用了5個月AI後，我開始主動戒斷信息
整理版優先睇
主動戒斷信息：AI時代認知結構先於噪音
作者用咗五個月AI，發現自己每日花喺掃信息嘅時間同兩年前刷短視頻冇分別，只係信息源變咗做AI社羣。佢決定主動減少信息輸入，起因係讀到一篇論文《From Entropy to Epiplexity》。
呢篇論文由CMU同NYU研究團隊發表，重新審視香農信息論。香農話信息等於意外，但隱藏假設係人擁有無限算力。現實係人腦算力有限，所以好多「理論上可推演」嘅嘢對你嚟講依然係意外。論文將呢啲意外分做兩種：認知結構型信息同噪音。前者可以幫你建立可複用嘅認知模式，後者零散冇用。
作者反思自己加入嘅十幾個AI羣，發現有用嘅唔超過三個。佢粗算每日花半個鐘掃信息，一個月換嚟有效信息唔到十條。結論係：喺信息過載時代，低噪音本身就係稀缺品質。佢建議只保留能持續產出認知結構信息嘅信息源，判斷標準係「睇完之後腦裡多咗一個下次用得着嘅框架嗎？」。
- AI時代噪音暴增，資訊貶值，主動減少輸入係先決條件。
- 用「睇完之後腦裡多咗一個可複用嘅框架？」嚟判斷資訊價值。
- 認知結構型信息能建立思考模式，噪音零散冇用。
- 好社羣嘅標準係持續產出認知結構內容，唔係活躍度。
- 每日深度思考時間有限，冇得浪費喺噪音上。
從刷短視頻到掃AI羣：資訊過載嘅新形態
我發現自己每日花喺掃信息嘅時間，同兩年前刷短視頻冇任何區別，只係信息源變咗。
信息源從短視頻變成了AI社羣
主動開始減少信息輸入
AI明明係嚟幫我哋處理更多信息，結果我反而覺得該少睇啲嘢。起因係一篇論文《From Entropy to Epiplexity》。
香農信息論嘅盲點：人腦算力有限
香農話信息等於意外。例如「聽日係星期二」唔算信息，但如果話「聽日係星期三」，你就會愣一下。
信息等於意外
論文指出香農假設人擁有無限算力，但現實係人腦算力有限，好多理論上可推演嘅嘢對你嚟講依然係意外。
兩種意外：認知結構型 vs 噪音
論文將意外分做兩類：認知結構型信息能幫你建立可複用嘅認知模式；噪音係零散、不成規律，冇辦法提煉。
認知結構型信息
噪音
- 認知結構型信息：接收後能幫你建構思考框架，下次遇到類似問題知道點樣諗。
- 噪音：令你「哦」一下但第二日全忘，冇辦法提煉出可複用嘅嘢。
- 排除嗰啲純粹娛樂放鬆嘅信息，佢哋有另外嘅價值。
AI喺訓練中，文字結構信息密度最高，視頻最低。同理，我哋刷資訊時，好文章能留低框架，低質量信息刷完就忘。
AI批量生產噪音，資訊貶值本質
AI正以前所未有嘅速度產出內容，但入面真正能搭建認知結構嘅極少。
AI唔係令信息變多，而係令噪音變多
呢個就係資訊貶值嘅本質：有價值嘅嘢冇變少，但垃圾變多，將有價值嘅淹沒咗。打開AI羣幾百條未讀，翻完乜都記唔住。
主動降低輸入，以認知結構為篩選標準
我而家嘅做法：只留低能持續產出認知結構信息嘅社羣。羣唔在多，關鍵係每條信息對得起花嘅幾分鐘。
只留能持續產出認知結構信息嘅社羣
- 1 睇完呢條信息，腦裡多咗一個下次用得着嘅框架嗎？冇就關掉。
- 2 人每日真正能深度思考嘅時間得兩三個鐘，攞去刷噪音等於浪費最值錢嘅資源。
