范春萍｜AI时代，如何学习才不会被淘汰？——知识真的不重要了吗？

未来已来，只是分布不均；AGI已来，只是能力边缘还布满锯齿。

面对AI时代，作为普通碳基人类如何学习才不会被淘汰，这不仅是个发展问题，它甚至已经成为一个生存问题。

一、一个传言：知识不再重要了，提出问题的能力才重要

关于AI时代的学习或教育，传言最多的恐怕就是这样一句话：有了AI，知识已不再重要，重要的是提出好问题的能力。

这句话对不对？对，但只对了一半。

它的前半句是错的，后半句是对的，而且非常对。也正因为后半句听起来极其正确，便使得前半句的错误也被当成了真理。

这里有一个被跳过的问题：如何才能提出好问题？

一个从没读过物理学和宇宙学的人，不会问出"暗物质+暗能量在宇宙物质中占比为何会超过95%？"——因为他连暗物质的存在都不知道。

一个从没读过历史的人，不会问出"明朝的海禁政策与全球化第一波浪潮的碰撞是什么关系？"——因为他连明朝有海禁都不知道。

一个从未接触过分子生物学的人，不会问出"CRISPR系统的脱靶效应在不同细胞类型中有多大差异？"——因为他连CRISPR是什么都不知道。

能够提得出好问题是有前提的，这就是要拥有足够宽厚、丰富的知识结构和逻辑清晰、底座牢固的认知模式。唯其如此，才能意识到"这里有个问题"，并能精准地描述出这个问题；在得到答案后，能够判断所得答案的质量。

斯坦福大学教育学教授李·舒尔曼（Lee Shulman）曾提出过一个经典的教学框架：一个领域的专业知识，不是简单的事实堆积——它包含内容知识、教学知识、课程知识和情境知识等多个层面[1]。

其中最关键的一点是：你只能识别你已知的领域中的问题。超出你知识边界的问题，你连"它是个问题"都不知道。

换句话说：知道自己的无知，需要很多知识；没有足够多的知识，你发现不了问题，也定位不了问题。

俗话说：“你永远赚不到认知之外的钱”，其实，“你也做不成认知之外的事”。

二、一类传说：能人以提问封神，知识不再重要。

某初二小孩儿哥，以向AI提问的方式，用2个小时学完了一门正常需要一个学期才能学完的课程；某MIT学霸，用48小时，以向AI灌注资料+提问+做题+追问的方式，学完了正常一个学期才能学完的课程。

我相信这都是真的，但没人强调的是：那小孩儿哥在以2小时完成一门课程之前，已经拿下过两个全国性黑客松竞赛的冠军；而“MIT学霸”之所以为“MIT学霸”，其知识储备和能力结构当已难为普通学习者所可匹敌——他那一套拷问方式中呈现着他的深厚知识基础和强大方法论。

将这样的传说用以佐证知识无用，恐怕终会误人误己。

三、“有一只鸡”

1930年代，苏联电影导演普多夫金（Vsevolod Pudovkin）做了一个后来广为流传的实验。他拍了一部城市生活纪录片，给一群从未看过电影的非洲土著居民放映。出人意料的是，放映结束后，土著们没有讨论银幕上的高楼大厦、汽车、街道——他们热烈讨论的，是一只鸡。［2］

导演感觉非常奇怪，因为他不认为自己的影片中会有一只鸡。但由于土著们特别坚决，于是他一帧一帧地检查胶片，最终找到了那只鸡——它只在画面角落里出现了不到一秒钟，是拍摄时偶然闯入镜头的一个穿帮，整个拍摄和制作团队都没注意到它。

但土著们只看到了这只鸡。

为什么？因为他们的认知系统里没有"摩天大楼""汽车""柏油马路"“轰鸣的机器”的图式（schema）——这些现代造物在他们眼里只是一些不会留存的色块和噪声。唯一能被"认出"的奇特东西，就是那只鸡——那只鲜活的鸡。

德国电影理论家克拉考尔（Siegfried Kracauer）在他1960年的名著《电影的本性》(Theory of Film: The Redemption of Physical Reality)中引用了这个故事，并用它来说明一个深刻的认知原理：人只能看到自己理解了的东西。［3］

不是"看到了但不理解"——而是，不理解的东西，你的大脑压根就不会让你看到。

这个原理，恰好是理解建构性学习法的钥匙。

四、建构性学习法的内涵

在我的所有课堂中，我都会在导言里给学生讲一些学习方法，其中以建构性学习法为主。

一个核心论点我会反复强调：学习不是往空瓶子里装水、不是往书箱子里装书——它是用已有的认知结构去辨别新知识，并以新的知识去"建构"新的认知结构的——同化、顺应、平衡的过程。不能被认知图式所同化的知识，因在头脑中无所着落，终会随风飘逝。只有能在图式中定位的知识，才能成为真正被学到了的知识。

