开通VIP，畅享免费电子书等14项超值服
首页
好书
留言交流
下载APP
联系客服
传统的“掌握技能”模式是否让你觉得低效又耗时？在人工智能重新定义学习和创造的时代，真正的竞争力不在于你能记住多少，而在于你能理解多深、表达多准、连接多广。
如果你也对如何让AI为你服务、让理解成为效率的核心感兴趣，那么这篇文章将引导你从“知道如何做”转向“理解为什么做”，从执行者进化为知识的提炼者和连接者。继续阅读，探索认知的全新可能性！
传统认知模式正在崩塌。为什么？因为AI颠覆了'掌握'的定义。过去，我们通过反复练习将知识内化为本能。现在，只要理解本质并能精确表达，实践部分就可以交给AI。这不是效率的提升，而是认知范式的根本转变。
（预防针：前面都是屁话，干货在后面，请务必坚持！）
➤举个例子：
当我将自己过去学生生涯里，饱读了不知多少文艺作品优美歌词总结出的诗词创作方法封装成一个提示词。
写一首金句频出张力十足的现代诗，从此如同吃饭喝水。原本咬文嚼字一天的成果，被压缩到了一分钟，甚至10秒钟。
在这个过程中
我做到的是积累吗？
是持之以恒的练习吗？
都不是
是理解，在更抽象的层面对创作方法的理解。
理解意味着清晰表达，清晰表达意味着：可封装。
维特根斯坦说：
“凡是可以说的，都可以清楚地说；凡是不能说的，就应该保持沉默。”（第七命题）
我要说：“凡是可以清晰描述的，都可以被封装替代；凡是描述不清的，那说明你理解不到位。”（跟维特根斯坦那句毫不相干，除了句式。）
我的每一个提示词，都是对旧有方法论的封装。都在为这一观念做辩护。
传统学习像爬楼梯：一步一个台阶，循序渐进。 AI时代的学习像量子跳跃：理解到位的瞬间，执行就能通过AI实现。这不是速度的提升，而是维度的跃迁。
➤举个例子：
当我将自己过去学生生涯里，饱读了不知多少文艺作品优美歌词总结出的诗词创作方法论封装成一个提示词。
写一首金句频出张力十足的现代诗，从此如同吃饭喝水。原本咬文嚼字一天的成果，被压缩到了一分钟，甚至10秒钟。
我故意跟上面重复的，理解就行。因为大纲是AI写的，我发现这里跟上面表达有重复。（📍这就是元认知）
如图：没图。
如果你认同“掌握”，或者说“习得”范式的根本转变。
那么在新范式下，理解'如何理解'比理解本身更重要。为什么？
理解的深度决定表达的精确度
表达的精确度决定AI实现的效率
元认知能力决定知识迁移的速度
这是认知层级的根本转移。
➤补个小课：什么是元认知？
元认知（Metacognition），源自希腊语前缀“meta-”（超越）和拉丁词根“cognitio”（认知），意为“超越认知的认知”。这一概念由心理学家约翰·弗拉维尔（John H. Flavell）于1970年代提出，他研究儿童的认知发展时发现，人类能够反思和调节自己的思维过程。
弗拉维尔将元认知分为两大核心：
元认知知识：对自己思维过程的了解（如知道自己的学习优势和适合的策略）。
元认知调控：在行动中监控和调整自己的思维（如察觉理解困难时选择回读）。
布鲁姆分类学中，将“元认知类知识”纳入知识维度，指对自我、任务和策略的理解：
自我知识：知己之优劣。
任务知识：知事之难易。
策略知识：知行之方法。
元认知使学习者如明月照影，能觉察自身；如水晶透光，能优化认知。这一能力超越知识本身，直指智慧之源。
例子：
监控：阅读时意识到“刚刚那段没理解”，于是重读。
调节：考试前发现复习方法无效，切换到做题练习。
知识：知道“我更擅长视觉学习”，选择图表而非长文。
图源：我的笔记
如图：这次有图
好，补完课我们回到正题。
我们前文讲到：在新范式下，理解“如何理解”比理解本身更重要。
➤举3个例子（看一个就行，没懂再看第二个）：
- 编程领域：
传统范式：死记硬背各种语法规则和设计模式
新范式：理解'如何分析问题的计算本质'。比如，不是记住排序算法的具体代码，而是理解'什么样的问题本质上是一个排序问题'，然后能够准确地让AI实现对应的解决方案。
- 写作领域：
