AI 时代的学习方法:我们该问什么样的问题

最近我看到一个故事：一位 MIT 的研究生，用 48 小时让自己达到了能和导师就一门陌生课程深入对话的程度。他用的工具是 Google 的 NotebookLM。但工具不是我想强调的重点——今天很多 AI 工具都已经具备类似能力。真正让我在意的是，他使用工具的方式，让我重新思考了“学习”这件事。

一、一个颠覆常识的故事

这位研究生做了三件事。

第一步，他上传了 6 本教材、15 篇论文，以及他能找到的所有讲座记录。

第二步，他问了 AI 一个问题：“这个领域的专家共享的 5 个核心心智模型是什么？”

注意这个问法——他问的是心智模型，那种资深人士多年形成的思维框架。

第三步，他继续追问：“专家们在哪 3 个地方根本性分歧？各方最强论据是什么？”

于是，他拿到了这个领域的完整地图：共识在哪、争论在哪、未解难题在哪。大多数人原来需要花几个月才能搞清楚的事情，他在短时间内借助 AI 完成了。

最后，他让 AI 生成了 10 个”能区分真懂和死记”的问题，然后花 6 小时回答它们。每答错一次，就追问”我哪里错了，我漏掉了什么？”

48 小时后，他能和导师正常对话，不被问倒。

二、为什么是这三个问题？

我仔细想了想，这三个问题之所以有效，背后其实对应着认知科学里三个被验证过的原理。

第一个问题，对应的是”组块化”。

1970 年代 Chase 和 Simon 做过一个著名的国际象棋研究。他们发现，大师和新手看同一个棋局，新手记住的是孤立的棋子位置，大师记住的是”有意义的模式”——开局、兵形、攻防结构。专家的大脑并不是存储更多的信息，而是把信息压缩成了高密度的组块。一个有意思的细节是：当棋子被随机摆放、所有结构被破坏掉时，大师的记忆优势就消失了。

所以当你问”核心心智模型是什么”，你实际上是在索取这个领域的压缩算法。你跳过了自己试错压缩的漫长过程，直接拿到了成品。

第二个问题，对应的是”张力揭示结构”。

一个领域的共识部分，往往是已经解决的”死知识”。而分歧点才是活的前沿。知道分歧在哪，你就拿到了这个领域的未解难题清单、各流派的分野地图，以及所有重要论文的站队信息。

更重要的是，理解分歧会强迫你深度思考。要理解 A 派和 B 派为什么争，你必须先理解他们共同接受什么、各自的前提是什么、证据链是什么。一个争议问题，强迫你同时学四层知识。

第三个问题，对应的是”测试效应”。

2006 年 Roediger 和 Karpicke 的研究证明，主动回忆的学习效果，明显强于反复阅读——这一结论后来被多项研究反复验证。

单纯读资料，容易制造”熟悉感的错觉”——我看过，以为我懂了。而回答问题，会暴露真实的理解深度。

尤其关键的是那句”告诉我错在哪，我漏掉了什么”。研究还发现，犯错后立即得到反馈的学习效率，远高于一次就答对。这个过程不仅能补上具体的知识点，更重要的是能暴露思维框架本身的缺陷。

三、三个问题构成一个系统

把这三个问题放在一起看，你会发现它是个闭环：

• 问题 1
  
   建立骨架：给大脑一个文件夹结构
• 问题 2
  
   填充张力：让骨架变成一个有生命的争论
• 问题 3
  
   压力测试：暴露结构缺陷，然后回到问题 1 迭代

它覆盖了三种不同的知识：结构性知识、批判性知识、元认知知识。而这三种，恰恰构成了专家知识中最关键的几块拼图。

这个过程其实是在直接索取专家的思维成品。他怎么组织知识、他觉得什么重要、他在哪里犹豫——这些原本要多年浸润才能习得的东西，现在可以用对话的方式部分获得。

这就像：

• 传统方法：自己从零摸索一张城市地图
• 新方法：先拿到地图，再去实地走

后者不能取代前者，但能大大降低迷路的成本。

四、如何实际用起来？

我自己整理了一套可以操作的流程，分享给有兴趣的读者。

准备阶段：

想清楚三件事——你要学什么（越具体越好）、你的目标层次（听懂 / 对话 / 决策 / 创造）、你有多少时间。如果这一步没有想清楚，后面的提问和学习很容易变得分散。

