向AI提問,我是怎么做的?
AI對話與人完全不同,它更多基于邏輯、數據、算法,更加注重信息傳遞和問題解決。所以AI軟件的第一大問題,并不是“軟件有多難操作”,而是“如何提出一個好問題”。我們該如何向人工智能提問,如何界定問題,如何掌握問題中的變量關系呢?本文作者對此進行了分析,希望能給你帶來幫助。
AI對話與人完全不同。
人對話過程基于情感、文化背景、現狀,需要考慮對方情緒、語氣、表情等非語言因素,AI對話更多基于邏輯、數據、算法,更加注重信息傳遞和問題解決。
盡管各家都在推崇自然語言處理技術((Natural Language Processing, NLP),AI對話(文心一言、chatGPT)也在逐漸向著“人性化”方向發展,但兩者本質依然存在明顯區別。
面對AI出現,很多人有一定思想覺悟,通過學習知識來降低自我可替代性,但是他們發現,第一大問題,并非是“軟件有多難操作”,而是“如何提出一個好問題”。
凱文凱利(Kevin Kelly)曾在一場知名演講中提到未來發展的12大趨勢,其中第11個趨勢就是提問;不過,在中國目前管理學市場上,大家還未能充分利用提問。
什么是提問?我們該如何向人工智能提問、如何界定問題、問題怎么分類轉化,如何把大問題縮成小問題,如何掌握問題中的變量關系,我試試能不能講明白。
一、提問的邏輯
什么是提問(ask a question)?提問是提出問題,問題是目標(標準)與實際的差距。
比如,目標考90分,實際卻考60分,60分和90分之間的差距,就是問題,怎么才能把問題提出來呢?需要先能“發現”和“找準”問題。
三個與提問緊密相關的要素是“是什么(what)、為什么(why)、怎么做(how)”,提問的核心也是搞清楚它們三者之間的關系;2009年美國營銷顧問西蒙·斯涅克(Simon Sinek)在TED演講中,首次用它來表達領袖力模型,這個模型后被稱為黃金圈法則。
先說是什么(what)。
人們常常在這里搞不清楚,因為是什么(what)通常包括四個隱形條件,即:定義、內涵和外延、做出判斷、概念之間的聯系。
就像“愛情”,定義層面指一種深厚的感情,表現為對他人的無私關注、關心和感情依戀,它也可以是親情,不同的人有不同的看法和體驗。
可是,這會造成什么?
我們常常看到某個男生付出很多,最后依然沒有收獲愛情。雙方對愛界定標尺不一樣,邊界不清晰,自然很難碰撞出火花。
回答是什么,需要注意概念與概念之間的關系,避免邏輯錯誤,說“羊城”和“廣東省省會”指同一個城市廣州,可兩個概念卻是同一關系。
概念與概念之間有6種關系,同一關系,包含關系,交叉關系,矛盾關系,反對關系,邏輯并列關系。(《實用邏輯教程(第5版)》,張綿厘著,中國人民大學出版社,2015)。
由此可見,盡管你知道差30分的事實,卻不一定知道“是什么”造成的差距,怎么辦?問“為什么(why)”。為什么是因果關系,是事物背后的道理。
比如:
發動機為什么能工作?背后后對應物理原理;飛機為什么能飛起來?背后有空氣動力學原理。
我們知道創新、進步和解決問題拿到成果都非常重要;那么,想要創新、進步和解決問題拿到成果與提問是否有因果關系呢?
是的。如果不會提問,就無法找到問題。找不到問題就無法解決問題,進而無法獲得成果。這種因果關系也進一步解釋“為什么提問很重要”,畢竟提問可以帶給我們更好的東西。
再說,怎么做(how)。
下雨后路上有一灘水,小孩子看到大人抬腳跨越過去,自己也學者邁過去,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。小孩子通過觀察、模仿、學會了怎么做。
因此,“提問”看起來是解決問題,背后實則追去更好的東西。
就像看到一個動物,你不知道它是什么,第一個問題是“這是什么”;有人告訴你,這是馬,你可能會問“馬能干什么”;別人告訴你馬可以用來騎、馱東西后,你也就明白“馬對你有什么用處”,整個提問是對事物詳細的認知過程。
可是,現實中問題很難界定。
我身邊很多自媒體朋友,他們奮發圖強,暢聊時說要寫這個、那個選題,當坐在電腦旁,憋了半天,勉強在屏幕上打下“關于科學化做好營銷的研究”后,就沒下文了。
為什么?