传统范式：背诵优秀范文，模仿遣词造句
新范式：理解'如何提炼写作的核心诉求'。例如，不是背诵商务邮件模板，而是理解'这封邮件的目的是什么、受众是谁、需要传达什么情绪'，然后能准确地指导AI生成合适的文本。
- 设计领域：
传统范式：熟练掌握设计软件的各种工具和快捷键
新范式：理解'如何定义一个好的设计'。比如，不是精通Photoshop的每个功能，而是能够准确描述'这个设计需要传达什么感受、如何引导用户注意力、为什么某些元素更重要'。
这个转变特别有意思：我们从'知道答案'转向了'知道如何找到答案'，从'掌握技能'转向了'理解技能的本质'。
我们不再需要在执行层面与机器竞争。人类的核心优势在于：
抽象概念的提炼能力
跨领域知识的连接能力
模式识别和归纳能力
问题本质的洞察能力
这不是能力的替代，而是分工的优化。
AI接管了执行层面的工作，让人类能够专注于更具战略性的思维。就像计算器解放了我们进行复杂计算的脑力，让我们能够专注于数学原理的理解和应用。
现在的AI则进一步解放了我们的执行层面能力，让我们能够投入更多精力在真正需要人类独特智慧的领域。
这种分工也意味着人类需要重新定义自己的角色：从执行者转变为战略思考者，从知识的容器转变为知识的连接者，从流程的执行者转变为本质的探索者。
在这个新时代，真正的竞争力不在于你能熟练应用多少知识，而在于你能多么深刻地理解和连接这些知识。
传统知识封装在个人大脑中，需要通过行为表达。 这也意味着，理解并不等同于学习，即便在理解后，还需要进行大量的积累和练习，才能真正“习得”。
➤举4个例子（看一个就够了）
故事写作： 理解：'我知道好的开头要抓人眼球，知道要设置冲突，知道要有起承转合' 习得：能够自然地在写作时编织情节，让人物对话既推进剧情又展现性格，让细节既丰富画面又暗示伏笔。这需要写过大量习作，经历过反复修改，才能形成创作的'条件反射'。
短视频剪辑： 理解：'我懂镜头语言，知道转场技巧，明白节奏控制的重要性' 习得：在剪辑时能自动识别最佳切点，直觉感知画面节奏，不用思考就能选择恰当的转场效果。这需要剪过几百个视频，犯过无数错误，才能形成剪辑的'本能'。
播客主持： 理解：'我知道要倾听、要引导、要抓住关键点深入' 习得：能在对话中自然捕捉嘉宾话语中的亮点，顺畅地引导话题深入，在保持对话流畅的同时适时介入和转向。这需要主持过大量节目，经历过各种突发情况，才能形成对话的'直觉'。
平面设计： 理解：'我懂视觉层级、色彩搭配、留白原则' 习得：在设计时能直觉地判断元素位置是否协调，不用对照色轮就能选择合适的配色，自然地找到最佳的信息编排方式。这需要设计过无数作品，收到过大量反馈，才能形成审美的'肌肉记忆'。
新范式下，知识可以直接封装在AI中，通过代码/提示词实现。 这不是工具的进步，而是知识载体的革命。
➤举3个例子（看一个就够了）
写作： 传统范式：作者需要在大脑中储存大量修辞手法、故事结构、文体特点，通过反复写作将这些知识转化为写作本能。即使理解所有写作技巧，也需要大量实践才能自然运用。 新范式：作者只需要理解'什么样的写作能打动人'的本质，然后可以通过精确的提示词，让AI运用各种写作技巧。比如告诉AI '用春天的意象暗喻人物内心的希望'，AI就能调用相关的写作知识进行创作。
设计： 传统范式：设计师要在脑中储存色彩理论、排版原则、视觉心理学等知识，通过无数次设计实践将这些规律内化为直觉。 新范式：设计师专注于理解'什么样的设计最有效'的本质，然后通过明确的参数和描述，让AI应用设计原则。例如指定'使用高对比度引导视线流向CTA按钮，用留白营造高端感'，AI就能调用相关设计知识完成创作。
剪辑： 传统范式：剪辑师需要熟记各种转场技巧、节奏规律、叙事手法，通过剪过无数视频将这些知识转化为本能反应。 新范式：剪辑师聚焦于理解'什么样的节奏最吸引人'的本质，然后通过清晰的指令让AI运用剪辑知识。比如设定'用快节奏剪辑制造紧张感，在情感高潮处放慢节奏'，AI就能调用相关剪辑知识完成作品。
