下载掌阅APP，畅读海量书库
立即打开
进入21世纪，人工智能技术取得了长足的发展。人工智能带给人类巨大便利的同时，也带来了一些不安。很多人担心自己的工作会被人工智能替代。我一开始觉得这完全是杞人忧天，但深入研究了新一代人工智能的工作原理和学习模式后，也加入到担忧者的行列。人工智能对人类的学习、生活会带来哪些挑战？从智能手机的推荐算法中就可略见一斑：手机中的购物软件会根据你的年龄、性别、收入水平、消费习惯等有针对性地、精准地推荐商品，视频平台更是会根据你的喜好推送视频片段，以至于你动辄沉浸其中几小时难以自拔……很多人惊叹：“我的手机比我还了解我自己。”更可怕的是，人工智能有着惊人的学习速度。比如，仅仅用了几年的时间，智能语音客服的声音就从听起来很假、很生硬迭代到听起来很自然、很生动，甚至与自然人的声音难以分辨的程度。人工智能的应用场景也扩展到令人匪夷所思的程度。比如，《机智过人》节目曾展示由人工智能指挥“机械臂”写出唐诗的过程！
ChatGPT已经通过了“图灵测试”，其语言界面的强大让人震惊。丹尼尔·丹尼特是著名的哲学家。美国加州大学的几个研究者基于GPT-3做了一个丹尼特哲学聊天机器人，并把丹尼特的书、文章、公开的对话等都输入给它，让它全面掌握了丹尼特的思想。随后让这个聊天机器人扮演丹尼特，和丹尼特一起，同时回答那些非常熟悉丹尼特的受试者所提出的问题，最后再让这些受试者判断谁是真正的丹尼特。结果是，受试者根本分不清聊天机器人和真丹尼特，甚至有的问题聊天机器人的回答被认为比真丹尼特还像丹尼特。
因此，人类开始担心：未来，人类的生存会不会受到人工智能的威胁？智能人会不会取代自然人？“硅基生命”会不会取代“碳基生命”？随着对人工智能的学习方式的深入了解，我有一个很大的担忧，那就是比起人工智能，自然人的学习方式太落后了，需要进行革命性的突破。同时，我也有一个令人兴奋的发现：人类完全可以借鉴人工智能的学习模式，让学习力获得跃迁。
20世纪90年代以来，人类对脑科学的研究有了长足发展。我们可以方便地借助现代仪器，对大脑工作过程中的脑区激活状态以及变化情况洞若观火。新一代的人工智能完全模仿人类大脑的工作机理。然而，换一个视角看，脑科学的最新研究成果更多地用在机器人的研究上，极少用在自然人的学习上。自然人的学习模式依然是陈旧的模式，今天的课堂教学和70年代并没有什么两样。
我认为，研究人工智能的工作模式可以反哺自然人的学习。那么，我们的首要任务就是弄清人工智能的工作方式。我们通常会说：“这是一个人工智能，这是一个智能机器人。”而实际上人工智能并非个体，它本质上是一个大型的分布式协同工作的计算机网络。人工智能实际上是多机协同实现某种功能的网络系统，人工智能之间的协作实际上是跨网络的协同运作。
人工智能可以用它的眼睛看见你，并用它的嘴巴恰到好处地回应你。从看见到回应，其背后的运作方式是什么样的呢？人工智能的眼睛就是一个有独立处理能力的计算机，它用摄像头采样，然后用其独特的算法解释获得的画面，并把所得出的结论送给中央控制系统。中央控制系统再安排反应系统进行回应，而反应系统由很多种计算机构成，说话靠语音计算机完成，肢体语言则靠行动计算机完成。人工智能的眼、耳、舌、鼻、身、意其实都是既能独立完成某种任务，又能协同作战的计算机。每台计算机都有其独特的处理算法，也有其庞大的数据库，而且能够不断地迭代。算法可以简单地理解为从刺激到反应中间大脑的工作过程，数据可以简单地理解为大脑对每次刺激—反应过程的记忆。人工智能的每次工作都依据既定的算法，每次工作都同时丰富其数据库，当数据积累多了就会根据其有效性升级迭代算法，算法升级后又反过来重新审视以往的数据。与自然人相比，人工智能的学习力强，就体现在其算法不断地升级进化，以及数据持续地积累重构上。它的算法升级和数据重构两个过程快速、持续地进行，且不断循环提升。