因為問題包括寬泛議題(issue)、難題(problem)、疑問(question)、話題(topic)四種類型,雖然幾個詞在中文中不好區分,但所涉及的范圍,含義卻大有不同。
我寫文章多半研究以疑問、話題為主,議題和難題要經過一定的思考過程轉化為研究問題(research question),如果不在某個領域深度研究,表達會比較空泛。
三者區別何在?
一般來說,議題(issue)指寬泛話題,是一個問題叢包括面廣,如元宇宙包括AR、VR、內容系統、操作系統、數字孿生、你根本研究不明白,要么陷入老虎吃天,無從下嘴的局面。
難題(problem)是實實在在的困境和麻煩,這類問題需要行動和干預以緩解,如宏觀層食品安全下降,生育率下降,圍觀層找不到工作(就業)、找不到對象(婚嫁),抑郁(心理)等。
難題跟議題有重疊之處。
不過可大可小,你可以在選擇中間層面提問,也就是融入疑問環節,就像”大規模裁員背景下,大學生就業難問題“該怎么解決,相對能找到聚焦答案;話題(topic)是對某個具體事件、現象的探討;就像椰樹頻繁出圈,大家持不同看法,諸如此類。
不過,很多時候你面對的問題是,拿到某個背景信息,如何將陳述性事件增加一個問號,這就涉及到對提問類型的掌握。
二、提問的方法
提問類型?不就是直接問嗎?
就像,notion AI幫我回答下,小紅書做電商難點在哪?Chat-GPT,幫我起一個有關科學飲食的文章大綱。
經過驗證,AI比較擅長解決兩類問題:一類是結構化清晰的,例如寫代碼或做一件常規的事情;另一類是框架清晰的,只需要它來填充細節,并且你對細節有明確要求,所以,開放的問題可能本身就無解,也不具備太現實的意義。
怎么辦呢?你可以試試這種方法。
其一,封閉式提問
主要回答事實性問題,用到誰、什么、何時。它如同填空,往往有確定性答案,但回答完也就結束了,不會做太多延伸。
比如:
我在查找各種概念時,會說chat-GPT幫我找一下,黃金圈法則是什么,誰提出的,有什么意義,提出者當時為什么要這樣認為,盡可能舉個例子。
或者,查理·芒格(Charlie Thomas Munger),針對批判性思維的發言有哪些?在什么場景下,這些發言起到哪種關鍵性作用。
其二,為什么怎么樣
使用分析性問題我會用到“為什么怎么樣”,它可以突破純粹事實層面,把點點滴滴(connecting the dots)在混亂中找到秩序;比如:我問AI抖音為什么會做外賣,它做后會怎么樣?得到答案如下:
只怪自己問的太淺,這種答案也許并不盡人意,對于”寬泛的議題“或者”只有背景的現實難題,如何轉移成為更深層次的疑問呢?
我提出一個填空式三步提問法:
第一步,我要研究;
第二步,具體而言,①我想聚焦于以下疑問:為什么有的….有的….卻?(此處比較現象中的差異)②什么印象了這一結果,③這些因素和結果之間作用機制是什么,怎么樣的?
第三步,回答上述疑問后,解決哪些現實難題。
前兩個步驟,分別區分議題、難題、和疑問;這樣從寬泛的話題開始就能聚焦幾個問題進行研究,最終答案能幫我們解決現實難題,推進論據。
第二步,分別涉及到:
為什么(why),從現實世界中發現有趣的對比、悖論以及差異;什么因素(what),大膽假設,尋找影響結果的可能因素;怎么樣(how),小心求證,問清楚原理和結果之間的作用。
舉個例子:
我要研究(關于抖音為什么要做外賣)。具體而言,我想聚焦一下疑問:①為什么抖音要做外賣,在哪些地方進行了啟動;②什么因素會影響抖音外賣的擴張,有人說是騎手?有人說是關于商家,③這些影響因素的作用機制怎么樣的?
