AI对话与人完全不同。

(资料图片仅供参考)

人对话过程基于情感、文化背景、现状，需要考虑对方情绪、语气、表情等非语言因素，AI对话更多基于逻辑、数据、算法，更加注重信息传递和问题解决。

尽管各家都在推崇自然语言处理技术（(Natural Language Processing, NLP)，AI对话（文心一言、chatGPT）也在逐渐向着”人性化“方向发展，但两者本质依然存在明显区别。

面对AI出现，很多人有一定思想觉悟，通过学习知识来降低自我可替代性，但是他们发现，第一大问题，并非是“软件有多难操作”，而是“如何提出一个好问题”。

凯文凯利（Kevin Kelly）曾在一场知名演讲中提到未来发展的12大趋势，其中第11个趋势就是提问；不过，在中国目前管理学市场上，大家还未能充分利用提问。

什么是提问？我们该如何向人工智能提问、如何界定问题、问题怎么分类转化，如何把大问题缩成小问题，如何掌握问题中的变量关系，我试试能不能讲明白。

提问的逻辑

什么是提问（ask a question）？提问是提出问题，问题是目标（标准）与实际的差距。

比如，目标考90分，实际却考60分，60分和90分之间的差距，就是问题，怎么才能把问题提出来呢？需要先能“发现”和”找准“问题。

三个与提问紧密相关的要素是“是什么（what）、为什么（why）、怎么做（how）”，提问的核心也是搞清楚它们三者之间的关系；2009年美国营销顾问西蒙·斯涅克（Simon Sinek）在TED演讲中，首次用它来表达领袖力模型，这个模型后被称为黄金圈法则。

先说是什么（what）。

人们常常在这里搞不清楚，因为是什么（what）通常包括四个隐形条件，即：定义、内涵和外延、做出判断、概念之间的联系。

就像“爱情”，定义层面指一种深厚的感情，表现为对他人的无私关注、关心和感情依恋，它也可以是亲情，不同的人有不同的看法和体验。

可是，这会造成什么？

我们常常看到某个男生付出很多，最后依然没有收获爱情。双方对爱界定标尺不一样，边界不清晰，自然很难碰撞出火花。

回答是什么，需要注意概念与概念之间的关系，避免逻辑错误，说“羊城”和“广东省省会”指同一个城市广州，可两个概念却是同一关系。

概念与概念之间有6种关系，同一关系，包含关系，交叉关系，矛盾关系，反对关系，逻辑并列关系。（《实用逻辑教程（第5版）》，张绵厘著，中国人民大学出版社，2015）。

由此可见，尽管你知道差30分的事实，却不一定知道“是什么”造成的差距，怎么办？问“为什么（why）”。为什么是因果关系，是事物背后的道理。

比如：

发动机为什么能工作？背后后对应物理原理；飞机为什么能飞起来？背后有空气动力学原理。

我们知道创新、进步和解决问题拿到成果都非常重要；那么，想要创新、进步和解决问题拿到成果与提问是否有因果关系呢？

是的。如果不会提问，就无法找到问题。找不到问题就无法解决问题，进而无法获得成果。这种因果关系也进一步解释“为什么提问很重要”，毕竟提问可以带给我们更好的东西。

再说，怎么做（how）。

下雨后路上有一滩水，小孩子看到大人抬脚跨越过去，自己也学者迈过去，可是不巧，由于步子太小，一下子踩在水里面，惹得大人哈哈大笑。小孩子通过观察、模仿、学会了怎么做。

因此，“提问”看起来是解决问题，背后实则追去更好的东西。

就像看到一个动物，你不知道它是什么，第一个问题是“这是什么”；有人告诉你，这是马，你可能会问“马能干什么”；别人告诉你马可以用来骑、驮东西后，你也就明白“马对你有什么用处”，整个提问是对事物详细的认知过程。

