上一问给了一套看技术改变了什么的办法。这一问要看其中最隐蔽的一层：它改变的不是答案，是问题。

我们习惯把技术理解成解决问题的工具。人走得太慢，于是发明汽车；信息传得太慢，于是发明互联网；计算量太大，于是发明计算机；信息太多，于是发明搜索引擎；工作太复杂，于是发明人工智能。这种叙事非常自然：世界上存在一个问题，人类发现它，工程师设计一种技术，技术把问题解决掉。

但如果把视线往前移动一步，会发现一个更奇怪的事实：技术出现之前，我们究竟是怎样知道问题是什么的？我们说交通问题，已经假定速度是重要的；说信息问题，已经假定获取信息是重要的；说效率问题，已经假定更快完成事情值得追求；说教育问题，已经假定教育的目标可以被某种方式定义；说注意力问题，已经把人的注意力理解成一种可以被测量、管理、优化的资源。所以技术真正进入一个问题之前，它往往已经悄悄参与了问题的定义。而一旦问题被重新定义，我们得到的答案即使非常准确，也可能是在回答另一个问题。

一问题是从什么时候开始成为问题的

一个人每天上下班需要两个小时。我们可以说，他的通勤时间太长了。于是问题出现：怎样让他更快到达公司？修更宽的道路，建设地铁，发展高速铁路，优化交通信号，使用导航算法。这些技术方案都非常合理。

但还有另一个问题：为什么这个人必须每天花两个小时去公司？如果继续追问，为什么工作地点集中在城市中心，为什么工作时间必须固定，为什么住房和工作地点距离如此遥远，为什么必须每天通勤，问题的形状就突然发生了变化。第一种定义是如何让通勤更高效，第二种定义是为什么我们需要这样的通勤制度。两者都可以拥有非常先进的技术方案，但它们根本不是同一个问题。这意味着，技术解决问题的能力永远建立在问题已经被定义的前提之上，而那个前提，往往比答案本身更重要。

二笛卡尔之后，好问题要能被拆开

现代科学最伟大的成就之一，就是学会把复杂现象拆成可以研究的问题。笛卡尔在《谈谈方法》（1637）中提出，把复杂问题分解为更简单的部分。这种方法改变了现代知识：一个复杂系统可以拆解，一个困难任务可以分步骤，一个自然现象可以转换成变量，一个变量可以被测量，一个测量结果可以进入计算。

它极其强大，让很多过去只能依靠直觉、经验和哲学思辨的问题进入了实验与计算的世界，现代技术几乎建立在这种思想之上。如果一个问题能够被定义、分解、测量、计算、优化，它就越来越适合交给机器处理。人工智能尤其如此：我们可以把一个复杂任务转换成目标、输入、约束、评价标准与输出，然后让模型寻找结果。于是一个重要的现代习惯形成了，我们越来越倾向于把能够被结构化的问题视为真正的问题，而那些无法被结构化的东西，则容易显得模糊、主观、低效。

三钥匙掉在哪里，灯在哪里找

一个数字看起来总是比一句感受更可靠。这个项目的转化率是百分之十八，听起来比用户似乎很喜欢它更确定；这个候选人的匹配度是百分之八十七，听起来比我觉得他很适合团队更专业；这个方案的风险概率是百分之三，听起来比医生认为应该谨慎更科学。

数字当然有巨大的价值，问题在于，一旦某个问题能够被量化，它就获得了进入决策系统的资格，而无法量化的东西就越来越难进入系统。于是一种新的排序开始形成：可计算的容易被看见，可比较的容易被管理，可优化的容易获得资源，难以测量的逐渐退到背景。这时候技术已经完成了一次很深的转换。它没有告诉我们这个东西重要，它只是让某些东西更容易被计算，但社会很容易进一步得出，既然它能够被计算，我们就可以根据它做决定。于是可计算性开始悄悄接近重要性。

四古德哈特定律：指标一旦成为目标

经济学家查尔斯·古德哈特留下了一个著名命题：当一个指标成为目标，它就不再是一个好的指标。原因非常简单。假设一所学校想提高教育质量，如果考试成绩成为核心指标，学校就会努力提高考试成绩：学生围绕考试学习，老师围绕考试教学，学校围绕考试配置资源。最后成绩确实提高了，但这是否意味着教育质量同步提高？未必。