當然,AI的回答只能作為指導性意見,它給出的答案也許比較寬泛,畢竟是基于“已有海量內容”基礎上,作為整合;如果你想深入了解,還需要就細節部分進行現實調查、展開。
就像,北京朝陽有多少騎手、這些騎手每天送多少單、每個人掙多少錢、工作時長等。
品控圈(quality control circle,簡稱qcc),日本式質量管理的集大成者,石川馨 ( Ishikawa Kaoru)提出的“五個為什么”的方法我也經常使用。
具體方法是:
先確定一個問題、為問題提出為什么的問題、找出答案并再次問為什么;重復步驟2和3,直到達到根本原因、找到根本原因并解決它。
簡單講,這種方法通過反復問“為什么”,來深入探究問題是什么,然后在找到“怎么做”,似乎有點像埃隆·馬斯克的經常講的第一性原理。
我想,只有少數人這么做。畢竟,提問運用較多的還是”寫作、文案、完善句式、以及提高表達立體感”幾個維度,除非你是做深度報道,需要挖掘本質部分,不然,你不可能展開這么深。
問的細節上,怎么問呢?
不是直接上來“AI,為什么要這么做?”;而是從六要素(誰、什么、何時、哪里、為什么、怎么樣)出發,我經常用誰、哪里、何時,什么不斷收口,實現有效聚焦。
舉個例子:
咱們以大學生心理研究為例,首先把研究對象(who)范圍縮小,從中國大學生到本科生,或者到幾個專業。
然后,再把時間范圍(when)上縮小,把研究對象限制在某年級,例如大一新生,還可以進一步細化到新生的第一個學期內等。
再次,把地域范圍(where)縮小,同上,縮小至某個地區;如北京、上海,這樣研究所面臨的地理范圍就非常集中。
最后,還可以對研究主題(what)縮小,心理問題非常繁雜多樣,每個癥狀都不同,聚焦一兩種,問題就變得更加可控,如:研究焦慮。
一番操作,我們能得到什么?中國、北京、大一學生、入學第一學期、學生焦慮問題。
之所以這樣做,一方面,AI給出的信息過于龐大,如果你詢問的時間跨度大,范圍不清晰,會淹沒在喊如煙海的史料中;另一方面,空泛的問題通過窄化聚焦收口,增加限定詞,會轉化成具體,可控的研究。
有人會說,縮小到具體很窄角度,問題豈不是很瑣碎?
如我一樣,你用AI目的是提高寫作、和商業研究的效率,那么,我們更關注“片面而深刻”,而非“全面而膚淺”。
假定兩種情況,一種不停做所謂的“大問題”(例如頭條、阿里商業分析、產業分析、競爭格局分析),由于問題過于龐雜,無法實現有效切分,很可能最終寫成一些無關痛癢的空話套話,所謂的“大餅文章”。
另一種,如果針對競爭格局中的某個具體問題研究,攻其一點,不及其余,到那時,大問題就能以小見大,如同下棋,著眼大局但著手小局,此為可取之路徑。
就寫作與商業研究層面,提問的重要性毋庸置疑,三步提問、五個為什么,值得你刻意練習,試試看,愿你成為“問題青年”。
不過當你剛用AI時,可能會覺得“連環追問法”比較復雜,所以,你會把一些“簡單處理的問題”直接交給它,但你還不想拿到“空泛”的答案。
怎么辦?剛才過程中提到的“有的….有的….”句型也許比較適合你。
三、提問的變量
先講個故事,日常中很多現象非常奇怪,咱們經常熟視無睹。
你去過酒吧嗎?有沒有注意到酒吧凳子的高度?大約70CM,而平時生活的凳子高度40-50CM。我知道你腦子里在想什么:為什么酒吧凳子會高出很多?
