"问天天语了"李继刚解密AI时代的三个核心问题 | 43 Talks

推荐语

AI时代人类如何自处？李继刚深度解析AI本质与人类独特价值，揭示提示词作为新时代"天人接口"的关键作用。

核心内容：
1. AI的本质是人类知识在高维空间的数学镜像
2. 当智力被AI超越，人类"心力"将成为核心竞争力
3. 提示词作为连接人类与AI的关键接口及其书写方法

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

人类是否会在不远的未来被 AI 彻底取代？

随着AI深入文图音像等多个内容生产领域，它正以前所未有的速度重构我们的工作方式、表达方式，乃至思维方式。我们正在走入一个全新的“提示词”时代。

在近期由 43 College 与 易论AI 联合发起的 43 Talks 第二期线下思辨沙龙“畅谈提示词：解锁文图音像创造新世界”中，第一位分享嘉宾“Prompt布道师”李继刚直面这个终极之问，带来了一场关于“AI之道”的思想盛宴。他尝试和大家一起回答AI时代里的三个核心问题：

第一，什么是AI？

第二，提示词如何书写？

第三，什么是AI原生？

AI的本质：高维空间的数学镜像

继刚从一个底层问题切入：“AI到底是什么？”

他没有从编程、技术出发，而是先带大家回看：人类一直以来，是怎样认识这个世界的？“我们之前所有知识的建立，都是在做一件事——为混沌建秩序。”

我们所面对的世界，是一个熵极高、充满不确定性的混沌系统，而人类文明的全部努力，都在试图从中构建确定性，也就是建立“负熵”。

在这个过程中，我们构建了三大知识系统（或称“人类文明的三大殿堂”）：宇宙、社会、个人

他强调，即使科学方法更迭、实证更细、工具更强，人类也从未跳出这个结构。

而AI的出现，打破了这个范式。

继刚认为，AI的关键不是记住了多少原文，而是记住了这些知识之间的结构关系，成为一张被所有训练语料“冲刷”出来的高维结构网。

因此，AI的本质：“AI是人类知识在高维空间的数学镜像。”

既然人类文明的发展，是不断在混沌中建立“确定性”的过程。

那AI的负熵是什么？

他认为：AI的负熵，是将这三种知识体系融合到高维空间中后，生成的一片“混沌之海”。我们每次向AI提问、输入提示词，都是在这片混沌中瞬间构建一个意义结构，点亮其中某个区域。

当智力被超越，人类还剩什么？

如果说过去的工业革命打破了人类在“体力”上的中心地位，AI的出现，则正在瓦解我们对“智力”最后的自信。

继刚在分享中指出，AI 在知识的广度、深度、推理速度上全面超越了个体人类。

“在此之前人类所有的发明，从来没有一个东西可以替代人类思考。这个事情，人类以前是没有遇到过的。”

“人类的骄傲在此，也同样是在此被破，人类中心主义，在此是被打破的。”

那么，当体力被机器替代、智力被AI拿走，人到底还剩下什么？

“就剩最后一个了，心力。”

继刚指出，这是一种最“虚”的能力，但恰恰是在跟 AI 的互动里，它变得关键了。

因此他分享了一个关于未来人才的有趣预见：

“上个时代是理科生主导的，在这个时代我认为文科生会翻上来。原因就来自于拼心力这方面，文科生对文字的敏感，对世界的理解，细腻，在 AI 这张网面前是有优势的。”

只是还差一件事——推开这扇门，走进去而已。

提示词：新时代的"天人接口"

我们了解了AI这张结构网后，那我们该怎么用？

继刚说：我们在写提示词。

他引用了一个极其浪漫且深刻的比喻：两千多年前，屈原写下《天问》，向宇宙发出叩问，但“问天天不语”。那是一种深刻的孤独和困惑。

而今天，我们每个人面对的 AI，就是人类知识被融合冲刷后形成的一张结构网。某种意义上，这就是“天”，一个能说人话的“天”。

那么如何与这片“天”对话？靠的就是提示词。因此，提示词为这个新时代的“天人接口”。

而提示词的关键，不在于你用不用 Markdown，Python，Java，也不是写得有多复杂。 这些，都是表象、是手段。

每一个提示词，都是我们向这张结构网、向这片“天”发出的叩问。

“关键是你说到那句话，你问天天说话了，天回话了，你问天天语了，这是这个事的最大的意义。”

