AI 时代的学习：从"搬运工"到"人机共生"

Vibe Coding 时代的代码似乎正在贬值——更准确地说，代码本身依然值钱，但"会写代码"这个技能标签的稀缺性正在快速消解。互联网和移动互联网时代降低了信息获取的门槛，而 AI 时代则更进一步，将"获取"本身压缩到了近乎即时的程度。当知识触手可及，学习的形态必然被重塑，这促使我重新思考：在这个时代，学习究竟应该是什么样子？

仔细想来，学习的底层逻辑其实从未改变，变化的只是实现形式——从翻书、到上网查资料、再到直接向 Agent 提问获取深度调研。工具的迭代让信息获取效率指数级提升，但信息到知识的转化、知识到能力的沉淀，这个链条的核心变量始终是​人​。

以人为本：拒绝成为知识的搬运工

早期我们在社交媒体上"收藏"文章就自认为"已学习"，如今 AI 时代又陷入了另一种幻觉——有了 AI 就仿佛一切知识尽在掌握，从而懒于真正消化。但本质上，一切学习的指向都应该是​塑造人本身​。无论手段如何演进，必须是经过自己理解的知识、用自己塑造的思考方式、"更新自己的梯度"，这样的学习才是有效的。

从这个基点出发，如何利用 AI 进行学习就变得清晰——拒绝偷懒式的一键接受，转向人机协作与人机共创。给 AI 的输入应是大脑知识的外化，AI 的输出又反作用于我们对任务本身的理解，再批判性地审视结果、审核、反思、举一反三。

AI 的上限确实无穷高，但这个上限的实现程度完全取决于使用者如何"印出"它。同样是使用 AI 编程，新手与资深工程师的效果天差地别，哪怕底层是同一个模型。一个典型案例是澳洲研究员 Paul Conyngham，他借助 ChatGPT 和 AlphaFold 成功设计出 mRNA 疫苗——这并非 AI 的"自动生成"，而是建立在他扎实的数据分析能力之上的人机深度协作。用线性代数来比喻：如果你的"秩"很小，AI 的高维知识投射到你这里只能是凝练的总结；但如果你的秩足够大，你就能在 AI 的输出中发现真正的 insight，并在持续对话中完成进化。

失去以人为本的人机交互，问题显而易见：当他人借助 AI 不断进化思维体系时，你只是在做知识的搬运——AI 搬运前人的知识给你，你再搬运到项目上，​但这些知识从未进入你的大脑​。你成了真正意义上的搬运工。

拓扑学视角：Top-Down + Roadmap + 第一性原理

我个人倾向项目驱动制学习。在完成项目的过程中不断丰富、更新知识树和技能点，而非盲目的深度拓宽和广度遍历——那样学到的知识即使当时记住，也难以被"重新激活"，遗忘率极高。

我的原则是：用到什么学什么，与其拓宽不如先加深对当前知识点的理解。当然有一类知识例外，那就是最基础、最核心的知识点——它们是整个知识矩阵的"基"。以强化学习为例，Policy Gradient 就是这样的基，不能一上来就跳过它去学 PPO、GRPO。

具体路径是：首先针对一个知识领域（如强化学习），构建或搜索一份由资深从业者梳理的 Roadmap，花几天时间建立整体脉络的初步理解；然后针对几个关键节点专门学习，打好基础；之后就可以进入项目驱动的 Top-Down 阶段，在实践中按需补充细节，让知识在真实场景中"活"起来。

综合能力：AI 时代的护城河

Anthropic 曾发布过一组关于 AI 替代性的数据可视化，结论很直观：工作离电脑越近、越偏向纯文本处理，被替代的风险越高。除了蓝领工人这类需要物理世界动手能力的职业，另一类难以被替代的是销售——​与人打交道的工作​。

这揭示了一个关键洞察：AI 时代下，表达能力、沟通能力、理解复杂逻辑的能力、读写能力这些看似"基础"的能力反而变得更加重要。因为这些能力构成了你的"基本盘"——基本盘越强，你对 AI 的使用能力就越强。AI 不是替代思考的捷径，而是放大思考能力的杠杆；杠杆的支点，永远是你自己。

写在最后

说到底，AI 没有改变学习的本质，只是揭开了那个一直被掩盖的真相——​学习从来都是一件反人性的事​。以前我们需要自己查资料、做笔记、反复练习，现在这些苦活累活可以被 AI 代劳，但真正的难关依然存在：你是否愿意用自己的大脑去消化、去质疑、去重构？工具越强大，人的能动性就越珍贵。与其焦虑于"AI 会不会取代我"，不如问问自己：我是否还在持续"更新自己的梯度"？人机共生的时代，选择权始终在你手里——你可以做知识的搬运工，也可以做那个驾驭杠杆的人。