ai 时代的学习思考
AI 时代，工程效率的提升几乎已经成为共识。但如果把工程师的工作拆开来看——输出是实施、改变世界，输入是学习和认识世界。输出效率在不断提高，输入效率有没有跟上呢？
如果是三个月前，我的答案是肯定的，我记得当时为了准备面试，用了一个周末的时间，在 Notion AI + Cursor 的辅助下复习完了 React 的相关知识，从最基础的用法到框架原理与推演，通通滚瓜烂熟，面试起来无往不利。然而那个周末我还去看了场演唱会，去夜排了几个小时，还去香港玩了一圈……而我记得我第一次学这些时，在校期间、全情投入的情况下，也花了小一个月的时间。所以我在想，AI 在学习上应该能给我带来至少十倍的提升吧。
然而最近新学 Go，发现好像完全不是一回事。学习效率不要说十倍了，五倍有没有都不好说，可能比起以前就两倍吧……那我就该问了：难道我脑子变笨了？
退一步，先不讨论学某个特定的知识，先说学习这件事本身：对于人体这个生物体来说，不外乎就是反复刺激大脑神经元，识别到某种特定刺激信号，进而获得长期记忆。而记忆呢可以简单理解成是一张图：知识概念是节点，而关联关系是边。那么"古典时代"高效学习法——费曼学习法——其实就是探索新的节点、不断加强边的权重。
回归到我的疑问：为什么 AI 好像没有很好地辅助我的学习呢？我想到两个原因：第一，我把学习和复习理所当然地当成了同一件事；第二，制约二者的瓶颈是完全不同的。
复习：信息瓶颈
古人说"学而时习之"、"温故而知新"，学习和复习似乎天然是一体的。但仔细想想，这两件事的内核完全不同。
复习的本质是什么？用"图"来说，就是激活已有的节点，重新提高边的权重。这个过程的瓶颈是信息：你需要大量的信息来确定哪些节点还活着、哪些边已经衰减、哪里有盲区。高中时期的海量做题，本质上就是在用信息去探测自己这张图的状态。
而 AI 恰好是一台完美突破信息瓶颈的机器——它见过几乎所有公开的技术文档、源码解析、最佳实践，能在秒级内帮你定位到图上任意一个休眠节点并给出最优的激活路径。高中时代可能需要刷上百套卷子才能覆盖的盲区，现在 AI 几轮对话就能帮你精准定位。
所以复习 React 时，我感受到的"十倍提效"是真实的。但这里要诚实地说：这个"十倍"不全是 AI 的功劳。我写过很多 React 相关的小随笔，也看过很多人的分享，脑子里早就有一张高连通度的图。AI 做的事情是极其高效地唤醒了这张图——相当于AI 的检索能力 × 我已有知识图谱的密度，两者相乘才有了那个周末的体验。换一个不懂前端的工程师来，同样用 AI，大概率达不到同样的效果。
学习：不止是生物学瓶颈
但学 Go 时，瓶颈换了。不管 AI 给我多完美的教程、多精准的类比，我的大脑要形成"goroutine"这个新节点，就是需要反复编码、反复犯错、反复修正。这就像你可以用更好的砖，但水泥凝固的时间不会变。
不过事情也没有这么绝望。学习的瓶颈确实比复习更硬，但它也不是铁板一块——除了突触可塑性这种"硬件限制"，还有很大一部分是"软件问题"。
比如编码质量：同样是第一次接触一个概念，如果 AI 能帮你找到一个精准的类比，把新概念锚定在你已有的知识上，大脑形成新节点的速度是会更快的。认知心理学管这叫"精细化编码"——不是绕开了突触可塑性，而是提高了每次刺激的有效性。
再比如迁移干扰：我学 Go 慢，有一部分原因恐怕不是"新东西太新"，而是"旧东西太强"。我遇到 goroutine 和 channel 时，大脑的第一反应是拿旧模型去套，套不上就卡住。这种新旧心智模型的冲突，本身就会吃掉大量认知资源。AI 如果能在一开始就帮我显式地对比不同模型的差异——也许能省下不少绕弯路的时间（不止编程语言，正常的语言学习中这一点尤为显著）。
所以更准确地说：AI 对学习新知识的提效上限确实低于复习，但瓶颈不完全是生物硬件的限制，还包括编码策略、心智模型迁移这些"软件层面"的问题。而这些，恰恰是 AI 有机会帮忙优化的。
学习和复习的关系变了
说回"温故而知新"。这句话在 AI 时代依然成立，但它的含义发生了微妙的变化。以前，"温故"和"知新"是交织在一起的——你复习旧知识的过程中偶然发现新的关联，这是一种低效但美妙的偶遇。现在，AI 可以把"温故"这个环节压缩到极致，把你从信息检索的苦力中解放出来，让你把更多的认知资源投注在真正的"知新"上。
换句话说，AI 没有消灭复习，而是把复习从一个"需要专门投入精力的过程"变成了一个"可以快速按需完成的动作"。曾经学习和复习是一体的，你需要在两者之间来回切换、统一安排精力；如今它们可以彻底拆开——复习交给 AI 快速激活，学习则保留给你自己去啃硬骨头。（怎么有点像 MoE 架构？需要哪个专家就激活哪个，平时都在休眠。）
学习曲线更陡了，怎么办？
这里有一个让人有点沮丧的推论：当 AI 把"容易的部分"——信息检索、知识唤醒、查漏补缺——全都高效解决了之后，剩下的全是硬骨头。学习的正反馈变少了，曲线变得更加陡峭。以前你花一个小时，可能有四十分钟在做"有成就感的复习"，二十分钟在啃"痛苦的新东西"；现在那四十分钟被 AI 压缩成了五分钟，剩下的五十五分钟全是痛苦。
怎么跳出这个困境？我想抛一个不太成熟的观点：也许我们该换一个反馈标准了。
以前学习的正反馈是"我又掌握了一个知识点"，这个标准在 AI 时代会越来越难获得——因为简单的知识点 AI 直接就能帮你搞定，不需要你"掌握"；而困难的知识点，你啃起来又极其缓慢。但如果把反馈标准从"掌握新节点"换成"建立新连接"呢？比如你学 Go 的错误处理时，会觉得很炖——每个函数都返回 (result, error)，每次调用都要 if err != nil。写惯了 JS 的 try-catch 和 Java 的异常体系，你会觉得这是历史的倒退。但如果你此时瞥一眼 Haskell 的 Maybe 和 Either——它用类型系统把"可能失败"编码进返回值本身，迫你在编译期就处理所有分支——你突然意识到，Go 和 Haskell 在哲学上其实是同一边的：它们都拒绝了 Java/JS 那种"把错误扔到空中，祈祷某个上层 catch 能接住"的思路，而是要求你在每一个出错的地方就地面对。只不过 Haskell 用类型系统强制你做，Go 用约定和简洁性强制你做。这个"跨领域连接"本身就是一种更高层次的收获，哪怕你的 Go 代码还写得磕磕绊绊。
说到底，AI 时代的学习，可能不再是"往图上加更多节点"的游戏，而是"让图的拓扑结构变得更有趣"的游戏。节点可以交给 AI 帮你按需激活，但图的形状，理应由你自己能决定。
当然，这一部分我们可以下一篇再讨论。