李飞飞：当答案变得廉价，提问才真正开始值钱

原文链接：https://mp.weixin.qq.com/s/–JdOprSrbMpMRIBcu_cGQ
来源：微信公众号「经纬创投」；文中标注来源为笔记侠
获取时间：2026-08-25

核心结论（一句话）

AI 让答案的生成成本下降，但不会自动定义值得解决的问题；可靠的人机协作应把数据充分度、风险、人的学习内驱力和最终责任放在模型能力之前。

分类提炼

场景：AI 教育、医疗辅助、具身服务、创作与技术沟通
类型：访谈二手整理 / 人机协作与认知边界
与已有条目的差异：[[06-ai-tech/量子位-李飞飞-Huberman-AI不替代人]] 重点是视觉、具身与公共治理；本文新增的重点是答案商品化后如何保留问题定义、追问和学习主体性。

知识节点（8 个独立概念）

答案商品化：当模型可以低成本生成候选答案，稀缺处从输出文字转到界定问题、辨别表象与选择下一步。
问题定义：好问题不是更长的提示词，而是先识别目标、约束、证据缺口和真正值得追问的分歧。
私人体验：未表达的记忆、情绪与感受不是公开数据的直接映射，不能把流畅表达视为真实共情。
场景边界：数据充分度、个体差异和后果严重性共同决定 AI 应辅助、审查还是不应自主执行。
人机协作：工具的价值常在于延展专业人员的感知与执行，而不是取消专业人员的判断和责任。
学习内驱力：AI 答疑可降低卡点成本，但学习者仍须保有主动提问、练习和验证的意愿。
苏格拉底式追问：沿着答案继续追问前提、证据、反例和后果，才把模型输出转化为可检验的理解。
责任保留：高风险任务可委托部分执行，却不能把目标选择、风险权衡和最终责任一并委托。

从“给答案”转到“定义问题”

文章最有价值的判断不是“AI 有边界”，而是答案的生产变得廉价后，问题从哪里来。模型可以基于现有语料组合答案，却不会自己决定一个团队真正卡在哪里、一个结论缺什么证据、或哪个风险值得先处理。把 AI 当作答案终点，容易将已有偏见加速；把它当作追问对象，才可能暴露前提并扩大可选方案。

这也给提示词一个更准确的位置：提示词不是独立技能，而是问题定义的表达层。没有目标、约束和证据的提示词，只会得到更流畅的表面答案。

三条可操作的使用边界

按场景而非口号评估自动化。 对病例充分、后果可控的任务，AI 可提供初筛与参考；对样本稀缺、差异极大或后果严重的任务，应保留专家审核、可追溯证据和明确责任。
将 AI 用作学习回路的一部分。 先说出自己的理解和卡点，再用 AI 解释、反驳和举例，最后以练习或真实任务验证；直接领取答案不会生成掌握。
让人拥有议程。 每次重要调用前先由人写下问题、约束和成功标准；模型可以扩展方案，但不替人决定什么值得优化、什么风险可以接受。

对 Seetong 的借鉴

需求澄清先保留“问题陈述”。 任何 AI 辅助的需求分析先记录用户痛点、成功标准、不可接受后果和未知证据，再生成方案，避免把需求文本润色误作需求发现。
高风险结论保留人工签收。 对设备告警、客户问题分诊和发布判断，AI 输出应标记为建议并附来源；负责角色确认后才进入下一动作。
把“下一问”写入 Skill 输出。 反馈分诊、日报和代码分析的末尾固定给出一项待验证假设和一个最小验证动作，使 Agent 结果形成回路而非结论堆积。
学习类场景采用“先答后问”模板。 新成员或跨端问题先写自己的假设，再调用 AI 对照；复盘记录差异，而不只保存最终答案。

关联图谱

上游（基于 / 来自）

[[06-ai-tech/量子位-李飞飞-Huberman-AI不替代人]]：同一访谈的另一份二手整理，提供视觉、具身服务和公共治理的更完整背景。
[[06-ai-tech/深思圈-思考外包能动性]]：将“问题定义”进一步解释为不把判断议程外包给工具。

下游（应用于 / 验证于）

[[03-productivity/Capihom-Tom-Yeh-AI时代慢学习与学习能力]]：可将“先理解、后借助工具”的学习回路落实为慢学习和解释练习。
[[03-productivity/AI时代行研独特洞察从哪里来]]：把提出好问题、验证信息与承担判断连接到研究工作流。

同级（横向 / 并列）

[[06-ai-tech/傅盛-李飞飞-机器人世界模型与人的自主性]]：前者解释物理数据、行动预测与责任边界；本文解释在生成式 AI 使用中如何保留人的提问和议程。

证据边界

原文为公众号对 Huberman Lab 访谈的二手整理，并非视频逐字稿、论文或医疗指南。
文中的模型比较、医疗经历、术中效果、脑机接口可能性与引语均未独立核验。
“提问不可外包”是工具使用与教育框架，不是对所有 AI 能力或岗位变化的绝对断言。

相关链接