7月17日，全球第一大FPGA芯片厂商赛灵思宣布收购被称为中国版英伟达的深鉴科技，赛灵思软件业务执行副总裁 Salil Raje说：“赛灵思将继续加大对深鉴科技的投入，不断推进公司从云到端应用领域部署机器学习加速的共同目标。”
深鉴科技最核心技术之一就是机器学习的神经网络压缩算法，能够在基本不损失算法精度的前提下，将网络模型的计算量和规模压缩数倍至数十倍，这相当于变相提升了AI数据中心数倍的算力。
赛灵思是深鉴科技A轮融资的领投方，这笔出人意料却又在情理之中的收购表明，业界巨头们在人工智能时代抢滩布局、占领未来制胜高地的动作正在加快。
华为代号“达芬奇”（Project Da Vinci）的AI项目最近也被外媒The information曝光，该项目将为数据中心开发华为自己的AI芯片，提高数据中心的AI算力，并减少对英伟达GPU的依赖，同时将AI的能力引入到华为所有的产品中去，包括基站、数据中心、手机和监控摄像头等等。
The information报道说，这是华为首次涉足竞争激烈的人工智能的市场，并且该项目由华为副董事长徐直军直接领导，可以想见华为对此项目的重视程度。
今年4月份，阿里巴巴全资收购了芯片公司中天微，阿里达摩院（阿里巴巴全球研究院）宣布研发Ali-NPU，用于图像视频分析、机器学习等AI计算。
7月4日召开的百度AI开发者大会上，百度公布了自己的AI芯片：昆仑，这款百度介绍为中国第一款云端全功能AI芯片，包括训练芯片：昆仑818-300和推理芯片：昆仑818-100。百度创始人李彦宏表示：“这套芯片和百度原来所用的芯片相比，计算能力有30倍左右的提升”，“百度大脑背后，越来越多地要靠自己研发的芯片来满足全世界对于AI能力的需求”。
巨头Google更是早在2016年就推出了自己专用的AI云端芯片，Cloud TPU（Tensor Processing Unit，张量处理器），相比以往的CPU和GPU快15-30倍、效能高30-80倍，用于Google所有产品背后的计算，包括那个著名的Alpha GO。
而继去年发布TPU2.0之后，今年5月份的GoogleIO大会上，Google又推出了TPU3.0，相比上代性能大幅提升近8倍，计算速度最高可达100PFlops，即每秒1000万亿次浮点计算，在AI计算方面远超现有GPU的算力。
亚马逊AWS在2017年推出为AI计算专门优化后的基于FPGA的云服务器EC2 F1，微软早在2015年就通过Catapult项目在数据中心实验了用AI计算的CPU+FPGA方案。
CPU时代的王者英特尔不小心被英伟达打了个措手不及之后，迅速反应过来，以收购来补齐自己人工智能时代产品的计算能力，167亿美元大手笔收购了FPGA界排名第二的Altera之后，推出了CPU+FPGA异构计算产品，主攻深度学习的云端芯片市场。2016年收购了专注视觉处理的芯片厂商Movidius，今年又斥资153亿美元收购了特斯拉的供应商，专注高级驾驶辅助系统的ADAS服务商Mobileye，摩拳擦掌，来势汹汹。
号称占据AI计算市场7成，傲视群雄的英伟达更是大招频出，除了牢牢占据头部的云端GPU芯片，今年6月，英伟达又发布了专门用于机器人的全新AI芯片：Jetson Xavier，Jetson Xavier作为NVIDIA Isaac平台的核心，是全球首款专为AI机器人设计的AI芯片，它的处理能力相当于配备了10万美元GPU的工作站，但功率仅为30瓦，这款芯片无疑将会掀起另一场巨头们的“龙争虎斗”。
Facebook也坐不住了，有外媒报道称其正在挖角谷歌芯片高管，建立自己的芯片研发队伍，研发自己的AI芯片。