主動減少輸入，只留真正能幫你搭建認知結構嘅信息源
前幾晚，我睇住手機上十幾個羣嘅未讀訊息，突然發覺一件事：我而家每日花喺「掃資訊」嘅時間，同兩年前大量碌短片似乎冇任何分別。
唯一嘅變化就係，資訊源從短片變咗做AI社羣。
用咗五個月AI之後，我決定開始主動減少資訊輸入。
AI明明係嚟幫我哋處理更多資訊嘅，點知我反而覺得應該少睇啲嘢。
件事嘅起因係前幾日我讀到一篇論文：《From Entropy to Epiplexity》，嚟自CMU同NYU嘅研究團隊。
呢篇論文講嘅係資訊論，內容唔長，但對我嘅衝擊都幾大。
我覺得佢可以幫我哋重新理解一個問題：AI時代，我哋到底應該點樣對待每日鋪天蓋地嘅資訊？
乜嘢先算係「資訊」？
先講嚇香農呢個人。
Claude Shannon，資訊論之父，1948年喺貝爾實驗室發表咗《A Mathematical Theory of Communication》，基本上一個人奠定咗成個現代通訊同運算嘅理論基礎。
我哋今日可以打電話、上網、用AI，底層都繞唔開佢嗰套理論。
香農嘅資訊論有個核心觀點：資訊等於意外。
一條訊息如果唔可以帶俾你任何意外，噉佢喺邏輯上就唔算係資訊。
舉個例，我同你講今日係星期一，問你聽日係星期幾。
你隨口講：星期二。
呢個回答對你嚟講冇任何意外，所以「聽日係星期二」呢句話，嚴格嚟講唔算係資訊。
但如果我話：今日係星期一，聽日係星期三，噉請問後日係星期幾？
你可能會呆一呆。
你個腦開始轉：等等，規律變咗？點解跳咗一日？後日到底應該點樣計？
呢個「呆一呆」，就係意外。
意外產生嘅嗰一刻，資訊先至真正出現。
問題在於，香農可能高估咗我哋
所以嗰篇論文喺呢個基礎上做咗一個關鍵修正。
香農嘅理論有一個隱含假設：人擁有無限算力。
即係話，只要一樣嘢係可以推算出來嘅，佢就唔算係資訊。
因為理論上你「應該」可以算出來。
但現實係，我哋個腦嘅算力係有限嘅。
你冇可能將所有資訊都喺個腦度窮舉一次。
所以好多嘢雖然「理論上可推演」，但對你嚟講依然係意外，依然係新資訊。
咁就引出咗一個更實用嘅分類。
論文將我哋感受得到嘅「意外」分成兩種：
第一種：認知結構型資訊。
你接收咗呢條資訊之後，佢可以幫你建立起一個可複用嘅認知模式。
下次遇到類似嘅事，你知道點樣諗、點樣判斷。
第二種：噪音。
呢條資訊確實俾咗你少少意外，但佢係零散、冇規律嘅，你冇辦法從入面提煉出任何可複用嘅嘢。
睇完就忘，記住咗都冇用。
打個比喻：你讀一篇文章，讀完之後個腦度多咗一個思考框架，以後遇到類似問題用得着，呢啲就係認知結構型資訊。
但我哋碌咗五十條資訊，每條如果都令人「哦」咗一下，第二日全部唔記得，噉就可以歸類做噪音。（當然呢度要排除啲本身可以帶俾我哋放鬆同娛樂體驗嘅資訊）
AI正在大量生產噪音
論文入面仲有一個發現令我好深刻：AI喺訓練過程中，從唔同類型嘅數據裏面可以提取到嘅結構資訊密度係唔一樣嘅。
排序大概係噉樣：文字 > 圖片 > 影片。
即係話，同樣係訓練數據，文字裏面嘅認知結構最豐富，影片最稀薄。
呢樣同我哋嘅直覺好似有啲唔同，我哋成日覺得影片資訊量最大㗎嘛，有畫面又有聲音。
但「資訊量大」同「結構資訊密度高」係兩回事。
