最近因为上了“决策与推理”课，我又开始重读《思考，快与慢》，重读期间体会愈加深刻。

我常常在学习中感受到书中提到的两种思维模式的拉扯：一方面是快速直觉的判断（即卡尼曼所说的“系统一”思维），另一方面是需要深度思考、仔细权衡的慢速理性分析（“系统二”思维）。

一般来说在课堂上，老师提出问题时，我的大脑会条件反射地蹦出直觉答案，有时候这个直觉很准，但有时候会闹出笑话。这种快速直觉判断往往来自以往经验的积累，不假思索，几乎不费力就产生结论；而当问题变得复杂，例如需要解一道新类型的数学题或做一个重大的学业决策时，我才会按捺住冲动，启用深度思考模式，慢慢分析各种信息、条件，再得出答案。

然而，这两个系统有时会发生冲突：直觉给出一个看似简单的答案，但理性分析却告诉我事情没那么简单，需要更全面的信息和逻辑推理。

很有趣的是，书中提到系统二往往比较“懒惰”——如果没有遇到困难，它更倾向于信任系统一给出的答案，省下脑力。

一旦系统二偷懒，我们可能就过于依赖知觉，导致判断失误。也就是说，我们人脑喜欢走捷径，并且我们还常常没意识到，系统一就已经给出答案了。而系统二若不及时介入核查，可能让我们误以为直觉就是正确答案。

我记得最清楚的场景是在一次小组讨论中，我们需要快速决定选题方向，我凭直觉选择了一个听起来最熟悉的题目，其他同学也都同意。但是后来深入研究，才发现这个方向资料匮乏、论证困难，我们当初直觉判断有偏差，导致后来付出了更多时间来弥补。

不意味着系统一就不重要或者系统二总是正确，在许多创造性活动中，直觉和发散思维（系统一）非常关键，它能带来灵感的火花；而理性思维（系统二）则将这些灵感付诸逻辑的检验和执行。

一个生动的比喻是：系统一好比飞奔的赛车，速度惊人但有时会偏离轨道；系统二则像冷静的导航员，为赛车指明方向但步调缓慢。

我们需要学会同时扮演好赛车手和导航员的角色：平日里通过学习和实践不断训练自己的直觉，让它在专业领域变得更敏锐可靠；关键时刻懂得按下“慢速思考”的按钮，让导航员接管驾驶，确保我们沿着正确的道路前进。

系统一 vs 系统二：何时用快，何时用慢？ 卡尼曼强调，理想的状态是让两个系统搭配合作，各展所长。对于大多数日常琐事或我们非常熟练的任务，可以放心依赖系统一的直觉，这样既节省脑力又足够用。

我在英语听力练习时，常常依靠直觉反应去听懂大意，不刻意逐词翻译，这反而提高了理解速度。当面对高风险或重要的决策时，就必须果断启动系统二来把关。

大二的时候，我在考虑是否辅修一门新的专业：起初直觉告诉我“这门课很热门，大家都在学，我也应该跟风报”，但冷静下来后，系统二让我列出了辅修的利弊、时间投入和自己兴趣所在，最后发现仅仅因为流行就跟风选择并不明智。

在这个过程中，系统一给出了快速的情绪化建议，而系统二通过深思熟虑纠正了最初可能的冲动。卡尼曼在书中形象地说：“系统1编了一个故事，系统2相信了这个故事”——意思是系统一往往会快速给出一个我们愿意接受的结论，而如果系统二偷懒不加审视，我们就会被这个“太快得出”的故事蒙蔽。

我们需要训练自己识别哪些情境容易出错，并及时让系统二接管。例如当直觉判断觉得某考试题目“好简单，一看就会”，反而更要谨慎，认真审题计算，避免由于想当然而失分。系统一管日常熟练事务，系统二应对异常复杂挑战，正是两种思维模式的最佳配合。

在学习中，我现在尽量做到：简单问题信任直觉，重要问题慢慢思考。但是怎么算简单怎么算重要？看似简单会不会实际很重要？

一般来说，我首先看“代价”，错误带来的后果是否严重。如果问题的结果可能带来严重后果或影响范围较大，就要慎重考虑；如果出错的代价低、不易产生长期负面影响，则可以更灵活地依赖直觉。

第二个是“熟悉度”，对问题情境是否有足够的以往经验。系统一（直觉）相对擅长在“熟悉环境”下做出快速且大概率正确的判断；如果你对某领域经验不足，或者问题超出你的知识与经验边界，最好不要轻易相信直觉。

