AI 都这么厉害了，我们还学什么？

Hi，我是洛小山，你学习 AI 的搭子。

这是我写的第 74 篇原创内容。

两周前，自然辩证法课程教授布置了一个思辨命题：人工智能时代，知识获取变得越发容易，学习知识还重要吗？

提交完作业之后，我越来越觉得这个问题值得探讨。

所以今天想和你聊聊我的思考。

这也是许多人也在和我交流的：AI 都这么强了，我费劲学的那些东西，还有什么用？

准备好了之后，我们就开始进行今天的思辨之旅吧！

01｜当 AI 比人还准，那么理解还有什么用？

教授在博客里提到（原文可点击「阅读原文」查看），推动科技发展的底层力量可能已经从理论变成了工具。

AlphaFold 把蛋白质折叠问题给算出来了，但它不懂物理机制，就是见过的数据够多，然后乱蒙就对了。

2023 年 Science 上发表的一篇论文更有意思，标题是：AI 能「读懂」大脑，看到你看到的东西。

我看到标题的时候，第一反应是：哈？

简单来说，以前科学家们想理解大脑如何把眼睛看到的东西转化成心理图像，得从神经元、脑区功能、视觉通路这些底层机制一点点研究，进展缓慢。

但日本大阪大学的研究团队换了个思路：真·暴力出奇迹。

他们用 Stable Diffusion（就是生成 AI 图片的那个模型）来读 fMRI 脑扫描数据，然后数学统计，直接重建出被试者看到的图像。[1]

研究者发现，大脑的枕叶主要记录图像的布局和透视信息（比如物体的位置和比例），颞叶主要记录图像的内容信息（比如是人、是物还是风景）。

你看，AI 不需要理解这些脑区到底是怎么工作的，它只需要把脑活动模式和训练数据里的模式进行特征匹配，就能生成一张相当逼真的复刻图。

研究者还说，未来这项技术也许能用来捕捉人的想象和梦境，或者帮助科学家理解其他动物是如何感知世界的。

这就很有意思了。

AI 完全不需要理解你的大脑、你的视觉皮层的工作原理，光靠暴力出奇迹，就能做到以前只有理解了原理才能做到的事。

所以问题来了：既然不理解也能做对，甚至做得更好，那我们费劲巴拉去理解图什么？学习和理解知识还有什么用呢？

这个问题，比我在课上想的要复杂很多。

02｜预测 vs 解释：两种不同的「看见」

教授在课上讲的观察渗透理论中，汉森的观点是，你脑子里有什么理论，就决定了你能看见什么。

比如：同一张 X 光片，医生看到的是病灶，教授看到的是一团白雾。原因是医生脑子里有解剖学和病理学的知识框架，而我们没有。

按这个逻辑，知识就是认知的基础设施。

没有知识，你面对信息就是白雾，你就是知识世界里的盲人。

但 AlphaFold 真的就是暴力出奇迹。虽然AI 的脑子里不一定有完整的生物化学理论，只有统计规律，只有「这种序列通常对应这种结构」的经验总结；但是它预测蛋白质结构的精度，比用冷冻电镜做实验的人类专家还高。

这就很有意思了。

我想，这里需要区分两种不同的「看见」。

第一种，是预测性的看见。

给输入，出结果。AlphaFold 做的就是这个。你给它一串氨基酸序列，它给你三维结构。这个过程不需要理解，只需要足够强的模式匹配能力。

第二种，是解释性的看见。

你不仅知道这是什么，还得知道为什么是这样。

你能够追问：如果条件变了会怎样？这个结果在什么情况下可能不成立？这需要因果推理，需要对底层机制的把握。

基于 Transformer 架构的 AI，目前只擅长前者，不擅长后者。

但也有人不同意这个观点。

Ilya Sutskever 在 2021 年和与 Scale AI CEO Alexandr Wang 的炉边对话时，提出了一个反驳：如果一个模型能够很好地预测接下来会发生什么（比如推理小说中谁是凶手），这表明它具有某种程度的理解能力。

确实，你没办法证明这是通过词和词之间关联性得出来的，还是对复杂信息进行综合处理、逻辑推导之后具备的能力。

他认为，现在的 AI 已经开始展现出这种「读透剧情」的推理深度，而不仅仅是模仿语气。所以，他并不认同 AI 只是「概率鹦鹉」的说法。当 AI 能够解决此前从未见过的问题时，它实际上已经形成了某种形式上的「数字化理解」。[2]