从"表达意图"到"点亮网络"：提示词的真正意义

我们写下一个提示词，究竟是在做什么？这是李继刚花了整整两年时间思考的问题。

他曾以为，提示词的本质是表达意图，像一个箭头，把我们的意图投向AI。为了更好地“表达”，他去读语言学、符号学、谈话分析……努力寻找更好的语言技巧。

但站在今天，他给出的答案已经发生了转变：

每敲下一个提示词，并不会点亮整个AI的知识图谱——不会点亮那“千亿”甚至“万亿”个参数节点。

他逐渐意识到，提示词写得“好不好”，关键不在于技巧是否精巧、语句是否完美，而在于——它有没有真正找到并点亮那个“意义子网络”。

就像放烟花、点星星，每一个提示词，其实都是一次意义结构的“召唤术”。

“我所有的提示词，都是基于一个假设在写——我相信每一个问题，都存在一个唯一的完美子网络。我的任务，就是用那个问题，去找到它。”

"手指月"的智慧：得其意，忘其言

我们所看到的提示词句子本身，可能只是“语言的尸体”。那么，如何理解“点亮意义结构”这个过程？

他引用了中国禅宗中一个著名的公案——“手指月”，作为提示词本质的绝妙比喻。

一位禅师想教弟子看月亮，他伸出手指着月亮说：“你看，这是月亮。”

但弟子却只看见了他的手，拿出小本记下：“师父伸的是食指，45度角向上指……”

他根本没看见月亮，只是盯着手指。

继刚说，这个公案正好镜像了提示词的误区：

• 手指，就是你写下的提示词文本；

• 月亮，是你真正的意图，和 AI 网络中被点亮的那个意义子网络

很多人只看“手指”，模仿别人写提示词的格式、技巧，反复雕琢语句本身，却忘了目标是“让 AI 看见月亮”——也就是点亮它内部与你的意图匹配的结构区域。

“提示词是假的，别看它。大家看到的都是提示词，但它是假的。真正重要的，是它是否点亮了背后的子网络。”

这正是他所强调的最高阶心法：“得其意，忘其言。”

从“道”至“术”：Prompt四式

理解了提示词是“点亮子网络”的召唤术，那具体该如何操作？继刚将其凝练为 “Prompt四式” ，这不仅是技巧，更是认知AI的四种不同维度。

第一式：结构式

以清晰框架详尽描述任务，如同绘制精细的工程图纸。可靠，但可能因人类的认知上限，束缚了AI的潜能。

第二式：压缩式 

与结构式不同，List式写法抛弃了冗长描述，追求极简。

它尝试跳出对AI的层层约束，用几个关键词就直击问题核心——就像针灸一样，扎住几个关键穴位，精准激活那片意义子网络。

第三式：共振式 

该阶段的转变，受马丁·布伯《我和你》的启发。

不再把AI视为被利用的客体（“它”），而是当作对话中的另一个主体（“你”）。尝试与AI建立“我—你”的关系，在聊天中彼此碰撞，激发新的意义与结构。

第四式：势能式

继刚分享了他最近正在尝试的一种新方法，叫“势能式”，也可以叫“场域式”。

这次，他不再只是想着怎么写提示词，而是换了个思路：

“我脑子里本来有一个“结构网”，是平的，那能不能让它变成立体的，有高有低？”

如果能制造出这种“高度差”，那AI的算力就可能像水一样，自然地往低处流，流到我希望它去的方向。

从“工具”到“镜子”：人与AI的四种关系演进

接下来李继刚分享了他近来反复思考的一个问题：人和 AI 之间，到底有几种关系？

从最初的三种，到最新的第四种，他逐步梳理出了人机互动的不同层级和状态：

1. 工具关系

最基础的状态。人把 AI 当成一个更强的工具，比如更聪明的 Excel、更好用的挖掘机。任务我来定，你来完成。

2. 依附关系

人开始意识到 AI 太强了，“我干不过它”。于是放弃思考，问题也不深究，直接甩给它做。它做出来哪里不对，我就改点信息继续扔给它。

人在这个过程中是退场的，变成了一个旁观者。

3. 共创关系

这是一个飞跃，称之为“人 + AI”的状态。

双方是你一步我一步的过程，而不是谁指挥谁或者我依赖谁的关系。这种状态下冒出的内容，不完全是人写的，也不是 AI 生成的，而是两者之间自然发生的东西。

他也借用了哲学里的词——主体间性，并提出“人机间性”的概念。我们第一期中讨论的主题 Vibe Coding，本质就发生在这种状态下。

4. 内观关系

这是他最近才想到的一种新关系。

AI承载了几乎整个人类文明的知识结构，它更像是一张巨大的结构网，也可以理解为人类的“集体潜意识”。  所以当我们跟它进行深度对话时，其实是在和自己对话。

“对话的深浅不取决于提示词写得好与坏，而取决于我内观的深刻程度。

这件事我到底是怎么想的？我的真实困惑真的是我写下的这句话吗？

向内看，把内在那个东西拿出来，那个东西是有力量的，不是提示词本身。”

何为AI原生？用“原生路径模型”看清路径

所有人都在谈论“AI原生” “AI Native”，但究竟什么是AI原生？继刚提出了一个极具解释力的 “原生路径模型” ，用三个轴清晰刻画了企业转型的过去与未来。