影片確實塞咗好多嘢俾我哋，但其中大部分係噪音。
當然，呢個係AI訓練時嘅數據規律。
但如果你掉轉諗嚇自己嘅體驗，一篇好文章讀完，個腦度或者會留低一個框架；五十條低質素資訊如果碌完，我哋仲記得幾多條？我自己係極少嘅。
而家AI喺度做乜嘢呢？
AI喺度大量生產內容。
文章、圖片、短片，各種形態嘅內容正以史無前例嘅速度湧出嚟。
但如果你仔細睇，會發現呢啲內容入面真正可以幫我哋搭建認知結構嘅，可能少之又少。（但呢度要排除一啲資訊係可以令我哋娛樂放鬆心情嘅。）
AI唔係令資訊變多，而係令噪音變多。
呢個就係「資訊貶值」嘅本質：唔係有價值嘅嘢變少咗，而係垃圾變多咗，將有價值嘅嘢淹沒咗。
你可能已經喺度經歷緊呢件事：打開一個AI相關嘅羣，幾百條未讀，你用十分鐘睇完，熄咗，然後發現自己乜都冇記住。
唔係我哋注意力差，而係入面本來就冇乜嘢值得記嘅。
十幾個AI羣，有用嘅唔超過3個
講返我自己嘅體感。
呢五個月我加咗十幾個AI相關嘅社羣。
有啲係AI從業者嘅交流羣，有啲係一齊用AI讀論文嘅學習羣，有啲係討論AI工作流程嘅實踐羣。
我發現一個好明顯嘅規律：一個羣嘅訊息越多，佢對我嘅價值往往越低。
嗰啲每日幾百條訊息嘅羣，我打開一睇，大部分係轉發同埋碎片。
間中有一兩條有價值嘅討論，但係要喺幾百條噪音入面揾。
而真正令我覺得有收穫嘅，反而係嗰啲訊息唔多、但每條都言之有物嘅羣。
大家唔灌水，講嘢有結論、有依據、有自己嘅思考。
十幾個羣入面，達到呢個標準嘅，大概唔超過3個。
我後來同幾個同樣重度用AI嘅朋友傾咗傾，發現大家嘅感受出奇一致：羣訊息越多，打開嘅慾望越低。
唔係變懶咗，而係被噪音訓練出咗防禦本能。
粗略計一筆數：十幾個羣每日彈出嚟嘅訊息加埋少說幾百條，每日花喺掃訊息上嘅時間大概半個鐘到一個鐘。
一個月落嚟，十幾個鐘，換返嚟嘅有效資訊可能唔到十條。
呢個投入產出比，放喺任何地方可能都講唔過去。
你可能覺得呢個係倖存者偏差，但我更願意將佢理解成一個訊號：喺資訊過載嘅時代，低噪音本身就係一種稀缺品質。
好社羣嘅標準變咗
我身邊好多朋友最近都喺度諗緊做社羣。
AI嘅熱度喺呢度，大家覺得呢個係個機會。
我自己之前都覺得社羣就係要活躍、訊息多先至好。
但後來發現，呢套邏輯好似唔係好得咗。
我而家係噉樣睇嘅：如果一個羣全部係碎片討論，噉佢其實同碌自媒體冇乜分別。
大家喺任何平台都可以得到同等質素嘅資訊，留喺羣入面嘅理由就好弱啦。
微信羣同自媒體平台嘅邊界，就喺呢度被抹走咗。
所以我而家判斷一個社羣值唔值得留，會睇一個標準：
呢個羣可唔可以持續產出有認知結構嘅資訊？
呢種認知結構係我哋睇完一段討論之後，個腦度多咗一個可以複用嘅思考框架或判斷依據。
唔係「哦我知啦」，而係「下次遇到呢類問題，我知道點樣諗啦」。
我而家嘅做法比較簡單：主動減少輸入，只係留低嗰啲真正可以幫我搭建認知結構嘅資訊源。
羣唔在多，論文唔在每日讀，關鍵係每一條進入個腦嘅資訊，都要對得住花咗嘅幾分鐘。
如果你都想試嚇，可以噉樣做：
睇完呢條資訊，我個腦度多咗一個下次用得着嘅框架嗎？冇就熄咗佢，唔蝕。
其實人每日真正可以深度思考嘅時間真係幾少，可能就得兩三個鐘，用嚟碌噪音，等於主動將自己最值錢嘅資源送俾人。