可是，现实中问题很难界定。

我身边很多自媒体朋友，他们奋发图强，畅聊时说要写这个、那个选题，当坐在电脑旁，憋了半天，勉强在屏幕上打下”关于科学化做好营销的研究“后，就没下文了。

为什么？

因为问题包括宽泛议题（issue）、难题（problem）、疑问（question）、话题（topic）四种类型，虽然几个词在中文中不好区分，但所涉及的范围，含义却大有不同。

我写文章多半研究以疑问、话题为主，议题和难题要经过一定的思考过程转化为研究问题（research question），如果不在某个领域深度研究，表达会比较空泛。

三者区别何在？

一般来说，议题（issue）指宽泛话题，是一个问题丛包括面广，如元宇宙包括AR、VR、内容系统、操作系统、数字孪生、你根本研究不明白，要么陷入老虎吃天，无从下嘴的局面。

难题（problem）是实实在在的困境和麻烦，这类问题需要行动和干预以缓解，如宏观层食品安全下降，生育率下降，围观层找不到工作（就业）、找不到对象（婚嫁），抑郁（心理）等。

难题跟议题有重叠之处。

不过可大可小，你可以在选择中间层面提问，也就是融入疑问环节，就像“大规模裁员背景下，大学生就业难问题”该怎么解决，相对能找到聚焦答案；话题（topic）是对某个具体事件、现象的探讨；就像椰树频繁出圈，大家持不同看法，诸如此类。

不过，很多时候你面对的问题是，拿到某个背景信息，如何将陈述性事件增加一个问号，这就涉及到对提问类型的掌握。

提问的方法

提问类型？不就是直接问吗？

就像，notion AI帮我回答下，小红书做电商难点在哪？chat-GPT，帮我起一个有关科学饮食的文章大纲。

经过验证，AI比较擅长解决两类问题：一类是结构化清晰的，例如写代码或做一件常规的事情；另一类是框架清晰的，只需要它来填充细节，并且你对细节有明确要求，所以，开放的问题可能本身就无解，也不具备太现实的意义。

怎么办呢？你可以试试这种方法。

其一，封闭式提问

主要回答事实性问题，用到谁、什么、何时。它如同填空，往往有确定性答案，但回答完也就结束了，不会做太多延伸。

比如：

我在查找各种概念时，会说chat-GPT帮我找一下，黄金圈法则是什么，谁提出的，有什么意义，提出者当时为什么要这样认为，尽可能举个例子。

或者，查理·芒格（Charlie Thomas Munger），针对批判性思维的发言有哪些？在什么场景下，这些发言起到哪种关键性作用。

其二，为什么怎么样

使用分析性问题我会用到“为什么怎么样”，它可以突破纯粹事实层面，把点点滴滴（connecting the dots）在混乱中找到秩序；比如：我问AI抖音为什么会做外卖，它做后会怎么样？得到答案如下：

只怪自己问的太浅，这种答案也许并不尽人意，对于“宽泛的议题”或者”只有背景的现实难题，如何转移成为更深层次的疑问呢？

我提出一个填空式三步提问法：

第一步，我要研究；

第二步，具体而言，①我想聚焦于以下疑问：为什么有的....有的....却？（此处比较现象中的差异）②什么印象了这一结果，③这些因素和结果之间作用机制是什么，怎么样的？

第三步，回答上述疑问后，解决哪些现实难题。

前两个步骤，分别区分议题、难题、和疑问；这样从宽泛的话题开始就能聚焦几个问题进行研究，最终答案能帮我们解决现实难题，推进论据。

第二步，分别涉及到：

为什么（why），从现实世界中发现有趣的对比、悖论以及差异；什么因素（what），大胆假设，寻找影响结果的可能因素；怎么样（how），小心求证，问清楚原理和结果之间的作用。

举个例子：

我要研究（关于抖音为什么要做外卖）。具体而言，我想聚焦一下疑问：①为什么抖音要做外卖，在哪些地方进行了启动；②什么因素会影响抖音外卖的扩张，有人说是骑手？有人说是关于商家，③这些影响因素的作用机制怎么样的？

