一、什么是建模
先说一个你一定见过的场景。
同一道题，有人死记了十种解法，过两周还是忘；另一个人扫一眼就说”这不就是那个东西换了层皮”，然后轻松解掉。差别常常不只在记得多少——后者脑子里有一个”模型”，能一眼看出新问题和见过的东西是同一个骨架。
这件事，叫建模。把它说得更白一点：
学习，是一个”输入 → 加工 → 输出”的过程。你读到的、经历的，是输入；你能解题、能决策、能创造，是输出。而中间那道加工——把杂乱的输入，整理成一个能解释、能预测、能迁移的结构——就是建模。
这个说法不算我独创。机器学习干的事很像它：给一堆 x 和对应的 y，让它找出那个能从 x 算出 y 的函数 f——这个 f，就是模型。神经网络在找它，你的大脑也在找它。我不是说人脑等于神经网络，但”从一堆杂乱经验里，提炼出一个能迁移的结构”这个动作，机器和人，干的是同一件事。我们这一生，都在为各种各样的世界找它的 f：怎么解一类题、怎么看懂一个行业、怎么和一个人相处。
可奇怪的是，这么要紧的一件事，很少被当成一门能学、能练、能用工具加速的手艺普及开来。我们把”学习”窄化成了”记知识点”，却把真正的内核——建模——多半交给了天赋和运气。
我想做的，就是把它捡回来：用 AI，加速”给世界建模”这个动作本身。不是替你建，是和你一起建，让你越来越会建。
二、那怎么用
这件事，其实简单。人类早就攒下一堆”怎么学”的好东西：费曼学习法（能给小白讲明白，才算真懂）、苏格拉底式提问（用追问逼出你没想透的地方）、间隔重复、增量阅读、把知识拆成闪卡。这些不是什么秘密，全摆在那儿。
所以”怎么用”，看你想用到多深——
你打开元宝、豆包、任何一个 AI，让它用费曼法陪你把一个概念讲到通透，或者用苏格拉底式追问逼你想清楚，这就已经开始了，今天就能做。你想把单词记牢，用 Anki；愿意折腾更硬核的，去碰 SuperMemo 那套。你要是和我一样手痒、又有点工程能力，那就让 AI 当你的搭档，和你一起把这些方法揉成你自己的工具。
这些路本来就不窄。现成的方法和工具摆在这儿，区别只在你怎么用。
往深了说，它是一个 AI 替你”先学一遍”的循环：你想搞懂一件事，AI 先帮你把资料收拢、自己先消化一遍，给你一份它理解后的东西——一份讲义、一张概念地图、几个它觉得你最容易卡住的问题；你再就着它学一遍，校正它、追问它、补它漏掉的。一轮一轮，那个理解越来越准，而你，越来越懂。这有点像 AI 里的”先通学、再专攻”——一个通用的底子，在具体的事上反复打磨，就长出了专精。人也一样。
至于深到哪里，取决于你。拿去一点，就能让你学得快些；想往深用，那就只能靠自己趟——这件事，本来就是实践出真知。我也还在趟，没有一份标准答案能直接抄给你。
三、这是一个被追了三百年的梦
往回倒，“用一套通用的办法去理解整个世界”这个念头，能倒三百年。
最早做这梦的是莱布尼茨。他想造一套能精确表达一切思想的符号，再配一台能运算它的机器——这样两个人吵架就不必脸红，坐下来说一句”我们来算一下”，把对错像算账一样算出来。他几乎摸到了现代逻辑的门口，但缺一样东西：能跑这套符号的机器。这个梦，锁在手稿里睡了近两百年。
机器在上世纪五十年代来了，是一个叫”通用问题求解器”的程序，野心是任何讲得清的难题都能解。可它很快撞了墙：稍微复杂点的问题，可能的走法就多到算不过来——这困境叫”组合爆炸”，你想象下棋，每走一步对手有几十种应法，几步之后，可能的局面就比地球上的人还多，再快的机器也追不上。这是人类第一次认真去找”通用解法”，也是第一次惨败。它留下一句教训：光埋头硬搜，搜不出通用智能。