资料不用贪多，关键是搭配：1 到 2 本经典教材、3 到 5 篇里程碑文章、2 到 3 篇对立观点的文章、1 到 2 个从业者访谈。

如何快速找到这些资料？可以向 AI 这么提问：

我想学习 [领域]，目标是 [你的目标]。  请推荐：1. 这个领域最权威的 2 本入门书  2. 必读的 5 篇奠基性论文或文章  3. 这个领域最有争议的 2-3 个观点及代表人物  4. 推荐的从业者访谈或播客 

实战三阶段：

阶段一，建立地图。问核心心智模型，问它们之间的关系，让 AI 画出概念网络。验收标准：你能用 3 分钟向外行解释这个领域到底在研究什么。

阶段二，进入战场。问分歧、问历史演化。可以让 AI 表态：”基于资料，你会站哪一边？”——不要轻易接受”各方面都有道理”这种和稀泥的回答。但要提醒自己：AI 的”立场”反映的是它训练数据里的多数倾向，不等于这个领域真正的专家共识，把它当作一个值得参考的观点，不是结论。验收标准：你能说出”我倾向于 X 派，因为……但 Y 派的某个点也有道理”。

阶段三，压力测试（最重要）。让 AI 生成 10 到 15 个”能检验理解深度的问题”，然后关掉 AI，自己先回答。之后把答案交给 AI 评估。这一步最容易被偷懒跳过，但它才是整个方法的核心。

几个进阶技巧：

• 费曼测试：
  
  向 AI 解释一个概念，让它找出你的解释哪里简化过头、哪里过于复杂。
• 边缘案例：
  
  问一个心智模型在什么情况下会失效。理解边界比理解内容更能证明你懂了。
• 反向教学：
  
  让 AI 扮演怀疑论者，你来解释，它来挑错。
• 知识地震：
  
  每隔一段时间问：”我以为我懂了但可能理解错了的地方，有哪些？”

五、几个需要警惕的陷阱

这套方法不是万能的，有几个陷阱我也想提醒一下。

第一，AI 会自信地胡说，而你恰好没能力分辨。

这是整套方法最大的风险。

当你问”这个领域 5 个核心心智模型是什么”，AI 会给出一个听起来很对的答案。但你正是因为不懂才在学，你没有能力判断这五个里哪些是真共识、哪些是 AI 把表面相关的概念硬拼出来的。第二个问题更危险——AI 描述的”两派根本分歧”，可能是真分歧，也可能是它把次要争论说成核心争论，甚至是虚构出来的对立。

最低限度的防御措施：

• 交叉验证：
  
  同一个问题问两个不同的 AI（比如 Claude、GPT、Gemini），差异点就是要重点核查的地方。
• 追问出处：
  
  对每一个具体论断，问”这是基于哪本书、哪篇论文、哪个学者？”然后用搜索引擎核实——AI 编造文献和数据是常见现象。
• 找真人验证：
  
  哪怕只是在某个论坛或社群发一句”我理解 X 领域的核心争论是 A 和 B，对吗？”——一个真专家两分钟就能告诉你答案是否离谱。
• 保留怀疑：
  
  在见到原始资料之前，把 AI 给你的所有结论都标记为”待验证”。

第二，这套方法的天花板，取决于你已有的判断力。

那位 MIT 的研究生不是零基础——他本身已经具备评估学术内容质量的元能力，能在 AI 给出答案时察觉哪里不对劲，能在自己作答时分辨哪里是真懂、哪里是装懂。

把同样的方法给一个完全外行的人，效果会大打折扣。所以要清楚地知道：越是新手，越需要叠加上面那些验证手段。

第三，它不能替代实践。AI 给你的是地图，不是领土本身。48 小时能让你和专家对话，但不能让你成为专家。真正的掌握仍然需要时间。

第四，警惕”假学会”的错觉。读的时候都懂，一合书就不会——这是最常见的陷阱。对策只有一个：强制输出，走完阶段三。

第五，别让 AI 替你思考。AI 当查事实的工具当然没问题，但如果所有问题都直接问答案，学习就退化成了搬运。真正有效的用法，是让它当苏格拉底式的提问者——逼你澄清、挑你的错、陪你迭代。

六、一个更大的启示

这套方法背后，其实指向了一个更大的变化。

在 AI 之前，学习的主要瓶颈是信息的获取。谁能读到更多的书、听到更好的老师，谁就学得快。

在 AI 之后，信息的获取几乎是零成本的。瓶颈转移到了提问的能力——以及与之相伴的判断的能力：你能不能识别 AI 给你的答案哪里靠谱、哪里不靠谱。

一个学期和 48 小时的差距，内容量只是次要因素，知道该问什么、以及该怀疑什么才是主要的分水岭。

这或许是 AI 时代最值得培养的一种能力。