大家对如何进行深度阅读很有兴趣，这里就更深入地讲一下。

一般性阅读与深度阅读的区别，关键是，脑中是否对文中观点进行了深加工。

前者要求低很多，只要记得大致观点就可以，不需要对观点做深加工。比如说文章里说A影响了B，教材里说某事物是另一事物的主要原因，记得就好，别人问起就可以照样回答。而深度阅读则是两回事。每个进来的观点都需要反复思考，自洽了才能放进来成为自己的核心观点。对深度阅读来说，各式各样的阅读材料，即便再权威也并非真理，而只是某个可信或者不可信的证据，需要带着批判的眼光去审视，去伪存真。

那么如何判断自己是否已经进行了深度阅读呢？一个简单方案是通过自己的“猜功”来检验。一段文章，看了上面猜下面，看了几个词猜其它的，能猜中说明对主题有相对深入的理解，即便猜不中也是一个很好的思维训练。猜不出来，抹掉文字之后没意识到接下来会发生什么，一般是因为相关的文章看得太少，没有对照和比较的经验，对这个方向是外行，只能文章里说啥就是啥，被动接受，当复读机，这样的阅读就比较浅，也很容易忘掉，花再多的时间也是无用的。

猜功不行，基本可以判断不是深度阅读；但猜功很好，未必说明真的“读进去了”。很多时候可以通过各种浅显的证据来进行猜测，对深度理解内容并没有实质作用。猜功只是入门的手段，再往上走，接下来是要总结提炼出自己想看的关键点。

想一想，为什么文章中有的结论好猜，有的结论难猜？是因为它是一个复杂逻辑后得出的重要结论？一个意料之外却是情理之中的现象？抑或只是一个随机出现的有趣事实？把它们分门别类地整理好，建立起脑中的模型和知识网络，明白有些结点是重要的，有些则是可有可无的，这才是前文中提到的“观其大略”。

最后，再回头来看其它相关的文章，对于这些关键点，这些文章又是如何阐述，如何解释，用什么样的方案，如何在具体问题上解决的。带着目的去看文章，跳跃阅读，只抓住重要的细节和观点，有的放矢地深入，并知道读到什么程度算是读完了，马上可以去下一篇。这样可以做到”一目十行“，看得快又看得好。

脑中建立的模型，是要不停地迭代更新的。如果文章在某个你觉得莫名其妙的方向上，花了很多篇幅阐述一个没见过的主题，那说明也许自己之前忽略了一些重要的问题。这时候就不能再“不求甚解”了，需要好好读一下，好好想想那些问题是什么，并且补充进自己的知识体系里去。然后再多看看别的文章，是否有同样的讨论和分析，它们的见解又是什么样的，等等。

猜测，建模，更新，如此反复运转几个回合，至此整个深度阅读体系才建立起来。这里可以看到，什么时候仔细，什么时候粗略，都是要依照情况而定的，不是用几个成语能完全概括，需要亲力亲为，深入体验。对于一般人而言，为了习得知识，能有一定程度的深度阅读已是不易。如果想要提高效率，就不要被阅读牵着走。为好奇而阅读当然可以（这也是知乎吸引人的地方），但带着问题和目的来读来思考，几乎总是更有效率的方案。

为了学术工作而阅读，则要求更高。以上所说的几个阶段，不过只是学术阅读的入门罢了，在这基础上，需要不停地做好“掀桌子重来”的准备。为完成一件事情打的这些补丁，是否存在未覆盖的漏洞？这乱成一团的知识体系，是否不过是为了现象而强行编造出来的故事，其实有更好的解释？那些在文章中大段阐述的事实，是否存在一个更为深刻而简单的原因？在读完大量文献后好不容易构建出来的知识网络，是否又是更深层次“真理”的种种表象？

达到了这一步，才学会了如何进行评审，如何问出深刻的问题，渐渐形成自己的想法，提出独到的见解，在学术上有所突破。

从人工智能的发展上来看，以上说的，其实和“通过自监督学习来学习有用表示（representation）”是有很强的对应的。我们现在看到的预测式模型（predictive model）和对比学习（contrastive learning），其实就是深度阅读入门阶段“猜功”的对应——一句句子里抹掉一个词或者改换一个词，一张照片里挖去一块区域，通过让模型去预测，来学习到数据中潜藏着的重要知识。自监督学习中出现的各种问题，比如说模型找到了各类作弊方案而未能学习出有用的表示，也正印证了猜功不一定有效。而猜功之后，人工智能领域还能设计出什么样的模型，如何让人一样做到深度阅读，能纲举目张地归纳知识体系，并提出质疑？在这点上，AI还有很长的路要走。

最后，这一切之上，这些行之有效的学习方案背后，究竟是什么样的数学机制在起作用，则是一个更深刻更困难的学术问题了。