- Objective: - Breadcrumb: # 概念阐释 ## 定义 - 知识关联，学习者在[[知识砖块]]之间建立的丰富且有意义的联系； - 概念层面：知识关联可以促进对概念的理解； - 知识体系层面：知识有关联才有体系； ## 关联的分类  - **概念之间的关联** - 领域内的个人知识树，bok - 与 ChatGPT 相关的概念[[GPT 、LLM 知识树]]：GPT 模型、OpenAI、Sam Altman、ilya、生成式 AI、大语言模型、深度学习、机器学习、AI - **跨学科的关联** - 不同科学、领域之间的知识关联 - ChatGPT 是深度学习领域中的概念，但它与数学领域存在很多关联：向量、线性代数、概率论、统计学。 - **领域知识与元认知的关联** - 元认知：如何学习，学习的道法术器；如何自我管理，自我管理的道法术器； - ChatGPT 属于概念；prompt 中的 RTF 结构是一个思维模型；深度学习知识树、GPT 大法是知识体系； - **通用知识与个人经验的关联** - xx 大法，把通用的知识变成个人的知识和经验； - 个人 prompt 技巧、GPT 中英文对话质量差异、与 GPT 对话的个人经验； - **理论与实践的关联** - 做到，持续做到、每天做到； - 每天 GPT 一下，用一年的时间称为 GPT 专家，十年的时间成为不被 AGI 淘汰的人，并让孩子成长为 AGI 时代的创造者； ## 关联的认知原理 - [[什么是编码？#^505090|结构编码]] - 根据信息的内在结构，对信息进行分类的过程 - 在学习的过程中用树状图、表格或流程图对信息进行分类 # 实例 # 相关内容 ## 如何建立知识之间的关联 ### 关联的方向 - 新知关联已知 - 新知例如 ChatGPT，与大脑中的 AI 领域知识树建立关联； - **费曼大法与知识关联**：为什么用自己的话说出来？用自己已知的内容去解码输出，而不是复述原文内容； - 复杂关联简单 - 利用简单的语言来理解复杂的知识； - ChatGPT 是什么？学习过全人类知识的一个人工助手，它可以利用它的所学来理解人类提出的问题，并给出回答。 - **费曼大法与知识关联**：为什么要用用简单的话说出来，L3 级别？ - 抽象关联具体 - 生成式 AI 是一个很抽象的概念，但实际用ChatGPT，让它帮你起草邮件、翻译英文、编写程序，在具体的对话中直观认识「生成式 AI」这个概念； - 看 GPT 生成时的动态效果，直观的感受它是一次添加一个词； - **费曼大法与知识关联**：为什么要举例子？ - 陌生关联熟悉 - 可以把 ChatGPT 比喻为人类助手； - 可以吧 ChatGPT 比喻为图书管理员，假如你去图书馆查找资料，一种图书管理员没有读过图书管理的书，它只是把你要的书抱给你，然后自己去处理加工；而 GPT 属于另一种，它读完了这里所有的书，它能直接告诉你答案，并综合所有相关主题的书，给你一份详细全面的解答； - **费曼大法与知识关联**：为什么要打比方？ ### 关联的结构（结构编码）  - **费曼大法与结构编码**：在费曼的过程中，要充分利用图表来解释问题 - **表格结构** - 本质上用分类的方式梳理数据和信息，弄清楚一组二维关系； - **图形结构** - 数据图表：数据的可视化效果 - 条形图、折线图、饼图、散点图 - 流程图：过程和流程的可视化 - [[甘特图]]、[[流程图]] - 图解：最通用的表示知识关联的方式，通过简化的图形和符号来展示概念、对象、过程或系统之间的关系。 - 例如文氏图（venn diagram）、swot 分析图等。 - 工具：excalidraw - **树状结构** - 大纲工具 outliner - 书籍目录、文章结构 - Logseq 等 - 思维导图和大纲的关系？ - 本质上是一样的，只不过用了图的形式 - 底层使用的都是[[OPML 标记语言]]，一种[[XML]]标记语言。 - **网状结构** - 前面三个是二维的，网状是高维的、立体的网络形态； - [[Deep Learning 深度学习|人工神经网络]]、人脑神经网络； - 电脑和 AI 可以处理高维度信息，但是人脑不可以，所以认识到就可以了，实际操作不了； ## 理解力公式 - 一个人的理解力强弱，也可以说一个人的计算力: $理解力 = f(知识砖块，知识关联)$ - 理解力会因知识关联成指数式增长： $ 理解力 = 知识砖块 * 知识关联^2 * 费曼，费曼，再费曼 * $ # 参考资料 - [3.5 费曼大法 - 下：知识关联](https://readwise.io/reader/shared/01je9wdrtvf7jxstp9vqf97wdh)