撞墙之后，有一条不起眼的小路，走了相反的方向：不贪心，先盯死一个具体的小系统，把它建模到透，再求最优。这条路，是研究”人到底怎么学”的学习科学。八十年代，有人把”遗忘”建成了数学模型——知识点在你”刚好快忘掉”的那一刻复习，最省力，这就是间隔重复；后来有人（叶峻峣）用机器学习把它做了个性化，被一些主流记忆软件采用。再后来，于建国（网名 YJango）把学习直接拔高成”在脑子里建构、并不断演化一个世界模型”——他管这套叫”渐构”，简单说，就是把学习看成不断搭建、修正自己那个世界模型的过程。他有句话我很认同：“生命的遗产，是对知识的更新。” 这条小路教我的，就一句：别想着一上来就屠龙，先把一件具体的事建模到能跑，再让它慢慢长大。
这几年，这个三百年的梦又活了，靠两件新东西。
一件，是 AI 在写代码上的突飞猛进。背后是一个朴素的道理：代码能验证——程序对不对，能编译、能跑测试、能当场判定。这是当年那个求解器没有的，它在开放问题上连对错都判不清。在反馈清晰的地方，AI 一下子有了飞快的试错闭环，能力就起来了。当然，这不等于代码能表达”万物”，它只是说：在有明确反馈的领域，AI 终于跑通了一条快速变强的路。另一件，是 AI 真在硬科学里解出了人解不出的难题——蛋白质怎么折叠，困了生物学界五十年，相关研究拿了诺奖。但得诚实地看：它能成，恰恰因为蛋白质折叠有一个非常明确、能打分的标准答案。它是”有标准答案那一类”问题的巨大胜利。而我真正想伸手去够的，是另一边：那些没有标准答案的问题——怎么学、怎么活、什么对你才算意义。这一边，是完全不同的玩法。
四、可今天，还没有人把它拼到一起
我看了一圈如今在做相关事的人，发现一件有意思的事：每个人都拼了一块，但还没有人把它拼到一起。
有人在做世界的”样子”——让 AI 生成逼真的三维场景，很厉害，但它重建的是外观，基本不碰”为什么会这样”的因果。有人在求”法则”——一类能从数据里反推出公式的技术（叫符号回归），甚至能从观测里把牛顿的万有引力重新”发现”一遍，这离”找规律”最近了，但它是个窄窄的实验室工具，不面向”一个具体的人怎么学、怎么活”。那几家最大的 AI 公司，做的是”通用的手和脚”——能写代码、能调工具的智能体，是水电煤，本身不回答”你为什么建模、为谁建模”。而离普通人最近的笔记软件、“第二大脑”，普遍卡在一个地方：很会帮你”收藏”，却帮不了你”思考”——那点把零碎笔记融会贯通的苦功，还是得你自己做。
我不是要把这些一棍子打死，它们各自都解决了一部分真问题。我只是发现：“为世界找规律”的技术劲头、“学习与意义”的人味、“属于个人、能上手”的载体——这三样，今天还很少被放进同一个普通人用得上的东西里。 我想认真试一次，把这三块，拼在一个你伸手够得着的地方。这套东西我自己在慢慢打磨，它叫什么、长成什么形态，其实不重要——重要的是那个方向。
五、为什么一定要”人在环路”
有人会问：AI 都这么强了，为什么还要人掺和？
“人在环路”，意思是关键的判断和取舍，得始终有人在场，不能全甩给 AI。这不是情怀。AI 学的资料，偏向那些”成功的、被发表的结果”——失败的研究大多锁在抽屉里没人写——于是它吃进去的几乎全是成功套路，容易自信地放大盲区，把一个其实很糟的想法，也给你找出几条理由说成靠谱。