前幾天晚上，我盯着手機上十幾個羣的未讀消息，突然意識到一件事：我現在每天花在"掃信息"上的時間，跟2年前大量刷短視頻似乎沒有任何區別。
唯一的變化是，信息源從短視頻變成了AI社羣。
用了五個月AI之後，我決定開始主動減少信息輸入。
AI明明是來幫我們處理更多信息的，結果我反而覺得該少看點東西了。
事情的起因是前幾天我讀到一篇論文：《From Entropy to Epiplexity》，來自CMU和NYU的研究團隊。
這篇論文講的是信息論，內容不長，但給我的衝擊挺大的。
我覺得它能幫我們重新理解一個問題：AI時代，我們到底該怎麼對待每天鋪天蓋地的信息？
什麼才算"信息"？
先說說香農這個人。
Claude Shannon，信息論之父，1948年在貝爾實驗室發表了《A Mathematical Theory of Communication》，基本上一個人奠定了整個現代通信和計算的理論基礎。
我們今天能打電話、上網、用AI，底層都繞不開他那套理論。
香農的信息論有個核心觀點：信息等於意外。
一條消息如果不能給你帶來任何意外，那它在邏輯上就不算信息。
舉個例子，我跟你說今天是週一，問你明天是周幾。
你脱口而出：週二。
這個回答對你來說沒有任何意外，所以"明天是週二"這句話，嚴格來說不算信息。
但如果我說：今天是週一，明天是週三，那請問後天是周幾？
你可能會愣一下。
你的大腦開始轉了：等等，規律變了？為什麼跳了一天？後天到底該怎麼算？
這個"愣一下"，就是意外。
意外產生的那一刻，信息才真正出現。
問題在於，香農可能高估了我們
因此那篇論文在這個基礎上做了一個關鍵修正。
香農的理論有一個隱含假設：人擁有無限算力。
也就是說，只要一個東西是可以推算出來的，它就不算信息。
因為理論上你"應該"能算出來。
但現實是，我們腦子的算力是有限的。
你不可能把所有信息都在腦子裏窮舉一遍。
所以很多東西雖然"理論上可推演"，但對你來說依然是意外，依然是新信息。
這就引出了一個更實用的分類。
論文把我們能感受到的"意外"分成了兩種：
第一種：認知結構型信息。
你接收到這條信息之後，它能幫你建立起一個可複用的認知模式。
下次遇到類似的事，你知道怎麼想、怎麼判斷。
第二種：噪音。
這條信息確實給了你一點意外，但它是零散的、不成規律的，你沒法從中提煉出任何可複用的東西。
看完就忘，記住了也沒用。
打個比方：你讀一篇文章，讀完之後腦子裏多了一個思考框架，以後遇到類似問題能用得上，這就是認知結構型信息。
但我們刷了五十條信息，每條如果都讓"哦"了一下，第二天全忘了，那就可以歸類為噪音。（當然這裏要排除哪些本身可以給我們帶來放鬆和娛樂體驗的信息）
AI正在批量生產噪音
論文裏還有一個發現讓我印象深刻：AI在訓練過程中，從不同類型的數據裏能提取到的結構信息密度是不一樣的。
排序大概是這樣的：文字 > 圖片 > 視頻。
也就是說，同樣是訓練數據，文字裏面的認知結構最豐富，視頻最稀薄。
這跟我們的直覺好像不太一樣，我們總覺得視頻信息量最大嘛，又有畫面又有聲音。
但"信息量大"和"結構信息密度高"是兩回事。
