AI越来越会回答问题,人为什么还要继续学习?

—— 复利行动志 · 成长 ——

过去，学习常常从寻找答案开始。现在，答案会在几秒钟内出现，解释完整、结构清楚，甚至比我们自己写得更像一回事。问题也随之改变：当答案不再稀缺，我们究竟还要把什么留在自己身上？

01 答案已经到了，理解却不一定同时发生

遇到一个陌生概念，我们把问题交给AI。几秒钟后，屏幕上出现定义、例子、步骤和总结。

读起来顺畅，似乎每一句都懂。把回答转给别人，也很像已经掌握了这件事。

但这种感觉里混在一起的，其实是三件不同的事：AI完成了回答，我们顺利读完了回答，我们能够在新的情境里独立使用它。

前两件事发生得很快，第三件事却没有自动发生。

学习最容易制造的错觉，一直是把熟悉当成掌握。过去，这种错觉可能来自反复阅读和画满荧光笔；现在，它还可能来自一份过于流畅的AI回答。因为解释已经替我们组织好了，我们很少感受到卡顿，也就更难发现自己缺少了哪一步。

一项针对近千名高中生的数学学习实验，把这种差别表现得很清楚。研究者设置了普通GPT界面、带教学约束的AI导师和不使用AI的对照组。使用AI时，学生完成练习的表现明显提高；但在之后不能使用AI的考试中，普通GPT组反而低于从未使用AI的对照组。带有提示、限制直接给答案等设计的AI导师组，则基本消除了这种负面影响。

这项研究只发生在特定学校、数学任务和当时的GPT-4环境中，不能推出“使用AI一定损害学习”。它更重要的提醒是：当下完成得更好，不等于能力已经留在自己身上。

AI可以替我们交出一次漂亮的答案，却不能替我们拥有下一次独立作答的能力。

02 信息更多，从来不自动等于更接近真相

在《连结：从石器时代到AI纪元》中，赫拉利讨论的并不只是今天的聊天机器人。他把视线放到更长的信息史中：人类依靠信息网络组织大规模合作，而维持网络运行的内容并不总是真相，也可能是故事、制度、神话和共同相信的想象。

这提供了一个理解AI的入口。

我们很容易采用一种朴素想法：信息越多，错误越少；回答越完整，判断越可靠。但一个系统能够快速连接大量信息，只能说明它拥有强大的组织和生成能力，不能保证每次输出都是真实、相关、适合当下问题的。

流畅尤其容易遮住边界。一个答案可能事实正确，却忽略了你的具体条件；也可能结构严密，却把有争议的解释写成唯一结论；还可能给出真实来源的名称，却并没有准确呈现原文。

因此，AI时代的学习不能只追求“得到更多”。它还要训练另一种能力：知道什么需要核验，什么只是可能的解释，什么结论即使正确，也暂时不能用于自己的选择。

赫拉利的价值不在于替我们宣布技术必然走向哪里。他在自己的官方书籍介绍中也强调，历史和技术并非宿命，人仍然可以通过有信息基础的选择改变结果。真正的问题不是要不要进入信息网络，而是进入以后，我们是否还保留辨认真相与修正错误的机制。

03 面对复杂系统，人需要的不是假装完全控制

凯文·凯利在《失控》中讨论机器、生命、社会系统和网络时，反复关注自组织、分布式协作与复杂性。他认为，随着机器和制度越来越复杂，人们不能只靠中央命令管理一切，而需要给系统设定规则、形成反馈，并接受部分控制会转化为共同控制。

《失控》写于今天的大语言模型出现之前，因此不能把它当成对ChatGPT的直接预言。但它提供的思考方式仍有价值：面对复杂工具，成熟的使用方式不是相信自己已经完全掌控，也不是因为无法完全掌控就拒绝使用，而是建立持续观察、反馈和修正的关系。

把这个视角放回个人学习，AI不是一本永远正确的答案书，也不是一个必须与人竞争的对手。它更像一个能够高速生成解释、组合材料和提出可能性的系统。

我们可以借它扩大搜索范围、发现盲点、尝试不同表达；与此同时，目标、边界、证据标准以及最终采用什么，仍然需要人来决定。

这也是“继续学习”的第一个现实理由：如果自己对一个领域完全没有基础，就很难判断AI在哪一段可靠，在哪一段只是说得像真的。

04 AI没有消灭思考，而是改变了思考发生的位置

2025年发表在CHI会议的一项研究调查了319名知识工作者，收集了936个使用生成式AI的实际例子。研究者发现，使用者越相信AI，报告的批判性思考投入往往越少；而对自己完成这项任务越有信心，思考投入往往越多。