系统二思考会更加耗费认知资源，不可能也不现实对所有问题都深究到底。我们需要经济地分配自己的脑力：在哪些问题上值得花大精力思考，在哪些问题上可以“差不多就好”？

一般来说，以上两个是我们自然而然就会发生的，可能都不需要注意，我们大脑就自动加工了。我认为需要注意的是“可检测信号”，是否有任何警示在提醒“问题没那么简单”。

卡尼曼提出，当系统一面临“无法处理的情境”时，往往会出现某些预警信号（如疑惑、迟疑、不适感），告诉我们“情况不对劲，需要系统二介入”。在学习或日常生活中，如果直觉判断让你感到不安、或者隐约觉得哪里不对，却又说不出原因，就说明可能要更多关注。

最后就是找反例，主动寻找不同视角或质疑，以确认问题究竟难不难。我们的直觉往往会在第一时间“告诉”我们这个问题简单或不简单，但有时这是确认偏误在作祟。如果你想区分真实的“简单”与“假简单”，可以刻意去找反例或让别人帮你提问，从而测试是否真的这么容易。

不必追求对“简单”或“重要”做出100%精确区隔，毕竟现实很少有绝对清晰的分界。把握基本原则后，允许自己存在一定冗余：宁愿偶尔“多想一下”，也比频繁误判要好。总结一个省流版：主动审视，动态调整，适度冗余。

卡尼曼的研究揭示，人类直觉思维（系统一）在带来高效的同时，也容易受到一些心理偏差（比如我们刚提到的确认偏误）的影响。这些偏差如果不加以克服，会直接影响我们的学习效率和决策质量。根据我个人的个人生活经历，我感觉最常见的就是锚定效应、确认偏误和过度自信。

锚定效应指人们在做判断时，过分依赖最初获得的信息（锚），即使该信息不够准确，后续的调整也往往不充分，导致最终判断偏向这个“锚”。换句话说，我们的直觉很容易被第一个出现的数字或概念影响。

在一次决策推理课堂实验中，老师先问“甘地去世时是否超过144岁？”这个荒谬的问题其实是在给出一个很高的数字作为“锚”。接着问“那你认为甘地去世时是多少岁？”结果许多同学给的答案明显受到144这个数字影响，都估得偏高。尽管大家知道人不可能活到144岁，但这个高锚定仍潜移默化地拉升了我们的估计值。

卡尼曼的研究指出，锚定效应与系统一和系统二都有关联：系统一受到启动效应的影响，也就是一开始那个锚（无论合理与否）激活了我们脑中的某些联想；而系统二本该负责校正，但常常调整不足，没有完全摆脱锚的影响。

再到 AI 的使用场景，当我们用ChatGPT搜索资料时，它给出的第一个回答往往会对我们产生锚定。如果ChatGPT最初提供了一个论点或数据，我们可能接下来寻找资料都会围绕它展开，甚少去大幅偏离最初的信息。

尤其当在写论文时询问AI某个问题，如果AI最初的回答看似有道理，我们就容易盲目相信这个初始信息，后续即使查证也可能带着倾向性去验证，而不是客观审视。锚定效应会导致我们的决策缺乏弹性，过早收敛在一个狭窄范围内。

那该怎么应对锚定效应？

首先，要有意识地在关键决策时主动激活系统二。当看到可能带有锚定效应的数字或信息时，提醒自己“这可能是个锚”，进而质疑这个初始值的合理性。在我的实践中，我会刻意多问几个“为什么是这个数字？”、“有没有相反的可能？”来逼自己跳出锚的束缚。

其次，可以寻求多个独立的信息来源。不要让单一来源（尤其是AI给出的单一答案）成为唯一依据。比如，上次我在做一个市场调研报告时，ChatGPT告诉我“中国某行业市场规模约100亿元”。我感觉这数字像是随口给的，于是又去查了行业协会的数据报告，结果真实数字不到50亿——如果当初被ChatGPT的回答锚住，报告结论将大相径庭。

卡尼曼也建议，在判断时应该设定一个区间或者上限，不要被单点锚死。例如，当需要对某事做数量估计时，先参考基准值，再考虑各种因素进行上下调整，而不是接受脑中冒出的第一个值。

如果已经意识到被锚定，可以二次思考重新估计：假装自己没见过那个锚信息，从头客观评估一次，看两次结果差异在哪。通过这些方法，我们可以削弱锚定效应对学习和决策的干扰，让判断更接近事实。