当然，AI的回答只能作为指导性意见，它给出的答案也许比较宽泛，毕竟是基于“已有海量内容”基础上，作为整合；如果你想深入了解，还需要就细节部分进行现实调查、展开。

就像，北京朝阳有多少骑手、这些骑手每天送多少单、每个人挣多少钱、工作时长等。

品控圈（quality control circle，简称qcc），日本式质量管理的集大成者，石川馨 ( Ishikawa Kaoru）提出的“五个为什么”的方法我也经常使用。

具体方法是：

先确定一个问题、为问题提出为什么的问题、找出答案并再次问为什么；重复步骤2和3，直到达到根本原因、找到根本原因并解决它。

简单讲，这种方法通过反复问为什么，来深入探究问题是什么，然后在找到“怎么做”，似乎有点像埃隆·马斯克的经常讲的第一性原理。

我想，只有少数人这么做。毕竟，提问运用较多的还是“写作、文案、完善句式、以及提高表达立体感”几个维度，除非你是做深度报道，需要挖掘本质部分，不然，你不可能展开这么深。

问的细节上，怎么问呢？

不是直接上来“AI，为什么要这么做？”；而是从六要素（谁、什么、何时、哪里、为什么、怎么样）出发，我经常用谁、哪里、何时，什么、不断收口，实现有效聚焦。

举个例子：

咱们以大学生心理研究为例，首先把研究对象（who）范围缩小，从中国大学生到本科生，或者到几个专业。

然后，再把时间范围（when）上缩小，把研究对象限制在某年级，例如大一新生，还可以进一步细化到新生的第一个学期内等。

再次，把地域范围（where）缩小，同上，缩小至某个地区；如北京、上海，这样研究所面临的地理范围就非常集中。

最后，还可以对研究主题（what）缩小，心理问题非常繁杂多样，每个症状都不同，聚焦一两种，问题就变得更加可控，如：研究焦虑。

一番操作，我们能得到什么？中国、北京、大一学生、入学第一学期、学生焦虑问题。

之所以这样做，一方面，AI给出的信息过于庞大，如果你询问的时间跨度大，范围不清晰，会淹没在喊如烟海的史料中；另一方面，空泛的问题通过窄化聚焦收口，增加限定词，会转化成具体，可控的研究。

有人会说，缩小到具体很窄角度，问题岂不是很琐碎？

如我一样，你用AI目的是提高写作、和商业研究的效率，那么，我们更关注“片面而深刻”，而非“全面而肤浅”。

假定两种情况，一种不停做所谓的“大问题”（例如头条、阿里商业分析、产业分析、竞争格局分析），由于问题过于庞杂，无法实现有效切分，很可能最终写成一些无关痛痒的空话套话，所谓的“大饼文章”。

另一种，如果针对竞争格局中的某个具体问题研究，攻其一点，不及其余，到那时，大问题就能以小见大，如同下棋，着眼大局但着手小局，此为可取之路径。

就写作与商业研究层面，提问的重要性毋庸置疑，三步提问、五个为什么，值得你刻意练习，试试看，愿你成为“问题青年”。

不过当你刚用AI时，可能会觉得“连环追问法”比较复杂，所以，你会把一些“简单处理的问题”直接交给它，但你还不想拿到“空泛”的答案。

怎么办？刚才过程中提到的“有的....有的....”句型也许比较适合你。

提问的变量

先讲个故事，日常中很多现象非常奇怪，咱们经常熟视无睹。

你去过酒吧吗？有没有注意到酒吧凳子的高度？大约70CM，而平时生活的凳子高度40-50CM。我知道你脑子里在想什么：为什么酒吧凳子会高出很多？

酒吧凳子与平常凳子的高度构成一个有趣对比，构成了一个对常识的悖离，因此才会形成问号。

如果我在告诉你，某“养生大师”51岁去世，你肯定会跌碎一地眼睛。我把这类问题称为谜题（Puzzle）。简单讲，新旧事实的不一致或矛盾，会让人感觉不确定，从而导致困惑或好奇，以至于想解决该问题。

