如何问关键问题

如何想自己问一个关键问题，解决自己不知道自己哪里不懂的混沌状态

# 如何问一个关键问题

---

## 常见困惑

同学们常常有以下感受

- 知道自己掌握不透彻，但是不知道自己哪里不懂
- 细节很多，感觉无法将很多细节串联起来
- 在没有明确路径的路径下，不知道自己如何去构建框架

---

## 为什么会这样

**工程学科的真实现状**

- 从最粗糙的版本演化得到
- 无数细节是为了解决具体问题
- 只看到无数细节，会一脸蒙蔽
- 真实的工程学科更复杂
    - 缺少明确的学习路径
    - 大家只能野蛮生长

> 那么 **如何解决** 这个问题呢？
>
> 问出一个 **关键问题**：AI 时代的关键能力

---

## 什么是关键问题

> 关键问题：
>
> 一旦回答它，就能解释一大片知识的问题。
>
> 它背后的信息量，刚好足以打通 [知识图谱](/study_methods/talk/knowledge_graph/) 中的多个节点。

---

## 为什么会陷入混沌

面对一个陌生领域时，我们脑中可能只有很多零散的信息：

> 问题不是知道的信息太少，而是信息之间的关系太少

面对大量可能的解释，我们不知道哪一种才是正确的。

因此 **不确定性高 → 混沌**

一个好的问题在于：**主动消除不确定性**。

> 关键问题 = 高信息增益的问题

---

假设你完全不懂一个 CPU：

- **问题 A**：CPU 为什么有一个叫 MDR 的寄存器？
- **问题 B**：CPU 是如何完成一条指令的？

这两个问题哪一个更像是是关键问题？

---

当然是 **问题 B**

- 问题 A 只能解释一个局部知识点。
- 问题 B 可以自动展开为：

> 取指 → 译码 → 确定操作 → 数据通路 → ALU / 寄存器 / 存储器 →写回

所以 B 的 **信息增益明显更大**。

---

## 如何构建大框架

可泛化的一个模型：**地图模型**

- 识别地图中的 **主干道**
- 填充一些 **旁路**

> 主干道：基本抽象，类似树中的树干
> 
> 旁路：具体工程细节，类似树中的枝桠

---

## 主干道

工程学科的 **核心** 设计，可以通过 **核心问题四问**：

- 是为了解决什么问题？目的是什么？
- 没有它会怎样？
- 输入/输出 是什么？
- 中间经过的 通用流程/数据流动路径？

> 主干道是基本维持不变的
>
> 细节末节的知识是发展中动态生长出来的

---

## 旁路

- 依托主干道延伸出来
- 大多是为了解决某个特定的小问题
- 暂时没有掌握的话也不影响主干

---

**以 CPU + 指令系统 为例**

```
     指令格式 / ISA
         ↓
       译码
         ↓
  控制器产生控制信号
         ↓
   ┌─────┴─────┐
   ↓           ↓
数据通路    控制通路
   ↓           ↓
 寄存器/ALU/存储器
         ↓
      指令执行
```

---

**以 存储系统 为例**

![VA Access Data Path](/images/va_access_process.drawio.svg)

---

以 **CSMA/CD** 为例

- 主干道
    - 解决共享介质无法同时传输多个信号的问题
    - 发送数据期间通过 CS 做 CD
    - 具体流程
- 旁路
    - 限制条件的推导
    - 指数退避算法

---

**举一个 AI Infra 的例子**

DeepSeek V3/R1 中关于 Attention 的核心优化的 MLA

- 主干道：
    - 目的：在 decode 上尽量少保存 kv cache，数学上还原 MHA 效果
    - prefill / decode 使用不同的计算路径
- 旁路：
    - 很多代码中的抽象名词
    - 缺少注释的流程
    - partial rope 在 qkv 中的具体处理
    - absorb 操作为什么用 bf16

---

此处只是为了说明（读者可以省略）

\\(
\begin{aligned}
\text{MHA 路径} &= \text{softmax}\left( \frac{QK^{T}}{\sqrt{k}} \right) V \\\\
&= \text{softmax}\left( \frac{c_{q} W_{qb} (c_{KV} W_{kb})^T}{\sqrt{k}} \right) (c_{KV} W_{vb})
\end{aligned}
\\)

\\(
\begin{aligned}
\text{MQA 路径} &= \text{softmax}\left( \frac{QK^{T}}{\sqrt{k}} \right) V \\\\
&= \text{softmax}\left( \frac{c_{q} W_{qb} (c_{KV} W_{kb})^T}{\sqrt{k}} \right) c_{KV} W_{vb} \\\\
&= (\text{softmax}\left( \frac{(c_{q} W_{qb} W_{kb}^T) c_{KV}^T}{\sqrt{k}} \right) c_{KV}) W_{vb}
\end{aligned}
\\)

---

## 我的经验

作为 AI infra 面试官的经验

什么面试者是掌握得比较透彻的

1. 能用抽象原则对多种 实现方案 进行高度概括
2. 也能够深入到简历中项目的细节

---

## 抽象和具体

- 先建立基本抽象
    - 符合基础认知的抽象
    - 从大问题开始
- 再补充旁路
    - 从大问题出发或展开
- 从不精确的理论螺旋向上
    - 主动的构造理论 > 纯被动输入

---

## 总结

\\(
\begin{aligned}
&\text{混沌} = \text{高不确定性} \\\\
&\Rightarrow \quad \text{提问} = \text{主动消除不确定性} \\\\
&\Rightarrow \quad \text{关键问题} = \text{高信息增益} \\\\
&\Rightarrow \quad \text{建立主干}  \\\\
&\Rightarrow \quad \text{知识节点被连接} \\\\
&\Rightarrow \quad \text{再向旁路展开}
\end{aligned}
\\)