最近看到一篇由物理学者 John Wu 撰写的文章，它让我猛然意识到，AI时代最可怕的或许不是学不会，而是我们误以为自己已经学会了。
这位学者从物理学本科一路做到终身教职研究员。他提出了一个非常有意思的视角，将学习过程比作物理学中的“相变”。听起来有点抽象，但其实描述的是我们每个人都可能经历的状态变化。
学习就像水的三种状态
我们都知道水有冰、水、蒸汽三种状态。学习也是一样，只不过它主要有两个核心状态，而这两个状态之间，存在着一个神奇的临界点。
第一个状态叫“亚临界阶段”。这时你的学习就像一堆散乱的冰块，每个概念都是孤立存在的，彼此之间缺乏有效的联系。比如你刚开始学习数学时，“5”对你而言可能只是一个符号，“协方差矩阵”只是几个字母的随意组合，你完全感受不到它们背后蕴含的意义。
这个阶段最让人沮丧的地方在于，概念特别容易遗忘。为什么会这样？因为这些新知识与你大脑中已有的知识体系没有任何连接。就像一个人孤零零地站在空旷的广场上，四周没有任何可依附的东西，一阵风吹过，就不知所踪了。
John Wu 提到，他在教五岁女儿学习加法时就观察到了这个现象。女儿最初只知道“5是5”、“4是4”，至于“5比4大”、“6比5大”这些数量关系，她完全无法建立起来。
第二个状态叫“超临界阶段”。一旦突破某个点，所有零散的知识点会突然连接成一张紧密的网络。你不仅知道“5比4大”，还知道“5是奇数”、“是10的一半”、“比8小3”。更神奇的是，即使遇到一个全新的概念，你也能大致猜出它的含义，因为你已经在这片知识领域中“摸爬滚打”得太熟了。
John Wu 的父亲是化学博士，他喜欢把所有化学反应都拟人化：氧气“想要”获得两个电子，钼在特定催化剂面前会“兴奋地”发生反应。这种看似玩笑的拟人化，恰恰是进入超临界阶段的标志。你不再需要机械地死记硬背公式和定义，而是能够真切地感受到这些概念的“个性”和它们之间的动态关系。
那个神奇的临界点
两个阶段之间的那个临界点，是整个学习过程中最关键的“魔法时刻”。就像水被加热到100摄氏度会沸腾汽化一样，学习积累到某个节点时，知识间的壁垒会突然消失，联系瞬间建立。
这个临界点很难被精确预测或捕捉，因为它往往发生得非常突然。可能昨天你还在为某个概念绞尽脑汁，今天却突然觉得豁然开朗。有人称此为“顿悟”，有人说是“灵光一闪”，从神经科学的角度看，本质上是你的大脑在那一刻建立了足够多且稳固的神经连接。
问题在于，很多人会误以为自己已经跨过了临界点，实际上还差得很远。在AI时代，这种误判变得前所未有的危险。
AI时代的学习困局：你真的学会了吗？
当下的学习场景常常是这样的：你想了解某个知识点，于是打开ChatGPT或Claude，输入问题，很快就能得到一个条理清晰、通俗易懂的回答。你点点头，感觉自己“明白了”。
但，你真的明白了吗？
John Wu 指出，这恰恰是借助AI进行学习的最大陷阱。你以为自己理解了一个概念，但实际上，你很可能只是理解了AI对这个概念所做的、高度简化的“总结”。这就好比看着别人大快朵颐，你却觉得自己也吃饱了。
更可怕的是，AI的回答往往会给你带来一种“虚假的自信”。因为大模型生成的内容通常逻辑自洽、语言流畅，极具说服力。但这种理解是浮于表面的，经不起深入的推敲和追问。
举个例子。你问AI：“什么是协方差矩阵？”它会告诉你：协方差矩阵描述了多个随机变量之间的相关性，对角线上是各变量的方差，非对角线上是协方差。你看完觉得“懂了”。
但如果现在让你解释：为什么协方差矩阵能用于降维（如PCA）？为什么主成分分析要对它做特征值分解？协方差矩阵和距离度量（如马氏距离）有什么关系？面对这些问题，你可能马上就懵了。
这就是典型的“停留在亚临界阶段，却误以为自己已进入超临界阶段”的表现。
初级研究者最容易犯的错
John Wu 引用了一位名叫 Neel Nanda 的研究者的观点，他指出初级研究者最常陷入的困境是在项目早期就卡住，不知下一步该做什么。根本原因在于，他们以为自己处在“理解”阶段，实际上仍在“探索”阶段。
这个观察非常精准。当你还处于探索阶段时，正确的做法应该是进行大量的尝试、广泛的阅读和思考，让自己充分接触各种信息和可能性。但如果你误以为自己已经理解了全局，就会过早地停止探索，试图向纵深推进。结果往往是举步维艰，因为知识的基础根本就没有搭建牢固。
AI加剧了这个问题。 因为它能瞬间给你一个看似完整、逻辑闭环的答案，让你产生一种“我已经掌握了事情全貌”的错觉。但实际上，那只是一个粗略的轮廓，其中无数细节、例外情况和复杂的逻辑链条，你根本还没有亲手建立起来。
