本章的林舟与阿澄为分析设例。围绕平均数的数字例子用于说明概念关系，不代表任何真实群体的数据。
一、讲得热闹以后，概念还在吗
林舟想重新学习一些数学。他离开学校多年，公式看着眼熟，遇到实际问题却容易犹豫。他请AI用故事解释平均数，AI讲了一个几个人分糖果的故事。每个人先拿着不同数量的糖，把糖放在一起，再平均分回去。林舟觉得很直观，立刻说自己懂了。后来他看到一句“这些家庭平均每户有二点几个孩子”，又觉得奇怪：孩子怎么分成零点几个？
他的朋友阿澄提醒，糖果故事帮助理解了一种计算过程，却容易把平均数想成真的分配结果。平均数可以描述一组数量之间的关系，不要求现实中真的把东西重新分成相同份额。林舟于是提出本章的What If：“如果同一个概念分别用故事、图示和实际操作来表达，我会不会更清楚？这些表达会不会也把我带向不同的误解？”
这个问题比“请解释得通俗一点”更具体。通俗是一种对阅读体验的要求，但讲得容易并不保证概念关系被保留。一个故事可以很生动，却把必要条件藏起来；一幅图可以一眼看懂，却让人忽略不能画出的部分；一次操作可以让身体参与，却也可能只剩动作记忆。三种表达需要相互检查，才能成为理解的支持。
二、故事打开了门，也带来了行李
林舟从三个盒子开始，第一个有两枚筹码，第二个有四枚，第三个有九枚。总共十五枚，平均每盒五枚。他先用分筹码的故事解释：把三盒放在一起，重新分成每盒五枚。这个故事适合说明总量保持与份数之间的关系，也让计算不再是孤立的加法与除法。
阿澄追问，如果原来的三盒分别代表三天的工作量，能否真的把第三天做的事挪到第一天？林舟说不能，但平均仍然可以算。于是他们把故事中的两层拆开：重新分配是一种帮助理解的构造，实际被描述的对象未必能够重分。保留下来的是总量与单位份数的关系，不能一并带走的是“现实中每份都变成平均值”的想象。
AI进一步给出四个数一、一、一、十七，平均为五。林舟忽然看见，同一个平均值可以对应很不同的分布。他原来把平均理解为“大家大概都在这个位置”，现在必须修正。这个反例没有否定平均数的作用，而是让它的作用变得有边界：它概括某一种数量关系，却不替代整组差异。
故事的乐趣在于进入快，限制在于它总带着特定的行动和情境。与AI合作时，可以要求它在讲完故事后说明：“这个故事保留了概念中的哪些关系，又增加了哪些只是帮助想象的情节？”若不能完成这一步，读者可能记住了好故事，却仍然没有辨认概念本身。
三、画成图以后，什么显露出来
第二种表达是一张柱状图。三根柱子的高度分别为二、四、九，横向画一条高度为五的线。低于这条线的两根柱子一共差四格，高于它的那根柱子多四格。林舟发现，图示显露了他在故事里没有特别注意的关系：以平均值为参照，偏低与偏高的差额在这里相互平衡。
AI建议把三根柱子都变成同一高度，以动画呈现筹码移动。阿澄却先让图保持原样。若过早把柱子拉平，原始差异会消失，读者更容易以为平均值就是所有数据的典型状态。图中的平均线与不同高度同时存在，恰好帮助保留概括与分布之间的区别。
随后他们画出一、一、一、十七与五、五、五、五。两张图具有相同平均线，视觉差异却非常明显。林舟终于理解，知道平均并不等于知道差异怎样分布。他请AI再提供一组平均为五、但没有一个值等于五的数据，得到二、四、六、八。这个例子帮助他摆脱“平均必须是其中某一个实际值”的想法。
图示也有自己的隐含选择。坐标从哪里开始，间距是否一致，是否省略部分对象，都会改变显露。林舟曾让AI生成示意图，发现数值与柱高不完全对应。于是他们改用可以精确设置的数据绘图，或直接在方格纸上画。需要精确关系时，漂亮图片不能代替核对。表达形式参与发生，也因此需要接受检查。
四、亲手操作，为什么仍然可能只会动作
第三种表达是真正移动筹码。林舟把十五枚筹码放进三只杯子，每次从多于五枚的一杯拿一枚给少于五枚的一杯，直到每杯五枚。他很喜欢这个过程，因为每一步变化都能看见。阿澄问，如果不把三杯摆在眼前，怎样判断应该停止？他说，当三杯一样多。接着再问，为什么停止后的数正好是总量除以三？他一时又回到了“因为这样算”的回答。