比如，人工智能能够识别出猫。它是怎样做到的呢？最早是因为其数据库中存储了数百万张形态各异的猫的照片，它看到猫并识别出来的过程无非是将看到的猫进行拍照，然后将照片与其数据库里存储的数百万张照片进行模糊匹配。模糊匹配的过程当然需要算法，这个算法就是把拍来的猫的照片与数据库中的图片进行匹配的策略。匹配成功就识别出猫，否则就识别失败。当然也可能会有把猫识别成非猫的失败，或者把非猫误识别为猫的失败。人工智能会根据大量成功或失败的结果，进一步迭代自己的识别算法，比如做角度的矫正、猫脸结构的优化等。这种持续矫正算法依靠的正是深度学习。现在公共安全领域的人脸识别技术已经相当精准，只要有一张犯罪分子的照片，就能够轻松把出现在公共场合中的犯罪嫌疑人很快识别出来。怎么做到的呢？其实也是人工智能通过照片分析出人脸的结构数据。人脸无非是若干三角形组成的特定结构，无论是正脸、侧脸，还是低头、抬头，虽然脸的形状各异，但其基本结构是不变的。人工智能的算法总能透过表现各异的形状定位到保持不变的基本结构。而人工智能的算法并不是凭空来的，恰是在大量经验数据的基础上不断深度学习进行算法迭代而来的。反过来，算法升级迭代了又会对经验数据进行重构，再带着新的算法工作，积累更多的数据，交替进行“积累数据迭代算法”“算法升级重构数据”的无限学习循环。
人工智能的学习比自然人的学习有三大得天独厚的优势。
首先，永不疲倦地工作。人工智能可以承受高强度的工作，即使在恶劣的工作环境中，也可以“不知疲倦”地工作，在工作中积累数据、优化算法。可以做到24小时不休息地处理海量作业和积累经验数据。这种处理能力和学习速度是自然人完全无法企及的。
其次，工作即学习。人工智能的工作靠的是一套算法，在用算法作业的时候又能产生相应的经验数据。当积累了大量的经验数据之后，人工智能又能通过对大数据的挖掘，总结出更接近事物本质、更方便操作的新算法。就这样，用算法积累数据，又借助大数据分析升级算法，不断逼近事物的核心特征和深层结构，升级更便捷高效的操作程序，一直走在学习迭代的路上。人类的进化也不过是数万年很多代迭代的结果，而人工智能的学习和迭代速度是惊人的。
最后，数据和算法共享。人工智能更厉害的一点是个体经验的实时共享，它们用同一套算法工作，各自在不同情境下积累不同的数据，而这些数据又能实时共享。同一时刻，千百万个人工智能的个体在不同场景下运用同样的算法做同样的工作，积累不同的经验数据，而这些经验数据又成为共同的财富。数据的并行积累能加速算法的迭代，而算法的迭代又可以惠及每一个个体。人工智能的经验分享是自然发生的，个体的经验自然成为群体的经验，个体的智慧自然成为群体的智慧。
自然人的学习就相形见绌了。受生理条件限制，自然人做不到不知疲倦地工作，受学习能力限制，极少有人能做到在工作中学习，况且不同个体做事的算法很难统一，数据经验又很难共享。人类的算法升级靠的是个体经验的萃取，不仅样本有限，而且迭代升级又受个体大脑加工能力的限制，人类的学习迭代的速度可以说是像蜗牛一样。多数自然人的算法从不主动迭代，与人工智能日积月累、不知疲倦的数据积累和迭代速度简直不可同日而语。更关键的是，学习本身就有复利效应，今天的知识是今后学习的基础，学习力越强知识积累越多，知识积累越多学习力越强。只有极少数自然人能够吃上这种学习的复利效应的红利。
尤瓦尔·赫拉利在《未来简史》中提出了他的担忧，他认为未来的人将分化为三类：无用之人、凡人、神人，且大部分人将会沦为无用之人。是什么因素导致人的分化？我认为就是学习力。相对人工智能的快速学习，大部分自然人的学习能力则相形见绌，长期处于“油腻”“躺平”状态的人不迭代算法，不重构数据，久而久之会沦为“无用之人”。只有少数像人工智能一样快速学习的人，其学习力远超社会平均水平，会进化成“神人”。学习力能够持续保持在社会平均水平以上的人，也许能保持住“凡人”的状态。赫拉利的论断并不是危言耸听。要是你不想在未来沦为无用之人，该怎么办？唯一的出路就是持续提升自己的学习力！ 人和人的差距是认知的差距，而认知的差距归根结底是学习力的差距。 提升学习力并不是说要用原来的方式再加倍地努力，而是要借鉴人工智能的学习方式加速“算法升级”和“数据重构”的交叉迭代。唯有学习力的跃迁才能让我们持续领先于时代！
如何避免沦为“无用之人”？如何确保成为“凡人”乃至“神人”？为了回答这个问题，除了把自然人的学习和人工智能的学习进行类比外，还有一项极具价值的工作，就是把普通人的学习和各个领域中站在“金字塔尖”的专家的学习进行类比。挖掘专家的学习之道，使常人能够像专家一样学习。
专家和常人的学习到底有哪些区别呢？科学家们曾经就此开展过各种研究，其中有一项实验，是请专业画家和新手给同一个模特画肖像画。然后用现代的科学设备监测专家和新手的大脑内的反应和行为上的反应的差异。最后得出了以下一些显著的不同。
