在19世纪的巴黎，法国美术学院定义了何为合法艺术。
以现实主义为主导标准强调精确性和视觉准确性。成功取决于你与这些规范的契合程度。这个体系奖励一致性，而非实验性。
1830-1840年代摄影术的发明开始挑战这一标准。
起初，摄影似乎对画家构成威胁。如果机器能比人手更精确、更快速地记录世界，绘画还有什么存在价值？
但随着时间的推移，摄影将绘画从再现义务中解放出来。画家不再需要与相机在复制现实方面竞争，而是可以专注于早期相机无法捕捉的微妙之处——光的游戏、感知的质感、对熟悉事物的新诠释。
当我在关于人工智能的演讲中讲到此处时，通常会暂停观察听众反应。这时人们往往露出会心的点头或微笑，因为此时的类比已不言自明。
当今的AI就是那台相机。它不会扼杀创造力或知识工作，而是将重塑它们。
是的，但如果仅止于此，本文在此就可以收尾了。
故事背后还有更大的故事。当我们试图总结简单教训时，往往错过了更宏大的叙事。
当答案变得廉价时…
摄影术发明的真正故事在于其如何改变了艺术世界的发展轨迹。
若没有摄影，艺术本将沿着可预测的轨迹继续发展——至少在相当长时期内——走向更多同类作品的重复：更极致的现实主义，更完美的准确性。
如果说现实主义是那个时代的终极答案，艺术家们本将继续提供更好的答案。
具有讽刺意味的是，摄影术极大降低了生成答案的成本。无需艺术家耗费数小时，就能获得最逼真的人像。
摄影将绘画从现实主义中解放，但最有趣的是同时崛起的新事物。
莫奈、德加等印象派画家开始尝试色彩与光的主观体验。他们不再像相机那样轻松地再现现实，而是转向对现实的诠释。
印象派没有提供更好的答案（更极致的现实主义），而是彻底重新定义了问题本身。
在现实主义范式下，艺术价值取决于再现能力。
在印象主义范式下，艺术有了新使命：诠释。
相机提供廉价复制品——丰富的答案。
印象派选择改变框架——将艺术定位为提出更好问题的基础。
当曾经的稀缺突然变得充裕时，
寻找新的稀缺。
因为那才是创造杠杆效应的关键。
大语言模型与廉价答案
大语言模型（LLMs）是使答案持续廉价化技术长河中的最新里程碑。
从数据分析到推荐引擎再到ChatGPT，每一波浪潮都在扩大答案获取途径，将其成本推向趋零。
这些系统专精于答案生产。未必正确，更非终极答案，但总能即时生成，最重要的是，具有表面合理性。
就LLMs而言，它们回答时还充满自信！
但问题在于——
表面合理的答案比明显错误的更危险！
当答案看似足够好时，我们往往停止追问。
在内容超载而注意力稀缺的环境中，表面合理性成了真理的替代品。
印证我们假设的搜索结果占据榜首，强化固有观念的梗图被疯狂转发，补全我们思维的语言模型固化既有叙事。
持续探究的成本随之升高。
好问题的价值变得前所未有地昂贵。
与此同时，我们身处的世界正日益动荡。
正如我之前指出的，我们正在进入结构性不确定性的世界——这里的规则不再静止不变。
昨日有效的方法可能明日失效，并非因为事实改变，而是地形已变。
在此环境中，曾经可靠的答案会迅速过时。静态知识在动态系统中的效用有限。
更重要的是保持好奇心的能力，
以及持续探究的精神。
这正是好问题（尽管昂贵）具备战略意义的原因。好问题能扩展认知疆域，重构问题本质。
在结构性不确定性主导的系统中，价值创造不在于宣示已知，而在于引导注意力至未解之谜。
当今最有价值的答案不是看似最完整、最雄辩的，而是揭示何处仍需探索的答案。
在结构性不确定的系统中，目标不再是确定性，而是持续导航——在不断变动的版图中保持方向感。
定义未来的好问题
我们今天生活的世界，很大程度上可追溯至1948年提出的一个好问题。
当时贝尔实验室的工程师们致力于提高电话通话清晰度，试图通过改进线路、放大器和滤波器寻找更好答案。
而克劳德·香农却在追问一个不同的问题。
他未止步于”如何减少电话线路噪音”，而是提出更根本的质询：
信息是什么？
这个抽象层面的追问催生了信息论，建立了衡量信息不确定性的理论框架。
香农的核心洞见在于：信息（答案）的效用
与其消除的不确定性成正比。
什么是好答案？
根据香农理论：
答案的效用在于其消除的不确定性——从而变得可操作。
理解这点不妨以天气预报为例：仲夏时节预报晴天虽然正确，但不会改变你的行为（你本就预期晴天）。而预报意外降雨则有用得多——这会改变你的决策，促使你携带雨伞。
信息论的核心是管理不确定性，而非提供表面合理的答案。
但我们构建的主流系统（LLMs是最新例证）却反其道而行。它们用流畅、可信的答案迷惑我们。
这是第一个陷阱。
廉价易得的答案只会消耗（本就稀缺的）注意力，却无法降低不确定性。
LLMs生成的语言听起来权威，却很少提供新洞见。它们越擅长伪装正确性，人们就越容易停止深入探究。
当答案廉价而丰富时，探究过程反而变得昂贵。提问行为本身会拖慢进度，不是因为问题已被解答，而是你被诱导相信答案已存在。
对于习惯刷屏追剧的一代人，廉价丰富答案的诱惑难以抗拒。
