夜雨聆风
AI大时代下，AI的影响已经逐渐渗透到工作与生活的各个方面，可很多人还是觉得AI不就是聊天和搜索么，没有外界说的那么玄乎。这种想法很危险，它可能让你很快就被分化到时代的山脚。人工智能已经从各个方面将原有的叙事改变。
以下我们为大家收集的两个AI学习（Al-Native Learning Infrastructure）方面的“案例”，看看在新的时代背景下，如何结合与利用AI提高学习效率事半功倍。供各个年级的学生和家长参考。
美国AI霸主Anthropic在6月30日刚发布了一款面向科学家的AI工作平台：Claude Science。其整合了研究人员最常用的工具和数据库，能生成可审计的研究成果，并提供灵活的算力接入。
简单说，它的定位就像 Claude Code 之于程序员，Claude Science 就是专门给科学家用的 Claude。
目前平台内置超过 60 个科学数据库和工具包，覆盖基因组学、单细胞分析、蛋白质组学、结构生物学和化学信息学等领域，十分强大！Claude Science几乎可能让科学研究提升数倍效率！
艾伦研究所神经科学家Jérôme Lecoq在测试期用Claude Science搭建了一套约 20 个自定义技能的多Agent文献综述流水线：子Agent读取数千篇论文、提取核心发现并存入证据数据库，然后由一个Agent负责起草，另一个负责核查，逐段完成综述写作。极大节省了时间，且产出约10篇综述，很多超过100页。
当数据、分析、出图、校验等AI能全包了，那么本科生、硕士生、博士生和研究员在学术上的差距被拉平则具备了现实的极大可能性！人跟人在学习和学术上被拉开的差距又是什么呢？
一个故事是一个叫 Ihtesham Ali 的人在 Reddit上分享的：据说一名MIT研究生用谷歌的 NotebookLM，在48小时内学完了一门完全陌生的课程，并通过了博士资格考试，连导师都问不倒他。他利用的“AI学习”的核心步骤如下：
这套方法的内核其实是教育学里讨论过的"自上而下学习法"（先建立知识框架，再填充细节）和 "主动回忆/检验式学习" 。虽然并非NotebookLM或这个学生的独家发明，但是借助AI，让理论能更加快速和亲民的得到执行，低廉丝滑的普惠到学习者身上，就是AI带给我们方便和改变。
这个帖子获得数百万浏览，被各路媒体转载，但发布不久后，原作者就把帖子删除了，原始来源难以核实，真实性始终存疑，但让我们看到如何把AI运用到学习上的方法不可小觑。
另一个是瑞典小伙 Gabriel Petersson 的故事，真实可考。Gabriel Petersson 出生在瑞典，17岁辍学加入创业公司，19岁当过瑞典最大云厨房的临时CTO，此后在Dataland、Midjourney做工程师，2024年12月加入OpenAI，23岁成为OpenAI Sora团队的研究科学家，负责视频生成模型的研发，在这个通常要求博士学位的岗位上，他没有高中文凭也没有大学学历。
他的学习方法和传统的"先打基础再实战"完全相反，也是采用的"自上而下递归学习"(top-down recursive gap filling) 的方法，具体是:
第一步：从一个具体想了解的概念或项目入手提问。比如学扩散模型 ( Diffusion Model ) 时，第一步问ChatGPT视频和图像AI模型最基础的概念有哪些。
第二步：让AI直接写出一个扩散模型的完整代码，即使完全看不懂也先和AI一起调试把代码跑起来，在这个过程中逐渐建立直觉。
第三步：开始逐行追问，这是什么？为什么这样设计？不断向下深挖，直到弄懂为止。他称这个过程为"递归式填补知识空缺"。
最后会应用费曼学习法，把这个知识点讲给AI听，问AI"我的理解对吗"，让AI帮忙纠正错误理解、补充遗漏。
效果方面，传统学扩散模型通常要从微积分和线性代数学起，至少六年才能接触实际模型，而他用这套方法据说三天就建立了对扩散模型的核心理解。
两个故事，一个真假难辨，一个有名有姓。但把两个故事放在一起看，会发现一件有意思的事：他们用AI学习的方法几乎是同一套逻辑，这或许说明这套逻辑背后真的有些东西值得我们认真对待。去掉具体场景的包装，这套逻辑有三步:
先让AI把一个领域的核心概念、底层逻辑、知识地图画出来，而不是一头扎进某一章某一节。这就像打开游戏地图的全局视野，再决定先去哪儿打怪，而不是蒙着眼睛瞎走。