全球各大厂商在AI芯片上你来我往的发力，意味着巨头们已经纷纷认识到，人工智能时代正在加速到来，而AI专用芯片是致胜的关键。在巨头们角逐的背后，则是人工智能应用超出想象的突飞猛进。
显性规则世界下的胜负已经没有悬念
继Alpha Go连续战胜人类顶级棋手李世石、柯洁之后，人类和AI在围棋竞赛的较量中，已经彻底败北。
当时人们普遍认为，虽然曾被认为超出计算机处理能力的围棋随着机器学习的不断发展被攻破，但围棋是完全信息的，也就是比赛的棋子对于双方都是可见的，这是AI能够发挥作用的基础，而对于非完全信息的德州扑克，因为机器无法看到对手的牌，只能看到游戏的部分信息，游戏并不存在单一的最优下法，AI的优势无法维系，在德州扑克上机器是无法战胜人类的。
但机器学习的发展超出人们的想象，1月30日，宾夕法尼亚州匹兹堡Rivers*场赌**举行了一场特殊的德州扑克人机大战，这场比赛耗时20天，最终，*耐基卡**梅隆大学（CMU）开发的AI程序Libratus 击败了人类顶级的职业玩家，赢取了20万美元的奖金，曾经被认为AI难以发挥优势的非完全信息下的德州扑克，这个堡垒也已经被Libratus为代表的人工智能攻破。
无论是最早的国际象棋，还是现在的围棋、德州扑克，AI的胜利，说明在具备显性规则的棋牌类竞赛等领域中，无论是完全信息还是不完全信息，胜负已经没有悬念。在超强算力和机器学习支持下的AI所表现出的基于规则的预测和判断能力，以及数日内百万级轮次的自我进化，人类已经无法企及。
AI对于自然语言语义的理解越来越“人性”
AI在棋牌类竞赛领域对于人类顶尖选手碾压般的胜利战绩虽然让人愕然，但毕竟仿佛离我们的日常世界还很遥远，人们在惊叹之余，更多的将其当做一件谈资，将AI当做一个更加高级的机器玩具。
如果有人说AI将有可能替代人类的日常工作，大多数人会好笑地安慰他不要杞人忧天：AI代替人，黑客帝国看多了吧，那是电影编剧们想出来的故事。
但AI的认知能力正在飞速的发展，AI对于自然语言的语义的理解，正在以惊人的速度进步，某些领域，AI对于自然语言的语义理解已经无限逼近人类的水平。
2018年5月Google IO大会上的软件演示中，Google Assistant展示了一个前所未有的操作，现场打电话替主人预约餐厅和理发店，Google Assistant不但顺利完成了预约任务，而且圆满回答了店员提出的几个意料之外的问题。
更关键的是，电话那头的店员全程都没有意识到他实际上正在和一个AI对话，在WaveNet技术的加持下，交流中Google Assistant语气的变化、语调的抑扬和真实的人类毫无区别，它不但能准确回答店员的问题，居然还能用”嗯哼“这样非常人性化的语气词来和店员互动，从头到尾，店员都没有怀疑过电话那头是不是一个”真人“。Google证实，Google Assistant在电话预约这个环节上，已经通过了图灵测试。
百度人工智能在自然语言的语义理解上，进步速度也非常惊人，7月份的百度开发者大会的会务通知和确认，都是由百度的语音智能助手通过电话完成的。
百度地图4月份还不能理解诸如“我要从三里屯的团结湖地铁站出发，路过望京的家乐福，然后再去南锣鼓巷，最后到我家，我要红绿灯少的不堵车的最快的路线，你帮我规划一下吧”这样有点故意难为AI的复杂表达，经过两个多月的机器学习，6月发版的百度地图已经可以完美理解这样的表达。
基于自然语言语义理解的进步，AI已经可以分析文章，自己组织和创造文章专题
*今条头日**、手机百度等等APP在机器阅读之后对文章进行分类，给用户推荐的信息流，大家已经习以为常，但现在AI的发展，让机器不但能够理解单篇文章，而且能够自己分析和组织专题。
