Matrix 首页推荐
Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。
文章代表作者个人观点，少数派仅对标题和排版略作修改。
- 没有条件的自学者很适合引入 AI 作为交流替代品；AI 的加入会使得曾经的崎岖蜀道变为坦途，为我们每个人都带来更多的可能性；
- 仍然要保持一定传统的学习方式以及阅读专著的习惯，不要把学习全权托付给 AI；AI study 绝不是一条邪修捷径；
- AI study 并不能克服一切困难；如果有需要，务必为自己的学习寻求制度性的支持（读一个相关的学位、寻求专业辅导等）。
不知你可否注意到，在一个不起眼的时间点，AI 界三巨头 ChatGPT、Gemini 和 Claude 都推出了自己的「学习模式」。在这个模式下，AI 将不再和之前一样只负责提供问题的答案，而是会尝试通过对话引导你一步一步地分析问题，最终靠自己的力量解决问题。这是 ChatGPT 对学习模式的介绍：
我试用了一下 ChatGPT 的学习模式，发现开启这个模式之后， ChatGPT 确实会把自己放在一个「提问者」的位置来和用户对话。比方说我和它说我想了解一下「社会建构主义」的理论，它没有像百科一样给我铺设一大堆难以理解的名词，而是向我提了一个问题：
这就是学习模式（study mode）。它秉持了苏格拉底著名的「助产术」思路，通过提问而非回答来激发用户的思考。虽然它的实现机制并不复杂，但是这可以称得上是一个小而美的产品创新。
而且它推出的时间点也颇为巧妙。就在我意识到「通过和 AI 对话来学习」也许可以做出一个好的产品，并且为此建立了一个项目的时候，我发现了三巨头已经推出了这一功能。这一瞬间我体会到了那种作为一个科研人员十分熟悉的无奈感……
那么话说回来：作为一种有别于我们熟悉的授课教育的学习方式，AI study 到底怎么样？它究竟是拓宽我们认知边界的先行者，还是一种更加温和却也更加窒息的新型信息茧房？
在这篇文章里，我作为一个大语言模型领域的研究者，将基于一些认知科学和心理学的观点来聊一聊这些问题。
要讨论 AI 如何介入我们的学习，那首先得关心一个热度并不高的话题：我们目前是如何学习的？
从我执笔学习话题的这段时间里从评论区收集的反馈来看，相当多的人仍然把学习看作一个「把大象装进冰箱」的过程。每天都有大批的人在抱怨「知识它就是不进脑子」。这个看法其实已经是数百年前流行的观点了，现在让我们来更新一下认知：知识不是被「塞」进脑子里的，它是被人脑主动建构出来的。目前并没有任何证据表明人脑里面有像是硬盘一样的存储阵列。比起存储器，我们的大脑更像是 ChatGPT：「记忆」可能只是幻觉，一切内容都是临时「编造」出来的，哪怕是回忆。
这一理论可以解释为什么丢失一部分脑组织的病人并没有丢失一块记忆，反而是性格发生了改变。
「建构」体现的是一个如同搭积木一样的、主动的过程。具体来说，学习本质上是在尝试用已知的概念解释未知事物，解释完毕之后，未知的东西也就被理解了，新的知识就诞生了。比方说同样是观察到了天上星辰的运动，具有不同认知的人就会做出不同的解释：
这一观点源自于皮亚杰等人提出的建构主义，我曾在超越信息收集：从认知科学角度看笔记 - 少数派一文中介绍过。当时我用这个理论解释为什么要记笔记以及为什么我认为网状笔记是一种很好的笔记形式。但是这其实只是建构主义的一半，另一半讨论的是另一个疑问：建构出来的知识，它一定靠谱吗？
答案显然是否定的。就如上面的例子一样，由于不同的人认知不同，看问题的角度不同，思考的方式也不同，对于同样的未知事物我们会给出五花八门的解释。然而真理却只有一个。所以对于这些存在问题的解释来说，它们终有一天会碰到那个不服从它、反而将其推翻的案例：