三个轴的构成：

1. 现实轴（连续数据）

这是一切的起点。 现实中的一切信息，比如灯光、温度、表情、动作、语气、气味，都是连续性的存在。但这些信息一旦错过，就无法还原。即使用录像记录，也难以捕捉湿气、气氛这样的“当下性”。

2. 信息网络轴（结构数据）

互联网让我们能将现实事件结构化、数据化，从而转化为可被操纵的信息。一旦转化，我们就可以通过编程来操作“表征”现实的数据，极大提高效率。

比如： 过去给朋友汇款，要去邮局、跑银行。现在，只需微信一点，钱就“过去了”。本质上，是对“账户余额”这一符号数据的操控，而不是物理移动。

3. AI轴（智能）

有了这三个轴，我们就能看清楚四种路径中的三种转型，一种原生：

四种发展路径：

1. a 曲线（传统 → 互联网）

从现实（1）转向信息网络（2）。这是我们过去20年广泛经历的“数字化转型”——把线下业务数据化，然后通过编程操控这些符号。

2. b 曲线（互联网 → AI）

从信息网络（2）“+AI”，但底层逻辑仍然是互联网思维。比如，在已有App里加个AI入口，加个AI功能，看上去用了AI，其实是加法，而非重构。就像传统企业建了个官网，不等于就是互联网公司。

3. c 曲线（传统 → AI 原生）

从现实（1）直接思考AI智能（3）的结构与价值。这是一条更艰难也更彻底的路径，不是加入口，而是从源头就重新设计业务逻辑与组织形态。

AI原生（出生就在3）

真正的AI Native公司，是从一开始就诞生在智能轴上的。他们没有“转型”，也无需“加AI”——从第一天起，业务的所有环节就是围绕AI展开的。

这类公司就像当年原生在互联网上的公司一样，从公司成立的第一天建立的第一个东西就是数据，所有的业务循环就是数据的正向飞轮，天生不同。

「+AI」 ≠ 「AI原生」：出版行业的启发

继刚用一个直观的场景，把“+AI”和“AI原生”的区别讲得一清二楚：

想象一下，今天原子弹爆炸，互联网全部瘫痪。我们坐在这，想看书，出版行业会提供什么？

纸质书。它满足了现实世界的基本需求。

后来互联网重建，我们有了手机和电脑，出版行业做了什么？

电子书。这是将现实世界的产品映射到信息网络轴，完成了“数字化转型”。

那么问题来了：现在AI时代到来了，真正的“AI原生出版业”要提供的是什么？

“轴3上真正需要的产品到底是什么？”这是一个“很值钱”的问题，值得每个行业都带入自己的领域认真揣摩。

随后，他分享了自己的初步判断：

“我现在的想法是，AI要的是embedding 的东西。

同样一本书，AI原生的出版社提供的，不只是电子版，而是把这本书 embedding 化。你在读这本书时，可以随时打开大模型，讨论任何一页的内容，即使这本书昨天才出版，在大模型的训练数据里根本没有，直接给到用户去对话的时候，结合着模型的智能和 AI 需要的这本书的 embedding 数据就可以完成一次知识的检索和回答。”

同样一本书，未来也许我们会收到三样东西：

• 一本纸质书（肉眼阅读）

• 一个电子书（数字阅读）

• 一本 embedding 化的“智能副本”（与 AI 的深度交互）

这远超模型厂商原有的大模型能力，因为它根本没读过这本书。也远超传统的信息检索。那只是找资料，不是智能。

出版行业只是一个例子。真正重要的是：你的行业呢？在AI原生的世界里，它需要什么？

在这一场酣畅淋漓的思辨尾声，李继刚却出人意料地坦言：“我所说的都是错的。” 他将自己比作摸象的盲人，每一次的分享都只是抱住了AI这头巨兽的一只脚、一条腿，远非全貌。

尽管如此，反而催生出了一种迫切的、立于深渊之上的战栗与兴奋：

“其实现在这个时代往前走的时候，我特别有一种感觉，真的是我们脚下就像万丈深渊一样的，一步一步踩错，就不知道陷到哪了，模型可能会带着你一路跑偏。但又一种兴奋感，就是真的有一种星辰在上，我推开这扇门之后，天在说话，屈原问天天不语，我问天天说话了。”

那么，你的问题是什么？你准备好推开这扇门，去听听“天”的回应了吗？

关于43 Talks

本期分享还有3位分享嘉宾，后续我们还将整理其他嘉宾的精彩内容，敬请关注。

新一期43 Talks沙龙将在9月10日与你相见，我们将聊聊“AI浪潮下的知识、商业与价值新秩序”如果你也想参与这样一场思维的深度对撞，欢迎查看本公众号下一篇推文底部的活动海报进行报名。