現在取得知識，比任何時代都容易。
問 AI 一個問題。
幾秒鐘之內，就能得到一份看起來相當完整的回答。
但我越來越覺得。
未來真正拉開人與人差距的，不是誰能找到更多知識。
而是誰知道：
這個知識，在什麼情況下才成立。
第一層：知道答案，不代表真正理解
很多時候。
AI 給出的回答其實沒有錯。
問題在於。
我們不知道它為什麼對。
也不知道什麼時候不再適用。
因此，同樣一句話。
有人只是記住。
有人卻真正理解。
這兩者之間的差距，其實非常大。
第二層：同一個概念，不同階段會有完全不同的理解
我常常舉一個數學上的例子。
分配律。
我們小學就學過。
例如：
\(a(b+c)=ab+ac\)
很多人因此覺得。
自己已經懂了分配律。
但到了大學數學。
同樣還是在學分配律。
只是討論的內容完全不同。
第三層：數學真正問的是「在哪裡成立？」
在抽象代數裡。
重點不再是算幾個數字。
而是開始追問：
哪些代數結構具有分配律？
哪些沒有？
群（group）可以嗎？
環（ring）呢？
體（field）呢？
向量空間？
Module？
如果不成立。
究竟是哪一個公理被拿掉了？
同樣一個概念。
理解的深度已經完全不同。
第四層：真正重要的是成立條件
我後來越來越覺得。
真正成熟的知識。
都會包含三件事情。
第一，它為什麼成立。
第二，它依賴哪些假設。
第三，哪些反例可以讓它失效。
如果只有第一步。
其實還只是知道了一個結論。
真正的理解，是連適用範圍都一起掌握。
第五層：生活中的知識，也是如此
其實不只是數學。
很多生活中的建議也是一樣。
例如：
早起比較有效率。
閱讀比滑手機好。
創業要快速試錯。
這些說法，都可能有價值。
但真正重要的是：
適合誰？
在什麼情況下？
有哪些前提？
如果忽略了條件。
再好的建議，也可能變成錯誤的建議。
第六層：AI 提供的是答案，人負責判斷
我現在比較把 AI 看成一位知識提供者。
它可以快速整理資訊。
提供可能的方向。
但真正需要人完成的是：
判斷。
哪些適合自己的背景？
哪些假設和目前情況一致？
哪些地方需要修改？
哪些地方應該保留懷疑？
這些都不是 AI 可以完全替代的。
第七層：理解的深度，來自不斷追問
所以現在看到一個新的知識。
我比較少直接問：
是真的嗎？
而更常問：
它為什麼成立？
它假設了什麼？
如果把其中一個條件拿掉，還會成立嗎？
有沒有反例？
這些問題，才真正把一個概念慢慢變成自己的能力。
第八層：Making sense，比知道更多更重要
AI 可以讓我們接觸越來越多知識。
但如果這些知識只是停留在文字。
沒有和自己的背景、經驗、判斷能力結合。
它仍然只是資訊。
真正重要的是。
我們能不能讓它 make sense。
能不能把它放進自己的工作、研究與生活裡。
知道什麼時候該用。
什麼時候不該用。
這才是理解真正開始的地方。
結論：未來的競爭，不是資訊，而是判斷
我越來越相信。
AI 時代不會缺少答案。
真正稀缺的，是判斷。
知道一個概念。
並不困難。
真正困難的是理解它的假設、限制、適用條件，以及背後的推理。
當一個人開始習慣追問「為什麼成立」、「什麼情況下成立」、「什麼情況下失效」。
知識就不再只是可以背誦的內容。
而會慢慢變成一套真正屬於自己的思考能力。
P.S.1. 歡迎透過 Substack, Youtube, Apple Podcast 收聽我的「語音卡片盒」！
P.S.2. 歡迎加入「研究生日課」的 Skool群！加入後進行自我介紹，解鎖「研究生日課」知識庫！歡迎透過此表單申請加入.
P.S.3. 我的電子書《馭文獻之鋒:Obsidian 與 四種良品筆記法引領高效研究》可以在這裡看試讀版，在這裡填表購買。另外電子書《結論優先寫作術:臺灣碩博士生的高效表達指南》可以在這裡看試讀版，在這裡填表購買。
P.S.4. 歡迎追蹤我的FB, IG, Threads，每天都會分享對碩博士生有價值的內容。
P.S.5. 歡迎訂閱我的Youtube頻道「用Obsidian強化學術筆記力」！