确认偏误，简单来说就是只看见想看的，指人们倾向于寻找、解读支持自己已有信念或假设的信息，而忽视或低估与之相矛盾的信息。这种偏差让我们在信息的海洋中选择性地“视而不见”：只听自己愿意相信的，自动过滤掉不符合预期的证据。

当我们脑中已经有一个先入为主的想法时，系统一会通过联想机制不断强化这个想法的相关内容，而系统二本该起到审查和质疑的作用，但由于其“懒惰”属性，很多时候并不会积极去挑战系统一给出的结论。

锚定效应可以和确认偏误放一块看，你被第一个信息锚定住了之后，如果再来一个确认偏误，那你大概率就被第一个概念困住，然后围着他一直转。

正如书中提到的，当我们问“山姆是不是很不友好？”这样的提问方式，本身就带有倾向性，会引导系统一搜寻山姆不友好的例子。如果没有强大的系统二来不信任这种暗示，我们很容易就此认定“是啊，山姆不太友好”。

社交媒体和推荐算法有“信息茧房”的效应，会根据我们以往的选择推送相似内容，使我们更难接触到相反观点。这可能会一定程度上加剧我们的确认偏误。在使用像ChatGPT这样的AI助手时，我有时会注意到，如果不提醒它“请提供不同观点”，它往往会给出与我问题预设相吻合的回答，进一步强化了我原本的想法。

如何克服确认偏误？

像卡尼曼所言，“不信任和质疑是系统2的工作”，我们需要刻意调动系统二来扮演“怀疑论者”。当内心很快对一件事下定论时，问问自己：有没有可能我错了？有没有相反的证据？

第二个就是注意信息提问的方式。尽量使用中性而非引导性的问题来检索信息。例如，不要问“是不是A导致了B？”这种默认A有影响的提问，而要问“有哪些因素可能导致B？”。提问方式的中立能帮助我们获得更客观的答案，避免AI或搜索引擎迎合我们的成见。

第三，利用对立观点来校准。可以尝试和持不同看法的同学讨论，或者让ChatGPT分别扮演正反双方展开辩论。通过这种自我辩论，我们能更清晰地看到自己观点的漏洞。

卡尼曼提到“群体智慧的前提是每个人的观察需要独立以排除系统性偏差”。

我们个人也要尽量接触多元的信息渠道，不把鸡蛋放在一个篮子里，去培养独立思考和获取信息的多样性。阅读不同立场的文章、关注不同观点的学者，这些都会拓宽我们的视野，弱化确认偏误的影响。

对于使用 AI 工具，关键在于不要把AI视为权威的最终裁决，而是将其当作启发思路的助手。当ChatGPT给出某结论时，我们可以追问：“有没有反对这种观点的论据？”或者使用不同的提示词让它提供另一种看法。通过来回求证，我们才能走出“只印证自己信念”的舒适区，从而提高学习的全面性和决策的正确性。

最后一个认知偏差是过度自信（我相信大家都见过不少迷之自信的人），他们一般都高估自己的知识水平、判断准确性或对事件的控制能力。简单来说，就是自我感觉过好，认为“我不会错”或“事情尽在掌握”，从而低估了不确定性和风险。

卡尼曼指出，可得性偏差（即人们更容易想起近期鲜明的事件）会让人产生不切实际的信心。比如，我如果某几门课学得顺利，可能就对自己的学习方法盲目乐观，而忽视了不同科目需要不同对策的事实。

如果AI多次给我们满意的答案，我们就可能过高信任AI，甚至觉得“既然AI都这么说，那肯定没错了”，放弃了自己独立思考和验证的过程。这实际上是把AI的能力想得过于完美。之前我身边就有同学写论文完全依赖ChatGPT提供的资料和引文，交稿前都不亲自检查来源真实性，结果导师一核对发现引用文献根本不存在——因为ChatGPT有时会编造似是而非的参考文献（幻觉）。

如何避免过度自信偏差？

古人说“知人者智，自知者明”，认识自己能力的边界是很重要的。因此，保持谦卑和自省。我们可以定期反思，事实往往能给我们一个客观反馈，让我们明白自己并非无所不知。

卡尼曼提到“慢思考”可以帮助减少直觉偏见，对于过度自信的人来说，刻意放慢决策节奏，多收集一些信息和反馈，可以校正认知。也就是说，我们要重视反馈和错误，

卡尼曼在书中提到“回归均值”等统计概念，提醒我们不要因为一两次成功就觉得以后一定成功，因为运气和偶然因素总在起作用。因此，我们还需要拥抱不确定性，承认这个世界充满随机和不可测因素，即使准备充分也可能有意外。