第一，专家和新手的观察方式和反应方式不同。观察方式的不同就是指他们搜集信息的方式不同，反应方式不同就是指他们画画的动作不同。专业的画家会盯着模特观察良久，并不轻易动笔；而新手则是一开始就动手画。新手是看一眼模特就画一点，再看一眼再画一点，就像小鸡啄食一样一笔一画地描摹；而专家作画不轻易动笔，一旦动起笔来就能画出一大片。
第二，专家和新手的脑区激活方式不同。科学设备监测他们的脑区激活情况发现：作画过程中，新手的大脑前额叶被大面积激活，大脑前额叶是主管大脑意识活动的脑区，这表明新手主要是在用意识作画，大脑前额叶的工作记忆区激活水平尤其高。而专家的大脑在作画过程中星罗棋布地被激活了很多点，并不集中在某片区域，每个部分的激活程度也都不会过高。这就表明，作画时专家的大脑中多个脑区能够协同作战，反倒显得前额叶的工作记忆区的激活水平不高。所以，专家能够从容淡定、游刃有余地作画，而新手大多数时间处在紧张状态。
第三，专家和新手的思维过程和策略不同。研究者在采访专家和新手作画的思维和策略时听到了不同的描述。专家说：“虽然我是第一次见到这个人，但我对他的眼睛、鼻子、耳朵等都不陌生，因为我画过无数类似的形状。”在专业的画家眼里，每个人的肖像无非是不同形状的五官的组合，同样的“部件”他以前都画过，作画过程不过是把各种他曾经画过的“部件”以搭积木式地重新组合，他只要额外留心把模特脸上最为独特的地方表现出来就行，其余部分都有现成的制式。新手完全不具备专家的数据库，脑子里并没有那么多现成的制式，所以也就组合不出来，面对任何一个模特的肖像，每个“部件”的形状对他来讲都是全新的。
第四，专家和新手的应变和纠错能力不同。新手和专家还有一个非常明显的区别：新手一旦画错了，就得推倒重来；而专家在作画过程中即便出现差错，也能够游刃有余地即兴发挥，不仅能掩盖差错，甚至还能借由错误激发自己创造出“神来之笔”。
进一步解析这些区别不难发现，专家与新手的大脑工作的系统性差异：一是感知方式不同，新手只能看到事物的表象，而专家却能带着专业知识和框架有意识地观察，能够看到表象背后的本质。老中医之所以能准确判断病人得了什么病，就是因为他带着专业的知识结构去观察和感知，而新手只能看到单双眼皮、嘴唇薄厚等表面特征。二是联想方式不同，新手没有足够的数据积累，看什么都是新鲜的，而专家能激活很多过往与之相关的经验和知识。经验知识的积累是新手到专家难以跨越的鸿沟。三是评估和决策模型不同，专家做评估或决策时，会激活其已有的、经过验证的模型。比如专业画家一看某人的脸型就清楚是“猪腰子脸”还是“鞋拔子脸”，继而激活他画该种脸型的套路。而新手既没有验证过的模型，也没有对应的套路。四是处置方式不同，专家的动作多是非常娴熟的自动化反应，甚至无须意识控制，寥寥数笔就能画出一大片，又好又快，很见功底。而新手则亦步亦趋，下笔小心翼翼，整个过程费神费力。五是学习能力不同，专家的学习能力很强，他能够时刻监测自己的表现，及时调整绘画策略，轻松应对突发事件，不仅纠错能力很强，事后还能复盘升级自己的算法。
如果把专家与新手的五大不同和人工智能的反应系统再类比，就可以挖掘出自然人工作、学习过程中有序协作的五大网络： 感知网络 ，即有目的地从外界获取信息的网络； 联想网络 ，即将外界获取的新的信息与旧知、经验相关联的网络； 决策网络 ，即负责思维加工，运用思维模型评估不同策略的优劣，最终做出决策的网络； 反应网络 ，即根据决策调取和组合自动化程序做出行为反应的网络； 学习网络 ，即负责制订策略、监测情况、随机权变、事后反思、总结升华，以及统筹和协调其他四大网络有机协作的网络。
为方便理解，再以中医为例说明专家的五大网络。首先，老中医感知病人的方式与常人不同，不像常人看人只看眼睛大不大、鼻梁高不高这些表面特征，而是慧眼独具地感知病人，比如中医里的“藏象学”，透过其表，推知其里，透过外在，感知内在。
其次，老中医有独特的联想网络。收集病人的外表信息后，老中医脑内能展开深层次的联想。尽管世界是普遍联系的，但常人只能看到事物之间的浅层次联系，而专家能看到深层次、更本质的联系。老中医的脑海里不仅装着很多经典的治病良方，还装满了很多成功的医案。普通的病用经典的、现成的药方或处置方案，复杂的病则要在记忆中提取曾经治疗过的类似病例。在没有现成算法的时候，激活大量相关的经验数据，算法就会涌现出来。
