不论学 AI，还是用 AI 学习，关键还是让学习真正落到自己身上（下篇）

AI 改变了学习的成本结构

上篇我们聊了「怎么学 AI」。这篇接着聊第二个问题：怎么用 AI 学习？

不只学 AI。学英语、学哲学、学一个陌生行业，甚至只是临时搞懂一个新概念，都可以让 AI 帮忙。

我自己就是这么做的。

之前我的英语口语很差。因为差，开口就有种莫名的羞耻感。可是越不开口练，口语水平就越提不上去。死循环。后来就试着把 GPT 当成口语老师加陪练，用提示词设定练习场景和难度。它不会嫌我说得卡慢，也不会因为我犯同一个错误就不耐烦。开口这件事一下容易了很多，练习意愿一整个提升。

另一个场景是看 GitHub 开源项目。我不是程序员出身，直接啃代码和文档，经常看几段就卡住。现在基本是用 DeepWiki 拆项目结构，再用自带的 AI 按照我的知识背景解释没看懂的地方。以前要硬着头皮看的项目，现在很丝滑就能继续往下走。

AI 用得越多，我越觉得，它带来的最大变化不只是“学习更快了”。

它改变了学习这件事的成本结构。

学习真正的贵，在于三样稀缺资源

以前学习贵在哪？

书一直不算贵。真正贵的是三样东西：一个好老师、一个随叫随到的陪练，以及针对你个人情况定制的教材。

大家可以回想一下自己学习路上的大部分挫折，可能还不是自己不努力，而是卡住了没人问，只能硬啃；练错了没人纠，错了一个月自己都不知道；教材不是根据你量身定制的，看得一知半解也只能往下硬看 ……

现在，我们每个普通人都有机会通过 AI 低成本获得这三样东西。

但拥有 AI，不等于拥有一个好老师（/好陪练/好教材），更不等于你已经学会了。因为 AI 默认给我们的回答往往是一个平均的答案，并不确保你真的学会。

比如你问直接问 AI 一句“我要怎么入门 Python”，它大概率会给你一份从变量到装饰器的完整目录。看着很全，也很像那么回事。但对一个正在入门的人来说，这种百科全书式回答往往没什么用。

所以用 AI 学习的关键，是怎么才能让它变成自己的好老师（好陪练/好教材）？

我自己实践下来，主要三个关键动作：

第一，先出「最小知识集」，再让 AI 加速深钻

别一上来就让 AI 给你一份大而全的学习清单。先告诉它：我要完成什么真实任务、已有多少基础、可投入多少时间。然后让它倒推完成这件事必须掌握的最小知识集，并标出“现在必须学”、“卡住再学”或“暂时不用学”。

比如，你想搞懂一个陌生行业（如自动驾驶），不需要一上来就把几十篇研报、所有术语都看完。先告诉 AI：我想搞懂这个行业，是为了做投资判断、找工作，还是做内容选题；我现在知道什么；我只有多少时间。

然后让它倒推：为了回答这个问题，我现在必须知道哪几个核心概念？这个行业靠什么赚钱？产业链上有哪些角色？最近最关键的变化是什么？哪些案例最值得看？

剩下那些边缘术语、历史细节和小众公司，先不学。等真的卡住了再补。

学习的目标不是把目录学完，而是先获得完成下一件真实任务的能力。

第二，让 AI 反问你，而不只是回答你

大多时候，我们和 AI 的关系都停留在：我们问，AI 答。

这种角色关系完全可以翻转过来，也就是把提问权交给 AI（让它当苏格拉底。苏格拉底当年教学生，基本不给答案，就是一连串问题把你逼到自己想通）：

关于 XX，先别直接告诉我答案。每次只问我一个问题，根据我的回答继续追问。直到我自己想明白为止。我卡住了就降一点难度。

别小看这个翻转。

你问它答，你是在听；它问你答，你才是在想。

我在星球里分享过多次的 /grill-me skill，就属于这种实践：通过 AI 的多轮提问，帮我们理清产品开发需求。

第三，让 AI 检验你，而不只是帮你总结

看过就忘是常态，自己想过、说过、做过的东西才更容易留下来。

所以学完一个概念后，别急着让 AI 再总结一遍。反过来，让它考你：

根据刚才的内容出 5 道题，从易到难。我答完后逐题批改，答错的知识点再出 3 道同类题。

除了“考”，还可以“演”。

让它扮演挑刺的客户，听你讲一遍方案；扮演刁钻的面试官，对你穷追猛打；扮演英语母语者，陪你把一个真实场景练到不再卡壳（我开篇就分享过）。

花样可以很多，但核心就一条：你出招，它挑刺。

人造摩擦 vs 自然摩擦

看到这里，你可能会发现，前面这些方法看起来是在让 AI 帮忙，实际上并没有让 AI 替你学。

两者有很大区别。一种是人造摩擦，一种是自然摩擦。

机械计算、繁琐检索、重复整理这些事情属于人造摩擦。它们挡在你和学习之间，可以放心交给 AI。

另一种是自然摩擦，比如理解一个难点、从记忆里把知识提取出来、形成自己的判断。这些吃力不是学习路上的障碍，它们就是学习本身。

所以 AI 时代的学习的关键问题，从来不是“能不能用 AI 学习”，而是选择让 AI 替你消灭哪种摩擦。

判断一种学习摩擦能不能交给 AI，我现在会问自己三个问题：

• AI 关掉以后，我还能不能用自己的话讲清楚？
• 换一个稍微不同的问题，我还能不能自己做出来？
• AI 给出两个看似都对的答案，我有没有能力判断哪个好？

如果三个答案都是否定的，说明 AI 消灭的不是挡在学习前面的人造摩擦，而是本该由我经历的自然摩擦。

我的观点其实很朴素，就是大胆用 AI ，用它清掉人造摩擦，然后把最宝贵的心力，留给那些会让能力真正长出来的自然摩擦。

两篇归一：让学习真正落到自己身上

以上就是【AI时代的学习法】下篇的全部内容啦。也在这里对整个专栏做个简单的总结。

上篇我们聊的是：怎么学 AI。关键不是先把一堆工具和概念背下来，而是先跳进真实问题里，边做边学。

这篇聊的是：有了 AI 以后，怎么学其他东西。它可以帮你缩小范围、解释难点、陪你练习、及时反馈；但理解、判断和动手，还是得自己来。

两篇文章说到底，讲的是同一件事：让学习真正落到自己身上。

当然，受限篇幅和主题，还有不少问题这次没展开。这些有机会的话，可以放到后面的番外篇里慢慢聊。

JOTO 企业落地观察

• 企业部署AI学习工具时，需警惕将‘自然摩擦’自动化。本文指出理解、判断与实践不可外包，这意味着企业级AI学习系统不应追求全自动答疑闭环，而应设计可干预、可回溯的交互路径，确保关键认知环节仍由员工主导。
• 这类系统的取舍在于：是否允许用户主动发起反问与检验机制。企业若采购或自建AI学习平台，应优先评估其是否支持苏格拉底式追问、错题强化训练、角色扮演演练等深度互动能力，而非仅提供单向知识推送。
• 对RAG知识工程而言，本文强调‘最小知识集’原则——即按真实任务倒推必要信息。这提示企业构建学习型RAG时，需放弃堆砌全量文档，转而基于岗位任务图谱动态生成精要知识切片，并标注学习优先级。
• AI学习中‘人造摩擦’的界定（如检索、整理）为企业AI安全治理提供新视角：可交由AI处理的环节，需明确数据边界与输出可控性；而涉及判断、权衡的‘自然摩擦’环节，则必须保留人工审核与决策入口，避免责任真空。