么组成都不清楚，第一性原理就不太用得上了。
源头追问是比第一性原理更前面一步的事情。它不要求你先懂什么，它的起点可以很简单，哪怕是一个最基础的问题也行。关键不在于起点有多高级，而在于你拿到回答之后，是停下来，还是继续往前追。
这么说可能还是有点抽象。我用一个例子走一遍这个过程，你可以感受一下追问是怎么一步步打开一个陌生领域的。
就拿城市交通来说吧。每个人每天都在城市里走路、坐地铁、开车、堵车，但很少有人真正了解城市交通规划到底是怎么回事。
大多数人的起点大概是这样的：
"城市交通规划是做什么的？"
AI会给你一个标准回答：规划城市里人和物的移动方式，包括道路、公交、地铁、自行车道等。
拿到这个回答，大多数人的下一步是往宽处走：交通规划有哪些工具？哪些城市做得好？发展趋势是什么？
但如果你往深处追一步：
"为什么交通需要被'规划'？不规划会怎样？"
这个问题看起来有点傻，但AI的回答会让你看到一个不一样的层面。因为城市空间是有限的，而每种出行方式都在争夺同一块空间。不规划的结果是，所有人都会选最舒适的方式——开车。但道路空间容不下这么多车。所以交通规划的本质，是在有限的空间里分配移动的权利。
到这一步，你看到的已经不是交通规划的定义，而是它存在的根本原因。可以继续追：
"那为什么不多修路呢？路够宽不就不堵了吗？"
这里会出现一个非常反直觉的东西，修更多的路，反而可能导致更堵。这在交通研究里有一个专门的概念叫诱发需求，路修宽了，更多人觉得开车方便了，更多人买车上路，最后又堵回去了。这个现象在全世界的城市里反复被验证。
如果你在关键词列表里看到诱发需求这四个字，你只是知道了一个术语。但通过追问走到这里，你不但知道了这个概念，还知道它为什么重要、它是在回应什么问题。这是完全不同的理解深度。
继续追：
"如果修路没用，那为什么这么多城市还在拼命修路？"
到这一层就触碰到了这个行业一个很核心的矛盾了：修路是看得见的工程，短期内确实管用，通车那几个月是真的不堵。而且它是看得到的政绩。而真正长期有效的方案——发展公共交通、限制私家车、改变土地使用模式——见效慢，不讨好，甚至会让一部分人不满意。
也就是说，交通规划领域的核心难题可能不是技术问题，而是技术上最优的方案，往往是管理上最难推行的方案。
再追一步：
"那有没有城市真的做对了？它们是怎么做的？"
有。比如哥本哈根、东京、新加坡。但它们的共同点不是路修得好，而是反过来，让不开车变得比开车更方便。哥本哈根把道路空间从汽车手里拿走给了自行车；东京的铁路网密到根本不需要开车。
最后再追一步：
"为什么大多数城市没有走这条路？"
到这里就碰到了城市规划领域最根本的一个问题，城市到底是为车设计的，还是为人设计的？过去几十年，很多城市的快速扩张基本是按为车设计的逻辑来的，宽马路、大街区、功能分区。现在想调整方向，牵涉到土地制度、房地产模式、出行习惯一系列深层的东西。
从"城市交通规划是什么"到"城市到底是为车设计还是为人设计"，不过五六个问题的距离。
每一个问题都不需要你事先懂任何专业知识，它们都是从上一个回答里自然长出来的。第一个问题可以很简单，甚至有点笨。但只要你不停下来，每追一步，你就自然站到了一个更深的地方。
这就是源头追问，它是一个方向，拿到回答之后，习惯性地再往深处走一步。
回过头来看，"不知道自己不知道"这个状态之所以让人卡住，是因为我们总觉得必须先掌握足够多的信息，才有资格问出好问题。
但源头追问的逻辑恰好反过来，你不需要先懂，你只需要拿到任何回答之后不满足于停在那里。
每往前追一步，你的问题就会自然变好。因为上一个回答已经给了你新的视角，让你看到了之前看不到的东西。这个过程不需要特殊的知识储备，也不需要什么Prompt技巧。它需要的就是一个习惯：拿到回答之后，不要停。
这可能就是AI时代最值得培养的元技能了。
不是学更多工具，不是记更多Prompt模板。而是让自己养成再追一步的本能。
因为AI最擅长的事情是回答问题。而每一个好问题，都是从上一个回答里长出来的。
你要做的，就是不停下来。