真正前沿的知识往往不是共识，而是争议。知道这个领域最聪明的人在吵什么，为什么吵，你就站在了这门学科的边界上，而不是停留在教科书划好的安全区里。
看一眼正确答案然后背下来，这是最低效的学习方式。真正有效的是向AI不断追问"为什么"、不断暴露你以为自己懂了其实没懂的地方。
如果把这两个故事当成一面镜子，能照出AI对学习方式带来的几个实实在在的变化。
第一：让学习的路径从"自下而上"变成了"自上而下"成为可能。
传统学一门新知识，逻辑是先打基础再碰应用。想学机器学习，得先学线性代数、概率论、微积分，再学统计学习，最后才能碰真实项目，整个过程可能要好几年。这套路径的合理性在于：大班教学没办法给每个学生配一个随时答疑的导师，只能按照统一进度从基础开始，确保大多数人不掉队。
但Gabriel的经历提供了另一种可能：直接从一个具体问题出发，遇到不懂的概念就向AI追问，把这个概念彻底搞懂，再继续往前走。这个过程被他称为"递归式填补知识空缺"——不是先把所有基础打牢再上场，而是在真实问题的压力下，把知识一块一块地补齐。
这种路径以前不是没人想过，而是缺一个能随时回应、不会不耐烦的老师。AI恰好补上了这个角色。
第二：记忆的门槛在下降，提问的门槛在上升。
以前学习好不好，很大程度上取决于记得多不多。现在大量事实性知识可以外包给AI去检索、去整理，真正拉开差距的，变成了你能不能问出有质量的问题。
这一点在两个故事里都很明显。MIT学生那三个问题——核心思维模式是什么、分歧在哪里、用什么题目能检验真懂假懂。这本身就是一套很有水平的提问框架。Gabriel能三天搞懂扩散模型的核心逻辑，靠的也不是AI单方面灌输知识，而是他自己不停地往下追问、不停地把模糊的理解逼成清晰的解释。
AI本身没有变聪明多少,变的是会用它的人的提问方式。
第三：AI放大了原有的认知差距，而不是抹平了它！
这是容易被忽略，但很重要的一点。同样是免费开放、人人能用的AI工具，有人能把它用成“私人导师”，有人只是把它当成高级搜索引擎或者押题机器。差异不在工，在于使用者本身有没有“元认知能力”——知道自己不知道什么，愿不愿意花几个小时和AI死磕一个错误背后的原因。
换句话说，AI不是一个自动拉平差距的设备，它更像一个放大器：用得好的人，效率被成倍放大。习惯了被动接受标准答案的人，可能依然只是在划重点。
结合这两个故事，方法论落到具体的课程学习场景里，可以总结出一套相对容易上手的流程。
1、学一门新课之前先让AI画地图。
把课程大纲、教材目录、或者你已经知道的关键词喂给AI，问它这门课的核心概念有哪些？这些概念之间是什么关系？这个领域目前还存在哪些没有定论的争议？用二十分钟换来一张知识地图，比闷头看完前三章再迷茫地问"这门课到底在讲什么"要方便得多。
2、遇到具体知识点逐层往下追问，而不是停在表面解释。
AI第一次给出的回答往往是泛泛而谈的，这时候不要满足于"听起来懂了"，而是继续追问：为什么是这样设计的？如果换一种做法会有什么问题？这个结论的前提条件是什么？每多问一层理解就深一层。这正是Gabriel"逐行追问代码"的精髓，不满足于跑通，而要弄懂每一步背后的道理。
3、主动让AI出题，而不是被动刷题。
让AI生成一批"能区分真懂和假懂"的问题，自己作答，答错了追问"我错在哪里、漏掉了什么逻辑"。这个过程本质上是一种压力测试，会比单纯做完一套题，对完答案，留下深得多的记忆。
4、定期把学到的东西讲给AI听，反过来检验自己。
这其实是费曼学习法的AI版本。把一个知识点用自己的话讲一遍，问AI"我的理解对不对"，AI会指出哪里讲得含糊，哪里有遗漏。能不能讲清楚是检验是否真正掌握的最好标准之一。
5、始终带着具体问题去用AI而不是漫无目的地聊。
无论是MIT学生还是Gabriel，他们的提问是带着明确目的的追问，学习效率的差异很大程度上就藏在提问的具体程度里。
需要提醒的是，这套方法对学习者的主动性要求很高。它更适合用于你愿意花时间死磕的领域，都需要大量扎扎实实的投入时间。AI加速的是理解的过程，不是替代了努力本身。
AI时代，学习方式随之改变。那么作为学习者，我们应该培养自己什么能力呢？说到这里，可能要回到一个更根本的问题：如果记忆可以被AI分担，那学校和学生真正应该花力气培养的是什么?