动作会使一个过程变得可见，却不自动给出全部理由。他们放慢操作，明确每次移动没有增加或减少筹码，也没有改变杯子的数量。当三杯相同时，总量等于三份相同数量相加，所以每份由总量与三之间的关系确定。这一解释将动作与不变量连起来，操作才开始支持推理。
为了检查理解，阿澄把一只杯子拿走，问能不能继续沿用平均为五。林舟说要看筹码是否也被拿走。如果杯子消失而筹码全部保留，总量十五、份数二，平均为七点五；如果连某杯的筹码一起移走，新的总量要重新计算。他在这个分岔里开始主动检查条件，理解有了具体显露。
然后他们讨论温度的平均。温度记录可以计算算术平均，但不能直接把“筹码搬来搬去”的操作照搬为物理混合。不同对象允许的实际操作并不相同。此处无需马上展开热学，只需保留一个重要辨认：数学表达相似，不保证现实发生机制相同。AI应当帮助解释类比的适用范围，而不是为求通俗抹去差异。
五、三种解释发生冲突时，先别急着选最好的一种
林舟把三种表达交给AI，请它评出最好的一种。AI根据直观程度推荐操作法，又说图示更适合比较，故事更适合入门。这些说法有一定道理，但林舟发现“最好”仍然依赖自己此刻要理解什么。如果想认识总量如何对应份数，操作很有帮助；如果想比较同一平均下的不同分布，图示更直接；如果想让一个完全陌生的人进入话题，故事可能更容易开始。
于是评估对象改变了。他不再给三种形式排一张总榜，而是问每种形式使什么关系显露，又遮住什么关系。这一分化非常关键。若只有喜欢与不喜欢的判断，选择容易跟着新鲜感走；一旦能够辨认作用，形式就可以根据需要重新组合。
他们的组合并非把故事、图片、操作全部放进同一页，让内容显得丰富。新的次序是：先以故事形成猜想，再用图示保留差异，随后通过操作检查总量与份数的关系，最后离开具体表达，用自己的话说清概念。若某一步没有需要，可以省去。重组应当服务理解中的缺口，而非追求媒介数量。
这里可以看见第二类What If。新的理解显露出不同部分，当前表达与已有知识之间也形成不同纠缠，下一轮D因此需要变化。若林舟已经能够操作，却无法解释，继续重复操作未必有帮助；若能够背定义，却无法识别案例，新的运行就应当进入例子与反例。方法随实际显露改变，才不是一个僵硬的学习配方。
六、用陌生例子检查有没有真正连起来
阿澄设计了一个很普通的问题：两组人，每组的平均阅读量不同，把两组放在一起，能否直接把两个平均数相加再除以二？林舟的第一反应是可以。她补充两组人数不一样，第一组只有两人，第二组有八人。林舟意识到，每个平均值背后的份数不同，不能把两个组当作相同数量的份额。
他们用了简单数值。两个人平均读一本，总量两本；八个人平均读三本，总量二十四本；合在一起十个人读二十六本，平均二点六本。直接平均一与三得到二，忽略了两组人数不同。这个例子使前面“总量与份数”的关系重新进入，而不只剩一个记忆中的计算动作。
AI可以迅速生成同类问题，但林舟要求每次解释改变了哪一个条件。若只是换数，他已经知道运行方式；若同时引入多个新难点，容易看不见原关系。逐步改变使他能够辨认：在哪些条件下，简单平均两个组的均值是可行的；在哪些条件下，需要把组的大小放回去。
这一过程不能用一次答对证明永久理解。人会遗忘，情境也会造成新的混淆。但它提供了比“我听懂了”更具体的依据：能够在陌生问题里识别份数，能够解释原方法何时失效，能够修正自己的推断。评估得到这些差异之后，反馈可以指向下一步学习，而不必只留下一个笼统分数。
七、表达之间怎样形成新的特征纠缠
林舟发现，后来听见平均数时，脑中不再只出现一个公式。故事提醒他总量与份数，柱形图提醒他保留分布，筹码操作提醒他哪些量在过程中保持。他还会想到阿澄的追问和AI给出的反例。不同表达的特征与他的已有经验开始相互牵动，形成新的E。
这就是第三方程可以进入的地方。如果新的理解与解释运行不断发生，表达形式、记忆线索、提问习惯和实际问题之间会怎样重新纠缠？较好的情况是，一种形式暂时失效时，另一种形式能够帮助回看；较差的情况是，最生动的故事占满注意，使其他关系被排除。纠缠的丰富并不自动意味着理解可靠，仍然需要实际使用来检查。
林舟给自己做了一张卡片，只写三个问题：这里的总量是什么，份数是什么，平均值之外还需要看什么。他没有把整个学习过程压缩成“故事加图示加操作”的固定公式。卡片指向的是概念关系，而三种方式保留为可按需调用的资源。这样，即使不再摆筹码，发生过的探索仍能支持后续判断。
