夜雨聆风上个月我试了一个实验。
把同一道物理题喂给三个不同的 AI ： ChatGPT 、 DeepSeek 、豆包。三个都答对了，推导过程整整齐齐。然后我问了它们同一个问题："你为什么用这个公式？"
三个全崩了。
不是答错——是答不上来。 ChatGPT 给出了一个教科书式的定义， DeepSeek 把公式推导过程又复述了一遍，豆包干脆说"因为这是求解此类问题的标准方法"。
那一刻我突然想起一句话。我读初中时候，数学老师在黑板上写完一道几何证明题，拍了拍粉笔灰，说了一句当时没人在意的话："你们记住——任何一道题，拆到最后，只有三样东西：定义、公理、定理。"
十多年后，我发现这句话是 AI 时代最值钱的学习方法论。
大部分人用 AI 学习，是在建空中楼阁
现在的学习场景特别诡异。
打开任何一个 AI 工具，问它"怎么学微积分"，它能给你出一个七天学习计划，细致到每天看哪一页书、做哪几道题。问它"这道题怎么做"，它能一步步列出来，比老师板书还工整。
学生开心了。家长放心了。
但真到了考试——翻车。真到了需要自己解决问题的时候——大脑一片空白。
这事的荒诞之处在于：我们花了几十年教学生"不要只看答案，要看过程"，现在有了 AI ，大家反而理直气壮地只看答案了。
你以为你在"用 AI 高效学习"？你只是在用 AI 高效抄答案。
而且抄得比以往任何时代都更优雅、更体面、更自我欺骗。
三十六氪年初有一篇文章分析这个现象，里面引用了一个数据：在一项针对 1200 名大学生的调查中，超过 68% 的人承认自己用 AI 直接生成过作业答案，而其中将近一半的人说"看完 AI 的解答过程之后，确实觉得自己懂了"——但后续测试显示，这群人的知识留存率跟没学过的人几乎一样。
"看完觉得自己懂了"——这是 AI 时代最大的学习陷阱。
为什么数学公理思维才是解药
回到开头我数学老师那句话：任何一道题，拆到最后，只有定义、公理、定理。
这不是一句废话。这是一个思考框架。
公理是什么？ 是不需要证明、所有人都认可的基本事实。"两点之间线段最短"——你不需要证明它，它就是对的。这就是公理。
定理是什么？ 是从公理推导出来的结论。三角形内角和等于 180 度，是定理，不是公理——因为它是从"平行公理"推出来的。
定义是什么？ 是约定。我们把三边相等的三角形叫"等边三角形"，这是约定，不是真理。
搞清楚了这三件事的区别，你会发现一个惊人的事实：
你学不进去的任何东西，都是因为你没找到它的"公理"。
你背了一堆公式、记了一堆结论、刷了一堆题。但你从来没问过：支撑这些公式的底层公理是什么？这个学科最基础的那几条"不能更简单"的信念，到底是什么？
这就像建房子。公理是地基，定理是结构，公式是装修。
没有地基的房子，装修得再漂亮，风一吹就倒。
第一性原理思维模型的研究指出一个关键点：人在学习新东西时，大脑默认会走"类比"路径——"哦，这个跟之前学的那个差不多"——然后跳过去。但当知识变得复杂、学科跨度变大，类比就失效了。你只能回到公理，从头推一遍。
而 AI 时代让这个问题更严重了。因为 AI 太擅长给出类比和表面答案了。它给了你一条从 A 到 B 的捷径——问题是， A 和 B 中间的地基你根本没见过。
百度开发者平台去年底有一篇技术文章，讲如何用 AI 大模型辅助数学教学。里面提到一个很有意思的结论：让 AI 帮助学生"从公理出发推导定理"，比让 AI"直接讲解解题步骤"，学生的长期理解效果高出将近一倍。前者是带着学生一起挖地基，后者是直接给人看装修效果图。
这话说得有点技术——翻译成人话就是：
别让 AI 替你想。让 AI 替你把"想"的过程拆到不能更简单。
实操：把公理思维接入你的 AI 学习流
理论说完了，下面是能直接用的。三招。
