type
status
date
slug
summary
tags
category
icon
password
platform
写在前面：
我们推出了一款新的 AI 产品—— Analogy
服务使用 Notion/Obsidian 的知识管理者
欢迎在笔记中使用 Analogy 来启发思考, 增进理解, 加强第二大脑。
类比
类比思维是人类与生俱来的一种强大的认知工具，类比思维通过将不熟悉的概念或情境与已知的、相似的事物进行比较，来理解和解决问题。
《表现与本质》一书中谈及人脑和电脑的对比时说，人类相比电脑面前有诸多劣势。
电脑的计算力更强，记忆力更强(内存)，多线程处理任务(缓存)，甚至还不像人类一样时常受到情绪的困扰，陷入分心和焦虑。
在电脑面前，人类唯一的优势是“通过类比进行范畴化”。类比的能力让人脑通过小样本学习的能力远大于人工智能。同时，人类大脑的硬件条件下，也只有使用类比进行范畴化能力，才能做到基本可信，并能产生深刻的洞见。
人类的优势与我们“通过类比进行范畴化”的认知机制密切相关。这一机制在人类的认知中占主导地位，而在绝大多数机器认知（artificial cognition）的工作中，它却被置于最不受重视的边缘地位。只有采用这一认知策略，人类的思想才能做到虽然速度慢、不精确，但是基本可信、相关，并且能够产生深刻的洞见。而电脑的“思想”——如果这个词能用在电脑上的话，却非常局限、经不起推敲，无论它多么迅速和精确。
书中的观点，人类意的流传，必须通过类比进行范畴化。通过范畴化，我们才能建立起对世界的理解，而理解的传播，同样是通过范畴化来进行的。
而在范畴化的过程中，类比起到了至关重要的作用，类比让大脑中更多相似的事物联系起来，类比简化了我们理解世界的过程，类比可以启发我们的思考。
类比思维可以启发思考
王慧文曾经发过一条即刻（现已删除），文案就是「类比可以用于启发思考，但不能用于论证」
这是因为美团在发展过程中，就在类比思维中受益颇多。
美团最开始打百团大战时，发现本地生活(O2O)行业是一个全新的赛道，在过去的商业历史中，完全一样的商业模式。但天底下没有新鲜事儿，美团当时就找到了零售行业的案例，和零售行业一样，美团也面临着全国市场、复杂的品类管理，不是每个品类都盈利等等问题。
所以美团参考零售业的管理模式，提出了毛利率导向的全国销售管理模式，成功打赢了百团大战，培养了一批强大的美团地推销售团队。而这批团队，也成为了美团在本地生活领域最强大的护城河。
类比可以促进知识分形增长
知识的分形增长，知识的增长往往来源于已有知识的边缘。
当你从远处看知识时，它的边缘看起来很光滑，但是当你了解的足够深入，靠近它的边缘时，你会发现其实到处充满了缝隙。而这些缝隙，即是知识增长的机会。
在你的眼前，这些知识的缝隙会很明显，而其他人却全然不知，让你不禁疑惑：为什么没人思考过那个问题？为什么没人尝试过这个方法？在最理想的情况下，探索这些缺口可能会催生出全新的知识分支，就像分形图案中不断延伸的新芽。这就是知识的分形增长。
而通过类比来发现不同领域之间的联系，可以让你更明显地发现知识的缝隙。
类比可以促进记忆和理解
其实早在研究卡片和笔记法的时期，我就开始对”联系”感到着迷。
在 Zettelkasten 卡片盒笔记法中，社会学家卢曼建议将一个个独立的知识写成卡片存储在滑箱中。并在卡片之间通过编号和链接建立关联，形成知识网络。这种笔记方法强调知识的关联性，有助于灵活组织知识，激发创意并深化理解。
卡片笔记法，是人脑记忆的外显，写作笔记的过程，即是记录思考的过程。而写好的知识卡片，则是将大脑中知识之间的链接表现出来。
在知识卡片之间建立起更多的关联，既能激发出更多的灵感和创新，也可以加强记忆。这就是卡片笔记法最大的价值。创新和关联，提供了这样的机会，而类比，恰恰是这个最好发现关联的工具。
读者朋友应该对卡片笔记方法都了解，如果你对卡片笔记法不够了解，可以阅读我之前写过的《》《》等文章进行更多的了解。
大语言模型与类比
