在企业会议、战略讨论和投资峰会中，人工智能的话题总是少不了。人们关心：它会抢走我们的工作吗？能否带来更快的增长？又有哪些潜在风险被我们忽视？在这些热议话题中，有一个真相尤为重要：在这个由机器生成信息充斥的时代，人类最宝贵的能力之一，可能就是问问题、提出质疑、检测假设的能力，我们可以称之为“怀疑思维”。
虽然每年在领导力培训上投入了大量资金，但很少有管理者能准确界定“怀疑思维”意味着什么，也不知道该如何培养它。但如果要理解为什么怀疑思维应与智商和情商同等重要，首先需要回顾一下过去这些概念是如何改变我们对人的认知，以及未来第三种认知方式可能涵盖的内容。
**曾经的智商时代**
20世纪，智商一直被视为衡量“聪明”与否的唯一标准。它是学术评价、人才晋升甚至国家排名的重要依据。1904年，心理学家查尔斯·斯皮尔曼提出“普遍智力”理论。他发现，擅长某一种认知测试的人，往往在其他测试中也表现良好。基于这一发现，法国的比奈和美国的特拉曼开发了能够以数字表示智力水平的智商测试，智商热潮也随之而来。
智商在预测学业成绩、逻辑推理和未来收入方面表现出色，但到了1980年代，人们开始质疑：为什么一些智商最高的人在实际中却失败了？而一些中等甚至较低智商的人却能取得优异的成绩？
**情商崛起**
对智商挑战最大的，是霍华德·加德纳提出的“多元智能”理论。1983年，他在著作中指出，音乐、空间、运动、人与人之间的关系、以及自我认知等多种智慧都同样重要。这个观点引发争议，但也为后来的情商理论奠定了基础。
1990年，心理学家彼得·萨洛韦和约翰·迈耶提出了“情绪智商”，强调识别、理解和调控情绪的重要性。1995年，丹尼尔·戈尔曼通过畅销书《情绪智商》将其推向全球。戈尔曼认为，自我意识、情绪调控、移情能力和社交技巧，往往比单纯的认知能力更能决定领导力和生活的成功。
许多企业纷纷将情商培训列入管理课程，着重培养员工的情感交流和团队合作能力。然而，这些理念虽然让我们更善于“感受”和“沟通”，却没有解决对信息和系统的质疑能力。
**怀疑思维的出现**
近年来，另一种新兴的“智力”开始受到关注。当机器学习逐渐掌握裁决法律、诊断疾病、预测市场趋势等复杂任务时，人们逐渐倾向于相信“算法更客观、更数据驱动”。然而，近年来一些高调失误事件，如面部识别技术难以识别黑肤色人、贷款算法歧视女性、语言模型产生虚假信息，凸显了人工智能的缺陷。
这些问题背后，隐藏着复杂模型难以理解的“黑箱”，即使是研发者也难以解释其决策过程。这就需要一种新的人类能力——批判性检视机器输出的“怀疑思维”。
**什么是怀疑思维？**
它不是简单的反对或盲目怀疑，而是一种有纪律、基于好奇心、谦逊（知道自己不知道什么）和证据评估能力的思考方式。除了智商解决清晰定义的问题，情商应对社交场合，怀疑思维则专注于深入挖掘表面之下的潜在假设。
可以借助认知心理学和批判性思考的研究成果，理解怀疑思维的核心组成部分，包括：
– 明确定义概念：理解每一个术语或建议的真正含义，避免模糊带来的误解。
– 寻找证据：问“这个结论基于什么数据？”“数据是如何收集的？”
– 识别假设：揭示潜藏的文化、统计或组织预设。
– 考虑替代方案：思考“还有其他可能的解释或预测吗？”
– 识别偏见：提防确认偏误、易得性偏差等认知陷阱。
– 评估来源：判断数据和专家的可靠性。
怀疑思维正是将这种批判精神运用到现代大数据和人工智能环境中的表现。
**为何当下更需要怀疑思维？**
令人讽刺的是，人工智能越发强大，越易让我们放松质疑。在一些场景中，模型会提供高置信度的结果，甚至配上漂亮的图表，容易让决策者放松警惕。一项2022年的研究显示，管理者即使发现模型存在明显漏洞，也更倾向于相信那些“漂亮”的报告。
这些偏差带来的风险已屡见不鲜。例如，2020年某知名公司的招聘算法，因为数据偏见而歧视女性，导致部分优秀候选人被误判。又如，一些金融科技应用错误识别少数族裔借款人风险，把他们错评为高风险。这些错误都不是因为管理者无能，而是因为他们缺乏对模型的怀疑能力。
巴菲特曾说：“从别人的错误中学习固然重要，但更关键的是学会不犯错。”在人工智能时代，只有具备怀疑思维，才能实现“信任但要验证”。
**怎么培养怀疑思维？**
在实践中，可以通过以下几种方式提升这种能力：
– 超越合规培训：在日常工作中引入情景模拟，测试AI模型的输出可靠性。
– 注重“求真”型人才：招聘时关注应聘者的谦逊心态和好奇心，鼓励提问。
– 激励不同意见：建立“健康质疑”的企业文化，避免人才盲从。
– 建立算法审查团队：专门负责检测模型是否存在偏差、是否合理的机构，像财务审计一样，让模型审查常态化。
**未来的“超能力”**
当回顾人工智能发展历程，未来十年，人们可能会惊讶于我们曾如此