因为最初的问题是怎样让学生获得更好的教育，后来它逐渐变成怎样让学生获得更高的分数。这两个问题之间存在巨大差异：前一个包含理解、好奇心、判断、表达、创造、合作与人格发展，后一个可以集中在一个能够被测量的数字上。技术在这里扮演了重要角色，它让测量更便宜，让比较更容易，让排名更迅速，让反馈更及时，于是人们越来越容易围绕指标组织行为。最终我们开始为了让指标变好，而不是为了让原来的事情变好。

五系统不必犯错，也能让我们问错

假设一个 AI 招聘系统非常准确，它可以预测哪些候选人的绩效更高，于是公司用它筛选员工。模型运行得很好，招聘效率提高，人员流失下降，从技术角度看这是一个成功的系统。但我们仍然需要问，它究竟解决了什么问题？

如果问题被定义为怎样找到未来绩效最高的人，那么这个系统确实非常有用；但如果问题原本是怎样建立一个公平、开放、能够让不同类型的人获得机会的组织，那么预测绩效只是其中的一部分，甚至有可能把真正的问题遮住。因为一旦模型能够给出一个清晰的分数，我们就很容易停止追问，我们为什么把这个分数当成重要标准。这就是技术重新定义问题时最难发现的一点：系统不需要犯错，也可以让我们问错问题。

六交通问题，怎么变成了道路问题

如果一个城市出现严重拥堵，最容易提出的问题是怎样让更多汽车更快通过：增加车道，修建立交桥，建设停车场，优化红绿灯，发展智能交通。每一项技术都在解决问题。

但城市研究者长期发现，交通并不是简单的道路容量问题。道路增加之后出行行为也会变化：更多人开始开车，更多住宅和商业活动向更远的地方扩展，城市空间结构随之改变，于是原本要解决的拥堵又以新的形式回来。这背后有一个重要的概念，诱导需求：当某种资源变得更容易使用，人们的行为会随之调整。道路解决拥堵，拥堵又推动更多道路建设，道路又改变城市结构，城市结构又产生新的交通需求。最后我们发现，我们一直在解决交通问题，却很少停下来问，我们究竟把什么样的城市生活定义成了正常。

七优化需要一个目标，而目标来自系统之外

一个 AI 系统可以非常擅长回答怎样让文章更短，但它不会自动问，为什么文章必须更短；它可以回答怎样让广告点击率更高，却不会自动问，为什么点击率应该成为成功标准；它可以回答怎样让员工效率更高，却不会自动问，人生为什么应该按照效率来衡量；它可以回答怎样让用户停留更久，却不会自动问，一个好的数字生活真的应该让人停留得更久吗。

这并不意味着 AI 不够聪明。问题在于，优化系统需要一个目标函数，目标函数告诉系统什么算成功，什么算失败，什么值得增加，什么应该减少；而目标函数本身通常来自系统之外，来自企业，来自制度，来自使用者，来自社会，来自某种价值判断。因此 AI 可以在目标函数内部表现得极其聪明，却无法仅凭优化本身证明，这个目标值得追求。

八提示词正在成为一种新的问题语言

生成式 AI 出现之后，我们开始学习一种新的表达方式：提示词。以前我们说帮我想想这个问题，现在我们学习如何告诉模型，角色是什么，任务是什么，背景是什么，限制条件是什么，输出格式是什么，评价标准是什么。这是一种非常强大的语言，它把模糊意图转换成机器能够处理的结构。

于是人开始主动学习，怎样把自己的问题说成机器能够回答的问题。这带来了巨大的生产力，但里面藏着一个值得警惕的变化：如果一个问题无法写成有效的提示词，我们会不会逐渐认为它不够清楚？如果一个人生困惑无法被拆成任务，我们会不会认为它不够可执行？如果一种价值冲突没有明确答案，我们会不会开始寻找一个 AI 评分？如果一个问题无法产生清晰的输出，我们会不会越来越少问它？于是技术改变的不只是答案，它开始影响什么样的问题值得被提出。