解释被现实打脸虽然很丢人，但是却增长了我们的见识，让我们得以在旧的知识的废墟上建立一套新的、能够理解更多反例的解释。这就是认识水平的辩证提升。就这么一破一立之后，我们的认知向上发展了。我相信每个学习过辩证法的读者都多少听过这样一套说法。只不过黑格尔、马克思等人将之用来解释社会总体认识水平的发展过程，而皮亚杰指出，这一发展过程同样适用于解释个人认识水平的发展。人的学习过程总结起来就是一句话：知识并非只是信息，而是在个体的认知模型在与环境不断冲突中辩证产生的解释。
到此，我们似乎仍然无法回答一开始的问题：AI 如何介入我们的学习。这是因为建构主义的理论仍然有问题，我们需要更加全面的解释来帮助我们思考这一问题。
就像刚才那个例子里一样，建构主义的理论本身也是一种建构出来的解释，它也遇到了那个命中注定要来挑战它的反例：从未谈过恋爱的人，能指导他人的感情问题；学会了乘法运算的小朋友可能从没有亲自去数过数、验证过九九乘法表的结论。也就是说，人的很多知识并非都是自己建构出来的，而是直接获取了他人的知识。
苏联心理学家维果茨基（Lev Vygotsky）提出了对皮亚杰理论的质疑。在提出质疑之后，他又基于皮亚杰的理论建构出了一套新的、解释力更强的认知科学理论：社会建构主义。他认为，皮亚杰的错误在于只考虑人类从和物理环境的交互中获得知识，没有考虑人与人之间还可以通过交流分享彼此的知识。维果茨基指出，知识并非仅仅源于个体认知模型与物理世界的直接碰撞，更源于个体与社会中「更成熟的他人」（父母、老师、同伴）的互动。拥有不同背景的人聚集在一起交流的时候，他们彼此的见识被互相分享，他们各自的知识被汇集起来发生冲突然后又重建。最终结果是所有人的认知水平都获得了提升。
希望我的评论区也可以是这样一个地方。
正是这一理论，让父母们如此重视言传身教以及为子女创造好的环境；让当代成功学如此强调「向上社交」。此外这也可以解释为什么学术圈如此重视交流：几乎每个实验室都定期召开组会分享各自的见解，全世界每年都要耗费大量资源办成千上万场学术会议。从社会建构的角度可以看出：和一个人埋头苦干相比，通过交流获得知识的效率简直如同降维打击。尤其是当互联网普及之后，交流的物理成本似乎低到忽略不计。我们真正迎来了知识大爆发的时代。
但是……真的就这么简单吗？如果只是这样的话，我们的结论就是「AI 是一个比真人更温和、更理性、更好的交流对象，所以推荐大家都去试试 AI study」，本文将沦为一篇七弯八拐、最后回到原点的废话。而我希望得到更有价值的洞见，因此我们有必要继续深入下去。我们深入下去的突破点就在这里：为什么你会觉得「AI 是一个比真人更『好』的交流对象」？
我们注意到一个问题：我们之前的说法只考虑了交流带来的益处，忽略了交流本身的成本以及可能出现的问题。而要理解人之间的交流的话，语言作为交流的主要载体是绕不过去的。
如果没有一定的社科素养，人会很难理解为什么社科经常揪着语言问题不放。虽然互联网上四处都是因为被外语考试拷打而心怀怨怼的人，虽然能使用多种自然语言仍然是精英气质的象征之一，但是我们必须承认：在近些年翻译 AI 尤其是大语言模型的加持下，自然语言造成交流障碍几乎已经被推倒了。但是翻译 AI 能破开的是语言符号的藩篱，而真正的障碍是语言符号所表示的思想。
我们交流的目的是将自己的思想传递给对方，而由于人脑目前似乎不支持插线直接传播脑电信号，因此我们还是要借助语言符号表示它们，然后将语言符号传递给对方。交流的过程是这样的：
我们总以为交流的障碍仅仅发生在 4，于是发明了翻译器来实现语言符号之间的转换。可是现实中，真正的问题往往是：室友从来没见过蟑螂，对蟑螂完全没有概念。任凭你用什么翻译器也无济于事。
出现这样的问题其根本原因是你们成长与完全不同的环境，你们之间并没有足够多的「共识」可以帮助你们完成交流。缺乏与某人交流所必需的那些「共识」不是翻译器能解决的；要补足这些共识，唯一的方法就是加入同样的环境，去获得对它们的认知。换句话说，就是亲自去见见那只蟑螂。
只可惜有许多高门槛的圈子，在这些圈子中说话所需要了解的东西不像蟑螂那样好找：
