AI越强，费曼学习法越重要——为什么"理解"是AI无法替你完成的事

AI越强，费曼学习法越重要

——为什么"理解"是AI无法替你完成的事

上周，我帮一个朋友用Claude写了一份行业分析报告。

从市场规模、竞争格局到增长预测，AI花了大约90秒，写出了一份结构清晰、数据详实、甚至配了SWOT分析的报告。12页。我朋友看完说："太好了，比我自己写得好多了。"

三天后，他拿着这份报告去见客户。

客户翻到第四页，指着一个数字问："你这里用的渗透率假设是35%，为什么不是20%或50%？这个假设背后的逻辑是什么？"

我朋友愣了大概五秒钟。

这五秒钟里，他的大脑在做一件事：疯狂搜索那12页报告里有没有现成的答案。

没有。

因为AI写报告的时候确实用了35%这个数字，也确实有一定的依据。但"为什么是35%而不是其他数字"这个问题，需要对行业有真正的理解才能回答。而我朋友没有这个理解。他有的只是一份AI生成的漂亮文档。

他后来跟我说了一句话，我一直记到现在：

"那一刻我觉得自己像一个代购——我把别人的东西转手递出去，但我根本不知道里面装的是什么。"

一个正在发生的集体错觉

我讲这个故事不是为了批评我的朋友。

因为我自己也干过一模一样的事。

去年我用ChatGPT学一个对我很重要的概念——"飞轮效应"。AI给了我一个非常清晰的解释：初始推动很费力，一旦转起来，每一圈的努力都会叠加，阻力越来越小，速度越来越快。

我当时读完觉得自己完全理解了。甚至在笔记里写了一大段整理。

一周后，一个同事随口聊到"飞轮效应"，我张口想解释，说了两句就卡住了。我发现我能复述AI的原话——"初始推动费力，后面越来越快"——但我没办法回答任何一个追问：

• 飞轮的"初始推动"具体指什么？是成本投入？是用户增长？是品牌认知？
• 为什么"每一圈的努力会叠加"？叠加的机制是什么？
• 飞轮和"正反馈循环"有什么区别？是同一回事吗？

我一个都答不上来。

那一刻我意识到一件事：我以为我理解了飞轮效应，但其实我只是"见过"飞轮效应。

AI把这个概念讲得太清楚了。清楚到我的大脑跳过了"自己挣扎着理解"这个过程，直接把AI的话标记成了"已理解"。

但"读得顺"不等于"想得通"。

认知心理学里有一个被反复验证的现象，叫流畅性幻觉（Fluency Illusion）：当信息以清晰、流畅的方式呈现给你时，你的大脑会把"读起来顺畅"错误地当成"我已经理解了"。

AI生成的内容恰好是流畅性幻觉的完美触发器——因为AI太擅长把复杂的东西讲清楚了。

这本来是AI的优点。但如果你不做任何额外处理，这个优点会变成一个陷阱：你用AI学得越多，你"以为自己理解了"的东西就越多，但你"真正理解了"的东西可能一点都没增加。

一项让我改变想法的研究

如果只是我自己的经验，可能只是个例。但2023年有一项研究让我意识到，这可能是一个普遍的问题。

卡内基梅隆大学和宾夕法尼亚大学的研究者做了一个实验。他们让两组学生用AI辅助学习编程。

• A组的学习方式是大多数人现在用AI的方式：遇到问题，直接让AI生成代码，然后看看AI的代码是怎么写的，觉得自己"学会了"，继续做下一题。
• B组的学习方式不同：他们被要求先自己尝试写代码，哪怕写错了也没关系，先挣扎一下；然后再用AI检查自己的思路哪里有问题，修正之后自己重新写一遍。