Google推出了一种全新的阅读格式Newscasts，不但可以在不同的新闻源中为用户推荐相关主题的文章和视频，找到最全面的信息，并且如果用户想了解其中的某个特定事件，Full Coverage功能可以自动组织和汇集不同来源的文章、视频、评论以及相关的其他连锁信息，为用户呈现一个不同方向和媒介的事件专题。
基于自然语言语义理解的进步，AI不但能帮你写作，甚至可以全自动排版
腾讯推出的梦幻写手以及阿里与第一财经合作研发的 DT 稿王，这种基于素材分类和推荐的写作助手自然是机器的传统强项。
Google于今年发布的Smart Compose则更进一步，让你可以更加智能化的写作，在你写作时，Smart Compose会实时分析你写的内容并推荐你可能会用到的精彩短语和句子，如果你需要，只要回车确认就可以将其组织在自己的文章中。
金山软件在今年的WPS2019的发布会上发布了能够实现智能格式化的AI助手小墨，你在制作幻灯的时候可以只考虑内容，不用操心格式的编排，当你完成内容后，经过大量机器学习训练的AI助手小墨会根据你的内容给你推荐适合的版面格式，让你能够从格式和美化的工作中解脱出来，专注于自己的内容。尽管这项功能目前看起来还稍显稚嫩，但其版式和格式的编排已经可圈可点，随着人工智能对于语义理解的迅速进步，版面格式的智能自动化绝非纸上谈兵。
基于自然语言语义理解的进步， AI的语言翻译能力也变得越来越“聪明”，越来越全能。
2016年9月，Google翻译开始使用全新的神经网络机器翻译技术（Google's Neural Machine Translation, GNMT），代替此前基于短语的机器翻译（phrase-based machine translation, PBMT），新的翻译技术使得翻译结果更加的通顺、准确，更加接近“信达雅”的标准，国内的讯飞、百度也纷纷跟进，推出了自己的NMT技术，翻译结果的进步同样非常显著。
在机器学习的帮助下，谷歌翻译的即时互译语言已经达到惊人的80多种，讯飞的即时互译的语言数量也达到了33种，这可能是任何人类的翻译人员都难以望其项背的。
医学、生物、化学等专业领域的词汇翻译，这种传统人类翻译的突出难点，对于AI支持下的翻译应用来说，则是轻松加愉快。词汇难度？不存在的。
AI对于图像的识别和理解正在超出想象
在AI日渐强大的图像识别能力下，很多前所未见，难以想象的场景都在逐步变为现实。
谷歌翻译的WordLens现在已经是鼎鼎大名，以往还需要拍图片涂抹焦点后才能识别翻译，现在WordLens已经无需任何事先的准备工作，直接在应用中打开手机相机，将镜头对准要翻译的内容，就可以看到在AR技术加持下实时翻译后的路牌、指示牌、餐馆菜单、商品标签。
国内的讯飞目前也能够做到这一点，基于优化手写文字的OCR识别，讯飞翻译机2.0也同样能够支持国外指示牌、路牌、餐馆菜单、商品标签等多种场景下12种语言的拍照翻译。
Google的医疗AI已经可以通过视网膜图片筛查糖尿病潜在的失明风险，糖尿病患者体内的血糖水平很容易发生失控，这种血糖水平的急剧的变化会带来的并发症之一就是影响视力，甚至是致盲，有着潜在致盲风险的人群数以亿计，医生需要多年的经验才能较为准确的筛查这些隐患病例，但经过机器学习训练后的医疗AI系统则能够在短短数月内达到专业医生的水准，通过糖尿病患者视网膜眼底扫描的图片，Google的医疗AI能够准确分辨出病例是否有失明的风险。