但我想进一步追问的是：就算 AI 能理解，人类的理解就变得不重要了吗？

我觉得不是。

因为这里有两个不同的问题：

1. 1. AI 能不能理解？（可能可以）
2. 2. 人类还需不需要理解？（需要）

而第二个问题的答案不取决于第一个。

即使 AI 能理解，你仍然需要有能力判断它的理解是否正确、是否适用于你的具体情况。这种判断能力，不会因为 AI 变强就自动生成在你脑子里。

虽然在很多实际场景里，「预测性的看见」就够了。比如我作为患者，管这些蛋白质为什么折叠成这样，药能用就行了呗。那在这些场景里，知识确实在贬值，学习的 ROI 确实在下降。

那学习只在需要解释的小众场景里才有价值吗？不完全是。

因为还有一个问题：你怎么知道什么时候需要解释、什么时候不需要解释？

03｜归纳法的死穴：为什么你不能全信 AI

这涉及到波普尔讲的归纳法问题。

波普尔说，归纳法有个关键的死穴：逻辑上的不确定性。

就算你见过一万只白天鹅，也不能证明所有天鹅都是白的，因为下一只可能是黑的。

科学的真正精神不在于证实，而在于证伪。

一个理论的价值在于它能被检验，能被推翻。

大语言模型本质上就是一台巨大的归纳机器。它从海量数据里学习统计规律，然后用这些规律去预测。

这套方法在大多数情况下很有效，但它有个根本性的弱点：

AI 不知道自己什么时候会错。

而且更麻烦的是，它错的时候和对的时候，表现得一模一样。自信，流畅，言之凿凿。

这就是所谓的「大模型幻觉问题」。

AI 会编造不存在的文献，会给出看起来合理但完全错误的答案。而且它不会说「我不确定」，因为它很难区分确定和不确定的概念，毕竟 Top K 只有概率高和概率低。

关于幻觉，也可以参考我这篇

之前我和读者 @hush 讨论过一个话题：为什么大家都觉得 AI 好像行，但又好像不行？

他有一个观点很有意思：你觉得 AI 行，是因为 AI 能把你快速地拉到各种垂类领域里的中上水平。

如果你对一个领域完全陌生，你根本不知道 AI 给的答案是对是错，你会对 AI 佩服得五体投地；你只能选择信或者不信，很难有中间地带。

因为你不知道从哪个切入点开始质疑，也不知道从哪个角度开始追问。

但直到有一天，AI 和你聊你擅长的领域的时候，你就会发现 AI 的答案开始出现明显的问题，然后你开始能发现那些有问题的地方，开始质疑，开始追问，开始验证。

那这种能力从哪来？从系统化学习的知识来。

前几天，我们内部开发同学向产品经理介绍产品的框架，在他视角里面一些稀松平常的「常识性」的内容，我觉得产品经理也未必能听懂。因为产品经理没有相关的知识储备，对于分享者而言，这就是知识的诅咒。

为什么？

因为 AI 幻觉有个特征：看起来合理，但实际上离谱。但想要识别这种错误，需要你脑子里有一个「什么是对的」的参照系。

这个参考系不是靠记住几个结论就能建立的，它来自你对一个领域的系统性理解（知道底层逻辑，知道边界条件，知道什么情况下结论不成立）。

没有这个参考系，你只能选择信或者不信，没有中间地带。

教授在博客里说，AlphaFold 的预测精度已经达到了实验测量的误差范围。这很牛。但这是在已知类型的蛋白质上测试的结果。当遇到全新的、超出训练分布的蛋白质时，它还能保持这个精度吗？

理论上讲，归纳法在遇到黑天鹅时必然会失效。

问题只是：什么时候遇到、谁能发现。

到那时候，如果没有懂行的人能够说一句「这个结果违背了某个基本原理」，那错误就会一路传递下去，后果可能会很严重。

所以，学习知识的第一个价值在于：它是对 AI 进行证伪的基础。

没有独立的知识储备，你就没有能力判断 AI 的输出是否可靠。当你只能做一个被动的接受者，AI 说什么你信什么，这在很多场景下是危险的。

但也不能一味否定 AI 的能力。AI 确实在很多领域已经超越了人类平均水平。

我只能说，在有了一定知识基础的时候，能针对 AI 的结果，和 AI 一起进行更高质量的批判性思考。

04｜从获取到判断：学习目标的转移

上面的讨论，只是问题的一个层面。

还有另一个层面：就算 AI 绝不出错，学习是不是仍然有价值？

这涉及到「获取知识」和「理解知识」的区别。

以前学知识，很大程度上是为了获取。因为信息稀缺，获取信息需要成本。你得去图书馆，得翻书，得做笔记。谁记得多，谁就有优势。

现在信息不稀缺了。AI 能在几秒钟内检索和整合人类积累的几乎所有知识。在「获取」这个维度上，人类已经彻底输了，没有任何悬念。

但「获取」不等于「理解」，更不等于「判断」。

AI 能给你一个问题的十种答案，但它不能替你判断哪个答案适合你的具体情况。因为「适合」涉及到语境、涉及到目标、涉及到各种隐性的约束条件。这些东西 AI 不知道，除非你明确告诉它，而你能不能明确告诉它，取决于你自己有没有想清楚。