在这样的新范式下，旧有的「学习效率」、「实践」也要被重新定义。
学习效率不再是练习速度的函数，而是：
理解深度 × 表达精确度 × AI执行效率
这是效率公式的根本重写。
'实践'不再局限于人的肢体动作：
思维实验成为真实实验
概念验证即为实践验证
逻辑推演等同于实际操作
这是'实践'概念的拓展。
写累了，下面这一坨就不展开讲了。反正是AI给的大纲。
不重要的内容（马上到干货）
专业不再意味着'做得好'，而是：
理解得深
表达得准
连接得广
思考得透
这是专业标准的重构。
教育重点需要转向：
概念本质的理解
表达精确度的训练
知识连接能力的培养
元认知能力的强化
这不是方法的改进，而是体系的重建。
AI不仅是工具，而是认知的延伸：
突破了个体认知的限制
实现了群体智慧的即时调用
打破了知行合一的约束
重构了学习的时空限制
理解才是稀缺资源
表达即是实现
知识不再需要内化
执行可以无限复制
创新在于连接
课间休息，歇会，喝口水哈哈哈。
如果你看到这里，那我真的很爱你了❤️。
扯了这么多屁话，又是“深度理解”又是“元认知”的。吧啦吧啦一通嘴炮，范式是啥？“范式”咋就给打破了？
看起来高大上有道理，看完还是一头懵圈。
既然是深度长文，那就得有点深度。讲再多道理，最后也要收敛到实践。不然，如讲。听君一席话如听一席话。所以接下来我们讲点实在的。
如果说前面的内容要提炼出一个重点，那就是这个简洁的公式了。
学习效率=理解深度 × 表达精确度 × AI执行效率
后半部分，我们就来把「理解」这个概念拎出来给它严刑拷打。
首先，我们在这里发问：什么是理解？到底如何达成深度理解？
更进一步，我们从一个差异现象问起：
为什么我能理解《高效能人士的七个习惯》，却理解不了《资本论》？为什么我能看懂《斗破苍穹》、《金牌神医之腹黑皇妃》，却看不懂《百年孤独》、《追忆似水年华》？这其中到底差了些什么？
ps.书籍功能不同，不分优劣，此处仅以理解难度为选择标准。
我们分别从「人」和「学习材料」两个维度讲。
从人的认知能力角度出发，我们需要先在大脑中建构这个概念：
工作记忆
（能看到这的，大概率已经建构过这个概念了，跳过即可）
定义：工作记忆是大脑的一种短时记忆系统，负责临时存储和处理信息，以支持复杂的认知任务，如学习、推理、问题解决和决策。它是我们处理信息的“心理工作台”。
短暂性工作记忆只能保留信息几秒至几十秒，除非通过主动复述或转移到长期记忆中。
有限容量一般情况下，成年人工作记忆的容量约为7±2个信息块（如电话号码的数字分组）。但通过组块化（chunking）策略，可以将多个信息组合成更大的单位，提高存储效率。
动态处理工作记忆不仅存储信息，还能对信息进行实时加工。例如，计算“15 + 27”时，你需要在脑中短暂存储数字，同时进行加法运算。
艾伦·巴德利（Alan Baddeley）提出了经典的工作记忆模型，包含以下组件：
中央执行系统（Central Executive）类似大脑的“总指挥”，负责注意力分配、任务切换和信息整合。
视觉空间模版（Visuospatial Sketchpad）处理视觉和空间信息，例如记住地图的路径或想象物体的位置。
语音回路（Phonological Loop）处理语言相关信息，包括语音记忆和复述。例如记住一个电话号码。
情景缓冲器（Episodic Buffer）作为一个整合模块，将视觉、语音和长期记忆的信息整合在一起，用于形成更复杂的记忆。
学习学生在解数学题时，需要在脑中存储公式、问题和计算步骤，这完全依赖工作记忆。
语言理解听别人讲话时，工作记忆需要暂时存储句子的开头，直到句尾出现，才能理解完整意思。
问题解决例如下棋时，你需要在脑中短暂存储棋盘布局，并预测多个可能的下一步。
➤类比 工作记忆就像厨房里的操作台。
暂时放置食材：当你准备做一道菜时，会把需要的蔬菜、调料和工具摆在操作台上，但台面空间有限，放得太多就会杂乱，甚至没法动手操作。
