这篇文章探讨了通过整合不同学科知识来推动进步的“多面手”策略。作者认为，许多聪明的业余社群虽然善于创造新概念，却容易因过度信任圈内理论而偏离正轨。相比之下，一个更可靠的方法是成为“跨界异议者”：学习不同领域的成熟知识，并将其工具应用于其他领域的问题中。由于人类和学术界在系统性地进行跨学科整合方面存在不足，这为大型语言模型（LLM）提供了一个独特的机会，即通过系统性地发现并解决不同知识领域间的矛盾，来推动新一轮的知识整合与飞跃。
两种抽象思维：创新与风险
许多聪明的技术爱好者和未来主义者都对“抽象思维”情有独钟，但他们获取和使用抽象概念的方式存在显著差异，这带来了不同的结果。
业余思想家社群:
- 特点：喜欢抽象思考，倾向于发明自己的新抽象概念，而不是使用已有的成熟理论。
- 优点：这些新概念具有生成性，为思想创新提供了动力。
- 风险：新概念通常不太可靠，容易使人误入歧途。社群内部对彼此的过度信任加剧了这一问题。
学术界:
- 特点：更倾向于使用和学习经过验证的、成熟的学科抽象。
- 优点：对新概念的采纳标准更高，因此其使用的抽象理论更为可靠。
- 缺点：采用新抽象的速度较慢，可能显得保守。
我认为这些人（指业余思想家）因关于人工智能风险的新抽象概念而被引入歧途；如果使用来自生物学、文化或经济学等经过审查的抽象概念，他们的表现会更好。
“跨界异议者”：一种高效策略
作者从自身经历出发，提出了一种“多面手终身策略”。通过不断学习新领域的知识，他发现了一种持续提高生产力的方法。
核心逻辑在于，当你掌握 N 个领域时，你就有机会在 N(N-1)/2 个交叉点上寻找应用机会。
- 生产力提升： 将一个领域的成熟工具应用到另一个领域的问题上，是贡献价值的有效方式。随着掌握的领域增多，这种机会呈指数级增长。
- 成为可靠的异议者： 将一个领域的成熟知识应用到另一个领域，通常比在该领域内部凭空提出相反观点更可靠。
- 挑战学科壁垒： 各个学科内部往往会抵制来自外部的修正，这自然会让你在一段时间内成为“异议者”，但你的观点却基于其他领域的成熟知识。
我大部分的贡献都是将我们在某些领域已知的东西应用到其他领域。
为何多面手策略不受欢迎？
尽管这种策略非常有效，但在现实中却很少有人主动采用。这背后有两个主要原因。
认知偏见： 人们很难相信自己不熟悉的领域真的有很多值得学习的深刻知识。我们倾向于高估自己直觉的可靠性，从而低估了学习其他领域抽象工具的价值。
学术界的结构性障碍： 学术界虽然拥有可靠的知识，但其体系却阻碍了跨学科整合。 > 学术界忽视了结合多个领域见解的跨学科工作。如果你举办一个关于 A 领域与 B 领域交叉点的学术活动，你通常会邀请 A 领域和 B 领域最负盛名的人，而不会邀请专门研究 A 与 B 交叉领域的人，因为后者往往不那么有名望。
这种结构性问题导致了一个结果：人类在许多重要议题上的认知，在不同学科之间是长期不一致甚至矛盾的。
大型语言模型的巨大机遇
人类知识体系中存在的这些不一致性，为我们提供了一个快速取得重大进展的巨大机会：系统性地寻找并解决领域间的矛盾。
由于人类长期忽视这个机会，这可能成为大型语言模型（LLM）发挥作用的绝佳领域。LLM 在极广泛的主题上都储备了大量知识。
我们可以设想一种新的进步模式：
- 让 LLM 仔细审视两个遥远领域（例如经济学和生物学）的知识。
- 询问它，关于这两个领域的知识是否存在冲突。
- 如果存在冲突，则让它尝试构建一个更一致、更协调的新观点。
- 使用这个新的、更好的共识视图，不断重复这个过程。
虽然实践中会有很多障碍，但这或许是一个值得尝试的方向，有可能带来巨大的进步。