这本书写到这里，有一个大象在房间里坐不住了：现在有大语言模型了。它「读」过的书比任何人类多几个数量级，随问随答，不知疲倦。第二章辛辛苦苦区分的「记忆」和「判断」，在机器面前还有意义吗？人练格子，还值吗？
值。而且这本书前面的每一章，恰好都能用来说明为什么。
记忆确实贬值了，这没什么可伤心的
先承认事实。第二章说「记住一切不等于智能」，当时说的是人；现在机器把这句话演到了极致：它真的几乎记住了一切，而我们确实不能说它因此就有了将军的判断力。反过来，对人来说，「背得出」这个能力的市价确实崩了——就像计算器普及后，心算多位数乘法从硬技能变成了才艺表演。
但回忆一下第二章真正的结论：重要的从来不是存货量，而是存货的形式——孤立的事实是死库存，带判断的模式才是活资产。这个区分在 AI 时代反而更锋利了：凡是能被检索到的东西都不值钱，值钱的是把眼前这个具体局面归对格子的能力。机器把「词典」的价格打到零，「字条」的价格就相对涨了。
AI 自己就是一台「找相同」的机器
更有意思的是看 AI 本身的长短板，简直是为第五、六章做的注释。大语言模型做的事，本质上是把人类写过的海量文本里的模式吃进去，然后在你说一件事时，调出「最像的那些文本里通常会怎么接」。这是「在不同中发现相同」的极限形态——它在百万量级的文本上连类比之线，所以它特别擅长给出「这类问题一般怎么答」。
但它的软肋也正在另一面：「在相同中发现不同」。两个局面的骨架相同、要命的维度不同——第六章说过，这是人最值钱的那半个格子。机器对「一般如何」很敏感，对「这一次的特殊之处」很迟钝；更麻烦的是，它分不清自己什么时候对，错了也常常说得一样流畅、一样自信——它内置了一个没有安装自检模块的 WYSIATI。第八章的两条自检（环境有规律吗？反馈干净吗？）对它同样适用：它见过棋谱，但没为一步棋付出过代价。
大白话：AI 是地球上最强的「这类问题通常怎么办」机器。但你的问题从来不是「通常」，而是「这一次」。「这一次」里那个决定成败的差异，要你自己盯着。
判断里还有一样东西机器没有：后果
再往深一层。第一章说智能的定义里有个词是「行动」。行动意味着有人承担后果。将军下令，输了要死人的；医生说「先按心梗排查」，错了要负责的。判断之所以是判断而不是聊天，是因为判断者被后果绑着。这份绑定带来两样机器没有的东西：一是真正的谨慎——知道哪里是要命的维度，因为代价你付；二是责任——「出了问题算谁的」这个问题，最终只能落在一个会疼、会被问责的人身上。
所以人机分工的自然形状是：让机器做它擅长的——穷举选项、提供「通常的做法」、当你的第二意见；人守住机器接不住的——认出这次哪里不一样、在不完整的信息里拍板、为结果负责。机器把你的「查词典」时间省下来，全部预算都可以投给练格子。
顺便说，AI 还是个很好的练习对手
最后给一个实操建议，把第九章的方法和 AI 接起来：大语言模型是历史上最便宜的「交叉练习出题机」。你可以让它一口气出二十道打乱类型的题，逼你先归类再解；可以让它扮演面试里的刁难者、谈判桌的对面，给你即时反馈；可以把你写的预测日记扔给它，让它挑你推理里的漏洞。它不知道答案对你是否正确，但它有的是耐心，而练习最难凑齐的条件——一个随叫随到、不厌其烦、随时给你出「没标题型」的题的陪练——突然就免费了。
只是别让它替你判断。陪练可以帮你练格子，上战场扛责任的，是你。