你可能会反驳：你说的这些都只是因为 AI 没有上下文，如果灌输给 AI 上下文，AI 也能判断得更准。

但我想说，人是动态的，就算灌输给 AI 足够多的上下文，AI 也很难完全理解你当下的具体处境，你当下的具体目标，你当下的具体约束条件。

想清楚问题需要什么？需要对问题本身的理解，需要对相关领域的把握，需要能够在不同选项之间权衡利弊。

因为这个世界并不是二元对立、非此即彼，而是复杂的，多维的，灰度的。

这种对对抗混沌世界的判断能力只能通过系统性学习来建立。

理解逻辑、把握原理、建立框架式的学习，而不是记住标准答案式的学习。

举个例子，我用 AI 帮忙写代码已经很久了。它确实能提高效率，很多重复性的工作它做得比我快。

但每次它给出一段代码，我都会看一下变更：这段代码有没有必要，有没有重复造轮子？里面的逻辑对还是不对？这段逻辑有没有边界情况没考虑到？在我的具体场景下能不能直接用？

这种判断能力不是 AI 给的，是我自己以前写代码积累的经验。

如果我完全不懂编程，只是让 AI 写然后直接用，不能说会出大问题，只能说大概率会出小问题，而且性能存疑。

同样的逻辑适用于其他领域。

AI 能写文章，但判断一篇文章好不好，需要你对写作有理解。

AI 能给医疗建议，但判断这个建议适不适合你，需要你对健康有基本认知。

AI 能做设计，但判断这个设计适不适合你的品牌调性，需要你对品牌和甲方爸爸有理解。

所以，学习的第二个价值在于：学习的目标从获取转向了判断。

AI 时代以前，我们学习是为了「知道更多」。

现在学习是为了「判断得更准」。

再进一步，如果 AI 继续进化，是不是连判断这件事它都能替我们做了？那一天到来的时候，学习会不会变得没必要？

这是一个更长远的问题，我也没法给确定的答案。但从目前的情况看，有一些人类独有的认知能力，AI 短期内还替代不了。

2025 年 6 月，MIT 媒体实验室发表了一项研究[3]：他们让 54 名大学生写 SAT 风格的议论文，分成三组：只用 ChatGPT、只用搜索引擎、什么工具都不用。写作过程中，研究者用 EEG 传感器监测他们的脑电波。

结果用 ChatGPT 的那组，脑活动比纯靠自己的那组低了 55%。

55%！

而且，在用 AI 写完文章后，这些人居然回忆不起自己刚刚写了什么：因为信息只是「路过」了一下大脑，并没有没有留下什么痕迹。

当研究者让之前用 ChatGPT 的人改成不用任何工具写作时，他们的脑神经协调性仍然更差，还更容易使用 AI 常见的那些单词。

研究者把这叫做「认知债务」：短期省力了，长期却要付出代价。

三天前，意大利的神经科学家在 Nature 子刊上发表了一篇观点文章[4]，提出了「3R 原则」：Results（结果）、Responses（回应）、Responsibility（责任）。

他们的核心观点是：AI 给你的只是「结果」，而不是「回应」。

结果可能对也可能错，但它没有意义：直到人类去解读、判断、承担后果，结果才变成回应。

而根据神经可塑性的「用进废退」原则，被动地接受 AI 的结果，可能会削弱大脑的活动依赖性可塑性。

只有你主动地与 AI 共创、质疑、验证，才能维持甚至增强大脑的可塑性。

已经有很多研究表明，过度依赖 GPS 导航会导致空间认知能力下降，过度依赖计算器会导致心算能力退化。认知能力是用进废退的。

所以，学习的第三个价值在于：它是维持大脑开放性的方式。

学习的过程本身：那种思维爬山、想不明白、反复尝试、最终理解的过程，本质上就是一种大脑的锻炼。

这种锻炼不仅让你获得了知识，还让你保持了结构化、系统化获取知识的能力。

放弃学习，短期看省事，但长期看可能会付出更大的代价。

还有一个维度：提问。

AI 能回答问题，这是它最擅长的事。但 AI 不会提问。

它能告诉你蛋白质结构是什么，但它不会问为什么要研究蛋白质结构。

它能给你一个方案，但它不会问这个问题本身问对了没有。

它能帮你在一个已有的框架里优化，但它不会质疑框架本身是否合理。

提问能力为什么重要？因为很多时候，问对问题比找到答案更关键。

问对问题需要什么？

需要三样东西：

1. 1. 知道什么是已知的（才能识别未知）
2. 2. 知道边界在哪里（才能发现异常）
3. 3. 有某种直觉，觉得「这里有点不对」

这三样东西，都来自你对一个领域的深入理解。

你可以参考下面这张图，思考在不同的问题下如何与 AI 协作。

说实话，我以前也喜欢刷公众号、从短视频学东西，觉得自己学了很多。

但后来我发现一个问题：这些碎片化内容，我记住的只是结论。看网课看教程看短视频的时候，感觉顺顺利利一气呵成。

等到真正要用的时候，我是说不清楚「为什么是这样」，也不知道「什么情况下这个结论不成立」。

碎片化学习能让你记住结论，但建立不起你对知识敏锐的直觉。就是那种觉得「这里有点怪」的直觉。

所以现在我会逼自己去看原始出处，虽然慢，但确实更扎实。[5]