第三，老中医有独到的决策网络，把望、闻、问、切所收集的线索纳入到中医理论体系中进行解释，对所感知的情况做出属于自己的解释之后，老中医会运用自己独特的决策框架提出解决方案。至于什么病用什么药？什么药治什么病？中医又有取象比类的说法。古人效法天地，因天之序，因地制宜，用取象比类方式推测各种材料的功能，再在实践中验证，中医就是这样发展起来的。
第四，老中医还有独到的反应网络。除了吃药之外，中医还有很多娴熟的手法，比如针灸、推拿、刮痧等。复旦教授王德峰曾经向老中医学习把脉。老中医给了他一本《中医诊断学》让他自己学，不懂的地方随时问。他苦学一阵子后，感觉把书上的知识都学会了，就尝试给他姐姐把脉。结果根本判断不出来他姐姐的脉象。老中医和王德峰说：“你在书上学的全是概念，看书是学不会把脉的。你以后跟着我学，每次我把完脉，开完药，你也上去把一下，然后抄抄我开的药方，自己去体会我开的方子和脉象的关系。”中医中的一些手法还没有升华为可复制的理论，手法的习得需要用师父带徒弟的方式手把手传授。
最后，老中医的学习网络能够根据实践不断反思复盘以发展自己的理论体系，进而发展其他四大网络的工作方式和协作方式。其他领域的专家也类似，他们总是在实践中持续迭代自己大脑中的四大网络的工作效能和协作方式。学习网络的责任是持续提升四大网络的工作方式和协作方式，是学习力的关键。学习能力不强的人很难突破自己，很难发展出更高效能的能力。
把自然人大脑的工作过程人为地划分为感知网络、联想网络、决策网络、反应网络、学习网络，目的是解构，让我们能够更清晰地觉察大脑的工作过程和工作模式。自然人的大脑被誉为迄今为止世界上存在的最复杂的机器，只有将复杂的整体简化为各个相对清晰的部分，才能针对性地探索各个部分，有步骤、有目的、有针对性地提高各部分的处理能力。解构也并非最终目的，解构是为了重构。 解构是分而治之，重构是统而合之。 将大脑的工作过程解构为五大网络之后再重构，升级各部分的协作关系，最终综合地提升整个大脑的处理能力。说到底，学习的根本目的就是提升大脑中五大网络的处理能力和协同效率。 最根本的学习力就是有意识地提升大脑中五大网络的算法和算力。
俞敏洪在一次演讲中说：“青春和年龄无关，和活力有关。”活力的本质就是学习力，就是不断迭代自己的能力。人就是爱学习的动物，大脑天生就是学习机器，是人身上唯一一个至死才停止发育的器官。类比人工智能的学习和探索专家的学习，就能够让更多的普通人运用大脑本身的工作原理来改造自己的学习，把学习升级为终身的、立体的、深度的学习，从而实现学习力的跃迁，避免沦为“无用之人”。
孟子说过：“人之所以异于禽兽者几希。”教育家维果茨基定义了人区别于动物的那“几希”的“高级机能”，随意注意、读心能力、反思能力、逻辑思维、语言文字、想象力、意志力等都是高级机能。可以把高级机能看作人类独有的脑力。受精力的限制，脑力对每个人而言都是稀缺资源。高效能的人能够每天都恰到好处地把脑力开发和利用好。脑力可以刻意发展新的能力，养成新习惯，修正低效能的思维模式和反应模式，克服人性中的劣根性，使自己的能量更好地为梦想服务。人活在世上，脑力就跟自来水一样，永不停息地哗哗地流。但我们不能让自来水白流，要利用它洗洗衣服、洗洗菜、浇浇花。当一个人每天在舒适区里油腻地混日子的时候，脑力就没有被充分地激活和运用，像自来水一样白白流走了。从开发脑力的角度看，衣食无忧的日子很容易让人待在舒适区中，而耽误了自己脑力的开发。清代名医黄元御曾感慨道：“窃以为天之厚安乐之人，不如其厚羁愁之士，丈夫得失之际，非俗人之所知也。”安乐之人固然轻松，却也因此消磨了自己的大好时光，羁愁之士劳心劳力，却很好地开发了自己的能力。
成功的秘诀是十年如一日地让自己恰到好处地走出舒适区。 如果你每一天都充分地激活和运用高级机能，持续积累下来就一定能有很大的作为。倘若你一直处在舒适区，养尊处优，其实是往老年痴呆的方向发展，因为人和动物最根本的区别这些高级机能有没有得到很好的开发。大脑是运用即开发，越激活、越运用就越开发得好，不激活就会退化。当一个人总能充分地开发和运用高级机能时，就会通过刻意练习发展出很多优秀的习惯，好习惯的积累效应大得惊人。每一个看似轻松自如的技能，其背后都需要大量的刻意练习，都集成了很多的注意力和意志力，都充分开发和运用了很长时间的高级机能。