处理过程中的中转站：你可以在台面上切菜、搅拌、调味，但这些只是短暂步骤，最后还是要把成品端到餐桌（长期记忆）。
随时清理和腾出空间：如果台面堆满了东西，你必须清理或整理一下，否则后续工作无法继续。
比如，当你准备一顿复杂的晚餐时，需要同时记住几个菜的步骤，还要安排烹饪顺序，如果摆放太多、太复杂，就容易手忙脚乱甚至烧糊菜。
从材料复杂性角度出发，我们需要在大脑中建构这个概念：
元素交互性
定义：元素交互性指任务或信息中各个元素之间相互关联的程度以及它们在认知过程中对工作记忆的需求。简单来说，它衡量的是完成某个任务时，需要同时处理多少相互关联的元素。
低元素交互性：元素之间的关系较少，可以独立学习或处理。例如，记住一个单词的拼写。
高元素交互性：元素之间高度相关，必须整体理解和处理。例如，理解一个复杂的数学公式。
任务复杂度：元素交互性高的任务通常更复杂，因为必须同时关注多个元素之间的关系。
低交互性：任务可以被分解为独立的步骤处理。
高交互性：任务需要整体性思考，分解会破坏任务的意义。
工作记忆负荷：元素交互性越高，对工作记忆的要求越高，容易引发认知过载，尤其是在学习新知识时。
领域依赖性：对熟练者来说，高交互性的任务可能因其经验被简化为低交互性。相反，对新手来说，所有元素可能都需要单独处理，导致交互性更高。
低元素交互性
背诵数字“12345”。
学习单个英语单词的拼写。
记住简单的规则，比如“a before b”。
高元素交互性
理解爱因斯坦的相对论公式 E=mc2E=mc^2E=mc2，需要同时掌握质量、能量和光速之间的关系。
写一篇有逻辑递进的议论文，需要协调主题、分论点和论据之间的关系。
学习下棋中的战略时，需要同时评估己方与对方的多步可能。
低交互性任务适合初学者，用于熟悉基础元素。
高交互性任务适合进阶学习者，用于培养整体理解和综合运用能力。
➤类比 元素交互性就像组装一套家具。
低元素交互性：如果这套家具是一个简单的凳子，只有几个独立的零件（如四条腿和一个座面），你可以逐个组装，每个步骤相互独立，不需要同时关注所有零件的关系。
高元素交互性：如果是组装一个复杂的衣柜，你需要同时考虑每块板材、螺丝和接口之间的关系，一步接错可能导致整个结构不稳。你必须协调所有零件的位置、顺序和功能，才能完成组装。
如果你是初学者，衣柜的复杂关系可能让你手足无措（高交互性），但对经验丰富的工匠来说，这些关系可以被简化，从而变得容易（低交互性）。
现在我们有了这两个小小概念工具，用它们来处理一个具体例子：
在《资本论》中，马克思写道：
“货币结晶是交换过程的必然产物，其他一切商品只是货币的特殊等价物，而货币是它们的一般等价物，所以它们是作为特殊商品来同作为一般商品的货币发生关系。”
——《资本论》第一卷，第一篇第四章《货币形式》
这段话对初学者来说理解困难，主要是因为元素交互性过高，导致可怜的工作记忆应接不暇。
货币的结晶：需要理解货币不是天然存在的，而是商品交换发展到一定阶段后的产物。
特殊等价物：其他商品在特定情况下充当等价物，但这种角色是暂时的、局部的。
一般等价物：货币作为普遍代表，统一了商品的价值表达。
特殊商品与一般商品：货币与其他商品关系独特，所有商品作为“特殊商品”，必须通过货币这一“一般商品”实现价值的表达。
这些概念不仅抽象且相互依赖，理解其中一个需要同时调用对其他概念的认知。对于初学者来说，工作记忆需要同时处理多个高度关联的信息，导致认知负荷过高，从而无法有效理解。这正是元素交互性过高导致工作记忆容量不足的典型例子。
类比：就像试图在没有经验的情况下一次性掌握多个棋子的规则（如车、马、象）和它们在战术中的互动关系，结果是因为所有元素过于复杂而无法有效进入思维体系。
天才当然有，可人类智力是正态分布的，大多数人都在一个平均线上下波动，工作记忆不会相差太多。既然大家的“硬件水平”相差不多，那为什么有的人能理解，我却不能？我们该怎么解决这个问题？
从材料的角度出发，答案当然是：降低元素交互性。可以通过逐步拆解概念，绘制概念地图的方式来解决。
