AI 时代，学习没有过时，只是重心变了
约 3249 字大约 11 分钟
2026-03-12
这段时间，我几乎每天都在用 AI 处理工作里的问题。有些事情以前我并不熟，现在往往只要把需求描述清楚，AI 就能很快给出一个起点。它大幅缩短了从“不会”到“先做出来”之间的距离，这种体验很容易让人觉得，很多旧有的门槛正在迅速失去意义。
但用得越多，我越感觉到另一层东西并没有被一起补上。事情能更快开始，不代表人对事情的理解也同步加深了；结果能先出来，不代表人因此就更知道该怎么判断它。也正是从这些具体体验里，我才慢慢意识到，AI 真正改变的也许不是“人还要不要学习”，而是“人到底应该学什么”。而这个问题，恰恰要从它压低门槛、却没有替我们建立判断力这件事说起。
AI把门槛压低了，但没有替我们建立判断力
我反复碰到的问题，并不是 AI 能不能把事情做出来，而是它把事情推到一定程度之后，人还能不能跟得上。任务比较浅的时候，AI 给出的结果往往已经足够像样，很多差异也不会立刻暴露出来。可一旦项目往深处走，事情变复杂，里面开始出现一连串需要取舍的细节，你就会发现，自己到底懂不懂，区别其实很大。
因为很多决定看起来只是一个参数、一个方案、一个实现路径，背后却对应着完全不同的后果。你如果不知道它们为什么成立，也不知道它们各自牺牲了什么，就只能把决定权继续交给 AI。它当然还能继续往下做，但那个过程已经不再是你在使用工具，而更像是你在跟着一个自己并不真正理解的答案往前走。
真正让人不安的地方就在这里。不是 AI 做不出来，而是你没有办法确认它做得对不对。它给出一个方向，你只能接受；它一旦偏了，你也很难把它拉回来。因为你自己对这件事并不熟悉，不知道应该盯住哪里，不知道哪些地方是关键，也不知道哪一种偏差会在后面放大成真正的阻碍。项目越大，这种失控感越明显。
看起来更强，不等于真的更强
AI 让很多人第一次拥有了“我也能做”的感觉。这种感觉并不虚假。一个原本不会写代码的人，的确可以借助 AI 搭出一个产品原型；一个不熟悉某项技术的人，也可能在 AI 的帮助下完成一次像样的尝试。从结果看，人的行动半径像是被一下子拉大了。
但这种“变强”有两种完全不同的含义。一种是，你拿到了一个更强的外部执行器，于是从前做不到的事情，现在可以做出一个轮廓。另一种是，你对这件事本身有足够扎实的理解，所以 AI 成了你手边的一台放大器。前一种力量很容易得到，后一种力量才真正稳固。它们看起来都叫“效率提升”，实际却不是一回事。
一个不理解细节的人，也可以用 AI 做出像模像样的东西；只是当事情继续往前推进，他会越来越依赖 AI 给出的默认方案。一个真正懂原理的人，处境正好相反。AI 不会替他思考，但会帮他把很多本来耗时的试错、实现和整理工作大幅压缩。于是他的能力不是被替代，而是被放大了。两个人都在用同一个工具，最后得到的却不是同一种自由度。
项目做得越深，提示词背后的功夫越重要
我这段时间陆续做过一些项目，越做越能感到一个很现实的事实：项目越大，越需要精确的引导。很多人把这件事理解成“提示词要写得巧”，但我后来越来越觉得，提示词并不是一种独立存在的技巧，它其实暴露的是你对问题理解到了什么程度。
在自己熟悉的领域里，这种差异非常明显。因为我知道问题真正难在哪里，也知道哪些约束不能碰，哪些地方可以放开，哪些建议听上去不错、但放到当前项目里会出问题，所以我能把要求提得很具体，也能一眼看出 AI 给出的方案值不值得继续推进。那种时候，AI 的确很好用，甚至有一种它在顺着你的思路加速奔跑的感觉。
可一旦换到自己没那么熟悉的领域，局面就会迅速反过来。你提出的问题本身可能就是模糊的，给出的上下文也不够关键，于是 AI 很自然地沿着最常见的路径往下走。它给的建议未必差，甚至经常比普通人的随手判断高出一截，但它不一定适合你的具体目标。问题在于，当你自己对那块内容缺少理解时，你往往连“不适合”都很难及时察觉。等项目推进一段时间，阻力才慢慢露出来。
这也是为什么我越来越不相信“只要会提问，就可以跳过学习”这种说法。会提问当然重要，但好的提问从来不是凭空出现的。你能问到哪里，取决于你已经理解了多少；你能把 AI 用到什么深度，也取决于你能不能为它划出边界。很多所谓高质量提示词，表面上是语言组织能力，背后其实是专业判断。
为什么 AI 往往先给出“均值答案”