人和人的差距不是一天两天拉开的，而是经过几十年的积累造成的。一个人几十年如一日地朝着自己的目标奋斗，而另一个人却得过且过、优哉游哉，几十年下来的积累效应可不得了。凡成功人士都是早立大志，能够持续做到短期行为服从和服务于长期目标，天天都朝向既定目标积累。 所谓的成功，无非是心力的长期定投。 专家之所以成为专家，所做到的无非就是把自己的注意力长期定投在所从事的领域上，复利效应就会产生，一天天积累下来，和普通人的差距就不得了。同时，专家也有像人工智能一样的特质，他们经常会不知疲倦地工作，沉迷在研究中不断迭代自己的技法。
人的本性是喜欢舒适、抗拒变化的。 对多数人而言，他们宁可在错误的事上显得能干，也不愿在正确的事上显得笨拙。 他们宁可简单粗暴地、日复一日地重复低效能模式，也不愿意花时间复盘反思、主动迭代和刻意练习，所以高级机能很难得到有效开发和利用，久而久之，就堕落得跟动物一样。可见，高级机能的持续开发和利用能力是把人分化为有用之人和无用之人的分水岭。我认为，自然人的学习要像人工智能一样最大限度地运用高级机能持续升级算法、积累数据，让自己迭代起来。不怕起点低，就怕迭代慢；不怕开始晚，就怕难坚持。没有奇迹，只有不懈坚持。 你眼里的奇迹不过是别人多年内在工程的修行成果。 最近我参加的一次论坛上，大家热烈地讨论如何有效运用ChatGTP提高工作效率，提升工作质量。我却说ChatGTP给我更大的启发是：如何像培养ChatGTP一样培养自己的大脑。这才是学习力的关键。
人的学习并不只是有意识的学习，其实占比更高的是潜意识的学习。我们的大脑每分每秒要处理很多事情，其中99%是没有经过意识加工的，而是由潜意识自动处理的。
比如熟练的司机开车，其动作几乎都是自动化的，不需要“过脑子”。讲学习力的书籍很多，但大多数的关注点在意识脑如何学习上，而本书探讨的是全脑学习，实际上，
潜意识学习才是人类学习的“主战场”。
我们的心智模式（思维的自动化）、心性模式（情感的自动化）、习性模式（行为的自动化）更多地下沉在潜意识层面。“模式”就是深植于潜意识中的算法。有一句话说得好：
“模式之轻，轻得难以觉察；模式之重，重得难以摆脱。”
为什么“轻得难以觉察”？因为它深潜在潜意识层面，如果不去有意识地觉察，都不知道它的存在。为什么又“重得难以摆脱”？因为如果不刻意改变，人就会被惯性地、潜意识地指挥，生命的选择权就不掌握在自己手里。我们生活中常常说的所谓“油腻”，其实就是指那些人身上的模式已经很长时间没有迭代了。如果不关注潜意识中的模式，如果不关注潜意识的算法和数据，关于人类学习的讨论就是残缺的。现代教育将大多数人的意识的学习能力开发得还是不错的，但是意识和潜意识该如何配合，以及潜意识的学习能力该如何提高，人类还有很长的路要走，这也正是自然人可以向人工智能学习的地方。
五大网络既在意识层面工作，也在潜意识层面工作。比如感知网络，既有意识观察到的信息，也有潜意识感受到的信息，最终的感知结果由意识和潜意识合力完成、协作实现。其他四大网络同样也都涉及意识层面和潜意识层面的协作。而五大网络之间，也是既相对独立又协同配合的关系。用人工智能类比一下，自然人大脑的五大网络就相当于一个相互独立、各司其职又相互协作的计算机群。因此，学习力既包括意识的学习力，也包括潜意识的学习力，还包括每个网络中意识和潜意识的协同方式，以及五大网络相互协作的效率。
要实现学习力的跃迁，感知网络、联想网络、决策网络、反应网络、学习网络都需要迭代，需要实现人脑的多系统协同工作与进化。为此，需要先了解五大网络系统各自的含义、各自的算法和数据、各自如何工作，以及它们之间如何配合。
人首先是一个感知体，时刻都在用眼、耳、鼻、舌、身去感知外部世界，大脑感知外部世界的神经网络为感知网络。感知网络的算法大都深植于人的潜意识中，如果不刻意觉察，本人都不知道。
每个人的感知网络的算法都不同。一群人共同走进一个房间，研究文物的，对房间里的字画感兴趣；做室内设计的，就会对房屋的布局、装潢感兴趣；做保洁的，看到的都是屋里的卫生死角……不同的人感知的世界也是不同的，每个人的感知网络的不同算法决定了每个人感知的世界的样子。