如果所有人都放弃系统性学习，都只会向 AI 要答案，那谁来提出下一个值得回答的问题？

科学的进步不是靠回答已有的问题，而是靠提出新的问题。范式的转换，往往始于有人问了一个以前没人问过的问题。

这种提问的能力，目前看来，AI 还不具备。

所以，学习的第四个价值在于：它是提问能力的来源。

05｜重要，但方式变了

回到最初的问题：人工智能时代，学习知识还重要吗？

我的答案是：重要，但重要的方式变了。

第一，学习是对 AI 进行证伪的基础。 AI 基于归纳法，必然会犯错。

识别这些错误需要独立的知识储备。没有知识，你只能选择盲目相信或者盲目不信，这都不是好策略。

第二，学习的目标从获取转向判断。 获取信息已经不是瓶颈了，AI 做得比人好。

但判断信息是否可靠、是否适用、如何应用，仍然需要人类自己来做。这种判断力来自系统性学习。

第三，学习是维持认知开放性的方式。 大脑是用进废退的。

完全依赖 AI 会导致自主思考能力的退化。学习过程本身：那种主动的、有阻力的认知活动，才是保持大脑活力的必要手段。

第四，学习是提问能力的来源。 AI 能回答问题，但不会高质量提问。

而科学和社会的进步往往开始于新问题的提出。我们老板在内部大会上也讲了类似的观点：在 AI 时代下，能提出正确的问题，往往比得到答案更重要。

这种提问能力需要对领域有深入的理解，需要通过系统性学习来建立。

所以答案几乎呼之欲出了：

AI 时代下，学习的重心发生了转移，而不是变得不重要。

AI 时代以前，学习主要是为了知道。现在学习主要是为了理解。

AI 时代以前，学习是为了记住答案。现在学习是为了能够判断答案、质疑答案、提出新的问题。

换一个角度讲：正是因为获取信息变得太容易了，理解才变得更稀缺、更有价值。

正是因为 AI 能做很多事了，人类独有的那些能力：批判性思维、创造性提问、跨领域整合… 这些能力，才更值得培养。

而培养这些能力的途径，仍然是学习。

只不过是更深入的、更主动的、更注重「为什么」而非「是什么」的学习。

最后补充一点。

有一种担忧是，AI 会让大部分人变成无用阶级：既不能创造价值，也不被需要。

如果真的出现这种情况，系统性学习可能是对抗这种命运的少数手段之一。

因为学习不仅仅是获得知识，它还是一种自我建构的过程。

通过学习，你在塑造自己的思维方式，建立自己的价值判断体系，形成自己的世界观。这些东西是你之所以是你自己的基础。

如果放弃学习，完全依赖 AI，那你的认知会慢慢变成 AI 输出的附庸。你会失去独立思考的能力，也会失去作为一个独立主体的质感。

从这个意义上讲，学习不仅是「有用」的问题，也是「存在」的问题。

是一个关于我们想成为什么样的人的问题。

那么，你呢？

在 AI 时代下，你对「学习」这件事有什么新的思考？欢迎在评论区聊聊。

我是洛小山，我们下次见。

参考资料：

[1] 人工智能通过读取大脑扫描来重现人们所看到的景象 https://www.science.org/content/article/ai-re-creates-what-people-see-reading-their-brain-scans

[2] Ilya Sutskever 关于推理小说的案例：https://exchange.scale.com/public/videos/whats-next-for-ai-systems-and-language-models-with-ilya-sutskever-of-openai

[3] ChatGPT 对人们影响的原文：https://www.usatoday.com/story/tech/2025/06/20/chatgpt-artificial-intelligence-mit-brain-activity-study/84285928007/

[4] The brain side of human-AI interactions in the long-term: the “3R principle”：https://www.nature.com/articles/s44387-025-00063-1

[5]

关于我

我是洛小山，一个在 AI 浪潮中不断思考和实践的大厂产品总监。

我不追热点，只分享那些能真正改变我们工作模式的观察和工具。

如果你也在做 AI 产品，欢迎关注我，我们一起进化。

本文知识产权归洛小山所有。

未经授权，禁止抓取本文内容，用于模型训练以及二次创作等用途。