7月份的百度开发者大会上，一位*藏西**林芝地区的医生分享了自己应用AI的经验，他通过百度的EasyDL深度学习模型，训练出了识别寄生虫虫卵的AI应用，机器在EasyDL模型的训练下，只用了几个月，就达到了医生临床20多年的经验水准，并且比一般的检验科医生的识别速度和准确度都要高很多。
圣象地板这家著名的地板厂商，也在同样利用百度大脑的DL能力来训练地板板材的检测AI，经过数月训练后的检测AI，每天的地板板材的检测量是一个三年熟练度人工的两倍，并且让人沮丧却又无奈的是，由于体力和眼睛疲劳的限制，检测工人每天最多只能保证6-7个小时的准确检测，而机器则可以持续保证7*24小时的准确度。
AI图像识别的发展，让人工智能时代的无人驾驶正逐步变为现实
2015年10月，同属Google母公司旗下的Waymo，完成了全球首次真正意义上的无人驾驶，一位盲人乘客坐在没有人为干预控制以及安全司机的“萤火虫”中，安全地行驶过奥斯汀市街区，业界认为，这是无人驾驶技术迈向应用领域的一次里程碑事件，“ 萤火虫 ”没有方向盘和脚踏板，是一辆真正的L5级无人驾驶汽车。
截止2018年6月，Waymo已经在公共道路上行驶了超过800万英里，在模拟环境中行驶了超过50亿英里，远远超过了任何人类司机能够达到里程经验。
在AI图像识别的支持下，就算行人穿着恐龙形象的演出服，Waymo无人车都能准确识别出来，同时相比之前每1000英里需要数十次的人工干预，现在Waymo无人驾驶汽车每1000英里需要人工干预的次数已经不足0.2次。
就在今年1月末，Waymo无人驾驶车项目获得了美国亚利桑那州交通运输部的运营许可，这意味着Waymo可以作为一家运输公司，Waymo的无人驾驶Chrysler Pacifica小型货车已经得到政府认可，可以在亚利桑那州运营，向用户收取费用。
百度无人车Apollo项目与厦门金龙合作生产的“阿波龙”无人车，也于7月正式下线，这类无人车可以用于园区的乘客运输、园区街道清洁、以及小批量、高频率的园区货物运输。
无人驾驶现在已经不仅仅存在于试验和发布会中，更是出现我们的现实生活中，
据外媒报道，美国密苏里州一名特斯拉Model X车主 Joshua Neally，在上班途中突发疾病，随后启动Autopilot自动驾驶功能让汽车将自己送往医院救治，在赶往医院的20英里高速车程中，Autopilot帮他完成了自动驾驶，抵达医院最近的一个高速公路口，然后他自行驾车抵达了医院，在Model X的Autopilot的帮助下，安全抵达医院。
Neally得到了治疗并且活了下来。医生说他很幸运，他得了肺动脉栓塞，全球每年有五万人死于此疾病，这些人当中的70%都是在症状出现后一个小时之内死亡。
人工智能的迅速进步，使得AI在很多方面的工作能力已经逐渐赶超人类
被誉为球最高效的仓库：亚马逊仓库，自2014年开始，便开始应用橙色机器人Kiva在亚马逊配送中心帮助存储和拣货、运送产品，目前已在全球部署超过10万台。Kiva的作业效率要比传统人工的物流作业提升2-4倍，机器人每小时可跑30英里，准确率达到99.99%。
国内的仓储物流也都逐步的推行智能化，申通、百世快递、京东均推行人工智能加持下的仓储系统，只需配备2000米的仓库，10个入口，350个机器人就可以同时作业，1小时可以分拣18000个快件，能节省人力80名。
京东的智能分拣中心，日订单分拣能力达到30万，分拣准确率达99.9%，均效提升了5倍，人员投入比例减少了近70%。