更要紧的是那条边界：AI 能自动求解的前提，是问题有”能打分的标准答案”。蛋白质能算，因为对错是物理定死的。可人生里那些最大的问题，恰恰没有这样一个评分器。你或许会问，那既然没标准答案，人掺和进来又凭什么更强？我的答案是：因为你在乎自己的后果。AI 不会因为明天要做的那个决定而真正紧张，你会——是这份”切肤”，让你的判断不可替代。所以 AI 给不了你判决，它只能是你身边那个很强的搭档：你出方向、出取舍，它扛搜集、扛整理、扛重复的体力活；它把模型建给你看，你来校正；你的校正，又让它更懂你。 一轮一轮，模型越来越准——而最重要的产物，从来不只是那个模型，是这个过程里，越来越强的你。
六、为什么说，建模本身就是意义
讲到这里，本可以收尾了。但我更深的那点念头，和”人怎么安顿自己”有关，忍不住多说两句。
那些最大的问题，注定没有一个能一次验证的终极答案。我该不该换这份工作、孩子该怎么教、什么样的日子才算值得——这些都没有评分器，你永远没法证明自己”答对了”。
那一直追问、一直逼近，岂不是徒劳？这是个好问题。我的回答是：意义，本来就不在那个够不到的终点，而在”逼近”这个动作本身。你用一个粗糙的模型理解了眼前这件事，它立刻露出一个你没想到的破绽，这个破绽逼着你去建一个更好的——这种”建模、失效、再建一个更好的”的循环，就是一个人心智一直在长大的样子。它确实到不了终点，但每一轮，你看世界都比上一轮清楚一点，这就不是白费。
有人选择少追问，换一份安稳，这没什么不好。但也总有人，宁可多费点劲把事情想明白——长期糊弄过去的问题，往往会换一副面孔回来：是反复的内耗，是某个夜里的空落，是一个本可以避免的错误决定。如果你也是这种人，那这篇就是写给你的。
这也是它另一个名字的由来。Aletheia，古希腊语里的”真理”，字面意思是”去蔽”——把原本被遮住、看不清的东西，一点一点揭出来。我喜欢这个词，是因为它说的不是”某天终于抵达真理”，而是”把世界看清楚，本就是一件一直在发生的事”。模型，是我们去蔽的工具；真相，是我们用一个个模型不断逼近的方向。
七、关于这个名字
正名”通几”，出自明代学者方以智的四个字——“质测即藏通几”。“质测”，是各门具体学问里的实证、手上的功夫；“通几”，是贯通在万物背后的那个底层规律；他想说的是，普遍的规律并非凭空而来，而是深深藏在每一次具体的实证里。他大概是中国最早认真想把”具体”和”普遍”接起来的人。一个词，正好装下我想做的两件事：从一个个具体，通向普遍的规律；从手上的术，通向背后的道。
副名 Aletheia，去蔽、逼近真相。一个骨，一个魂。如果只留一句话——
格物以通几，立象以见真。
（“立象”也出自古人：“圣人立象以尽意”。象，就是模型；立象，就是为这看不清的世界，立一个能把握它的模型。）
最后，得诚实地报一声来路。这条路我站在很多人肩上：把”遗忘”算成公式、开创间隔重复的 Piotr Woźniak，把它用 AI 重做并慷慨开源的叶峻峣，以及把”学习”升维成”建构世界模型”、写下”生命的遗产是对知识的更新”的于建国。他们各自往前推了一步，我才有路可走。
八、散落三百年，我已在路上
回到开头那句话。
莱布尼茨缺一台机器，那台撞墙的求解器缺一个能判对错的反馈，满硬盘笔记的人缺一个帮自己建模的内核——三百年的长河里，每一段，都缺了一块。这些散落了三百年的拼图，我想试着拼在一个普通人够得着的地方。
能不能拼全，我不知道。那个最远的终点能不能到，我也不敢打包票。但我已经在路上。而拼的过程本身，就是意义。
通几 · Aletheia ｜「格物以通几，立象以见真」 文 / 烛龙 · 2026 · 一封写在路上的感悟