酒吧凳子與平常凳子的高度構成一個有趣對比,構成了一個對常識的悖離,因此才會形成問號。
如果我在告訴你,某“養生大師”51歲去世,你肯定會跌碎一地眼睛。我把這類問題稱為謎題(Puzzle)。簡單講,新舊事實的不一致或矛盾,會讓人感覺不確定,從而導致困惑或好奇,以至于想解決該問題。
提問的謎題,就在這里。
史蒂芬·列維特Steven Levitt在《魔鬼經濟學》中舉過很多例子,例如,印象里毒販都很賺錢,為什么他們還和老母親一起?。?/p>
再比如,為什么有的父母經常給小孩讀書,經常帶孩子去博物館,孩子卻不成功?為什么那些不怎么讀書,不怎么去博物館的人反而成功?這些問題,跟直覺相違背,才悄悄在腦袋里種下一個問號。
該怎么,設計一個謎題呢?
以一個問題為例,你認為在中國,醫生和護士哪個群體多?大部分人會覺得護士,因為符合常識;但如果我告訴你,“中國醫生數量曾長期多于護士,只有近幾年護士才超過醫生”;這個事實,聽完什么反應?
如果第一反應是“為什么”,那就是一個好的問題,如果你聽完回答“哦”,說明這個問題平淡無奇;找到那些與常識、現實或理論不一樣的現象,找到那些讓人想不通,覺得費解的問題,你能在AI那里能得到不一樣的答案。
例如:
火車、飛機等出行工具能節省大量時間,為什么大家卻總在問世間去哪了?這時,AI會告訴你,我們要清楚自己的目標和理想,然后利用出行工具實現它們。
假如我們直接問,“時間去哪了”?或請以“時間去哪“作為命題,論述時間重要性,你只能得到一堆“是什么”,這些材料,也許對你并沒有太大用途。
一個經典的例子來自趙本山、高秀敏和范偉的小品《賣拐》,當中有句經典臺詞,我就納悶了,同樣是生活在一起的兩口子,做人差距怎么就這么大呢?這句話大半個中國都熟知。
但大家不知道的是,它展示一個有趣的提問方式,這句話一半控制,一半比較;它控制了兩個人的生活情境,比較了兩個人做人的差距;因此形成一個有趣的謎題。
所以,這些奇怪的角度怎么來?
在大量與AI對話后,我認為變量很重要,也就是,你前面給到背景后,后面兩個問題形成對比。“有的….有的….”句型,你可以成功將謎題轉化為問題。
為什么有的地方…..有的地方….?為什么有的人…..有的人…..?為什么有的時候…..有的時候…..?我們通過比較不同地區、個人、時間在變量上的差異,來獲得新視角。
這句話實際把哪里、誰、什么時候這三個問號給具體化了。
不善于提問者可以有意識通過“有的….有的….”訓練自己的提問能力,雖然略顯機械,但這個句型像學步車,可以讓初學者迅速掌握AI對話技巧。
比如:
同樣在互聯網公司,為什么裁員時有的人大喊大叫要賠償,有的人卻保持沉默?同樣在一個家庭長大的孩子,為什么有的孩子乖巧懂事,有的無法無天。
同樣過日子,為什么有人快樂,有人抑郁了?同樣熬夜,為什么有的依然頭發茂密,有的頭發稀疏?同樣是酒,為什么紅酒比啤酒高雅?同樣是裁員,為什么美團、字節風平浪靜,而京東總被網友吐槽。
謎題就在變量中,變量分為因變量(dependent variable)和自變量(independent variable),假設你想拿到一個待解釋的結果,那就從結果出發,試著反推哪些原因造成了這個情況。
把這一系列方式,學著嵌套到你的問題上,然后甩給AI,你能得到驚訝的答案,不信?試試看。
四、總結
把為什么(why)設計好,是什么(what)怎么做(how)大致不會偏差。詢問為什么(why)時,試試“五個為什么,以及三步提問法”。
如果覺得太難,那就從“有的….有的…..”出發吧。
記住運用一半控制一半比較;AI永遠是工具,掌握AI提問的方法,才能提高解決問題的效率,祝你,活學活用。
專欄作家
王智遠,公眾號:王智遠,人人都是產品經理專欄作家。暢銷書《復利思維》作者,互聯網學者,左手科技互聯網,右手個體認知成長。
本文原創發布于人人都是產品經理。未經許可,禁止轉載。
題圖來自Unsplash,基于CC0協議。
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
看了。不錯。如果能把結構化提問。再展開講講會更好