背景

随着GPT对话式机器人的流行（不再需要变成界面，人人可以用对话的方式来使用GPT），很多的行业开始人工智能化。不过，这其实也是一个很危险的事情——GPT这类人工智能工具实际上并不理解三个世界之间的联系——现实世界、语言世界、概念世界，而是仅仅在语言世界中掌握了足够大量的语料和概率性生成下一个词的模型从而看起来好像懂了语言、语言的概念含义、概念和现实世界的关系一样。如果使用者对这个问题不清楚，实际上，可能会有严重的后果。当然，未来是否能够有直接掌握了这三个世界的联系的人工智能，甚至从现实世界中启发提出和解决概念直接的问题——成为基于System II的具有理性思考能力的机器人，而不是基于大量语料和生成模型的机器人而已，也是一个值得进一步研究的问题。但是，目前，还不行。

因此，针对这个情况，为了帮助人工智能使用者更好地定位，在这里提出来，按照理解型学习的知识的层次和人才的层次的概念对人工智能做一个知识的层次和人才的层次的标注。

概念基础：知识的层次和人才的层次

我们从知识的学习、使用、创造和创造性使用的角度，把知识分成以下的层次。 第零层，前知识，经验和体验。例如，在学习汉字“山、水”之前，我们已经有了对山和河流的形状的经验认知。第一层，事实性程序性知识。例如，中国首都是北京，乘法口诀、多位数除法的计算步骤都是事实性程序性知识。第二层，学科概念知识。例如，数学里面加法、乘法的概念，物理里面速度和位移的概念就是学科概念。

第三层，学科大图景。我们把一个学科的典型研究对象、典型研究问题、典型思维方式、典型分析方法、典型学科责任（这个学科和世界以及其他学科的关系）合起来称为这个学科的学科大图景。学科专家的知识和初学者的知识的区别，就集中地体现为对学科大图景知识的掌握上。掌握了学科大图景知识，有可能做到提出一个本来没有人认为是属于这个学科的现象和问题来变成这个学科的现象和问题而研究，也就是做到提出问题，做到远距离的知识迁移，也就是知识的创造。

第四层，一般性人类思维。意思是从具体学科的知识的创造过程中提炼出来，超过某一个具体学科，在很多学科上，甚至非学科的场景下也适用的思维方式。例如，无论是物理还是其他科学学科，基于数学推理和实验检验的批判性思维，都非常重要。因此，批判性思维属于第四层。

第五层，教和习的方法。例如一会儿我们要提到的“人类知识高速公路上以高层知识生成器为目标的理解型学习”（简称理解型学习）、做中学、教中学、创造体验式学习，也就是如何帮助学生更好地自己理解和学习以及教给他人知识（这个知识可以是前四层的知识，甚至第五层知识自己），就属于第五层知识。

相应地，人才的层次如下：第零层，书袋子。这样的人记住了大量的知识，可以从这些知识中完成检索和输出的功能，就好像一个书袋子。第一层，知识作用放大者。这样的人可以重复性地使用知识，来用前人已经创造出来的知识来来解决前人已经提出的问题。这样的人要掌握某个领域的第一层知识，以及对第二层知识也有一定的认知，可以完成一定程度上的迁移使用。第二层，问题解决者。这样的人可以解决其他人提出的问题，创造性地使用他人已经创造出来的知识。这样的人掌握了某个领域的第二层知识，对这个领域的第三层知识具有一定的认知。

第三层，研究者、创造型工程师设计师。这样的人掌握了至少某个领域的第三层学科大图景知识，对于第四层知识有一定的认知。这样的人可以在某领域内创造知识、创造性使用知识、提出问题，创造性地解决问题。

第四层，战略性人才，架构师。这样的人掌握了某个或者某些领域的第三层学科大图景知识，掌握了超越具体学科但是通过具体学科的问题提出和解决知识的创造和创造性使用而得到的一般性人类思维，尤其是其中的批判性思维和系联性思考。这样的人可以作有系统地思考，可以指挥其他人思考和探索，可以设计出来一个回答和解决某方面问题的系统和制度，可以有系统地创造有系统的知识，有系统地提出和解决问题，创造系统性创造知识的系统和制度。

第五层，战略性人才和架构师的培养者。这样的人本身就是战略型人才、架构师，同时对于一般性人类思维中的教和学的方法具有非常深刻的体会，可以把创造知识的经验总结出来，可以在学科知识上以及教和学上走通从前知识到第一层直到第四层知识，以及从第四层知识直到第一层和前知识的上下贯通，以及从一个领域到另一个领域的左右贯通的过程。