有的人更关注整体，有的人更关注细节。关注整体的人，看大面上没问题就可以了，不关注细节；而关注细节的人，总能在上千个字中一眼挑出错别字，在细微处揪出错误。有的人看重外在，有的人看重内在。常人一般都只是看到事物的外在，而专家常常能透过现象看本质，一眼看到事物的核心特征、内在结构。有的人爱看物象层面，有的人爱看精神层面。物像层面更关注形象、功能，精神层面则更关注价值、意义。有的人对同一性敏感，有的人对差异性敏感。看到同一性的人能把握整体、把握内在，看到差异性的人能够把握局部、把握细节。这些都是由感知网络的不同算法所致。
感知网络同样是有数据库的。假设你走在森林里，突然看到草丛中影影绰绰露出一只老虎的耳朵、一根老虎的尾巴，你就会惊觉草丛中藏了一只老虎。为什么没有看到老虎的整体你就能够知道那是老虎呢？就是因为你的感知网络数据库里储存了老虎的“格式塔”。“格式塔”一词来自于格式塔心理学流派，其主张是，人看东西时，即使没有看全，也能知道所观察对象的整体，因为不全的部分会根据大脑储存的格式塔模型去匹配。所有的观察结果其实是观察到的线索加上格式塔模型匹配共同起作用的结果。而这些格式塔模型都可以理解为感知网络的数据。除此之外，经历、情绪、知识等所有可被感知的信息或能量也都可以成为感知网络的数据。
需要特别注意的是，大脑的所有功能网络都分为意识和潜意识两个层面。意识和潜意识的感知同时工作，眼、耳、鼻、舌、身各路感知的信号会送到感觉联合中枢进行综合加工，最终形成总体的感知。
联想网络，就是在大脑接收到感知网络获取的信息和能量后，负责激活相关经验、知识等，并进行对照、产生联想的网络系统。
联想网络因人而异，风格不同，每个人联想网络的算法也各不相同，特别微妙。比如，有的人看问题爱看积极的一面；有的人则爱看消极的一面。有的人一眼便能看到事物蕴藏的可能性，很容易激发想象力，创意十足；而有的人看到的是事物背后隐藏的风险性，擅长未雨绸缪，提前预防。有的人是成长性思维，爱探索事情中还有什么可发挥的空间，还可以做什么样的创新；有的人是固定性思维，认为规则就是规则，没有改变的可能。有的人比较自利，偏重于从自己的角度去联想；有的人则比较利他，更愿意从他人和社会的角度去联想……不一而足。
联想网络的数据主要有两类：一类是经验数据，也就是激活了与情境相关的经验，比如，遇到一扇门后脑海里就出现一个推门的动作。另一类是知识数据，也就是激活了语义网络，联想相关的知识。联想既包括对过往经验经历的激活，也包括由感知信号引发的想象，因为回忆和想象激活的是同一脑区。
感知网络和联想网络是协同作战的，对一个人的行为影响巨大。知名影响力研究专家罗伯特·西奥迪尼在《先发影响力》一书中讲的核心原理就是，若想影响一个人，最有效的手段是影响他的感知网络和联想网络，给他的感知网络和联想网络不一样的素材，他就可能得出不一样的结论，产生不一样的行为，这样就可以先发制人，拥有先发影响力。
怎样影响一个人的感知网络呢？西奥迪尼的观点是“焦点即原因”： 我们以为自己做决策是充分理性分析的结果，而实际上我们的决策往往受感知焦点的影响。 有一个很有意思的实验：用两个机位拍两个人对谈，一个机位拍摄的是甲正面多、乙侧面多，另一个机位拍摄的是乙正面多、甲侧面多。研究者把拍摄出来的视频消音后请受试者来看，让他们猜测谁是这次对谈的主导者。结果是，看到甲正面多的都认为是甲主导，看到乙正面多的都认为是乙主导。通过影响一个人感知网络的焦点，就可能引导他得出我们想要的结论。
怎样影响一个人的联想网络呢？选用不同的语言词汇就能够影响别人联想到的画面，而联想到的画面就能很微妙地影响一个人的状态。比如竖个“靶子”，就容易激活一个人的敌意；如果改成“目标”，意思相近但潜意识的联想会柔和许多。同样，“战胜”也容易激活一个人的敌意，但说“超越”就会柔和许多。所有这些活动都在潜意识层面微妙地进行。
决策网络就是做决策的网络系统。决策网络能够判断事物的轻重缓急，也能调用多种决策算法来得出结论。赖安·戈特弗雷森在他的《心态》一书中指出，一个人每天要做大大小小的决策3万多次，其中90%以上的决策是没有经过意识加工、没有思维活动，直接由潜意识决策的。潜意识深处隐藏着各种决策算法，这些算法共同形成一个人的决策风格。典型的决策风格有：
进取型与防御型：进取型的人考虑事情背后蕴藏的可能性比较多，更愿意承担风险；防御性的人做决策时则更多考虑可能出现的风险。
对抗型与和谐型：有些人竞争意识比较强，喜欢和对手对抗，求胜心切；有些人则比较追求人际关系的和谐，不愿意发生冲突或得罪人。