視頻確實塞了很多東西給我們，但其中大部分是噪音。
當然，這是AI訓練時的數據規律。
但如果你反過來想想自己的體驗，一篇好文章讀完，腦子裏或許能留下一個框架；五十條低質量信息如果刷完，我們還記得幾條？我自己是極少的。
而現在AI在幹什麼呢？
AI在批量生產內容。
文章、圖片、短視頻，各種形態的內容正在以前所未有的速度湧出來。
但如果你仔細看，會發現這些內容裏真正能幫我們搭建認知結構的，可能少之又少。（但這裏要排除有些信息是能讓我們娛樂放鬆心情的。）
AI不是在讓信息變多，而是在讓噪音變多。
這就是"信息貶值"的本質：不是有價值的東西變少了，而是垃圾變多了，把有價值的東西淹沒了。
你可能已經在經歷這件事了：打開一個AI相關的羣，幾百條未讀，你花十分鐘翻完，關掉，然後發現自己什麼都沒記住。
不是我們注意力差，是那裏面本來就沒什麼值得記的。
十幾個AI羣，有用的不超過3個
說回我自己的體感。
這五個月我加了十幾個AI相關的社羣。
有的是AI從業者的交流羣，有的是一起用AI讀論文的學習羣，有的是討論AI工作流的實踐羣。
我發現一個很明顯的規律：一個羣的消息越多，它對我的價值往往越低。
那些每天幾百條消息的羣，我打開一看，大部分是轉發、和碎片。
偶爾有一兩條有價值的討論，但得在幾百條噪音裏翻。
而真正讓我覺得有收穫的，反而是那些消息不多、但每條都言之有物的羣。
大家不灌水，說話有結論、有依據、有自己的思考。
十幾個羣裏，達到這個標準的，大概不超過3個。
我後來跟幾個同樣重度用AI的朋友聊了聊，發現大家的感受出奇一致：羣消息越多，打開的慾望越低。
不是變懶了，是被噪音訓出了防禦本能。
粗算一筆賬：十幾個羣每天彈出來的消息加起來少說幾百條，每天花在掃消息上的時間大概半小時到一小時。
一個月下來，十幾個小時，換來的有效信息可能不到十條。
這個投入產出比，放任何地方可能都說不過去。
你可能覺得這是倖存者偏差，但我更願意把它理解成一個信號：在信息過載的時代，低噪音本身就是一種稀缺品質。
好社羣的標準變了
我身邊很多朋友最近也在琢磨做社羣。
AI的熱度在這裏，大家覺得這是個機會。
我自己之前也覺得社羣就是要活躍、消息多才好。
但後來發現，這套邏輯好像不太靈了。
我現在是這麼看的：如果一個羣全是碎片討論，那它其實跟刷自媒體沒什麼區別。
大家在任何平台上都能獲得同等質量的信息，留在羣裏的理由就很弱了。
微信羣跟自媒體平台的邊界，就在這裏被抹掉了。
所以我現在判斷一個社羣值不值得留，會看一個標準：
這個羣能不能持續產出有認知結構的信息？
這種認知結構是我們看完一段討論之後，腦子裏多了一個可以複用的思考框架或判斷依據。
不是"哦我知道了"，而是"下次遇到這類問題，我知道怎麼想了"。
我現在的做法比較簡單：主動減少輸入，只留那些真正能幫我搭建認知結構的信息源。
羣不在多，論文不在每天讀，關鍵是每一條進入大腦的信息，都得對得起花的幾分鐘。
如果你也想試試，可以這麼做：
看完這條信息，我腦子裏多了一個下次能用的框架嗎？沒有就關掉，不虧。
其實人每天真正能深度思考的時間真的還蠻少的，可能就兩三個小時，拿去刷噪音，等於主動把自己最值錢的資源送人了。