九苏格拉底：答案之前，还有定义

苏格拉底式的提问非常特别。他经常不急着回答，而是追问：什么是正义，什么是勇气，什么是善，什么是知识。当对方给出一个定义，他继续追问。

他做的事情与现代技术的逻辑几乎相反。现代技术非常擅长给定问题、寻找答案，苏格拉底首先怀疑的是，你给我的问题真的已经被定义清楚了吗。如果一个人问怎样成为成功的人，他会先问什么叫成功；如果一个人问怎样做一个好公民，他会继续问什么叫好；如果一个人问怎样获得更多财富，他会问财富为什么值得追求。这不是在逃避问题，恰恰是在处理问题最深的一层：答案之前还有定义，而定义之前还有我们的价值判断。

十维特根斯坦：翻译本身就是定义

二十世纪，维特根斯坦把问题推进到语言本身。在《哲学研究》（1953）中，他反复考察词语的意义如何来自使用，语言如何构成我们的生活形式，我们为什么会被某些语言结构困住。

这对技术时代非常重要，因为今天越来越多的问题需要先进入某种机器能够处理的语言：幸福被转换成满意度，能力被转换成评分，影响力被转换成流量，关系被转换成互动次数，知识被转换成可检索的信息，注意力被转换成停留时间。一旦转换完成，我们就可以计算、比较、预测、优化。可是被转换之后的东西，还是原来的东西吗？如果幸福可以被测量，测量结果是否等于幸福？如果创造力可以被评分，评分是否等于创造力？如果理解可以被测试，测试结果是否等于理解？问题从这里变得尖锐：技术为了处理一个问题，往往必须先把这个问题翻译成自己的语言，而翻译本身已经是一种定义。

十一搜索引擎改变了什么叫知道

搜索引擎出现之前，一个人不知道某件事情，意味着需要去图书馆，问别人，查书，学习相关知识，积累记忆。搜索引擎改变了这一过程，现在一个人只需要知道应该搜索什么。于是知道的含义开始变化：以前是我知道，因为我记得；现在是我知道，因为我知道在哪里找到。

这是一种巨大的认知扩展，而生成式 AI 又推进了一步。现在甚至不需要准确知道应该搜索什么，只要描述自己的困惑，系统可以替你组织问题，替你寻找信息，再替你形成答案。于是我们进入一个更复杂的阶段：如果机器能够替我们完成从问题到答案的大部分过程，人的知识究竟还包含什么？这并不是一个单纯的教育问题，它关系到理解、判断、记忆、经验、怀疑，甚至一个人的智识身份。当答案越来越容易获得，提出一个值得回答的问题反而变得更加重要。

十二有些问题会悄悄退场

一个问题如果长期没有技术解决方案，人们会不断讨论它，寻找新的解释，创造新的语言，建立新的制度，甚至发展出一整套文化。但如果某种技术提供了一个非常方便的解决方案，我们有时候会停止继续讨论。

导航解决我在哪里，于是我们越来越少记路；翻译工具解决这句话是什么意思，于是我们越来越少学习语言；推荐系统解决我该看什么，于是我们越来越少主动寻找；AI 解决这段文字怎么写，于是我们越来越少面对空白页面。这并不意味着这些技术没有价值。真正值得注意的是，当一种能力被自动化之后，与这种能力相关的问题也会从日常生活中退出。有些问题被解决，有些问题则因为不再需要我们亲自处理而逐渐失去存在感，这两件事情非常不同。

十三它替我们决定什么值得回答

如果 AI 只替我们完成已经明确的问题，事情相对简单。真正深刻的变化发生在系统开始帮助我们选择问题。

推荐系统决定你今天应该关注什么，搜索系统决定哪些结果最先出现，新闻系统决定哪些事件值得进入你的视野，商业系统决定哪些需求值得被预测，AI 助手开始决定面对你的目标什么任务值得优先完成。于是一个新的权力结构出现：谁能够定义问题，谁就拥有塑造注意力的能力。控制答案，影响的是知识；控制问题，影响的是知识生产的方向。而如果一个系统能够决定你看到什么、你问什么、你如何表述、你先解决什么，那么它参与的已经是人的注意力与判断秩序。