而提出正确问题的成本高得离谱——就像新年决心后坚持去健身房那么困难。
但正如香农所理解的，并非所有答案都生而平等。
第二个陷阱是相信答案越多越好。
事实并非如此。
在知识丰富、注意力贫乏的环境中，问题不在于事实稀缺，而在于注意力错配。
在边际效用递减后，我们仍持续收集数据，只因现有系统专为回答而建，而非质疑。
这些系统追求速度和详尽（试与Claude对话便知），而非揭示模糊与不完整。
因此，好答案的标准应是：
(1) 降低不确定性
(2) 珍惜有限注意力，避免滥用
廉价答案时代的好问题力量
答案往往存在于既定框架内。
有力的问题则能扩展框架本身。
传统框架运作的最大陷阱在于：我们最终用操作框架和战术来解答结构性不确定性问题。
哥白尼与爱因斯坦——或近期的CRISPR技术（在科学文献中沉寂二十年，仅被视为细菌免疫系统，直到有人转换框架将其用作基因编辑工具）——都不是对现有问题的回答。它们是暴露主流假设局限性的问题。
框架一旦转换，不确定性即消解。
人类+LLM的意外优势
结构性不确定性的解决往往不在显见路径，而在遥远理念的意外交汇处。这正是好问题至关重要的原因——唯有问题能桥接本不属同一系统的概念。
这正是善问者搭配LLM廉价答案能获得超能力之处。LLMs特别擅长连接无关领域，但前提是被问及正确问题。
在寻求廉价答案者手中，LLMs是负担。
但在善问者手中，LLMs可成为超能力。
改变世界的好问题
香农在1940年代末提出的原始问题（当时并无特别商业紧迫性），最终成为应对复杂性的全新思维方式的种子。他的工作为理解不确定条件下的系统提供了新逻辑。
第一层影响立竿见影。香农使信息可测量（以比特量化）。工程师由此获得计算不确定性、分配带宽、测算噪声中安全传输信息量的工具。
第二层影响更具变革性。香农框架使通信系统不仅能传递信息，更能保护和压缩信息。基于其理念的压缩算法、加密协议、存储技术孕育了互联网和数字媒体。
但第三层文化影响最为深远。生物学家开始用编码描述DNA，认知科学家将思维视为信息过程，经济学家探讨信息不对称，物理学家推测宇宙本质或是信息构成。
这个问题已突破工程边界。
这一切始于一个框架转换：信息是什么？
香农没有寻找更廉价的答案，
而是建立了帮助世界提出更好问题的系统。
我们时代的讽刺在于：积累的知识越多，确定性反而越少。
当合理答案的产生速度超过我们提出问题的能力时，挑战在于构建探究框架，并明确下一步探索方向。
哪些探索路径仍隐藏着有价值的模糊性。
在结构性不确定性（不仅结果不确定，产生结果的系统结构也不确定）中，优势不在于已知什么，而在于探索未知的能力。
当答案不再静止时，持续提出正确问题的能力才是关键。
咨询困境
我称之为”咨询困境“。
在充斥着高合理性答案的世界里，人们极易陷入最初毫无陷阱感的陷阱。
作为客户，你可能认为答案唾手可得。
由于答案看似丰富，你开始像评估大宗商品般评估它们：以成本论价。
这种逻辑导致竞次博弈。答案越廉价，越少人愿投入昂贵成本提出正确问题。你省了前期费用，但换来的往往是无效方案，甚至更糟——误导性建议。
另一方面，若引入他人协助应对不确定性，又会陷入新陷阱。
你为指引付费，但若只懂评估答案（更关键的是评估问题质量），就缺乏判断所购价值的可靠标准。
自信不能替代清晰。
风格可能粉饰理查德·鲁梅尔特所说的”糟糕战略”。
这就是困境所在。
咨询业面临的威胁不是AI取代公司或自动化初级工作，
真正的问题在于问答经济正在改变。
在好答案日益易得的世界，瓶颈转移至问题框架本身。
除非客户学会识别好问题的经济学，否则将陷入两个陷阱之一：
要么把答案当大宗商品，获得该模式必然产物——低成本、低价值、最小公分母思维；
要么为自信和表演付费，却不知是否解决了正确问题。
要应对这种转变，客户需要发展新能力：评估思维时不再看流畅度或表现力，而是审视导致该思维的探究结构。
在廉价答案时代，最昂贵的错误就是把廉价答案误认为优质答案。
再技能化的逃避
面对AI的逃避式回答是”再技能化”。每当讨论AI与就业，标准答案就自动弹出——我们必须投资培训被取代的工人。
但若再技能化仅帮助学习新答案，这并无大用。AI终将使这些答案变得廉价。
最有价值的能力在于提升构建更好问题的能力。
这与当前教育技能体系推崇的能力截然不同。整个20世纪，成功源于精通某个领域或建立专业知识。我们被测试的是作答能力，而非提问能力。知识越多越好。但这种积累逻辑只在规则不变时有效。
当环境稳定时，答案产生复利。
当环境变迁时，持续探究更重要。
现在的关键是学会在复杂中前行，而不陷入”我已理解”的幻觉。
顶尖知识工作者不会把不确定性视为待管控的威胁，而是待探索的疆域。他们将构建局部但方向正确的地图，而非陷入确定性答案的陷阱。
原文：When answers get cheap, good questions are the new scarcity