晚上十一点，你对着一份做不完的方案发愁。你把问题贴进 AI：目标用户是谁？竞品怎样定价？这页应该怎么写？几秒钟后，屏幕给出一套条理完整的答案，还附了行动清单。你松了一口气，复制、改几个词、发出。
第二天，对方问你：这个判断依据是什么？哪一条最可能失效？你忽然发现，自己手里有一份答案，却没有一份真正的理解。
这不是 AI 的过错。检索和归纳本来就是它擅长的工作。问题在于，我们很容易把得到信息误当成获得知识。回答来得越快，这个误会越隐蔽。
《大学》没有预言今天的人工智能。把古书硬说成“早就看见了 AI”，既不必要，也不诚实。但它给出了一条仍值得借用的学习次序：
“格物致知”常被说成四个很响亮的字，仿佛等同于“研究得越多，懂得越多”。原文的顺序却更严格：先有“物”，再有“格”，然后知识才可能“至”。它不是下载答案的快捷键，而是要求学习者和对象发生真实接触。
搜索到的，不等于你观察到的
AI 可以告诉你“用户在意效率”，却看不见那位用户在填写表单时停顿了多久；可以总结“团队沟通不畅”的常见原因，却听不见会议上谁每次都沉默。信息是对经验的描述，观察是你对具体情境的承担。两者都重要，不能互相替代。
“格物”的“物”，不必只理解成实验室里的器物。你正在解决的那件事、眼前这个人、一次失败的结果，都是可以认真面对的“物”。先别急着问 AI “给我结论”。不妨先记下：我究竟看到了什么？哪些是事实，哪些只是我的解释？
AI 让答案变得廉价，反而让提出好问题、保留现场细节、判断答案是否适用变得更珍贵。它没有缩短学习，只是把学习中最不能外包的部分照得更亮。
“格”不是盯着看，是让判断经得起碰撞
如果你认为用户只是嫌价格高，下一步不是找十篇文章证明“价格敏感”，而是设计一次小测试：改写价值说明、访谈三位流失用户、比较不同方案的选择率。若结果与预想不一样，就让预想被改正。
放到今天，“格”更像一个提醒：别急着给世界贴上熟悉的标签，先让自己的看法和事情本身碰一碰。AI 可以帮助你提出假设、列出反例、整理反馈；但点击发布、倾听反对、承认误判，仍要由你完成。
《大学》还说：
这句话也纠正了另一种焦虑：不必把所有资料都读完，才配行动。关键不是信息总量，而是知道先查什么、先试什么、先改什么。面对 AI 生成的十条建议，先找一条最能被现实验证的，而不是先把十条都收藏起来。
理解要落到下一步
真正的理解会改变你的下一步。你读到“用户需要更清晰的价值说明”，若只是点头，那还是一句顺耳的话；当你据此重写首屏、拿给真实用户看，并根据反应再改一遍，它才开始成为你的知识。
和 AI 一起学习时，可以先做三件小事：
先写下你已看到的
在提问前，用三句话记录事实、疑问和限制条件。这样 AI 得到的不是一个空泛任务，而是一个有现场感的问题。
要求反证，不只要支持
请它列出结论可能不成立的情形，并挑一个最小、最便宜的验证方式。把“看起来合理”推进到“经得起试”。
把一个答案变成一次尝试
每次对话结束，选一个可以在今天完成的动作。然后把结果带回去，而不是只带回更多提示词。
“致知”并不反对工具。相反，好的工具能让我们更快抵达问题的边缘。但边缘不是终点。你仍要走进去，辨认事物，接受修正，并让所知改变所为。答案可以由 AI 起草；理解，必须在你与世界的往返中长出来。