十四还有哪些问题，我们不会交给它

想象一个未来，AI 能够回答绝大多数可结构化的问题：法律问题可以问，商业问题可以问，学习、健康、职业、写作、投资、生活规划都可以问。人类因此获得了前所未有的答案生产能力。但就在这个时候，另一个问题开始出现：还有哪些问题，我们不会交给 AI？

我为什么想要这些东西？什么样的人生值得过？我愿意成为什么样的人？一个社会应该允许怎样的不平等？什么事情即使有效率也不应该被做？我们究竟应该把什么留给下一代？这些问题很难被一个目标函数完整表达，它们需要经验、历史、冲突、对话、判断、想象，有时甚至需要沉默。它们的价值并不来自最后得到一个唯一答案，而来自我们愿意长期生活在这些问题里面。

十五重新定义问题，不等于应该被拒绝

到这里很容易走向一个错误结论：既然技术会改变问题，那么我们应该警惕技术。但真正需要警惕的并不是技术重新定义问题本身，因为每一次伟大的技术进步都曾经重新定义过人的问题。望远镜让天文学提出新的问题，显微镜让生物学提出新的问题，摄影让艺术重新思考再现，互联网让社会重新思考连接，人工智能正在迫使我们重新思考知识、创造、劳动、作者、判断与意识。这些变化本身就是思想进步的一部分。真正重要的是，我们必须知道问题什么时候被重新定义了。知道了，就可以选择；不知道，就容易把一种新的问题形式，误认为原来的问题已经得到解决。

所以面对一项新技术，也许可以先问六件事。第一，它究竟解决了什么，明确它真正改变的变量，是速度、成本、准确率、规模，还是可及性。第二，它把原来的问题改写成了什么，问题的边界有没有发生变化。第三，什么因此变得可测量，哪些东西第一次进入数据，哪些东西因此获得了更多权重。第四，什么仍然无法被系统表达，哪些经验、价值、关系、意义与冲突进不了技术的语言。第五，人开始为了适应系统改变什么，我们是否在调整自己去迎合算法的评价方式。第六，还有哪些问题值得继续保留，即使 AI 已经能够给出答案，我们是否仍然愿意自己提出这个问题。

十六在答案到来之前，先停一下

技术文明最伟大的能力，就是把混乱变成结构：把距离变成路线，把声音变成信号，把文字变成数据，把行为变成变量，把复杂任务变成流程，把知识变成向量，把语言变成一串可以计算的符号。这种能力让世界变得越来越可处理，但有一个区分必须保留：一个东西能够被处理，不意味着它已经被理解。地图可以处理空间，但地图不是城市；数据可以处理人的行为，但数据不是一个人；模型可以预测语言，但预测不等于理解语言中的全部意义；评分可以比较候选人，但评分不等于认识一个人；提示词可以告诉 AI 你想要什么，但把愿望写成提示词，不等于你已经理解自己为什么想要它。

过去答案稀缺，所以知识稀缺；后来信息爆炸，于是筛选成为稀缺能力；今天 AI 让答案的生产变得廉价，于是问题开始变得稀缺。这里说的问题不是一个可以快速得到答案的任务，而是能够改变我们理解世界方式的问题：为什么我们把效率当成好？为什么工作必须这样组织？为什么教育需要这样的评价？为什么成功需要这样的定义？为什么增长必须持续？为什么人的价值需要被量化？为什么一个系统应该替我们做这个决定？这些问题写不成提示词，它们需要人重新站回问题面前，重新怀疑那些已经习惯的定义，重新决定我们究竟想解决什么。所以当技术给出答案时，真正重要的能力是回头看一眼问题：它解决的是哪个问题，这个问题是谁定义的，什么被放进去了，什么被排除在外，什么因为能够测量而变得重要，什么因为无法测量而逐渐沉默。一个时代真正的认知能力，从来不只体现在它能够回答多少问题，还体现在它有没有能力发现，自己正在回答一个从未真正问过的问题。而问题一旦由工具来定义，我们看见的世界也就跟着变了，媒介怎样改变我们看见的世界，是下一问。