已知-已知 (Known-Knowns): 你知道自己知道什么。这是明确的知识和信息。
已知-未知 (Known-Unknowns): 你知道自己不知道什么。你意识到存在未知的领域，并且可以去探索或学习。
未知-已知 (Unknown-Knowns): 你不知道自己知道什么。这通常指潜意识中的知识、经验或技能，可能需要通过某种触发或反思才能被意识到。
未知-未知 (Unknown-Unknowns): 你不知道自己不知道什么。这是最难应对的，因为它代表了完全未知的领域，你甚至没有意识到它的存在。
AI的思维局限
人在面对一个事物或者问题时，会想着从自己的“认知或知识库”中去找寻答案，如果自己的“仓库”中存储的知识不多、不全，或者存储的是有问题的知识，人依据这些知识所进行的思维就会存在局限性，从中所能给出的答案自然也是不完整甚至是错误的。
大模型由于Token的限制，会陷入“未知-已知”的状态。它们被局限在一个由Token构筑的“围城”之中，有时甚至无法意识到自己本可以用已知知识更有效地解决问题。
以Cursor这类AI编程助手为例：当它首次为一个功能选择了一个解决方案后，即使后续出现BUG或需求变更，它也倾向于基于这个初始的解决方案或插件进行修改完善，而不会主动考虑替换更优的插件或方案。Cursor似乎被困在了它最初的选择中。
使用Cursor写一个功能，在Cursor首次选择了一个解决方案后，开始按照方案开发。但是，开发过程中遇到了BUG/需求变更，它更倾向于初始的解决方案或插件进行修改完善，而不会主动考虑替换更优的插件或方案。
就算这个插件存在严重问题，甚至无法实现需求，它在做的是不断的重试、检查、修复。
Cursor被局限在了自己最初的选择里。
我是等待Cursor的人，那么Cursor在等待谁的答案？ 循环解决BUG、出现BUG，不撞南墙不回头，撞了南墙一直撞。
系统2是懒惰的，它总是倾向于相信系统1提供的直觉和印象，而不是去主动质疑和重新评估。
系统1的快速反应和系统2的懒惰，虽然在大多数情况下能够帮助我们节省精力，但也容易导致错误和偏见的产生。
我们的大脑天生喜欢走最省力的途径，本能的处理方式才是最常用的方式，当无法使用本能方式处理时，最省力的思考方式成为了首选。
当下大模型提供了这种“省电”的方式，而且在思考模型开始发展全面推广并被接受后，看大模型的思考=我思考了，大模型不止是省电还提供了自我安慰，我不是没有思考，而是大模型思考的和我想法一样。
“王智远”公众号中《别让AI替你说出那句“我觉得”》一文提及的“认知外包”概念，我思维的墙是否在逐渐习惯了“认知外包”后更加牢固。
很早就开始给大模型付费，使用更先进的模型来协助我完成项目方案、创意方案。我支付的会员费，俨然成了我的“认知外包费”。现在我已经开始依赖这种外包，在一个项目沟通会上，甲方提出想要更有创意的方案时，在下意识状态下拿出手机，发出了提问：
客户希望达到**的目标，给我五个有创意的方案
已经不止是重复性思考外包，我把创意也外包了。
看了AI给我的五个“还行的创意”方案后，我的大脑仿佛已经被AI规划出了一条固定的创意路径。接下来对项目的思考，也开始围绕着这条路径左右突进，却始终未能逃离其范围。最终，我只能再次向AI发出消息：
还有没更有创意的方案
自己深入思考，不如外包“省电”。
解决方案是结合了需求、场景、能力和经验的产物。我们对事物的记忆、对经验的描述、对能力的说明中都可能存在遗漏或表述不清晰之处，这些都可能成为AI局限性的根源。
在AI的加持下，我曾一度认为自己可以胜任许多并未深入了解的事情，尤其是在编程领域。我熟悉Java和Python开发，但有了Cursor之后，我的开发能力半径似乎不再局限于此。
我不再需要深入学习每一个知识点，只需要“知道有这个知识点”就足够了。
如果AI没有局限性，不会陷入“未知-已知”的第三象限，那么这种方式确实可以真正地帮助我们“省电”。然而，现实往往更复杂，AI的“智能”仍在进化中，我们对它的依赖，需要更清醒的认知和平衡。