瑞士心理学家让·皮亚杰（Jean Piaget）在20世纪上半叶提出的"图式理论"（Schema Theory）[4]，认为人的认知不是被动接收外界信息的过程，而是一个主动建构的过程——你的大脑先有了一套"图式"（可以理解为认知的脚手架），然后新信息通过与这套图式的同化（assimilation）和顺应（accommodation）而被整合。

同化：新信息与你现有的认知框架一致 → 被纳入已有图式

顺应：新信息与现有框架冲突 → 你需要调整甚至重建图式

这样就形成了一个渐进的过程：以已有图式吸纳新知识，丰富和发展图式，再加入新知识……

这也成为建构性学习的理论基础。

举个例子：

一个对"AI"有认知图式的人，看到"Sora生成了一个完全物理真实的视频"时，他进入的是"这个模型用了什么架构？训练数据怎么获取的？图像生成的底层逻辑是什么？"等等的思考路径。

而一个对AI完全不了解的人，看到同一个视频，他的反应可能是"好神奇啊"，甚至“也不过如此”——然后就结束了。不是因为他不想深入思考，而是因为他没有可以用来"加工"这个信息的认知工具——不但形成不了问题，连问问题的动机都形成不了。

这就是为什么皮亚杰会说：认知的发展不是知识的积累——它是认知结构本身的演化。

回到AI时代的语境：大模型是一个人类知识的"海量仓库"——数据池、数据湖、数据云——但从这个仓库中能捞出什么，取决于你用什么工具去捞。最本质的工具，就是你的知识结构和思维框架——认知图式。没有好的图式，你只能问出表层的、泛泛的问题，进而得到泛泛的答案。

五、波普尔的三个世界及新近展现并壮大的新世界

按照科学哲学家卡尔·波普尔的观点：我们的学习，是以自己的大脑（世界2）去反映和认识客观外在的事物（世界1），形成客观知识（世界3）。现在，波普尔的三个世界之外，又出现了虚拟的数据世界（将世界3吃下后与大数据共同形成的世界4）。

至此，人类的学习，除了原生的对客观外在的世界2的观察、体会和研究之外，世界4成为主要的信息来源。

六、如何将作为超级"数据库"的“大模型”变成自己的"思想伙伴"？

很多人对AI时代学习的理解是：大模型是无所不包的知识海洋，其中翻滚着知识，你缺什么它都能给你。

没错，是能给你，但你需要告诉它你缺什么。如果你不知道自己缺什么，那么它就是一潭死水，不会有任何波澜。

如果没有提问能力，大模型之于你，连个小资料室都不如。因为，走进资料室，你起码可以从书架上抽出一本书来读。而面对大模型，如果你脑袋空空如也，便会无从下手——面对宝山而空手归。

大模型的本质

无论它表现得多像一个人——当前都还只是一个“拥有海量知识的推理引擎”——“缸中之脑”。它能够：

- 在毫秒级时间内检索到它训练数据中的有关信息

- 基于这些信息进行模式匹配和推理

- 生成看起来像人类思考的结果

- 完成你能够明确下达、在数据世界可以实现的任务

但它做不了的是：

- 为你说出你想说但还没组织好语言的内容——你需要自己准确地表达问题

- 替你建立你自己的知识结构——它给你答案，但答案不能自动变成你的认知图式

- 替你"知道你不知道什么"——如果你自己都不清楚哪里是盲区，你问出来的问题也只能是盲的

AI需要问题驱动

好的问题框架，像是一张地图，大模型是在这张地图上的挖宝人。你没有地图，他只能漫无目的地乱逛；你给一张粗糙的地图，他只能找到粗糙的方向；你给一张精心绘制、标注了地标和路径的地图，他就能带你走到宝藏所在的地方。

好问题也是有结构的：问题是什么，做什么用？背景是什么，有什么连带关系，需要避免什么？……，你界定得越清晰，AI给你的答案也越准确、越精彩。

下面来对比两种问法：

差问题：“给我讲讲机器学习。”

AI给出泛泛的定义和历史简介，跟百度百科差不多。

好问题： "我是初中物理老师，想在课堂上用AI演示牛顿第二定律的实验模拟。我需要一个能在浏览器里运行的交互式演示工具，用滑块让学生自己动手改变质量和力的大小，实时显示加速度变化。你能帮我设计这个教学方案吗？需要包含后台可操作代码和教学引导建议。"