当我们分别理解每一个概念所指代的具体内涵，并以概念地图来清晰展示概念间关系，理解自然而然就会达成。
从人的角度出发，我们要问：如果人的工作记忆容量只有7±2个信息块（甚至后面发现没有这么多），那人是怎么把握无穷无尽的现实现象的？
答案是：
组块化
组块化（chunking）
组块化是指通过将新信息与长时记忆中的已有知识建立关联，从而形成更大、更复杂的认知单元（组块），在不增加工作记忆负担的前提下，提升认知处理的效率。
工作记忆的局限：工作记忆容量有限，一次只能处理约7±2个信息单元。
长时记忆的补充：长时记忆中储存着大量经验和知识，当新信息与已有知识关联后，就会形成一个“认知组块”，将多个相关元素打包为一个整体。
组块化的好处：组块化后的信息尽管复杂，仍被视为一个单一单元，从而减少工作记忆的负荷，同时允许我们处理更高阶、更复杂的任务。
组块化的机制
打包信息：通过组块化，将多个信息项（如苹果的颜色、味道、用途）作为一个单元处理，而非逐个存储和调用。
例如：听到“太阳系”，你会自动联想到太阳、行星等整体概念，而不是逐个处理这些对象。
简化工作记忆负荷：无论组块包含多少信息，它在工作记忆中占用的空间类似于单一单元。
类比
组块化就像压缩文件。
零散的信息：原始数据文件可能由多个零散的内容组成，比如单独的图片、文档和音频。
组块化过程：将这些内容压缩为一个ZIP文件。
结果：虽然ZIP文件内部信息量庞大，但存储和传输时，它被视为单一文件，不增加额外负担。
组块化的例子
语言学习：
学习单词时，初学者逐字记忆“s-u-n”；而熟练者将其直接认作“太阳”的语义组块。
数学问题：
初学者解题时可能单独分析每个公式变量，而专家能快速将公式整体理解为一个组块。
象棋对局：
棋手看到棋盘时，能将多个棋子和布局看作一个战略组块，而不是单独分析每颗棋子的位置。
总结
组块化是工作记忆和长时记忆协同作用的关键机制，通过将新信息与已有知识建立联系，形成认知组块，从而提升信息处理能力和复杂问题的解决能力。它不仅是学习和记忆的重要策略，也是我们理解复杂事物、推动认知发展的核心过程。
如果有小伙伴看过那本《刻意练习》，那么应该很容易就能理解这里的「组块化」。和书中提到的「心理表征」的内涵是相似的。
现在反过来以此指导实践，还是拿《资本论》那段话做例子：
“货币结晶是交换过程的必然产物，其他一切商品只是货币的特殊等价物，而货币是它们的一般等价物，所以它们是作为特殊商品来同作为一般商品的货币发生关系。”
我们选取其中的「货币结晶」这一概念，来展现它是如何从更基础的概念抽象组块化到难以理解的：
马克思在《资本论》中提出「货币结晶」这一概念时，是为了揭示货币作为价值的表现形式是如何形成的。要理解「货币结晶」，需要回溯其前概念及其更深层的前提概念。我们可以用以下链条来表示这些概念之间的关系：
劳动→价值
劳动：在马克思的理论中，劳动是创造价值的根本源泉。具体劳动生产使用价值，而抽象劳动形成价值的实质。
价值：是抽象劳动的社会化体现，表现为商品之间的交换比例。
价值→交换价值
价值：内在于商品的抽象劳动量。
交换价值：价值在交换中的表现形式，是商品之间进行量化比较的依据。
交换价值→货币
交换价值：在商品交换的过程中，一种商品逐渐被普遍接受为交换媒介，即货币。
货币：是交换价值的最终形态，是一种独特的商品，其价值成为其他商品价值的通用等价形式。
货币→货币结晶
货币：作为价值的物化形式，它既是交换的媒介，也是价值的表现形式。
货币结晶：指货币在资本主义生产方式中，不仅是交换的工具，还凝结了社会关系和商品交换中的价值本质，成为一种物的存在形式。
因此，完整的逻辑链条为：
劳动→价值→交换价值→货币→货币结晶
这一逻辑链条揭示了马克思对资本主义生产和交换关系的层层解析，从生产的起点（劳动）到价值形式的最高表现（货币结晶）的发展路径。
当你没有将“劳动→价值→交换价值→货币”在脑海中组块化时，当然就不能理解文中的「货币结晶」到底意味着什么。更无法理解为什么《资本论》是一本决定历史走向的书籍。