2017年刷屏的德勤财务机器人“小勤人”，是AI在财务数字化领域的初步应用，普通基础工作“小勤人”的处理速度是人类员工最快速度的15倍以上，复杂的增值税发票管理工作，配合OCR技术和Insight Tax Cloud发票查验云助手，小勤人也能够在三四个小时内完成一个财务人一天的工作，每个*票开**流程由20分钟缩减到5分钟，每天缩短每个FTE 6H的工作时间（75%效率提升），特别是月末关账的峰值时段，和人类员工相比，小勤人可以7*24不间断的工作。
德勤财务机器人可以完成大量的，重复规则化的事务，有接近80%的基于规则的流程工作可以使用“小勤人”处理。可以代替某一个具体的岗位进行全流程的处理：例如代替应收类岗位去做发票的处理，开账单，记账和收款等工作，还能够通过大数据收集分析，发出财务风险的防范预警。
现在不仅是德勤，包括普华永道在内的四大都已经跟进推出了自己的财务AI机器人应用。
AI及其应用迅速进步的人工智能时代，你，察觉到危险了吗？
牛津大学的Carl Benedikt Frey and Michael A. Osborne长期关注人工智能的发展，他们在2013年的9月发表了一篇在当时看起来很有些危言耸听的报告：《就业前景：计算机化将会对工作造成怎样的影响？（THE FUTURE OF EMPLOYMENT: HOW SUSCEPTIBLE ARE JOBS TO COMPUTERISATION?）》
报告称未来的20年内，有近47%的工作岗位会成为被AI替代的高危岗位，当时很多人对此不以为然，当做一个笑话类的谈资。
两年后，随着人工智能的迅猛发展，BBC意识到这份报告的前瞻价值，专门为其制作了一个永久专题，BBC 基于这份报告的数据体系分析了近千种职业在未来的“被淘汰风险概率”，类似司机、流水线工人、瓦匠、园丁、清洁工、木匠、水管工等操作类的岗位自不必说属于高危岗位；电话销售、前台人员、客服人员、行政文员、保险销售这类对专业知识要求不高岗位也属于高危范围，大部分人想不到的是财务会计、银行职员、律师助理、金融顾问等传统高知岗位淘汰的风险概率也在95%以上。
世界经济论坛(World Economic Forum)日前公布了波士顿咨询集团的一项研究报告，这项根据Burning Glass Technologies和美国联邦劳工统计局数据作出的分析报告显示，30%的银行就业机会，可能于五年内消失，美国至少将有140万个可能被AI取代的就业岗位，而在2025年之前，全世界有四分之一的就业岗位因为AI的发展而彻底消失。
麦肯锡也在近期通过对全球46个国家和地区超过800个工作类别的分析，发布了类似看法的研究报告，报告称由于AI和自动化的不断发展，在未来10年间全球将有八亿人的工作岗位将被取代，即使剩下的岗位中，也有大约60％的工作岗位里面会有至少三分之一的内容可以被AI完成，虽然AI对不同国家、不同行业和不同活动的影响各不相同，但毋庸置疑的是，发达经济体和新兴经济体都将受到影响。
麦肯锡认为，全世界有高达3.75亿的工作者需要寻找新的工作并进行新的技能培训，而仅在中国，就有一亿人需要完成这一工作，与此同时，高达三分之一的美国和德国劳动力以及近一半的日本员工将不得不学习新技能或转换工作。
不管愿意不愿意，AI已经大势所趋，未来的5到10年，AI给人类社会带来便利和美好的同时，也会给人类的就业和发展带来威胁和挑战，并不以任何人的意志为转移。
从过往的经验看，威胁和挑战往往比便利和美好来的更快，更加痛彻骨髓，如果你不未雨绸缪，早作准备，也许你会比想象的淘汰得更快。
但是，这个大时代所带来的危险，我们怎么应对，如何去做呢？
很多人和机构都讲情感是人类天然的堡垒，是AI最不可能攻克的领域，凡是情感类为主的工作，AI都难以胜任，这类工作的安全性在人工智能时代很高，是最不可能被AI替代的。