6周后，研究者撤掉了AI，让两组学生独立完成一套编程测试。

B组的成绩比A组高出了近一倍。

不是高一点，是高一倍。

两组学生使用的是同样的AI工具，学习的是同样的编程知识，花的时间也差不多。唯一的区别是学习的顺序——是"先AI后自己"还是"先自己后AI"。

A组并不是不努力。他们也在认真看AI的代码，也在试图理解AI为什么这么写。但他们跳过了一个关键步骤：自己先挣扎一下。

这项研究印证了认知科学过去几十年最稳健的发现之一——生成效应（Generation Effect）：自己主动生成的信息，比被动接收的信息，记忆留存率和理解深度要高得多。高多少？不同研究的数据不一样，但幅度通常在40%到200%之间。

注意，这里说的不仅仅是"记住"，而是"理解"。

自己挣扎过的知识和别人喂给你的知识，在大脑中的存储方式是不一样的。前者形成了多条神经通路、与已有知识建立了连接、经历了错误和修正；后者往往只停留在表层，像贴在墙上的便签——看着挺整齐，风一吹就掉了。

那费曼学习法到底在做什么？

讲到这里，我需要坦白一件事：我曾经对费曼学习法有一个错误的理解。

费曼学习法通常被描述为四步：

1. 选一个概念
2. 假装教给一个小白听
3. 发现自己卡壳的地方
4. 回去重新学，然后简化你的解释

大多数人（包括以前的我）认为，费曼法的重点是第2步——"教别人"。

但我现在认为，费曼法真正的威力在第3步——"发现自己卡壳的地方"。

"教别人"只是手段，"发现自己的无知"才是目的。

当你试着用自己的话解释一个概念，然后发现自己说不清楚的时候——那个卡壳的瞬间，才是学习真正发生的地方。

为什么？因为卡壳意味着你的大脑试图从记忆中"提取"和"重构"这个知识，但失败了。这个失败的过程本身就是一次极其有效的学习事件。认知科学家Bjork夫妇把这种现象叫做"合意困难"（Desirable Difficulty）：适当的困难——包括提取失败——实际上能增强后续的记忆和理解。

换句话说：卡壳不是学习的失败，卡壳是学习的发生。

而"顺畅地读完AI的回答"恰恰是相反的过程——没有提取、没有挣扎、没有卡壳。大脑很舒服，但什么都没发生。

这就是为什么我说AI越强，费曼法越重要：

AI让"获取清晰的解释"变得无限容易。但"获取清晰的解释"从来就不是学习的瓶颈。你的理解力才是瓶颈。而理解力只能通过你自己的挣扎来锻炼。AI做不了你的俯卧撑。

但这里有一个转折

如果我只讲到这里，这篇文章就只是一篇"AI有风险"的警告文。

但我真正想说的不是"小心AI"，而是——AI和费曼法的组合，可能是人类历史上最强的学习工具。

前提是你用对了顺序。

费曼学习法有一个长期存在的执行障碍：你需要一个"小白听众"。费曼说"假装教给一个完全不懂的人"，但现实中，你上哪儿找一个有耐心、随叫随到、不会嘲笑你的听众？

你的朋友不行（他们没耐心听你讲边际成本）。
你的家人不行（他们听两句就说"差不多得了"）。
你对着墙壁讲也可以，但墙壁不会追问你。

AI是完美的费曼伙伴。但不是因为它能给你答案，而是因为它能扮演那个"好奇的小白"。

我现在的学习流程是这样的：

第一步，我先自己读/学/看。 不用AI。就用传统的方式接触一个新概念。

第二步，我关掉所有资料，打开一个空白文档，用自己的话写这个概念是什么。 不求完美，不求漂亮，就是把我脑子里有的东西倒出来。写不出来的地方就写"我不确定"或者"这里我卡住了"。