想象一下，有人给你看了一张从A点到B点的地图，并快速讲解了一遍路线。你觉得自己记住了。但当你真正走上那条路时，才发现到处都是地图上没标注的岔路口，每个转弯都让你犹豫不决。看地图和实际走路，完全是两回事。
AI的正确用法：让它扮演苏格拉底
那么，AI在学习中就一无是处吗？当然不是。关键在于如何使用它。
John Wu 分享了他自己的方法：用AI来“测试”自己的理解，而不是直接“获取”答案。 他专门设计了一段提示词，让AI像苏格拉底那样，通过连续提问来帮助他梳理思路，暴露出知识体系中的漏洞。
这个方法的精妙之处在于，它将AI变成了一面“思维镜子”。AI不再直接告诉你终点在哪里，而是通过一系列问题，让你看清自己走到了哪一步，哪里是薄弱的环节。当你试图组织语言回答AI的提问时，你会发现自己有些地方磕磕巴巴，有些逻辑无法自洽——这些就是你尚未真正理解的明确信号。
比如，你学习了神经网络，觉得自己懂了反向传播算法。这时，你可以让AI提问你：
- 为什么反向传播要用到链式法则？
- 在深层网络中，梯度为什么会消失或爆炸？
- 像ReLU这样的激活函数是如何缓解这个问题的？
如果你能清晰、完整地回答这些问题，说明你可能真的懂了。如果支支吾吾或答非所问，那就明确指示你仍处于“亚临界阶段”。
另一个合理的用法是让AI帮你绕过无关紧要的技术障碍。 比如你的核心目标是学习神经网络优化，但却被CUDA环境配置、版本冲突等问题卡了好几天。这种时候，用AI快速解决这些“拦路虎”是完全合理的，因为它们并非你要学习的核心知识。
还可以利用AI创造个性化的学习场景。John Wu提到，他曾让Gemini为女儿设计了一个关于冰淇淋口味排列组合的小游戏，女儿玩得不亦乐乎，也在游戏中快速掌握了组合数学的基本思想。这种用法，是在你已经明确学习目标的前提下，借助AI的创造力来辅助学习过程的趣味性和效率，而非依赖AI来替你完成“理解”本身。
总结也是一种思考，不能外包
这里必须强调一个被很多人忽略的关键能力：总结能力。
当你读完一篇信息密度极高的长文或学术论文后，可能会想：“让AI帮我总结一下吧，省时省力。”
但John Wu明确指出，用AI来总结信息，本质上是在“外包”你的思维过程。
为什么这么说？因为“总结”这个动作本身，就是一种深度的思考锻炼。你需要主动去辨别哪些是核心论点，哪些是支撑性论据；哪些观点相互关联，哪些彼此独立；哪些信息与你已知的体系吻合，哪些是全新的拓展。在这个过程中，你的大脑在不断地对知识进行重组、建立新的连接。
当AI替你完成了这项工作，你失去的不仅仅是一段摘要文字，更是一种至关重要的思维方式。长此以往，你的“心智肌肉”会像长期不运动的肢体一样，逐渐萎缩。John Wu 说，他自己写文章时，标题和内容至少会修改三遍。这并非浪费时间，而是在每一次修改中，他对主题的理解都在深化。第一稿是将零散想法串联成线，第二稿是发现并填补逻辑漏洞，第三稿是寻找更精准、清晰的表达——这个过程本身就是思考的实体化。
同理，当你阅读任何材料时，只有你能用自己的话，准确、简洁地复述或总结其核心时，才能说你真的理解了。如果连“总结”都交给AI，你将永远无法区分自己是“真懂”还是“假懂”。
写作就是思考的延伸
说到这里，不得不提写作。在AI时代，越来越多的人开始用AI辅助甚至替代写作：写邮件、写报告、甚至写论文。
但所有有经验的研究者和思想者都明白一个朴素而深刻的道理：写作就是思考。
当你开始动笔（或敲键盘）时，你会发现许多在脑子里盘旋时看似清晰的概念，落到文字上就变得语无伦次。许多在口头对话中觉得顺理成章的论证，写成文章后却显得漏洞百出。这并非你的表达能力有问题，而是“写作”这个动作，强迫你必须将模糊、跳跃的思维，转化为线性、清晰、可被检验的语言。
写作是一场与自己的对话。在这个过程中，你会被迫停下来，重新审视那些没想明白的概念，理顺那些纠缠不清的观点关系。然后修改，再思考，再写。
如果你把这个过程完全外包给AI，你错失的是一次绝佳的、深化理解的训练机会。AI可以生成文采斐然的段落，但那些文字背后艰苦的思考、权衡与建构过程，它永远无法替代。
John Wu 说得很直白：“如果我们不练习写作，我们就关闭了一种完整的思维模式。” 这句话值得每一个身处信息时代的人深思。
那些让人心动的诱惑