这当然是个笑话，姑且不论单纯以情感为工作内容的职业存不存在，单纯的情感是否能够创造工作价值，即便单以情感来讲，人类也绝不安全。
Google的WaveNet技术已经可以非常自然的拟真语调、语速，现在AI的自然语义理解越来越准确，越来越深入；图像识别和分析能力也越来越强，辨别和判断人类情绪的能力也会越来越强，AI能理解和表达情感，绝不是天方夜谭，而控制和输出情感方面，AI不知道要甩人类几条街。毕竟，我们社会科学几乎一半的研究，就是寻找控制情感的方法，来让感性的自己在需要的时候更理性，依靠情感这个所谓的天然壁垒在未来安身立命，无疑是太天真了。
那应对人工智能时代挑战的关键是什么呢？究竟什么才是人类在未来难以被AI攻克的堡垒呢？
答案是：思维模型能力，在你的专业知识的基础上，培养专业知识和相关领域内建立模型，发现规则，总结规律的能力。
人工智能的机器学习中无论是很火的深度学习（Deep Learning），还是同样很火的强化学习（(Reinforcement Learning），它们的本质仍然是计算，是在已知规则指导下，在模型支撑下的计算，AI自己没有思维模型能力。
机器学习中的深度学习，无论是监督学习(Supervised Learning) 、无监督学习(Unsupervised Learning)、还是半监督学习(Semi-supervised Learning)；无论采用DNN(深度神经网络)、CNN(卷积神经网络)，还是RNN(循环神经网络)或LSTM(长短期记忆网络)哪种网络；无论是采用线性回归、逻辑回归、决策树、SVM、朴素贝叶斯、K最近邻算法、K均值算法、随机森林算法、降维算法、Gradient Boost 和Adaboost 哪种算法，都是在已知规则指导下，在模型支撑下的计算。
强化学习也是同样的道理，强化学习建立从环境到行为的映射，希望使奖励信号(强化信号)函数值最大，其无论是选择Policy based（基于最优策略）、Value based（基于最优奖励总和），还是选择Action based（基于最优行动）；无论采用Sarsa、Q learning、Policy Gradients、 Actor-Critic、Monte-carlo learning、 Deep-Q-Network哪种算法，同样也都是在已知规则指导下，在模型支撑下的计算。
机器学习早已有之，只是在芯片高速发展、专为机器学习优化的AI芯片也层出不穷的今天，即便只是和5年前相比，计算能力也已经是数十倍甚至数百倍的增长，变得很是恐怖，能够使机器学习解决从前无法解决的计算问题。所以我们看到了Deep Mind的AlphaGo和AlphaZero，所以我们看到了*耐基卡**梅隆大学的Libratus，所以我们看到了种种在之前无法想象的AI应用。
但它们的本质仍然是计算，需要规则的指导和模型的支撑。
围棋和德州扑克自然不必说，它是显性规则的竞技项目，竞赛规则和模型都是明确的，而我们所看到诊断糖尿病、筛查寄生虫卵，自动检测地板，识别人脸等等，也无一不需要在机器学习的训练和强化中，事先建立好模型，明确规则。
只不过，因为问题维度等原因，我们没办法将规则通过代码告诉机器，需要机器在我们搭建模型中，在特定算法的运行过程中，逐步“记住”这个规则，然后再在这个规则的指导下进行诊断糖尿病、筛查寄生虫卵，自动检测地板，识别人脸等等工作。
机器只有在模型支撑和规则指导下才能学习，AI获取工作能力的前提必须是已经分析出这些工作的特定规则，好比必须知道什么样的视网膜情形是可能致盲的症状，才有可能建立相应的深度学习训练模型，从而建立相应的AI应用来筛查糖尿病患者。