这次学习的乐趣也不只来自解释变得好玩。更深一层的吸引，是一个曾经熟悉却模糊的词，逐渐长出内部结构。他可以往返于不同表示之间，也能够说出每次转换损失了什么。概念没有因此变得穷尽无余，但它开始成为他可以实际使用、检查和继续改变的认识。
八、把方法带到另一个概念时，要重新检查
林舟想把这套方法用于“自由”。AI很快讲了笼中鸟、岔路口和空白画布三个故事。故事都很美，阿澄却问，三个故事说的是同一种自由吗？被限制的减少、可选择道路的增加与创造新可能，可能包含不同关系。若不先辨认这些差异，表达再多也只是在同一个词下面堆放意象。
他们没有强行找到像平均数那样统一的操作，而是从具体情境出发：一个人每天都能选择不同饮料，是否因此比能改变工作安排的人更自由？这个比较不能简单给出数字结论，却能帮助区分选择对象、实际条件与改变规则的能力。故事、图示和情境分析仍可使用，但验证方式需要随研究对象变化。
这一迁移展示了升维可能出现的位置：从学会一个概念，走向理解概念表达本身怎样发生，怎样在表示、对象与判断之间建立联系。只有能够在不同情境中实际辨认这些关系，才有理由说形成了新的组织能力。学过平均数以后立刻给所有问题套三种讲法，还只是复制形式。
普通人的思想探索允许这种缓慢。你不需要一夜之间理解数学、哲学与生活的全部关系，可以先把一个词讲得更准确一点，保留一个尚未解决的区别。AI的广泛生成能力让转场容易，人和AI共同保持辨认与核验，才使转场不至于成为漂移。
还有一种失败值得留在这里。林舟曾把AI生成的三种解释全部发给朋友，想听听是否清楚。朋友说内容很多，却不知道为什么必须看三遍。林舟才发现，他在自己的探索中经历过疑问和转折，但转发的材料只保留结果。对于没有经历这些困难的人，三种解释看起来像同一件事被反复包装。
他重新整理，把起始误解写在前面：“我原来以为平均值附近通常有很多实际值。”然后用两组数据展示这一直觉何时失效，再选择图示帮助比较。故事与操作退到需要时才出现的位置。材料变短，问题却更清楚。这说明个人理解过程和面向他人的解释过程不能完全重合，自己的每一次尝试都值得保存，却未必都适合成为对方的阅读顺序。
AI在这里提供的是重组帮助。它可以根据读者已知内容、希望解决的问题和可用时间提出不同表达，但这些关于读者的条件需要实际确认。若不知道对方基础，最好保留可选择的入口，而不是替对方宣布哪种形式最适合。朋友后来只问了一个问题，却正好指出林舟没有讲清的边界。一次有限的真实反馈，比模型连续赞美解释清楚更能推进修订。
林舟也注意到，换三种方式讲可能成为逃避困难的办法。当一个解释遇到追问时，人容易立刻换一个故事，仿佛新故事能够抹掉旧缺口。探索需要偶尔停下来，留在原来的困难上。究竟是概念关系还没有理解，还是表达方式暂时不合适？如果前者未解决，再多比喻也只是让含混显得丰富。
因此他为自己的卡片补上一句话：“每次换一种表示，要能说出为什么换。”原因可以很简单：需要看见次序，需要比较差异，需要检查保持不变的部分。这个小要求把形式变化与具体问题连起来。新的表达由需要牵引，而不是由AI能够无限生成的能力牵引，探索也因此更容易保留自己的方向。
九、给你的一个小邀请
找一个你经常使用却难以解释的概念，请AI分别用一个故事、一幅可准确描述的图示和一种可执行的操作来说明。先不要问哪种最简单，而是问三种方式分别保留什么关系。遇到无法操作的概念，可以承认这一限制，不必强造一个动作冒充解释。
接着找一个反例：有什么情况会使这个故事误导人，图示遗漏重要差异，或操作无法实施？如果AI认为一切都适用，就要求它说出明确边界，并核查其理由。最后离开这些表达，给一个陌生人解释你现在理解了什么、仍然不知道什么。
你可能发现，真正值得保留的不是三段漂亮回答，而是几个可以往返的连接。故事使你进入，图示使你比较，操作使你检查，反例又使三者接受修订。思想探索的乐趣在这些转换中发生：同一件事不断显露新的侧面，而你逐渐能够理解，为什么侧面会这样改变。
下次再遇见这个概念，不妨先观察自己最先想到哪种表示。这个自我观察，也可以成为新的猜想入口。