提问的谜题，就在这里。

史蒂芬·列维特Steven Levitt在《魔鬼经济学》中举过很多例子，例如，印象里毒贩都很赚钱，为什么他们还和老母亲一起住？

再比如，为什么有的父母经常给小孩读书，经常带孩子去博物馆，孩子却不成功？为什么那些不怎么读书，不怎么去博物馆的人反而成功？这些问题，跟直觉相违背，才悄悄在脑袋里种下一个问号。

该怎么，设计一个谜题呢？

以一个问题为例，你认为在中国，医生和护士哪个群体多？大部分人会觉得护士，因为符合常识；但如果我告诉你，“中国医生数量曾长期多于护士，只有近几年护士才超过医生”；这个事实，听完什么反应？

如果第一反应是“为什么”，那就是一个好的问题，如果你听完回答“哦”，说明这个问题平淡无奇；找到那些与常识、现实或理论不一样的现象，找到那些让人想不通，觉得费解的问题，你能在AI那里能得到不一样的答案。

例如：

火车、飞机等出行工具能节省大量时间，为什么大家却总在问世间去哪了？这时，AI会告诉你，我们要清楚自己的目标和理想，然后利用出行工具实现它们。

假如我们直接问，“时间去哪了”？或请以“时间去哪“作为命题，论述时间重要性，你只能得到一堆“是什么”，这些材料，也许对你并没有太大用途。

一个经典的例子来自赵本山、高秀敏和范伟的小品《卖拐》，当中有句经典台词，我就纳闷了，同样是生活在一起的两口子，做人差距怎么就这么大呢？这句话大半个中国都熟知。

但大家不知道的是，它展示一个有趣的提问方式，这句话一半控制，一半比较；它控制了两个人的生活情境，比较了两个人做人的差距；因此形成一个有趣的谜题。

所以，这些奇怪的角度怎么来？

在大量与AI对话后，我认为变量很重要，也就是，你前面给到背景后，后面两个问题形成对比。 “有的....有的....”句型，你可以成功将谜题转化为问题。

为什么有的地方.....有的地方....？为什么有的人.....有的人.....？为什么有的时候.....有的时候.....？我们通过比较不同地区、个人、时间在变量上的差异，来获得新视角。

这句话实际把哪里、谁、什么时候这三个问号给具体化了。

不善于提问者可以有意识通过“有的....有的....”训练自己的提问能力，虽然略显机械，但这个句型像学步车，可以让初学者迅速掌握AI对话技巧。

比如：

同样在互联网公司，为什么裁员时有人大喊大叫要赔偿，有人却保持沉默？同样在一个家庭长大的孩子，为什么有的孩子乖巧懂事，有的无法无天。

同样过日子，为什么有人快乐，有人抑郁了？同样熬夜，为什么有的依然头发茂密，有的头发稀疏？同样是酒，为什么红酒比啤酒高雅？同样是裁员，为什么美团、字节风平浪静，而京东总被网友吐槽。

谜题就在变量中，变量分为因变量（dependent variable）和自变量（independent variable），假设你想拿到一个待解释的结果，那就从结果出发，试着反推哪些原因造成了这个情况。

把这一系列方式，学着嵌套到你的问题上，然后甩给AI，你能得到惊讶的答案，不信？试试看。

总结一下：

把为什么（why）设计好，是什么（what）怎么做（how）大致不会偏差。询问为什么（why）时，试试“五个为什么，以及三步提问法”。

如果觉得太难，那就从“有的....有的.....”出发吧。

记住运用一半控制一半比较；AI永远是工具，掌握AI提问的方法，才能提高解决问题的效率，祝你，活学活用。

关键词：