这一步通常很痛苦。因为我几乎每次都发现，我以为自己懂的东西，一旦要用自己的话说，就漏洞百出。

第三步，我把我写的东西给AI看。 但我不是问它"帮我解释这个概念"——那又回到被动接收了。我用的prompt是这样的：

我刚学了[概念X]，下面是我用自己的话写的理解。请你：

1. 指出我理解中不准确或有偏差的地方
2. 针对我的解释，像一个好奇的外行一样追问我3个"为什么"
3. 如果我的类比不恰当，告诉我哪里不恰当

然后AI会像一个苏格拉底式的对话者一样追问我。它会问出那些我以为自己知道答案、但实际上答不上来的问题。

第四步，我回去重新学那些"被追问出来的盲区"。 然后再写一遍。

这个过程比直接问AI要慢很多。但慢恰恰是它有效的原因。

上面提到的卡内基梅隆实验中，B组（先自己写再用AI检查）的学习速度确实比A组慢——他们每个任务花的时间更多。但6周后的测试证明，慢的那一组学到的东西是快的那一组的将近两倍。

在学习这件事上，效率的正确衡量单位不是"每小时接触了多少信息"，而是"每小时真正理解了多少"。

我举一个具体的例子

上个月我想搞懂"注意力机制"——就是ChatGPT背后的Transformer模型的核心原理。

如果我直接问AI"请解释注意力机制"，它会给我一个非常清晰的回答：查询（Query）、键（Key）、值（Value）三者的交互，通过点积计算相关性，用Softmax归一化……

我之前就是这样学的。看完觉得自己懂了。

但这次我换了一个方式。

我先看了原论文（Attention Is All You Need）的摘要和几篇科普文章。然后关掉所有资料，在我的笔记软件里写：

注意力机制是什么？
我的理解：它是一种让模型在处理每个词的时候，能够"看到"句子里其他所有词的方法。模型会判断"哪些词跟当前这个词关系最大"，然后重点关注那些词。

类比：就像你在一个嘈杂的派对上听别人说话，你的大脑会自动"聚焦"到对你重要的声音上，忽略背景噪音。

我卡壳的地方：我不理解Query/Key/Value到底是什么意思。为什么需要三个东西？一个不行吗？

然后我把这段话给Claude看，让它追问我。

AI追问的第一个问题就把我问住了："你说模型会判断'哪些词关系最大'——它具体是怎么判断的？用什么标准？"

我答不上来。

我意识到我之前"看懂"的那些文章里确实解释了这个机制——点积（dot product）——但我根本没有理解"为什么用点积来衡量相关性"。我只是看到了这个步骤，大脑标记了"已阅"，就跳过了。

于是我带着这个问题回去重新看。这一次看的时候感觉完全不同——因为我不是泛泛地"看"，而是带着一个具体的问题在"找"。我需要理解的不是整个注意力机制，而是"点积为什么能衡量相关性"这一个具体的点。

搞明白之后，我重新写了一遍。这次的解释比第一遍具体得多：

Query和Key做点积，本质上是在计算两个向量的"方向相似度"——方向越接近，点积越大，说明这两个词在某个语义维度上越相关。这跟余弦相似度是同一个思想。

这一段是我自己想通的。不是AI告诉我的，不是从哪篇文章复制的。它从我的脑子里"长"出来。

三周后的今天，我依然能把这段话讲出来。不需要翻笔记。因为它不是别人的知识，是我自己理解过的知识。

那些不需要费曼法的时刻

到这里我应该停下来说一句诚实的话。

不是所有知识都需要这样学。

如果你想查一下从北京到上海的高铁时刻表，直接问AI就行了。如果你想知道某个Excel函数的语法，直接问AI就行了。如果你需要一段你不太关心的样板代码，直接让AI写就行了。