好了，讲到这里，差不多把要讲的核心内容讲完了，我们做一个简单总结：
这一部分内容看似庞杂，但其核心目标是通过分析认知工具和学习策略，回答以下两个问题：
为什么理解某些抽象概念（如《资本论》中的“货币结晶”）如此困难？
如何通过认知策略和方法论来提升理解能力？
核心公式的引出学习效率 = 理解深度 × 表达精确度 × AI执行效率这公式明确了学习和思考的关键变量，内容聚焦在“理解”这一维度的深挖。
问题分析：什么是理解？为什么难以达成深度理解？
人：工作记忆的局限。人类大脑的“硬件”先天有限，只能处理一定数量的信息，特别是在处理高度复杂的信息（高元素交互性任务）时容易超载。
材料：学习材料的元素交互性不同。低交互性的任务（如记忆单词）简单，而高交互性任务（如理解马克思的概念链条）对大脑提出更高要求。
应对方法：降低复杂性、提升效率
分解： 将复杂问题逐步拆解为基础单元，绘制概念地图，降低元素交互性。
组块化： 通过经验和知识的积累，将多个元素合并为单一的认知单元，从而减轻工作记忆负担。
实践案例：如何理解《资本论》的“货币结晶”
提出了“劳动→价值→交换价值→货币→货币结晶”的逻辑链条，通过层层递进的概念拆解，揭示复杂思想的核心逻辑。
讲完上面的，我们总结出一个简短的实践口诀：探本寻源，解构复杂；组块跃迁，直抵真知。
还记得我最开头那句模仿维特根斯坦的话吗？
“凡是可以清晰描述的，都可以被封装替代；凡是描述不清的，那说明你理解不到位。”
理解意味着清晰描述，清晰描述意味着“可封装”。
这里附上已经封装好的提示词：
最后
➤讲一对好玩的概念：
巴尔特生命中最后一本著作《明室》（La Chambre Claire，1980）讨论的是摄影。
在这本书里巴尔特提出了一对很有意义的观念，巴尔特用了两个拉丁词Studium／Punctum，这对概念意义界定不太分明。
赵毅衡老师在《符号学：原理与推演》中建议将其译为展面／刺点。
米切尔对这对概念曾经加以阐发，他说：
展面的修辞是道德或政治文化的理性调节，它让照片允许被读解出来，或者允许关于照片的科学理论出现。刺点，则相反，是犯规的，是阻断的。
我很喜欢这对概念。考虑到大家的概念体系不一，我用窜稀式的形容词轰炸，来描述这对概念，大家找找感觉。
展面是：
规范的、同一的、统一的、有序的、系统的、连贯的、完整的、整体的、层叠的、连续的、绵延的、结构化的、规则化的、秩序化的、铺展的。
尖锐的、精准的、聚焦的、凝练的、穿透的、爆发的、锋芒的、核心的、极致的、迅捷的、直接的、单一的、强烈的、集中化的、刺入的、不被定义的。
让AI去做铺天盖地的“展面”，而你成为那个摧枯拉朽的“刺点”。
这就是AI时代的真正心法。
弗拉维尔，约翰·H. (1976). 元认知：理论、实践与应用. 此概念最早由弗拉维尔在研究儿童认知发展时提出，主要包括元认知知识和元认知调控。
布鲁姆, 本杰明. S. (1956). 布鲁姆教育目标分类学. 将元认知类知识归为知识维度的重要部分。
巴德利, 艾伦 (1986). 工作记忆模型. 该模型包含中央执行系统、视觉空间模版、语音回路和情景缓冲器，是工作记忆理论的经典框架。
马克思, 卡尔 (1867). 资本论. 特别是第一卷第一篇第四章中关于货币和价值理论的分析。
巴尔特, 罗兰 (1980). 明室：关于摄影的思考. 提出的“展面”与“刺点”概念，用于描述摄影作品中不同层次的意义。
赵毅衡 (2001). 符号学：原理与推演. 对“展面”和“刺点”的中文译名和符号学意义的进一步阐释。
米切尔, W.J.T. (1994). 图像理论. 对展面与刺点的补充性解读。
维特根斯坦, 路德维希 (1921). 逻辑哲学论. 提出的“凡是可以说的，都可以清楚地说；凡是不能说的，就应该保持沉默”这一哲学命题。
《刻意练习》(2016). 安德斯·艾利克森对心理表征概念的阐述，为深度学习和认知策略提供了实践依据。