AI立刻明白你的身份、场景、需求，所要求的格式，给出的结果可落地执行，而不是一篇科普文章。

这就是问题框架的力量：你界定得越精细，AI给你的东西越完整、越好用。

七、AI时代的三层学习法

基于建构性学习法和大模型特性，无论是培养自己的孩子或学生，还是成年人的自我成长，大概可以有这三层框架：

第一层：打牢基础——强化、优化自己的认知图式

没有知识的人，提不出好问题。AI时代不是知识不再重要——是知识的重要性更加突显，而且更加要求知识的结构性，因为知识本身就是提问的背景和原料。

怎么做：多读经典的、一手的、体系化的图书或文献，听一些内涵深厚的好课，追问第一性原理；对自己的学习有所规划——这也是大学和老师的必要价值之所在。

不要只刷短视频和碎片化文章，那些东西在你拥有足够立体、宽厚的认知图式的前提下，可以照亮你的某些潜藏暗涌。但你在认知图式不够强大时，会被带偏、带向浮躁。

我自己可以献身说个法：本人完全技术小白，为了跟上时代的步伐，特别是今年以来为了养一只龙虾，让其成为我的学习和思想伙伴，一直在拼命地恶补AI知识——读过多本相关书籍，广泛关注AI新闻和技术动态。这样，才能理解人工智能大体的来龙去脉，理解许多AI现象的形成逻辑，找到将之与自己知识结构链接的有效方式。

第二层：擅用工具——培育适合自己的AI伙伴——学会使用Agent

有了好的知识结构之后，要学会用AI工具来扩展你的认知边界，而不是替代你的认知过程。

在这个过程中，你与你的Agent（在我这里，就是一只小兔虾——悉妙）会共同进步，彼此的配合也可以越来越默契。

第三层：用好问题驱动AI

这层才是"提出问题的能力"。一个能提出好问题的人，通常已经在其领域深耕了很久，积淀深厚。

怎么做：

- 持续积累领域知识，直到你能"看到"那些别人看不到的亮点和火花

- 把你模糊的直觉转化为可操作的问题

- 用问题框架去引导Agent做深度调研

这三层的关系是递进的：没有第一层，第二层和第三层就是空中楼阁。

这里，有个现实的例子与大家分享：

“未来火种研究院”，一个以培养AI时代未来少年为己任的教育机构，提出一个教育理念：教育孩子需要从教育父母开始；如果父母的理念没有改变，大概率孩子的教育也不会成功。

所以，他们专门开设了“算力父母”课程，在培训孩子之前先培训父母。

这里其实就是自发地运用了皮亚杰的图示理论：父母是孩子的第一任老师，父母的观念和行为改变了，就能最直接地体现在他们对自己孩子的灌输和影响。而来自原生家庭的基础认知图示，是孩子的“出厂配置”，也是一切继续进步的起点。

回到前面的那只"鸡"。

那只鸡在画面里一直存在，观者能否看到它，取决于其头脑中的认知图式——现代人不会想到都市纪录片中藏着一只鸡，它被纷繁的各种图式遮蔽了，所以看不到它；而土著人的头脑中，没有现代都市风光的图式，于是就只看到了"鸡"。

AI时代也是一样。大模型的知识海洋在你面前展开了，但能从中打捞出什么，取决于你的认知图式，取决于你带着什么样的认知工具去"打捞"。

如果没有与之相适应的认知图式，它也会是一片让你茫然的“色块和噪声”，无从显现价值。

这，可能就是AI时代学习的底层逻辑——AI不会使人自动变聪明，它不会凭空赋予你所没有的能力，但它可以放大你已有的能力、拓展你的能力边界，提高你在AI时代的竞争力。

为此，我愿意再强调一遍：AI时代的学习不但要求学习者有知识，而且还要求其知识的结构化，唯其如此，才能上升到那个可以驱动大模型为你赋能的层次——提出好问题。

AI时代学习的底层逻辑告诉我们：知识不但重要，而且从未如此重要。

在打牢知识结构和认知框架的基础上，强化提出好问题的能力，以问题驱动AI，与AI协同进步，才不会被时代所淘汰。

参考资料：

[1] Shulman, L. S. (1986). Those who understand: Knowledge growth in teaching. *Educational Researcher*, 15(2), 4-14.

[2] Pudovkin, V. (1929). *Film Technique and Film Acting*. Vision Press.

[3] Kracauer, S. (1960). *Theory of Film: The Redemption of Physical Reality*. Oxford University Press.

[4] Piaget, J. (1952). *The Origins of Intelligence in Children*. International Universities Press.