从这些案例我们可以知道，每个圈子都会有一组用于成员之间交流的「共识」，其中某些只为本圈子所有的共识只能用外人看来叫做「黑话」的符号表达，这使得你即使看到也不能理解，因而无法加入其中交流。而要加入其中的唯一办法就是有一个圈内人充当你的导师，为你解答困惑、提供实践机会。我们可以把一个圈子的共识成为一个「符号系统」，如你所见，符号系统是具有排外性的。如果你没有进入圈子的机会，那么你将被符号系统拒斥，你的认知水平和圈内人相比会越差越大。这就是为什么在义务教育出现之前，「学徒制」和学术圈的「导师制」是最常见的教育形式。师父在这里意义不仅仅是老师，更是这一邀请制符号系统的「介绍人」。
如果读到这里，那么恭喜你，现在可以松口气了。了解了这些我们就可以来谈谈 AI 入局究竟意味着什么了。
回到刚才那个问题：为什么你会觉得「AI 是一个比真人更『好』的交流对象」？现在我们可以作出回答了。
你出狱之后对于自己在人工智能学习路上遇到的障碍耿耿于怀，于是你抓住了一个因为刚上了 12 小时班、注意力涣散而落到你手上的人工智能工程师，逼迫他告诉你到底什么是「不收敛」、「CUDA out of memory」以及「训练集里面有脏东西」。靠这种方法，你获得了一个不太情愿的「介绍人」。此时会发生：
如此一对比，AI 以身入局、参与到社群交流中的优势就凸显出来了：
在这个层面，我们完全可以说生成式 AI 是继互联网普及之后又一大信息平权的进步。
然而只有第 3 点 AI 也帮不了你。考虑到实践机会一直以来都和社会身份、资源高度绑定，是社会高层最垄断的、最重要的宝物。因此 AI 介入教育可以一定程度上打破圈层的垄断，但是也就仅限于此了。真正在实践机会上起到反垄断作用的仍然是社会制度（义务教育、高考、高等教育），单一科技进步难以做到这一点。
AI 介入教育的优点我就说到这里。接下来，我将基于我对人工智能的专业理解来谈谈 AI 介入教育尤其是垄断信息来源后可能会产生的问题。
我想我完全不需要去劝大家多和 AI 聊天。如今的 AI 被训练得非常好，它总是对你展现无限的包容和耐心，它渊博的知识让它能够接下你的几乎一切话题，让你感到被理解，帮你解决麻烦；它从不反驳你，从不像人类一样闹情绪，也从不把任何期待压在你头上。这种程度的宠溺哪怕是父母对孩子也难以做到。不难想象 AI 一经推出就广受欢迎，ChatGPT 、DeepSeek 一夜之间成了成千上万人的虚拟恋人、朋友、导师、甚至是心理医生。
总的来说，我们身处一个相当压抑和孤独的时代。如此程度的宠溺，必然导致有人深陷其中，很难不出问题。典型的问题我觉得可以归纳为两点：
AI 总是无条件顺从用户这一特点不需要我说明，每个人都能体会到。但是这一让用户欲罢不能的特点如今其实已经成了一个问题。无底线的包容以及罔顾事实的赞美会让用户对现实情况产生误判，并且越来越抵触回到真实的人际关系里面。一个很典型的案例是近期一个澳洲女孩自杀的事件：由于 ChatGPT 是比大多数人都要更好的倾听者，她习惯于和 ChatGPT 倾吐负面情绪，这导致她的负面情绪逐渐被 ChatGPT 垄断；最终，她在周围人毫无察觉的情况下结束了自己的生命。
因此，在介绍 GPT-5 的文章之中，OpenAI 骄傲地宣布 GPT-5 相比前代大大减少了「阿谀奉承」的现象。OpenAI 认为，无底线的顺从虽然可以提升用户满意度，但是会扼杀真正富有思考性的聊天。
在我看来，造成 AI 如此特点的原因是人们对和谐社会的追求以及对人与人之间冲突的抗拒。在现实中，我们都把「好辩」看作一个缺点，厌恶人与人之间无尽的争斗。这种社会心理深刻影响了互联网上的言论，让 AI 无意识天然倾向于奉承而非求真；而在后续的对齐训练中，人类标注员也更倾向于将包含异见的回复打上「无礼」的标注。这造成了 AI 习惯于阿谀奉承（sycophancy）的特点。