第一招：公理拆解提示词
下次你让 AI 帮你学一个新的知识点，别问"这个怎么学"。问这个：
"请把这个知识点的核心拆解到它的公理层面——也就是说，找出支撑它的、不需要进一步证明的最基本假设或事实。然后用这些公理，一步一步推导出这个知识点的核心结论。每一步推导都要写清楚'这一步骤依赖了哪条公理或定理'。"
举个例子，你学"机器学习中的梯度下降"。
普通提问： AI 会告诉你"梯度下降就是沿着负梯度方向更新参数，使得损失函数逐步减小"。
公理拆解提问： AI 会先告诉你"这件事的公理基础包括——导数的定义（函数在某点的变化率）、链式法则、凸函数的性质"。然后从这三条一步一步推到"所以我们要沿着负梯度方向更新参数"。
前者的答案你看了就忘了。后者你会知道这东西"为什么长这样"。
真不是你笨，是你问问题的方式让 AI 没法好好回答。
第二招：费曼公理验证法
费曼学习法的核心就一句话：用最简单的语言把一件事讲给一个完全不懂的人听，讲到对方能理解。
但大部分人用错了。他们用费曼法去"复述知识"，而不是"检验公理理解"。
正确的做法是这样：学完一个知识点，别急着复述。先做这件事——
关掉 AI 。关掉课本。拿一张白纸。
然后在纸的最上面写：这个知识点的三条公理基础是什么？
如果写不出来——抱歉，你没学会。回去再来。
费曼本人在他的传记里讲过，他评判自己是否真懂一个东西的标准不是"能不能讲清楚"，而是"能不能从最基本的假设开始，重新发明一次这个结论"。前者是表演，后者才是理解。
这恰好就是公理思维。
第三招：结构化思维链
这一招最好用，也最容易被忽略。
当你遇到一个复杂问题时，别让 AI 帮你"一次解决"。你让它帮你"先定义、再公理化、再求解"。
具体格式：
"请按以下步骤思考： 1 ）先明确这个问题中的核心概念，给出严格定义； 2 ）找出支撑这些概念的最基本事实或假设（公理层面）； 3 ）基于公理，逐步推导出解决方案。每步标注逻辑依据。"
这是从大模型"思维链"技术里借来的思路——CSDN 上有一篇讲 Prompt 工程的文章专门分析过，当 AI 被要求"明确每一步推导的公理依据"时，其答案的准确率和逻辑一致性比自由推理高出 40% 以上。
40%。不是小数目。
而且这个提升不是你"更聪明地提问"——是你把公理思维强加给了 AI 的推理过程。你在逼它走正道，不给它抄近路的机会。
这个时代不需要更多"知道答案"的人
扯远一句。
这两年所有人都在焦虑一件事： AI 什么都会了，我还学什么？
这个问题本身就问错了。
AI 会的是"知道答案"。而你真正需要的，从来不是"知道答案"——是"知道答案怎么来的"。
公理思维给你的不是知识，是一套脚手架。以后你学任何新东西——编程语言、业务逻辑、甚至跟孩子沟通的方法——你都能自己搭出这套脚手架。
说回我自己。
我做了十年班主任，见过太多"学得快忘得也快"的孩子。以前我以为这是专注力问题，后来慢慢琢磨明白了——不是专注力问题，是地基问题。
他们脑子里的知识，是叠罗汉，不是盖房子。
现在有了 AI ，这个问题的严重程度翻了十倍。因为 AI 让你的罗汉塔叠得更快、更高、更漂亮——但地基那一步， AI 替不了你，它也不想替你。
它给你答案的时候，从来没告诉你：这个答案我拆掉了多少层定义和公理才推出来。
所以我的建议很简单：
下次用 AI 学习的时候，先花十分钟——就十分钟——找到这个知识点的三条公理。写下来。确认你真的理解它们。
剩下的，让 AI 帮你推。
如果有人说这样"太慢了"，你可以告诉他——
不，这样才快。
因为不需要重学第二遍的东西，其实是最快的。
我不确定这篇文章的方法适用于所有人。可能对有些学科——比如纯记忆类的内容——这套方法论反而是过度设计。但你试试看。试完回来告诉我。