第一是提问能力。 这或许是AI时代最稀缺的能力。一个好问题往往意味着提问者已经搭好了一部分思维框架知道该往哪个方向深挖。从"是什么"到"为什么"再到"如果不这样会怎样"，提问本身就是一种思维训练，而这件事AI替代不了。它只能回应问题，不能替你想出那个值得问的问题。
第二是判断和验证的能力。 AI会出错，也会一本正经地给出似是而非的答案。一个只会全盘接受AI输出的人，和一个能判断这个回答靠不靠谱，哪里需要进一步核实的人，长期下来的差距会越拉越大。这种批判性思维恰恰需要在主动追问、反复验证的过程中慢慢养成，而不是天生就有。
第三是亲手把事情做一遍的耐心。 数学需要自己解题才能形成肌肉记忆，编程需要自己写代码和经历调试报错的痛苦才能真正掌握。微软研究院2025年的一项研究显示，人们频繁使用生成式AI时，自身的批判性思维使用会明显下降。这是一个值得警惕的信号。AI应该被当成陪练和教练，而不是代笔，把节省下来的时间用在更深的思考上，而不是用来偷懒。
第四是面对不确定性，主动填补知识空缺的能力。 传统教育习惯把知识嚼碎了喂到学生嘴里，考试也大多在检验"记住了多少"。但真实世界里的问题，往往没有现成的标准答案。能不能在一片陌生领域里，自己判断该先搞懂什么、该向谁求助、该怎么一步步把空白填上，这种自主学习的能力，可能比任何一门具体课程的知识点都更重要。
正如上一期推文中谷歌DeepMind CEO德米斯·哈萨比斯所说， 最重要的事就是加倍强化你自己的能动性。
回过头看，AI真正改变的从来不是学习这件事本身的难度。因为真正的理解依然需要时间、需要琢磨、需要在错误里反复纠偏。
AI改变的是那道横亘在"想学"和"能学好"之间的资源门槛：一个随时在线、不会不耐烦、愿意被反复追问到底的导师，以前只有极少数人配得起，现在每个愿意主动提问的人都能拥有。
至于这道门槛被打开之后，谁能走得更远，答案其实没什么新意。还是那句老话，工具人人有，会不会用才是分水岭。
不管您是学习者，还是辅导孩子学习的家长，希望本文可以带您看到利用AI进行学习的一些新认知和方法，在这个巨变时代，需要我们勇于改变和尝试，摸清时代的脉搏。当然第一步，先尝试用起来！
相关阅读：
谷歌DeepMind创始人Hassabis对话斯坦福大学师生，AI未来10年带来百倍于工业革命的效应，人类会进入非零和时代！
从英语文学到AI核心：Anthropic 创始人Daniela 的文科生成长之路
高考留美官方赛道：TOP32加州大学欧文分校国际大一，一站式解决赴美本科核心问题！