事第一与人第一：有些人首要考虑事如何完成得漂亮；有些人则首要考虑他人的感受。当然，这个算法的一个“近亲”就是理性或感性，即你到底是理性决策还是感性决策。
另外，自利和利他导向在决策网络中也会起作用。
决策风格跟个人的成长经历关系密切，比如，成长过程中缺乏安全感和自我效能感的人多倾向于防御型；而安全感和自我效能感高的人则倾向于进取型。从小遭遇批评较多又个性偏硬的人更可能发展出对抗型，相反则更可能发展出和谐型。没有人无缘无故地成为今天的样子，所有风格背后都是在个体个性与社会环境的交互作用下演化而来的。
为了防止个人决策风格偏差造成决策失误，高手会有意识地学习和运用多个决策模型。查理·芒格就说他脑袋里有上百个决策模型。 多个决策框架的交叉综合运用能够提升决策质量。 当然，集体决策的目的也是借用不同个体的决策模型提升决策质量。有些人之所以钻牛角尖，就是因为脑海里的模型太少，做任何事情只有一个模型就容易一根筋。当我们学会用不同的模型评估同一件事时，就可能得出不一样的结论，然后进行折中、均衡，就能做出不一样的决策。决策网络是由意识和潜意识协同工作的。一个人脑海里储存了不同的模型，就没有那么容易被别人影响，甚至左右了。
感知网络负责采集外界刺激的信号和形成印象，联想网络则启动外界信息与内在记忆的关联，决策网络形成结论和应对方案，接下来就要交由反应网络去执行。反应网络就是人与外界交互做出自动化反应的网络。反应网络也分意识部分和潜意识部分。我们的大脑每天处理各种事务的方式大致可以分为三种：潜意识主导的全自动化反应、方法流程主导的半自动反应，以及完全由意识主导的解决问题式反应。下面借用开车来说明三种反应方式。
情景1：你在路上边开车边听音乐，突然，前车来了个急刹车，你也下意识地“咔”一下把车刹住了。这个过程就是完全由潜意识主导的自动化反应，也叫惯性反应。
情境2：你开车到路边要停车，正好有个车位，前面有车，后面也有车，中间空出一个车位。你心里很有把握，这就是一个标准的侧方停车，在驾校学过。你很方便调出侧方停车的流程顺利把车停进去。这种情景是意识和潜意识配合的反应方式，意识负责方法流程，而流程中每个节点的细节则由潜意识自动完成。
情境3：当你办完事出来准备开车回家的时候，你发现有人把车停到你车的旁边，把你的车卡到里面去了。你目测了一下，感觉前车和旁边车之间的夹缝够一车宽，你的车是可以开出来的，但需要慢慢腾挪。这就是一个全新的问题，你要临时想策略来解决。解决问题时全程需要意识高度参与，非常消耗注意力。
为了节约注意力资源，人们会把解决问题的过程总结成方法流程，用方法流程指导自己进行大量重复的刻意练习，继而把方法流程固化为潜意识的自动反应的习惯。反应网络的学习过程就是不断把由意识高度参与的解决问题的过程刻意练习成自动化反应的过程。并不是所有的习惯都是健康的和高效能的，所以，反应网络的学习还意味着打破旧有的低效能习惯，有意识地升级自己的反应模式，再通过刻意练习用新的、高效能的反应模式替代旧的、低效能模式。
为什么每个人的算法会不一样？这是因为我们在成长过程中，面对不同刺激，会做出一定的反应，然后就会获得外界的反馈。人们自然会去重复那些获得好反馈的反应方式，久而久之，这个反应就被强化为我们潜意识中的一种算法。这个过程就是学习。
人工智能用深度学习的方式透过现象看本质，看到影响事物的内在结构，形成处理问题的算法，然后用强化学习的方式不断地强化该算法。自然人的学习与之类似。你的“算法”都是过去的生活教给你的，你屡屡用这样的方式生存，所以这种方式自然而然就容易被激活，通过屡次的强化学习变成了潜意识的自动化算法。
那么，这些长年形成的算法有没有改变的可能呢？有，这就要靠五大网络中最重要的一个——学习网络。其他四大网络在潜意识层面工作的比重极高，但学习网络更多时候是在意识层面工作的。我们可以有意识地调动学习网络，促成其他四大网络的改变。学习网络能够不断检测和复盘其他网络算法的有效性，能够对效果不佳的、不合时宜的算法进行反思，然后迭代这个算法。
学习网络的工作程序是解决问题的流程，包括：确立目标、制订策略、监控实施过程、做各种适应性权变及事后复盘。以前，这些行为都在潜意识层面自动进行。学习的目的就是要将其变成有意识的觉察和有意识的迭代，这样才能让学习力有一个质的跃迁。这是关于学习最前沿、最深刻、最本质的东西。