通过 4 年的实践，我一直在享受这卡片和笔记法这个思维工具带给我的好处。
但在卡片盒笔记法中，每当往卡片盒里增加一个知识卡片，发现知识之间的关联的过程，往往是依赖人脑与生俱来的思维方式，通过大脑的思考来建立起链接。
解释这个过程，人脑因为本身便具有关联的属性，在处理和接收一个新的信息，我们自然会将其与人脑中已有的概念联系在一起，利用已有的思维模型来理解新的知识。这时候正是类比在发生作用。
这种与生俱来的思维方式，帮助人类简化了理解世界的过程，虽然也会带了“易得性偏差”，不过总体来说，还是一种有力的思维。
可惜的是，碍于人脑有诸多如记忆力差，算力低等等缺点，让我们无法发现更多知识之间的关联，让很多应该产生链接的知识，彼此错过了。
但在大语言模型出现后，我们惊喜地发现，AI 可以发现语义之间的关联。
大语言模型出现后，得益于经过大量数据，大语言模型可以理解句子的语义。实现基于语义的搜索。
嵌入(Embedding )
大语言模型可以将文字转化为一个多维向量，这个过程称为“嵌入（Embedding ）”。
这个向量是一个多维的，常见的如 1024/ 2048 维的向量，通过对向量在不同维度上的表示不同，这个向量一定程度上表示了语句的语义，这种向量可以理解为是一种语义的数学表示。
在欧式几何向量空间中进行相似性地匹配，我们通过寻找相似的向量，就可以找到语义相似的文本。
语义搜索
与传统的关键词搜索不同，语义理解可以根据句子的意思去匹配相似的内容。
例如下面两张图
- 左图是使用 Notion 自带的搜索功能，只能匹配到有类似关键字的文档
- 右图是使用向量搜索功能进行匹配，可以搜索到具有类似语义的内容
Analogy
这意味着，我们可以在 AI 的帮助下，优化我们知识管理的过程。
早在今年四月份，我就和朋友提起这个想法，说到要做一款产品。但由于自己对需求并不确定，以及主职工作的忙碌，一直拖到了现在。
现在我们想要努力一把，创造了我们的第一个 AI 产品 —— Analogy，并邀请一批同学来进行测试。
产品介绍
Analogy，是类比的英文，顾名思义，我们希望帮助用户在知识库中发现更多关联的信息和知识，已达到启发思考，促进记忆，增进理解的效用。
Analogy 的目标用户群体是已经在进行知识管理，具备自己的知识库的用户。
如果你未曾在你的笔记系统写下任何一笔一字，我们建议你从记录笔记开始。具体地说，Analogy 的用户是那些具有超过 100 篇笔记的人，当然，你的笔记数量越多，你越会发现 Analogy 的魅力。
接下来介绍 Analogy 的一些使用场景
新增笔记时，发现笔记之间的关联
在浏览一个笔记时，可以发现知识库中其他关联笔记的描述。
例如，我在记录这篇阅读笔记时，可以找到文章中提到的每一点，在我的知识库中关联的笔记，这可以引发我更多的思考，也可以发现笔记直接买二更多联系
在阅读时，发现类似的思考
在浏览网页时，浏览知识库中类似的笔记，引发自己的思考。
例如，在阅读一篇短剧相关的文章时，我才惊喜地发现，原来早在 2019 年，金老师的文章《视频战争》系列文章中，就已经提到了短剧这个内容品类。当时还叫做“迷你剧”，而到了 2023 年，短剧行业才迎来了爆发式的增长
再例如，在浏览推特时，也可以找到类似的自己。例如这条推特在讲解尤瓦尔赫拉利新书《智人之上》中的笔记内容，而刚好可以匹配到我的知识库里，Elonmusk 和 信息简史的相关内容，非常匹配。
产品形态
Analogy 计划接入 Notion 和 Obsidian 等笔记软件。
在内测阶段，我们推出了适配 Notion 的浏览器插件，后续我们还将开发适配 Obsidian 的插件，让你可以在 Notion 和 Obsidian 中查看关联笔记。
内测邀请
如果你正在使用 Notion 或者 Obsidian 作为知识管理软件，并对上面的功能感兴趣，可以添加我的微信 liaocaoxuezhe 并备注 “类比” 或 “analogy”，首批内测名额，我们将会邀请 20 位左右的用户进行测试。