现在，我们还面临新的变量——人工智能助手。

ChatGPT 等大型语言模型的爆火，让我们可以随时向 AI 寻求建议、获取信息。以ChatGPT为代表的AI对话助手，可以在几秒钟内提供答案，仿佛成了我们大脑的“外包系统一”。我身边不少同学已经习惯在遇到难题时先问问 ChatGPT，或者使用它来润色论文、生成学习计划。

系统一擅长发散思维和直觉判断，而有些AI工具天生就具有发散特点。当拿到论文选题时，如果我一时想不到切入点，会让ChatGPT给出几个不同角度的想法。它产出的某些点子可能看似离谱，但这恰恰刺激了我的灵感，让我想到一些新的组合。AI模型由于训练了海量数据，能联想出许多人类可能一时想不到的关联，这对于打破思维定势很有帮助。

我之前看到有人通过提示词让 ai 扮演不同的观众，去测试文章不同的标题吸引力。因为大语言模型数据是整合了网络上的数据，因此他可以模拟互联网上大部分的人。只要我们给出合适的提示词，就可以让他去模拟不同类型的人。在我们做灵感创意类型的任务的时候，我们也可以使用这种方法去让不同类型的人碰撞出一些火花，去激发一些灵感。

再比如，Flowith AI支持用户在无限画布上跳跃式地连接想法节点，这非常契合头脑风暴和发散思考的流程。我们可以把各种念头拖出来，让AI帮忙展开，然后在画布上重新组合连接。整个过程就像和一个不会疲倦的创意伙伴在进行视觉化的自由联想。这样的互动能促进我们系统一去探索各种可能性，而不必担心走神或遗忘，因为AI已经把每条思路都记录在案。

一些新兴的 AI 学习工具也涌现，比如 Flowith AI，它采用画布界面和多线程交互，可以让用户在一个界面中同时与多个AI模型互动，帮助我们进行内容创作、任务管理等。这些工具的出现，无疑为我们大学生的学习和决策提供了强大的助力：当系统二感觉吃力时，我们可以借助 AI 快速获取启发和资料，从而提高效率。

我经常把系统二比喻为理性思考的“慢工出细活”。目前的大语言模型，有着强大的信息处理和分析能力，如果加以善用，可以在一定程度上缓解系统二的负担。

我一般把 ChatGPT 当做小伙伴，当我要理解一个复杂理论时，可以先请ChatGPT用简单比喻解释，再进一步提问细节，这样就像和一位全天候在线的导师对话，它能帮助我厘清思路、节省查找定义和例子的时间。

这并非让AI替代我的思考，而是将基础的信息搜集和初步整理交给AI处理（但我们对于信息要谨慎对待），我的系统二则可以把节省下的精力用在更高层次的分析和判断上。尽管我之后仍需核实数据准确性（系统二的把关工作），但有了AI的初步汇总，整个分析流程顺畅得多，我可以更快进入模型分析和结果讨论这些关键环节。

AI工具还擅长提供多样化的视角，特别是现在大语言模型还具备多模态理解和推理能力，这意味着可以让它同时分析文本、图片、数据表格等不同形式的信息，给出综合性的见解。

再如，Flowith AI 这类多智能体代理工具，通过二维画布和多线程对话来组织复杂任务。我将其理解为一种对系统二的扩展：当我面对一个实验设计项目时，可以在Flowith的画布上列出各个子问题节点，与不同模型分别探讨各节点（例如一个模型帮我头脑风暴创意，另一个模型帮我列出调研清单）。这种并行的、结构化的对话过程，相当于把系统二需要线性处理的任务分解并行化了，提高了深度工作的效率。

Flowith还有所谓“Oracle模式”，可以自动为复杂任务规划方案，这听起来像是让AI先扮演系统二拟定一个初步计划，人类再审阅调整。这些例子表明，如果我们善加利用，AI能够在信息整理、模式识别、方案生成等方面增强系统二的能力，帮助我们更全面、更深入地思考问题。