学习网络也有很多算法，一般称为学习的策略，比如著名的费曼学习法。实际上，学校里很多学习力强的学生，不仅仅是运用其他四大网络吸收运用知识的能力强，最重要的是他们及时总结学习方法的能力也极强。学习力的提升主要靠学习网络的迭代。学习网络的不断迭代能够带动其他四个网络的不断迭代，其他四个网络的迭代也能促进学习网络的迭代。
总结起来，受人工智能以及专家学习方式的启发，在AI时代，自然人若不想被人工智能替代，必须改造自己的学习。自然人也要像AI那样走在持续迭代的路上，才不会沦为“无用之人”。面对人工智能的威胁，我认为自然人至少需要从以下三个方面入手大幅提升自己的学习力。
首先，强化自我迭代的速度和力度。和人工智能一日千里的迭代速度相比，多数人的认知、情感和反应模式迭代得很慢甚至长时间不迭代。人工智能可以永无休止地工作和学习，而自然人学习的资本就是每天限量供应的那些脑力。问题是多数人并不能有效地开发和运用他的脑力。长时间在舒适区里混日子就意味着脑力没有得到有效的开发和运用。自然人没必要跟人工智能拼学习，硅基生命和碳基生命有太多的先天差异。但人能掌控的是坚持每天恰到好处地走出舒适区，把作为人独有的大脑高级机能运用扎实，就可以问心无愧。
其次，强化社会化学习。既然大脑的高级机能是社会化的产物，可见社会交流对自然人学习的重要性。路上跑的每一辆智能汽车都在用同样的算法在不同的情境下开车，每辆车上路的经验数据都会积累下来成为共享的数据资产，对大量经验数据的分析又促成了算法的升级。尽管人工智能的经验分享和经验知识化等优势是自然人无法比拟的，但自然人可以尽可能地提升相互交流的频次和质量。同样的刺激进入不同脑袋所引发的反应是不一样的，只要大家充分交换各自的想法和反应，就能促进相互学习。只要两个个体的经验数据和认知算法存在差异，彼此学习就成为一种可能。在课堂上，每位同学听老师讲课都会结合自己的旧知与经验对所学知识形成个人版本的理解，同学间对同一知识的不同版本理解的相互交流和启发，就是社会化学习创造的价值。
最后，针对性复盘反思。复盘一词是从围棋中发展出来的，实践证明，这种训练方法对棋手的成长非常有效，因为复盘更接近学习的本质。人工智能的另一大优越性是经验数据共享、开发和运用。对自然人学习的启发是，不要轻易放过自己的每一段经历，尽可能多地从中榨取滋养。反思的根本目的是在经验中萃取有价值的元素，从而优化自己的思维模式和能量运用模式，反思实际上是心智模式持续迭代的过程。如果一个人在成功之前就能养成时时反省的习惯，那他抗风险的能力就很强，从某种意义上讲，他更具备持续成功的可能。反之，即便取得了暂时的成功，也必将会因为不具备反思能力而遭遇巨大挫折。我发现，德鲁克、拉姆·查兰、尤里奇等很多世界级大师都喜欢一句相同的口头禅：“你从中学到了什么？”
我们有意识地把伴随我们每一天的大脑分成相互独立又深度协作的五大网络。尽管这个划分是人为的，但这对提升我们的学习力非常重要。 不能解构就不能建构，不能用学到的知识解释过去，也就不能用学到的知识开创未来。 读者完全可以通过有意识地解构自己的五大网络，了解自己五大网络的工作能力，探索自己五大网络处理能力的提升方向。这也是了解自己的另一种方式。 最让人痛苦的不是别人不了解自己，而是自己不了解自己。 一个人的学习力源于对自己全方位的觉察，对自己了解得越多，学习力就越强。
以我的读书为例。我每年至少读100本书，已经坚持了数十年，从刚开始一字一句地精读，到后来掌握了快速阅读、主题阅读等方法，读书的效率大幅度提升。首先是感知框架会大幅升级，不仅读书的速度很快，而且抓取的信息还多，甚至还能够透过文字读出作者的情感、价值主张、做人原则等。联想网络也提升很多，在读的过程中能够主动用自己的旧知与经验消化书中的内容，而且读得越多能够关联的旧知与经验也越多。书中的和实践中的大量思维框架也被决策网络沉淀下来，还能够把新鲜素材有意识地放进自己惯用的思维框架里进行加工。此外，反应网络还能把书里的东西转化成自己的东西，揉到自己的工作和生活中去。我能够有意识地回顾我自己大脑的感知网络、联想网络、决策网络以及反应网络的升级过程，尤其是反思复盘期间那些跨度比较大的进步，我的学习网络扮演了非常重要的角色，指导了其他四个网络的升级迭代。
读者可以找一个自己已经很熟练的技能，比如，打羽毛球、游泳、写毛笔字等，有意识地对比现在的你和刚入门时的你在干这件事时大脑内在五大网络工作方式的不同。