人工智能时代，如何构建我们的阅读“大模型”
人工智能正在改变人们进入知识世界的方式。智能问答、知识摘要与多模态内容，可以帮助读者快速接触陌生领域、梳理基本框架；与此同时，快速得到答案也可能掩盖一个更重要的问题：获取信息并不等于形成理解。对企业而言，这不仅是个人阅读习惯的变化，也关系到组织如何沉淀知识、训练判断力，并在信息密集的经营环境中保持长期竞争力。
习近平总书记指出：“阅读是人类获取知识、启智增慧、培养道德的重要途径”。参考资料显示，“全民阅读”连续13年被写入《政府工作报告》，“推进书香社会建设”被写入“十五五”规划纲要，《全民阅读促进条例》于今年2月1日起正式施行，并迎来首个全国“全民阅读活动周”。从政策倡导到社会实践，阅读正在被置于更加重要的位置。
人工智能改变的是信息入口，不是阅读的根本价值
数字化时代，社会节奏加快，从“一书在手”到“一屏万卷”，即时、海量、交互的信息服务显著拓宽了阅读边界。借助人工智能，读者可以快速解释概念、了解背景、提炼结构，也可以在不同学科之间建立初步联系。对于需要迅速掌握行业动态的企业决策者和业务负责人，这类能力能够降低进入陌生领域的门槛。
但阅读并不只是寻找答案。资料所呈现的共同观点是，技术可以加快信息获取，却无法代替个人完成思考、推敲和意义建构。信息获取主要回答“是什么”，理解建构还要继续追问“为什么”“意味着什么”以及“如何行动”。如果把摘要当作原文、把结论当作论证、把知道当作理解，阅读就可能从主动生成意义的过程，退化为被动接收结果。
人工智能给出的答案可以成为认知入口，但判断力仍要在阅读、思考与行动中逐步形成。
因此，人工智能时代讨论阅读，不应停留在纸质与数字、人工与智能的简单对立上。真正需要回答的是：怎样让技术提高获取效率，同时保留人对文本的耐心、对证据的辨别和对复杂问题的持续思考。
以“快变量”拓宽视野，以“慢变量”完成理解
参考资料提出，可以从“快变量”和“慢变量”两个层面理解人工智能时代的阅读。“快变量”是借助智能问答、知识摘要等工具，在较短时间内了解概念、把握框架、发现线索。它适合用来完成阅读前的导航，也能帮助读者跨越专业术语形成的障碍。
“慢变量”则是对经典文本、长篇论述和复杂问题进行细读与持续思考。它不以速度为首要目标，而是在反复阅读、核对语境、追踪论证和修正认识的过程中，逐渐建立个人的理解框架。阅读中的停顿、疑问和回看并非低效，而是深层理解发生的必要环节。
快与慢不是二选一。更合理的结构，是先用人工智能快速建立问题地图，明确核心概念、相关领域和待验证事项；再回到书籍、原始材料与完整论述中深读，对工具生成的内容进行核验；最后用自己的语言复述观点，写下依据、异议与结论。人工智能负责打开入口，人负责完成理解。
这种组合也解释了为什么“无屏深阅读”仍有现实意义。倡导无屏，并非拒绝技术或回到过去，而是有意识地为专注阅读保留空间。暂时离开连续提醒和即时反馈，让注意力完整地停留在一段论证、一种情感或一个长期问题上，有助于维持品味文字、体悟情感和深入思考的能力。
企业需要构建怎样的阅读“大模型”
对企业来说，阅读“大模型”不是单一工具，也不是资料数量的简单累积，而是一套由输入、理解、验证、交流和应用构成的组织学习机制。它的目标不是让所有人读同样的书，而是让不同岗位能够围绕真实问题形成共享语境，并把阅读所得转化为更清晰的判断。
- 从业务问题出发组织阅读。围绕战略、客户、产品、技术和管理中的具体问题确定主题，使阅读与决策情境建立联系，避免知识摄入与实际工作彼此脱节。
- 建立分层的信息结构。把政策文件、原始材料、专业著作、行业分析和人工智能生成内容区分开来，明确哪些用于快速了解，哪些需要完整阅读，哪些只能作为待核验线索。
- 保留来源与验证过程。人工智能生成的摘要和回答可以提高检索效率，但重要结论仍应回到原文和上下文。对影响业务判断的信息，应记录出处、适用条件和不确定之处。
- 通过复述促进理解。要求阅读者用自己的语言说明问题、证据和结论，通过讨论、写作或分享暴露理解中的空白。能否清楚复述，往往比是否看过材料更能检验阅读质量。
- 把跨界阅读纳入能力建设。人工智能擅长在垂直领域快速处理信息，而人的价值还体现在跨领域联想和判断。适度拓宽历史、社会、科技与人文阅读，有助于形成更立体的认知视角。
这套机制尤其需要避免两种倾向：一是把人工智能当作可以代替阅读的“答案机器”，二是因为担心依赖技术而拒绝一切智能辅助。前者可能削弱主动思考，后者则会放弃有效的信息入口。企业真正需要建立的是清晰的工具边界：可以让人工智能辅助解释、归纳和发现线索，但不能把事实核验、价值判断和最终决策交给工具。
从个人习惯走向组织能力
阅读能力并非自然成熟的结果，而需要长期训练。参考资料从阅读实践和相关研究讨论出发，强调了持续阅读对认知训练的重要性，也提醒人们关注过度依赖人工智能捷径可能带来的影响。资料同时指出，目前仍缺乏人工智能辅助阅读的脑科学直接证据，因此，对相关影响既不宜轻率下结论，也不能忽视保持自主加工文本能力的必要性。
企业可以把这种长期训练落实到日常工作流程中。例如，在重要议题启动阶段用人工智能协助梳理背景与概念；在研究阶段安排完整材料的深读和交叉核验；在讨论阶段要求参与者说明信息来源、推理路径与不同意见；在决策之后复盘哪些判断来自可靠证据，哪些仍有待验证。这样，阅读就不再是零散的个人行为，而会逐步成为组织共同学习的一部分。
管理者在其中承担着重要责任。如果组织只奖励快速回答，员工自然倾向于直接索取结论；如果组织重视问题质量、证据来源和思考过程，成员才有动力投入深阅读。构建阅读“大模型”，本质上也是重塑知识工作的评价方式：不仅看谁更快获得信息，还要看谁能在复杂材料中形成更深入、更可靠的理解。
守住思维的所有权
人工智能可以成为“读书搭子”，帮助读者破解概念障碍、提升信息处理效率，但它只是辅助，不能代替人的阅读和思考。答案解决的是眼前问题，阅读训练的则是理解问题、辨别证据和迁移知识的能力。未来真正稀缺的，可能不再是快速知道更多信息，而是在复杂信息中理解得更深、判断得更清楚。
面向人工智能时代，个人与企业都需要重新配置阅读结构：用数字工具提高知识抵达效率，用无屏或专注阅读保护深度，用原始材料和多源核验维持可信度，再通过表达、讨论与实践完成知识转化。这样的阅读“大模型”并不追求让技术退出，而是让技术回到恰当的位置。
从获取信息到理解世界，中间始终需要人的主动参与。阅泽云认为，企业建设面向未来的学习能力，关键不在于拥有多少信息，而在于能否形成兼顾效率、深度与验证的阅读机制。让人工智能打开视野，让深度阅读沉淀判断，才能在快速变化的环境中守住思维的所有权。