在知识爆炸的今天，人脑系统二有限，我们可以把AI当作认知扩容工具：该记的东西让它记，该算的东西让它算，我们则专注于需要人类洞察力和价值判断的部分。

当答案俯首可得，我们是否还愿意费力思考？

有人担心，过度依赖 AI 会不会让我们变得懒于思考，甚至产生新的认知偏差？我也注意到，有的同学写报告几乎全程让 AI 代劳，自己只是简单拼接结果，长此以往会不会削弱我们的深度思考能力？

正如媒体报道所指出的，如果学生一味依赖 AI 工具代写作业，直接选择“躺平”，容易养成思维惰性，不利于批判性思维的发展。

我发现，自从有了像ChatGPT这样的工具后，有时自己思考一些问题不到两分钟就想去求助AI，仿佛大脑有了一个偷懒的借口。这种倾向对系统二而言是致命的，因为它会越来越“不想启动”。长期依赖系统外包给AI，可能导致我们的分析能力退化。

因此在使用AI时，我给自己定了一条规则：凡是学习类的问题，先独立思考或尝试解决至少15分钟，然后才求助AI，且在AI给出答案后，再花时间消化理解，绝不直接照搬。这可以避免我一上来就“躺平”让AI代劳，维持系统二应有的锻炼。

另外还有过度信任和信息误导。AI模型的答复基于概率和已有数据，有时会出现胡编乱造（尤其是语言模型会给出貌似权威却错误的内容）。如果我们不加分辨地接受，就会被错误信息带偏。并且，由于AI回答通常语气肯定且流畅，人更倾向于相信它。这其实是一种权威偏见和过度自信的结合——因为AI“看起来什么都知道”，我们就低估了它出错的概率。

永远对AI的话保留审慎，即使九次里它是对的，也要考虑到可能有一次是错的。还有一点，AI工具可能无意中放大我们的确认偏误。因为我们在与AI交互时，往往是我们提出问题，AI给出回答。如果我们提的问题本身有倾向（比如只问对某观点有利的例子），AI就可能满足我们的偏好，从而让我们更坚定原来的立场。而不会主动提醒我们去看反面。除非我们主动要求，否则AI一般不会自发提供相反的信息。这需要我们在用AI时保持意识：多提开放性问题，让AI从多个角度回答，而不是单线条地验证某种看法。

为了让AI工具真正与我们的思维模式形成良性互补，而不是削弱我们的思考能力，需要一些具体的学习方法和使用策略。

最首先的，是将 AI 当教练而非拐杖，即让AI帮助我们提高，而非一直扶着走。比如在学习编程时，可以用AI来检查和优化自己写的代码，而不是让AI直接写完整代码。通过比对AI优化前后的区别，我们能学到新的技巧。我们可以让AI变成训练师，指出我们的盲点和弱项，我们再自主改进。

第二点就是要明确使用 AI 的边界，事先想清楚，在哪些环节AI可以参与，哪些环节必须自己动脑。比如我在做科研时，会让AI帮忙汇总资料、翻译文献，但研究思路的框架一定要自己来定，因为创新想法不能外包。

最重要的一点是，利用AI来培养思维而非仅仅求答案。举个例子，我们可以让ChatGPT扮演“提问者”的角色，它来考我问题而不是我问它答案。这样迫使我绞尽脑汁去解答AI的提问，反过来检查自己的不足。这就是他们说的费曼学习法，就是"以教代学"，或者说"教是最好的学"。就是你能够用简单的语言向别人解释复杂概念的时候，才表明你是真正理解这个知识。然后学习金字塔理论指出，不同的学习方式的知识留存率，其中教授别人的学习方式留存率最高，达到90%。这也很好地印证了"教是最好的学"这个理论。

透过《思考，快与慢》这本书的启发，我重新审视了自己的学习与决策过程，从中受益良多。作为一名大学生，我深刻认识到理解系统一与系统二的运作规律并加以运用，能够显著优化我的学习方法和日常思考习惯。

回顾这段时间的学习经历，我有几点觉得值得分享：首先就是要认识自己思维的局限，第二就是要在实际的学习中要因地制宜地调用两种思维模式。关键最重要的一点就是在信息时代要学会如何有效利用AI，并保持独立的思考，而不是被它牵着鼻子走。

结合人工智能带来的新机遇和新挑战，我调整了自己的学习方式，让直觉与理性并行，借助AI又不迷失于AI。我相信，只要我们不断在生活中应用所学、反思所行，就能在信息时代锻炼出更敏锐的洞察力和更深刻的思考力，真正做到既能快思，也会慢想，成为学习和决策的主人。