平心而论，用AI来辅助学习真的太有诱惑力了。它回答迅捷、解释通俗、不知疲倦。相比之下，自己啃书本、读文献，既耗时费力，又常常伴随着挫败感。
但恰恰因为AI过于“好用”，我们才更容易对它形成依赖。 就像有了电梯，我们就不再愿意爬楼梯；有了导航，我们就逐渐记不住路线。
学习也是同样的道理。如果每次遇到问题，你的第一反应都是打开AI寻求答案，你的大脑就会慢慢“放弃”主动思考这项功能。因为大脑天生倾向于选择“最省力”的路径来完成任务。当AI能轻松给出一个看似不错的答案时，大脑为什么还要费劲去“燃烧”自己呢？
这就是“心智肌肉”悄然萎缩的过程。起初你可能毫无察觉，但时间一长，你会发现自己的思考耐力在下降，处理稍微复杂的问题就感到吃力，阅读长篇深度的文章也变得难以坚持。
更可怕的是，你可能意识不到这种变化。 因为AI为你维持了一种“持续学习”的假象。你每天都在和AI对话，阅读它生成的内容，感觉自己始终在获取新知。但实际上，你可能只是在“消费”信息，并没有真正地“消化”和“吸收”。
如何在AI时代保持真正的学习能力？
说了这么多AI可能带来的风险，我们究竟该如何应对？
首先，是诚实地评估自己所处的学习阶段。 如果你刚刚踏入一个新领域，那么你几乎肯定处于“亚临界阶段”。此时，利用AI快速建立对基本概念的初步认知是可行的，但务必清醒：看懂AI的解释，离“学会”还差得很远。
接下来，必须投入大量的练习和实践。 学数学就要做题，学编程就要写代码，学理论就要尝试推导。这个过程无法绕过，枯燥但必需。只有通过反复的“动手”，抽象的概念才能在你脑中扎下根，形成肌肉记忆。
然后，定期进行“无辅助”自我测试。 不要依赖AI出题考你。尝试在不查阅任何资料的情况下，从零开始向一个虚拟的“小白”解释一个复杂概念，或者独立解决一个实际问题。如果在过程中频繁卡壳，那就说明你尚未到达那个“临界点”。
当你感觉自己在某个领域已经积累到一定程度，接近“临界点”时，这时可以引入AI进行“苏格拉底式提问”。让AI扮演诘问者，提出那些深入、刁钻的问题，检验你的知识体系是否真的融会贯通。在此阶段，AI的核心价值是“暴露漏洞”，而非“填补漏洞”。填补工作，必须由你自己完成。
如果你确信自己已经进入了某个领域的“超临界阶段”，那么AI可以成为一个强大的扩展工具。比如帮你寻找跨领域的类比，连接不同学科的概念，或者快速检索你已经掌握但暂时遗忘的知识点。但即便在此阶段，也需警惕过度依赖。
最重要的是，永远不要放弃亲自动手“写作”和“总结”。无论多忙，都要为自己保留这块思维训练的“自留地”。写学习笔记，写读书摘要，写你对某个棘手问题的分析草稿。这个过程很慢，但无可替代。
学习的本质从未改变
AI时代，技术日新月异，工具层出不穷，但学习的底层本质从未改变。
学习从来不是简单地接收和存储信息，而是在你大脑中主动构建一个相互连接、不断生长的“知识网络”。 这个网络越致密、越稳固，你的理解就越深刻，应用起来也越灵活。
构建这个网络，需要时间，需要重复，需要经历挫折，更需要你亲自去发现并焊接那些概念与概念之间的“连接点”。AI可以为你示范，可以给你提示，可以帮你清扫外围障碍，但它永远无法替代你去完成那个内在的、痛苦的连接过程。
就像学骑自行车，教练可以扶着车、讲解要领，但最终让你在车上保持平衡的，只能是你自己的身体通过无数次摇晃和跌倒所习得的“肌肉记忆”。
学习亦然。AI是一个极其出色的辅助工具，但如果你将思考的过程都外包给它，那么你最终失去的将不仅仅是某些具体知识，更是独立思考的能力本身。
所以，下一次当你下意识地想向AI索要一个快速答案时，不妨先停顿一下，问问自己：我是在利用AI“帮助”学习，还是在用它“代替”学习？我是在寻求对自我理解的“测试”，还是在索取一份让自己安心的“确认”？
这个问题的答案，或许将决定你在AI时代是进化得更聪慧，还是无可挽回地丧失思想的锋芒。
毕竟，真正的学习从来都不轻松。如果你觉得它突然变得过于轻松了，那或许正是时候保持警惕：你是不是，正在不自知地欺骗自己？
原文链接：https://jwuphysics.github.io/blog/2025/12/learning-with-llms/
希望这篇关于学习与思考的讨论，能对你有所启发。技术浪潮奔涌，保持清醒的头脑和独立的学习能力，始终是开发者的核心竞争力。如果你对这类关于技术、学习与开发者成长的杂谈感兴趣，欢迎来云栈社区交流更多想法。
发表于 昨天 03:10
|
查看: 3|
回复: 0