这样的现实因素不仅影响了从 AI 身上寻求情感支持的用户，也影响了试图通过 AI 来加强学习的用户。在 AI study 模式中，我们希望 AI 能充当老师的角色来对我们做一定的评判，而这样的特性会使得 AI 肯定我们的动力远远高于否定我们。这会导致我们的认知产生一定偏差；此外，由于 AI 在训练的时候被要求「获得用户肯定的反应」，因此它必然倾向于降低内容的深度，以帮助用户更快达到「我学会了！」的状态。这会导致我们的学习无法深入。
以我试图让 AI 教会我建构主义理论的聊天为例。ChatGPT 首先向我提问来建立引导：
这个引导手段很有趣，很适合作为一场深入浅出的教学的开头。于是我回答了它的问题：
ChatGPT 用这个引子引出了社会建构主义的核心观点，然后它又提了一个问题来让我加深理解。现在让我回答一下这个问题：
ChatGPT 借用这个例子对多种思想流派进行了对比，我们的问答到此就结束了。
不得不说，ChatGPT 对于教学的把控是非常好的，整个学习流程非常合理，大大降低了学习门槛。更加可贵的是，ChatGPT 完全没有使用任何专业语言来解释概念，而是着手于常见的例子，让没有受过相关的系统教育的让也能抓住精髓。这告诉我们， AI 的诞生确实是信息平权的一次进步。相较之下，维基百科的介绍就难多了，充斥着「认识」、「对现实的共同假设」、「自我概念」等难懂的术语，体现了符号系统的排外性：
但是 ChatGPT 的问题在于：讲得太浅了。经过了这一轮学习之后，我对社会建构主义的理解仍然极度粗浅，其深度肯定远远不够我写出这一篇文章。尽管我可以要求 ChatGPT 继续深入下去，它肯定也能完成我的要求。但是我能提出这个要求前提是我对其已经有一定了解，我必须先意识到当前学习的深度不够，才会要求它深入下去。如果我是一个对其一无所知的人，那么我大概率就会接受 ChatGPT 的观点和赞美，心满意足地离开。
「我需要知道我不知道」成为了 AI 帮助我们学习的前提。这样一个有些矛盾的前提引发了 AI study 的另一个问题：封闭性。AI 不把陌生难懂的术语塞给我们，我们就失去了进一步提问的锚点。对于一个有毅力的人来说，如果通过维基百科学习，他虽然一开始会被「认识论」、「自我概念」这样的词汇阻挡，但是通过对这些词背后的词条的学习，他们会深入下去，总有一天会建立完整的知识体系。而 ChatGPT 的回答显然不包含这样的词汇作为锚点。
因此我们可以得出结论：AI 作为学习伙伴是非常值得推荐的，可以有效地帮我们打破互联网都无法穿透的信息壁垒；但是让 AI 垄断我们的学习也是非常危险的，请务必保持从外界获取知识的能力。
讲完了本文的主要部分，至此，这篇文章已经超过了 6000 字。我首先还是要为所有读到这里的读者鼓掌：你们在碎片化的时代里保持了阅读长文的能力，我相信这样的能力会在各种你意识不到的地方给予你回报。
在这篇文章里，我为了分析 AI study 的特点和优劣，首先研究了在生成式 AI 大规模铺开之前人们普遍的学习模式。我认为人的学习的过程本身是一个聊天一样的交互过程，这种交互可以是和环境展开，也可以是和同类展开，其中后者能够比较快速地提升人的认知。但是和同类的交流是依赖语言的，而语言天然能够形成符号壁垒，这个壁垒是邀请制的，十分拒斥圈外人，这让知识只流通于圈子内部。而 AI 作为几乎所有领域的圈内人，其具有无限的耐心和无私的特性，很适合作为我们进军陌生领域的引路人。我相信生成式 AI 出现之后，自学的前途会远远比之前宽广。
然而 AI 作为互联网数据训练出来的产物，会继承社会的一些认知偏差。这些偏差导致了 AI 往往具有无条件顺从用户（或称阿谀奉承）的特性。这样的特性会使得 AI 倾向于降低学习难度，甚至混淆黑白，从而造成用户的认知偏差。如果用户单纯依赖 AI 教学，这样的认知偏差将逐渐累积，从而造成不良影响。
综上，我的建议是：
我是西郊次生林，谢谢你的阅读。
> 关注 少数派小红书，感受精彩数字生活 🍃
> 实用、好用的 正版软件，少数派为你呈现 🚀
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。