换句话说，你只有具备思维模型的能力，具备某个领域建立模型，发现规则，总结规律的能力，才可能在人工智能时代始终凌驾于机器之上。
虽然我们无法预知更远的未来，但是以近20年AI和机器学习的发展来看，可以预见的是，至少20-30年内，建立模型并发现规则的能力，是AI的“禁区”，而其他领域，都将不得不面临AI美好愿景下的挑战和威胁，在巨头们竞相发力，AI算力越来越恐怖的今天，和AI应用比拼计算和精确，都无异于以已之短，攻彼之长，胜负毫无悬念。
只有培养自己思维模型能力，也就是建立模型，发现规则，总结规律的能力，将其培养为自己的核心思维能力，才可能在人工智能时代立于不败之巅。
但可惜的是：绝大多数人在这方面的能力都很不乐观，很多人要不然就是不知道如何去培养思维模型能力？要不然就是误把金字塔原理等结构化思考方法当做自己的核心思维能力。
你应该记住的是：包括金字塔原理在内的所有结构化思考方法，都是在处理已有信息，是在和已知的信息打交道，这些方法对于整理已有信息无疑是有作用的，但这些过程，并不能帮助你建立模型、发现规则、总结规律，这些方法有用，但并不能帮助你战胜AI，你要明白，很多时候，在处理已有信息方面，AI比你要出色的多。
思维模型的核心是生产信息，建立模型、发现规则、总结规律是个生产信息的过程，是信息从未知到已知的过程，尽管这一切都发生在我们的大脑中，在专业知识基础上培养思维模型能力，学会生产信息，才是战胜AI的关键，才是扬长避短的关键。
其实不用具备太多专业知识，你也能够一眼就看明白：
- 当分析视网膜情形和糖尿病导致失明的关联时，金字塔原理等结构化思考方法有帮助吗？
- 当分析哪种板材是不合格地板原料时，金字塔原理等结构化思考方法有帮助吗？
- 当分析为何同一客户的相同额度的两个项目，工期都一样，利润却相差很大，金字塔原理等结构化思考方法有帮助吗？
- 当分析为何你所在的西南片区营收下降，客户满意度却在上升，金字塔原理等结构化思考方法有帮助吗？
很多人错把处理已有信息的金字塔原理等结构化思考方法，当成了解决问题的方法，当成了自己的核心思维能力，却没有意识到，核心思维能力是应对、分析和解决复杂问题，而这是个生产信息的过程，是需要思维模型能力来帮助你建立模型、发现规则、总结规律，进而解决问题的。
仅仅几个提问你就能知道为什么说金字塔原理等结构化思考方法的问题在哪里？为什么其无法应对复杂问题的分析和思考，我们在之前的文章也详细讲过这个问题。
- 如何保证MECE中所要求的金字塔每个类别和全塔是完全穷尽的？
- 怎样能够完全指导主题在金字塔中的归类？
- 自上而下法如何保证设想出的疑问是合理和有效性的？
- 自下而上法如何找出各要点间的关系？怎样保证找出的关系是正确的？
- 结论先行后，怎么保证和验证你所提供的演绎也好，归纳也罢的前提对你的结论是有支撑性的？
很明显，没有思维模型能力的支撑，没有分析问题时生产信息过程的支撑，金字塔原理等结构化思考方法并不能回答以上问题，不能帮你落地分析和解决问题，不能帮助你发现规则，战胜AI。如果你将其当作你的核心思维能力，你会很沮丧的发现，你分析和解决问题的实际能力并没有真正提高，只是表现出来的“思考样子”好看了而已。
错把结构化和MECE当做分析和解决问题的核心思维能力，我们之前的文章还举过知乎上一个很火的浏览量500多万、2万多高赞答案并被收录进知乎周刊的例子。
这个错误的高赞回答里示例了一个自问自答，来说明如何提高分析问题的逻辑思维能力：人在哪些场合下会哭？请列举出尽可能多的不重复的答案，答主是这样解答的：