研究还观察到一种转移：有了AI以后，一部分思考从搜集资料转向核验信息，从亲自生成转向整合回答，从直接执行转向监督整个任务。

这不是“人不再需要思考”，而是思考的重心变了。

过去，我们可能花很多时间找材料、搭结构和起草初稿。现在这些环节可以加快，但节省出来的认知成本不该全部变成更快地提交。它可以被重新投入到几个更难外包的地方。

第一，问题有没有问对。一个边界模糊的问题，常常只能得到貌似全面的泛化答案。

第二，证据能不能支撑结论。AI能够提供线索，但来源是否存在、研究对象是谁、相关能否解释为因果，仍需回到原始资料。

第三，答案是否适用于眼前情境。同一种建议，换了目标、资源、身体状况和风险承受能力，可能就要改变。

第四，谁承担结果。AI不会替我们承受错误医疗判断、投资损失、工作失误或关系后果。最终责任仍在人这一边。

这项研究也有清楚的限制：它以自我报告为主，样本偏年轻且经常使用技术，不能直接测量长期能力是否下降。但它给出的框架很实用——未来重要的可能不是比AI更快地生成内容，而是能否核验、整合并对结果负责。

05 把AI当答案机，还是把它变成练习对象

AI当然也可以帮助学习。

一项在大学物理课程中进行的随机对照研究发现，经过专门教学设计的AI导师，能够在该研究场景中带来比课堂主动学习更高的测验增益。它不是简单把答案扔给学生，而是按照学习目标提供分步解释、反馈和节奏调整。

这与前面的数学实验并不矛盾。两项研究共同指出，关键不只是“用了AI没有”，而是AI在学习过程中扮演什么角色。

如果它替你跨过所有困难，短期表现可能变好，内部能力却没有得到练习。如果它要求你先作答、给出逐步提示、追问理由，再让你修正，它就更接近教练，而不是代写者。

困难也不需要被浪漫化。不是越痛苦越有学习，超出能力、没有反馈的困难只会消耗精力。真正有价值的是那一点恰当的阻力：先想一想，试着说出来，暴露自己的缺口，再获得反馈。

学习需要的不是拒绝AI，而是避免让AI替我们拿走所有值得练习的困难。

06 一套可以马上使用的AI学习闭环

下一次请AI解释一个重要问题时，可以尝试把顺序稍微改一下。

第一步，先留下自己的起点。

在打开AI之前，用两三句话写下目前的理解、猜测或困惑。哪怕并不完整，它也能让你看见回答前后的变化，而不是被一份成熟答案直接覆盖。

第二步，不只要结论，也要求边界。

可以让AI列出反方观点、适用条件、最可能出错的环节，以及哪些说法必须查原始资料。一个答案能够接受追问，通常比一次性总结更有学习价值。

第三步，对关键事实回到原始来源。

书籍观点回到原书或作者完整表达，研究结论回到论文和机构资料，现实建议则要检查时间、对象与条件。不是每句话都要考证，但决定判断方向的那几句值得核验。

第四步，关掉回答，重新表达和使用。

不看原文，用自己的话说明它；换一个例子；找一个反例；或者把它用于一个真实决定。如果说不清、迁移不了，就说明学习还没有完成。

这套过程会比复制答案慢一点，却能把AI的速度转化为自己的反馈。学习的目标也不再是“这次有没有得到答案”，而是“下一次遇到相似问题，我是否更会判断”。

知行观察｜成长

过去，知识稀缺时，学习的重要任务是获得信息。今天，信息快速生成，新的稀缺开始转向注意力、核验能力、问题意识和承担判断的意愿。

这并不意味着记忆和基础知识失去价值。恰恰相反，一个人头脑中已有的概念、经验和证据标准，决定了他能否识别AI回答里的漏洞，也决定了他能提出多好的下一问。

AI可以成为外部能力，但不能成为内部空心化的借口。真正的复利发生在一次次协作之后：我们不仅完成了眼前任务，也留下了更好的问题、更清楚的判断标准，以及下一次可以独立调用的能力。

END

复利行动志 · 成长

这里从书籍、研究和真实生活出发，记录身体、财富与成长中值得核验、能够实践的长期知识。

让知识进入行动，让行动经过时间。

我在这里记录自己的学习和实践。先让自己慢慢变好，也把真正有用的东西分享给你。

别只问AI能替你完成什么，也问每次使用之后，有什么能力真正留在了自己身上。

如果这些记录对你有用，欢迎关注「复利行动志」。