这件事并不神秘。今天的大模型是从大量人类数据里训练出来的，它在默认状态下，更容易给出常见、稳妥、可被多数场景接受的答案。对于很多日常任务，这恰恰是它的优点。它可以迅速补齐入门门槛，让一个人不至于因为基础不足就完全卡住。
但如果你想做的不是“先做出来”，而是“做得贴合、做得深入、做出区别”，默认答案就不够了。因为均值答案天然倾向于熟路，倾向于已经被反复验证过的表达和方案。它很少主动替你承担那些需要基于具体场景做出的激进判断，也不会替你辨认一条少有人走的路是否值得尝试。那部分工作，还是要靠人来完成。
于是差别就出来了。不懂底层原理的人，更容易停留在对默认答案的接收上。他可以借助 AI 做出完整、顺滑、表面上没有明显问题的结果，但也很容易做出许多互相相似的东西。真正懂数学、计算机原理，或者更广泛地说，真正懂自己所做之事的人，会在很多细小的地方主动改写默认值：哪里该优化，哪里该取舍，哪里该保守，哪里值得冒险。AI 在这时才像是一件真正锋利的工具。
所以，AI 时代还要不要认真学习
绕了一圈，最后还是会回到学习这个问题上。AI 出现之后，人还需不需要学习那些基础知识，尤其是计算机和数学这类看上去“费时费力”的东西？我的答案是，需要，而且这种需要并没有因为工具变强而减少，只是学习的重心开始变化了。
有些过去必须靠反复记忆才能完成的事情，现在确实没有必要再用同样的方式投入精力。复杂的 API 调用格式、容易遗忘的语法细节、冗长而重复的计算过程，AI 都可以帮你快速补上。它在这方面带来的便利是真实的。既然工具已经能替我们承担一部分机械负担，人就不必还把大量时间耗在纯粹的死记硬背上。
但另一部分东西反而变得更重要了。你对原理有没有感觉，对一件事的来龙去脉能不能说清楚，面对一个方案时能不能判断它为什么成立、又会在哪里出问题，这些能力没有因为 AI 的到来而退场，反而更容易直接决定你和工具之间的关系。你是把 AI 当作一个给答案的外包者，还是把它当作一个能被你调动、约束、校正的助手，差别常常就在这里。
如果说过去的学习，很多时候是在积累“我会不会做”；那么现在的学习，更像是在建立“我看不看得懂”“我能不能判断”“我知不知道下一步该逼问什么”。表面上少背了一些东西，实际上对理解力和判断力的要求并没有降低。
连“怎么学”这件事，也会一起改变
再往前走一步，学习方式本身也在变。起初我以为，AI 对学习的帮助主要是在陪练层面。比如面对一个陌生主题时，它可以帮我先把问题摊开，帮我列出几个值得追下去的方向，或者在我卡住的时候，给出一个更容易理解的解释。这些能力都很有用，直到现在我也还在用。
可用得越多，我越觉得它的局限同样明显。AI 的解释通常很顺，很照顾理解门槛，也愿意把知识拆解得像是可以立刻吸收的样子。但顺和浅，很多时候是同时出现的。它给出的答案常常能帮助人快速入门，却不一定能把问题讲到真正严密的位置。你如果只停留在这种“听懂了”的满足感里，很容易误以为自己已经学会了，实际上只是接受了一版被处理过的、较为平整的说明。
以前我们学习，会去找好书，会去找水平高的老师。到了今天，这两个东西并没有失效。通用大模型本身并不会自动成为一个高水平老师，它输出什么，很大程度上取决于你给了它什么上下文，也取决于你怎样追问。它当然可以承担讲解者的角色，但前提是，你得给它足够好的材料，让它站在好的内容上说话，而不是让它凭借默认记忆去即兴发挥。
好书不会过时，只是它的用法变了
所以回到最后，我现在更愿意把 AI 看成一种新的学习接口，而不是知识本身的替代品。好书还是要读，扎实的参考资料还是要找，只是我们未必还需要像过去那样，从头到尾、逐字逐句地消化所有内容。很多时候，我们可以把一本真正好的书、一篇真正扎实的论文、或者一套高质量的课程材料，转化成 AI 的上下文，让它基于这些材料来讲解、比较、提炼和回答。
这样做的意义，不是偷懒，而是换一种组织学习的方式。人仍然要对材料本身负责，仍然要判断哪些内容值得相信，哪些解释只是说得顺口，哪些地方需要回到原文去看；只是 AI 可以把那种原本高度依赖个人耐心和整理能力的过程，变得更灵活一些。它未必能直接把你教会，但它有可能帮你把一位好作者、一套好教材，转成一种更贴近你当前理解阶段的讲述。
如果真要说 AI 时代的学习带来了什么变化，我觉得不是“人终于可以不学了”，而是“人得学得更像自己在掌舵”。工具把很多执行环节接过去了，于是理解这件事反而更不能交出去。你可以让 AI 帮你做很多事，但最后决定你能走多远的，还是你到底理解了多少，以及你能不能在关键的时候，自己做判断。