AI时代,真正的学习发生在与AI的“摩擦”里

过去，我们常常把“学到了什么”，理解为“知道了多少”。有一个名词叫“知道分子”，似乎知道得多，就会很厉害。

但在AI时代，单纯“知道”的价值正在下降。AI能提供的知识越来越丰富，更值得追问的是：你能不能做到？能不能和AI一起做到？

在我看来，新的学习思路，是借助AI理解问题、建立判断，再把事情做成。这个过程中，人的头脑需要更主动地参与。

一、AI很博学，但不要把它当成权威

AI为什么显得厉害？打个比方，它在很多领域都能给出七八十分的回答，而我们对这些领域可能只有三四十分的了解。

它讲得有逻辑、有知识，还很自信，自然容易让人信服。但当你对一个领域有了九十分的理解，就会看出它的遗漏、想当然，以及那些看似合理、实际无法落地的建议。

尤其在复杂情境中，一段说得通的话，离一个可靠的决策还有距离。 现实里的条件、限制和取舍，并不会因为答案写得漂亮就自动解决。

AI有时像一个很会考试的学生，形式上交出了高分答案。但这份答案在现实里是否管用，仍然需要我们判断。

所以，我看重AI的一个重要价值，是它能启发我的思路。即使答案不够成熟，也可能让我看见一个此前忽略的角度。

二、先借助AI，补足自己的知识盲区

遇到陌生领域，我会先让AI帮我搜集背景、梳理框架，弄清楚有哪些关键问题。

更有效的一种用法，是让AI反过来向我提问。

比如，我想做一个产品，知道需要产品设计，却不是专业产品经理。这时就可以告诉AI：

请你扮演产品经理，向我提问，了解我的想法。持续判断：这些信息是否足够支撑产品设计？还缺什么？

目标用户是谁？真正要解决什么问题？使用场景是什么？哪些需求必须优先满足？

即使我原本不知道该考虑什么，这些追问也能帮助我把框架补起来。

对于需要全面调研的任务，我更倾向于使用Workbuddy、Codex这类智能体工具，把搜索范围、资料要求和交付标准讲清楚，让它系统地查找、核对、整理，而不只是给出一段概括。

不熟悉一个领域时，AI帮我建立地图；比较熟悉时，它帮我发现地图上的空白。

但搜集资料只是开始。更关键的，是逐渐形成自己的判断标准。

三、想要高质量，先弄懂什么叫高质量

很多人希望AI直接交出一个高质量结果，却没有想清楚：什么才算好？

在陌生领域，一开始没有标准很正常。我们可以让AI找案例、比较方案、解释取舍，再通过讨论，把标准慢慢建立起来。

这就像装修。你不懂装修，可以先找五个顾问，分别询问流程、风险、关键工序和验收标准。综合他们的意见，形成自己的认识，再用这套认识去盯装修队。

和AI合作也是如此：先借助它学习，再反过来指导它工作。

你需要逐渐说得清：这份方案哪里不够好，为什么不够好，改到什么程度才算合格。

认知必须落到自己身上。否则，今天换一个AI，明天换一种说法，你就会跟着摇摆。

AI可以帮你做很多事，但“什么值得做”“什么才算做好”，需要你自己把握。

四、和AI的“摩擦感”，是一种重要的学习方式

我特别看重使用AI时的摩擦感。

所谓摩擦，就是不轻易接受第一版答案，而是不断提出要求、追问理由、寻找漏洞，探索它到底能做到什么程度。

“这个方案看起来完整，但现实中谁来执行？”

“既要控制成本，又要保证体验，还要方便维护，你怎么取舍？”

“你检查一下，为什么这版仍然没有达到我的标准？”

说得刻薄一点，我把它叫作“压榨式使用”：不要它交了一份像样的作业，就觉得已经到头了。继续提要求，让它改、让它比较，让它挑战原来的方案。

当然，有效的摩擦，不是只说“太差了，重做”。你要把不满逐渐说清楚，把模糊的感觉变成具体的标准。

也不是非要逼AI认同你。真正有价值的，是双方的说法都经得起追问，方案经得起现实验证。

你可以和AI辩论，甚至“吵一架”，但最后要回到理由、证据和结果。

这个过程像打球：你提出问题，它回应；你发现漏洞，再把问题打回去。来回切磋中，你对事情的理解也在加深。

所谓七八十分和九十五分的差距，很多时候就在这里。AI未必做不到更好的结果，但你需要参与管理、编排和验收，不能只等它自由发挥。

五、学习的目标，正在发生迁移

不少人担心：有了AI，学生不自己记、不自己算、不自己写，能力会不会下降？

我的看法是，有些能力确实可能用进废退。但更重要的问题是：我们对人的能力要求，是不是也在变化？

过去的教育，很大程度上是在训练人掌握知识、遵循规则、准确执行。考试比较容易衡量这些能力。

但高分并不自动等于做事能力。“会做题目”不意味着知道怎么应用，知道怎么引用也不意味着能依靠它做出成果。

进入社会以后，人仍然需要把知识转化为实践；承担更大责任以后，还需要目标感、判断力、管理能力和系统思维。

AI正在接手一部分遵循规则的执行任务，学习的重点也应该随之移动。

就像机器承担了大量体力劳动之后，我们没有继续只用肌肉力量衡量人的价值。看待AI带来的变化，也不能只盯着旧能力有没有下降。

回头看，高中学过的不少具体知识，后来很少直接用到，但学习过程中对头脑的锻炼很有意义。

那么，新的问题就是：能否在解决真实问题、与AI深度合作的过程中，让头脑得到更充分的锻炼？

我的判断是，一些今天要求人人反复训练的复杂计算和解题技能，未来可能更多成为专业人士的专项能力。更多人需要加强的，会是思考、判断、总结、管理，以及理解整个系统的能力。

分数仍然能说明一些事情，但越来越不足以单独说明一个人能不能解决问题。

六、像负责人一样学习，把认知留在自己身上

拿张雪这样的摩托车创业者来说，评价他的能力，关键应当看能不能理解技术、组织团队、把产品做出来。一张高考试卷，很难衡量这些能力。

作为负责人，他需要理解系统如何运作，瓶颈在哪里，可以朝什么方向优化；也要听懂技术人员的意见，形成自己的判断。

这也是我们与AI合作时需要锻炼的能力：理解全局，把握目标，提出要求，判断结果。

未来，记忆和运算可能越来越多地交给随身的工具，但事情为什么做、做到什么程度、出现问题如何调整，仍然需要人来负责。从这个意义上说，领导力会变得更加重要。

我曾让四中的学生找一个问题，与AI进行一个小时的深度对话，不断刨根问底，继续追究。作业完成后，每个学生都反馈有新的收获。

这就是我说的摩擦感。

我们需要把AI当作可以切磋的对象，找它的漏洞，也检查自己的想法。在解决问题的过程中学习，在反复追问中长出理解。

最终衡量学习有没有发生，我更关心的是：事情做完以后，我是不是比开始时更懂了？我的判断力有没有增强？我能不能更清楚地说明，什么是好结果，以及怎样达到它？

让AI参与做事，让认知留在自己身上。

AI只是块石头，磨的是自己这把“刀”。