「第二大腦」是未來的工作趨勢

我對通用人工智慧的競賽基本上無感。我們連人類意識都還沒搞懂——又怎麼可能在機器裡認出它呢？

我的野心比較務實：我想先擁有專用人工智慧。能夠以同等品質處理我工作中重複性與操作性的部分，同時把時間還給我，讓我去磨練真正重要的技能。

AI 時代的關鍵技能，將是在一個日益由隨機系統構成的世界中，保有認知自主權。

你的大腦一直是你最寶貴的資產。AI 只是讓這件事變得顯而易見。

你被雇用從來不只是因為你的技術能力，而是因為你運用這些能力時的判斷力——執行背後的推理、優先順序、脈絡與直覺。

隨著更多工作被委派給 AI Agent，一個更深層的問題浮現了：

我要如何把我所知道的教給 AI？

而「我」這個字很重要。

人類思維的多樣性，正是世界有趣的原因。公司透過標準化來擴張，但真正推動它們進化的，是那些用不同眼光看世界的人。AI 可以複製模式，但創新往往來自那些偏離模式的人。

真正的機會不是取代人類認知，而是將其外化——建立能夠捕捉你的脈絡、你的經驗法則、你的品味、以及你解決問題方式的系統。

其中一個方法，就是從今天開始打造你專屬的第二大腦。

不只是筆記儲存庫，而是一個外化你如何思考、決策與創造的模型。因為在 AI 時代能蓬勃發展的人，不是那些與機器競爭的人，而是那些學會透過機器來放大自己認知能力的人。

打造一個純邏輯的大腦

為什麼不用 RAG？因為它是一個不透明的黑箱。如果我自己都無法解釋自己的想法與行動，我會感到不安。我也不希望我的人工大腦有所不同。

倫理與情感是極度困難的問題。邏輯則是可以處理的。

人類智慧仰賴這三者——情感、身份認同、直覺、社會推理。但在特定的工作領域中，邏輯與結構化推理已經能產生巨大的槓桿效應。

我的目標是建立一個能夠邏輯推理、將知識壓縮成抽象概念、透過使用學習模式、並外化我思考方式的第二大腦。

一種可檢視其機制的純粹認知。

為什麼 RDF、OWL 與本體論是完美選擇

RDF 的優雅幾乎令人不安。它提供了一種通用語言來表達一個概念：

就這麼簡單。

從這個微小的語法出發，你可以建模整個思想體系。

例如：

OWL 在其上增加了邏輯結構，同樣以 RDF 的語言來表達。

你不再只是儲存文件。

你是在編碼關係、不變量與推理本身。

簡潔正是它強大的原因。

與嵌入向量或黑箱神經系統不同，每一個事實都是可檢視的。每一次推理都是可追溯的。每一個結論都有來源。

一個邏輯大腦需要一個邏輯基礎。

RDF 與其說是一個資料庫，不如說是一種思想的語法。

是什麼讓它今天變得可行？

RDF 的概念相當古老。它從 90 年代末就存在了，並且曾被混淆地稱為 Web3（不是那個狂熱的 Web3.0），甚至比 Web2.0 還早。直到現在，它只被用在非常特定的領域（維基百科、醫學、知識圖譜），因為需要耗費大量人力來仔細整理資料。

AI 翻轉了這個局面。LLM 之所以擅長知識工作，正是因為它們的建模方式類似，只是以向量而非三元組來儲存。過去那種耗費人力的過程，如今可以交給 LLM 來處理，而且準確度相當高。

大多數工作對些許不精確是容忍的，除非你是在為 NASA 寫程式碼。LLM 是勤奮的勞工，可以不知疲倦地為你工作，直到達到一定的品質。這就是像 Claude Code 和 OpenClaw 這樣的工具今天能做到的事。

或許 RDF 的作者們當初將其命名為 Web3 是有先見之明的——這是一個超前於時代的想法。

有許多開源框架可以為你處理 RDF 資料的攝取與查詢——例如 Apache Jena 和 RDFLib。在輸入層接入一個 LLM，可以讓你將原始文字轉換為嚴謹的語法，並編碼語義。同樣地，LLM 也可以將輸出轉換為更易讀的形式。

用 LLM 架構處理困難的部分——輸入/輸出、視覺化<br>用傳統架構處理有趣的部分——邏輯、推理

你希望你的第二大腦能與你一同成長。你不希望它停滯或過時。如果你大部分工作都在 Claude Code 終端機中進行，你可以設定鉤子，讓背景 Agent 從你的第二大腦中攝取與查詢資料。

你也可以定義技能，透過指定你自己的自訂本體——也就是你獨特的觀點，來形成第二大腦中的連結——從各種來源攝取資料。你也可以依賴網路上可免費取得的本體庫。

你不需要心理學或神經科學的學位來了解你的大腦。你自己就是一個活生生的實驗室，可以剖析你思想的機制。

以下是我精心挑選的一些發現，它們也很好地適用於這個系統：

透過推理進行惰性求值

大腦不是快取。

它按需計算理解——即時合成三元組。

人類很少儲存完整的實作。我們儲存的是能夠動態重建實作的抽象概念。

它將數千次經驗壓縮成少數可重複使用的抽象概念。

一位資深工程師不會記得他這輩子讀過的每個類別。他記得的是 OOP 的基本概念，這足以讓他理解任何遇到的新類別。

給我公理，我就能推導出其餘的一切。

模式比對

如果兩個系統在結構上相似，理解會瞬間轉移。

這就是為什麼有經驗的人學得更快。

他們認出了以前見過的形狀。

智慧往往是大規模的類比。

這正是人類輔助系統在第二大腦中發揮最佳作用的地方。LLM 可以自行找到模式，但它常常錯過對人類來說顯而易見的連結。

赫布學習

一起放電的神經元，會連結在一起。

一起存取的知識，會一起強化。

大腦會根據以下因素持續重新加權重要性：

• 頻率
• 新近度
• 脈絡共現

理解是動態的，而非靜態的。

從失敗中學習

錯誤不是雜訊。它們是訓練資料。

大腦會保留失敗的實驗，因為知道什麼不該做，也是智慧的一部分。

好的經驗法則，往往是壓縮後的痛苦。

脈絡強化

當概念在多個領域中出現時，它們會得到強化。

幾何學中的畢氏定理。物理學。圖形學。訊號處理。

真正的理解，來自於抽象概念在跨脈絡切換時依然存活。

來源與信任

人類會根據來源、信心與先前經驗，以不同的方式信任知識。

一個邏輯第二大腦也需要同樣的東西：

• 這個知識從哪裡來？
• 為什麼它被相信？
• 它被驗證過多少次？
• 有什麼與它矛盾？

透明度是委派的必要條件。

認知對齊

我不需要 AI 成為超人。

我需要它用我能預測的方式推理。

目標不是抽象意義上的智慧。

目標是與我的抽象概念、經驗法則與心智模型對齊。

不是 AI 為我思考。

而是 AI 像我一樣思考。

親愛的讀者，如果你有耐心讀到這裡，我有個消息要告訴你。我很快就會釋出這個系統的 alpha 版本。如果你有興趣了解更多，請私訊我。