一个比「读哲学史」更狠的需求

大多数哲学课的默认架构是编年史：从泰勒斯讲到维特根斯坦，按时间顺序背人名、背流派、背「某某主义主张某某」。这套架构有一个致命 bug——它把哲学当成只读的历史档案，而不是可执行的代码。你能复述康德说过什么，却答不出「康德会怎么处理自动驾驶的电车难题」。这就像背下了整本 API 文档，却从没调用过任何一个函数。

要解决的危机正是这个：让哲学从「被参观的博物馆」变回「被运行的操作系统」。元方法只有一句话：

不读编年史，只解方程；但承认历史是思想的 Git 版本史。

这两句不矛盾。「只解方程」是说，我们关心每个理论作为一个算法的输入输出行为；「Git 版本史」是说，我们仍在意每个补丁为什么被提交——它是为修复哪个时代的哪种系统性崩溃而写的。

学习法一：把哲学家当成算法模型

放弃「某哲学家是个伟大的人」这种叙事，改用一个更冷静的视角：每个理论都是一个函数 $f$，输入一个道德困境或技术难题，输出一个判断与一套理由。

拿同一道题喂给不同模型，观察分歧：

  • 输入：一辆失控电车，直行撞 5 人，或改道撞 1 人。
  • 功利主义 f_util：以总效用为目标 → 输出「改道，救 5 死 1」。
  • 康德义务论 f_kant：人应被当作目的而非仅仅是手段，不可把那 1 人当成救人的工具 → 输出「不可为了多数而主动把他当筹码」。

注意，我们不问哪个哲学家更高尚，只问：这个函数在这组输入上返回了什么，它的内部逻辑是否自洽。 抽象的「主义」立刻变成可测试的对象。东方同样适用：把孟子的「恻隐之心、性善」与荀子的「性恶需化」当成两套关于人性初始状态的默认配置，各自推出不同的治理算法。

学习法二：为自己的大脑写一份 AGENTS.md

工程师给 AI agent 写 AGENTS.md、给开源项目写 CONTRIBUTING.md——一份显式声明前提、优先级、底层规则的文档。你的大脑也在 24 小时运行一套决策系统，但它的规则多半是隐式、未审计、互相打架的。

学哲学的真正产出，是逼自己把这份文档写出来：

  1. 决策前提：我假设世界是确定的还是概率的？他人默认可信吗？
  2. 价值排序：当「自由」与「公平」冲突时谁优先？这是一个必须显式声明的 priority 字段，不能临场拍脑袋。
  3. 底层逻辑：我的判断依据是结果、是规则、还是品格？

每学一种理论，就把它当作一次 pull request——看它想往你这份文档里改哪一行。你可以拒绝合并，但你必须知道自己拒绝了什么。苏格拉底说「未经省察的人生不值得过」，翻译成工程语言就是：未经版本控制的价值系统，迟早会在压力下崩溃。

学习法三：对比验证法——给理论做压力测试

任何理论在它的舒适区里都显得完美。鲁棒性只在边界条件上暴露。 所以学完一种理论，标准动作不是鼓掌，而是主动构造它的反例，把输入推到极端，看它在哪里返回了荒谬值。

压力测试 · 功利主义：一个健康路人走进医院，医生发现他的器官恰好能救活 5 个濒死病人。「最大化总效用」是否要求杀掉这一人去救五人？多数人的直觉强烈拒绝。这个反例不一定推翻功利主义，但它精确地定位了一个崩溃点——也正是这类困境，催生了「规则功利主义」等修订版本，主张按整体最优的规则、而非逐案计算来行事。

这正是思想史真实的运行方式：许多新理论，都是上一版在某个边缘 case 上崩溃后提交的修复。康德回应休谟的怀疑论，黑格尔重构康德的体系，程朱理学则是儒学面对佛、道冲击时打的本土补丁。 你不需要背下这条提交链，但你需要理解每一次 commit 的 diff 改了什么、为什么改。

课程地图与小结

  • L0 预备：工具箱与认知的「大爆炸」——也就是你正在读的这一层，装好思维方法论。
  • L1 本体论与认识论：世界是什么、我们如何知道——系统的内核层。
  • L2 伦理与政治：如何行动、如何共处——应用层与多智能体协议。
  • L3 现代危机：语言、心智、技术与虚无——当代尚未关闭的 issue。

里程碑只有一条验收标准：遇到一个新困境时，你能调出至少两种模型并行求解，比较它们的输出，并说清你最终采信哪一个、为什么。

东方讲「博学、审问、慎思、明辨、笃行」，西方从苏格拉底的诘问到波普尔的「可证伪」，指向同一件事：思想的价值不在于它被信仰得多虔诚，而在于它经得起多狠的压力测试。 接下来的所有课程，我们都用这把尺子来量。