“最有效的方法是先分类，然后一一列举”，“可以分为一个人的场合、两个人的场合、多个人的场合”，“一个人的场合什么时候会哭？挂科、失恋、喝醉、生病，等等。两个人的场合什么时候会哭？吵架、被骂、被感动，等等。”
”如此类推，如果不分类，要么列举得很慢，要么列举不全，要么列举出重复的答案。这就是人们常说的 MECE ：Mutually Exclusive, Collectively Exhaustive。做到这一点，分类的功夫就差不多了。”
你看完之后觉得呢？这样的分析合理吗？能够解决问题吗？如果你了解金字塔原理的话，这是不是就能做到MECE了？
如果你认为这样的分析是有问题的，恭喜你，你已经在核心思维能力的培养意识上超越了答主和给这个回答点赞的2万多人，以及将这个回答收录到知乎周刊的知乎小编。
这个分析明显是有问题的，是很明显的没有思维模型支持下的假分析，看似在生产信息，但信息却是无效和非系统的，答主示例自问自答来演示如何提高逻辑思维能力，但却不知道自己思考的切入点本身就错了，不知道自己错把处理信息的方法当做了生产信息的方法。
这个问题按一个人、两个人、多个人来入手分析，和按照室内、室外场合分类一样是毫无意义的，以人数来做区分无法指导推演并穷尽人哭泣的场合。
为了分类而分类的相互独立是没有意义的，MECE切入点的目的是能够指导推演和完全穷尽主题内容，这样的分析方法是不可能穷尽全塔的，从答主没有给出多人场合下的例子也能看得出来，以人数来分类实际上难以推导哭泣的场合。
人在哪些场合下会哭？这个问题的切入点是“场合”吗？不是，场合只是结果。
分析任何问题的关键都是你要为问题建立思维模型，找对切入点，无论是简单问题还是复杂问题，如果你建立了思维模型，你就很容易看得出来，在这个模型中，“哭”才是切入点。以哭为切入点来分析才有穷尽场合的可能，因为按照模型中的对象关系，只有发生了“哭”才可能有哭的场合，而不是在哭的场合下人们才会哭，答主从场合来入手是很典型的没有思维模型会犯的错误。
进一步的分析，我们很容易从模型中哭的场景和行为间分析出切入点的分类：心理因素和物理因素。
心理上人们感到高兴的时候会哭，例如见到久违的亲人，经过努力取得了好成绩；在感到悲伤的时候会哭，例如经历失恋的痛苦，感伤电视剧里主角的不幸；会感到委屈的时候会哭，例如被老师批评，被朋友误解；以及在觉得恐惧的时候哭等等。
物理上人们会因为外物的刺激或者伤害哭，比如芥末的刺激、被锐物划伤、摔倒在坚硬的石板路上等等；也会因为生理上的饥饿（尤其是婴幼儿）、疾病、疼痛等等哭。
确定了入手点，我们就可以找对应的场合了，寻找场合在模型中就会很自然地推导到哭这个行为的主体：人。从模型中人和场景的关系可以自然而然的发现人的生命周期给出了场合的顶级类别：学习、工作和生活，你在心理和物理因素上哭的行为，无一不是发生在这三个大类场合下面。
建立了这两组因素和场合的类别，你才具备保证你所分析出来的人会哭泣的场合不丢、不重的系统基础，你才可能在思维模型的支持下继续往下细分和组合，进而说出足够多的高质量的答案。
请记住：思维模型才是是核心思维能力的基础，而不是金字塔原理等结构化思考方法。没有思维模型，你很难系统地生产信息，分析复杂问题，从而具备在人工智能时代战胜AI的能力。
人工智能时代已经加速来临，并正在以超越想象的速度进步，AI应用逐渐统治操作性、重复性、单一知识、显性规则的工作已经初现端倪，世界智囊们对我们的警告已经发出。
如果你没有自己的核心思维能力，仅仅依靠你的操作技能和专业知识，势必将被逐渐被淘汰，只有在你现有专业基础上，建立你的思维模型能力，培养你建立模型、发现规则、总结规律的能力，才能保证自己始终比AI更高级，才能保证你在人工智能时代拥有自己的生存和发展之本。