这些属于"检索型知识"——你不需要理解它，你只需要找到它。AI在这个领域是无与伦比的工具，费曼法在这里毫无用武之地。

费曼法是为那些你需要"真正理解"的知识准备的。

什么算"需要真正理解"？我的判断标准是：

如果别人追问你两个"为什么"，你需要能回答上来——那这个知识就值得费曼。

你的职业核心技能值得费曼。你正在系统学习的领域值得费曼。你需要基于它做判断和决策的知识值得费曼。你声称自己"懂"但从来没被追问过的知识值得费曼。

其他的，让AI代劳就好。不需要什么都费曼。

区分"哪些知识需要深度理解，哪些只需要检索"——这件事本身就是一种重要的判断力。

一个我不确定的观点

最后我想说一个我自己还没有完全想清楚、但一直在思考的事情。

我观察到一个现象：在AI的帮助下，人们的产出质量普遍提高了——写的文章更流畅了，做的PPT更好看了，写的代码能跑了。但人们的理解深度可能并没有同步提高。

这中间有一个越来越大的差距。

产出质量提高是好事。但如果这个提高不是因为你变强了，而是因为工具变强了——那你对工具的依赖就会越来越深，你自身的能力可能不升反降。

我甚至认为——这个观点可能有人不同意——那些全面拥抱AI、把所有思考都外包给AI的人，正在经历一种"智力通货膨胀"：表面上产出更多了，但个人的理解力和判断力在缩水。

三五年后，当所有人都能用AI生成同样质量的产出时，真正的差距就会显现：那些能独立思考、能回答追问、能在AI的辅助下做出更好判断的人，和那些离开AI就什么都做不了的人——他们之间的差距会远大于AI出现之前。

这也许是危言耸听。也许AI足够强大之后，"独立理解"真的不再重要了。

但我目前不这么认为。

我目前相信的是：AI让"知道"变得廉价，但让"理解"变得珍贵。理解力是AI时代最不会贬值的能力。而费曼学习法，是我找到的训练理解力的最好方式。

这不是一个确定的结论。这是我基于目前的经验和思考，做出的一个判断。如果将来的事实证明我错了，我会修正。

如果你想试试

如果这篇文章让你对费曼法产生了一点兴趣，我的建议是：不要从建立一个完整的学习系统开始。那太重了。

只做一件事。

今天你用AI查任何一个概念之后——可能是一个工作中遇到的术语，可能是一个你好奇的知识——在看完AI的回答之后，做这个动作：

关掉对话框。打开一个空白的文档（或者拿出一张纸）。不看任何资料，用自己的话写3句话：这个概念是什么意思。

不需要写得好。不需要写得完整。不需要像教科书一样准确。就用你自己的话，哪怕很笨拙。

如果你发现3句话都写不出来——恭喜你。你刚刚发现了一个你以为自己懂了、但其实没懂的知识点。

那个"写不出来"的卡壳感，就是学习真正开始的地方。

不要急着回去翻AI的回答。先跟那个卡壳待一会儿。感受一下你的大脑在试图"生成"知识时的那种吃力。

那种吃力不是你的问题。那种吃力就是你的大脑在做俯卧撑。

然后再回去看AI的回答，再写一遍。

就这样。3句话。5分钟。

先做一次。如果觉得有用，再做一次。

不需要更多了。

写不出来的地方，就是你的金矿。

关于本文引用的研究：

• 流畅性幻觉相关研究：Bjork, R.A. (1994). Memory and metamemory considerations in the training of human beings. In Metacognition: Knowing about knowing.
• 卡内基梅隆大学AI辅助编程学习实验：Kazemitabaar, M. et al. (2023). Studying the effect of AI Code Generators on Supporting Novice Learners in Introductory Programming. CHI 2023.
• 生成效应：Slamecka, N.J. & Graf, P. (1978). The generation effect: Delineation of a phenomenon. Journal of Experimental Psychology: Human Learning and Memory.
• 提取练习研究：Karpicke, J.D. & Blunt, J.R. (2011). Retrieval practice produces more learning than elaborative studying with concept mapping. Science, 331(6018).
• 合意困难：Bjork, E.L. & Bjork, R.A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. Psychology and the Real World.
• Attention Is All You Need: Vaswani, A. et al. (2017). Advances in Neural Information Processing Systems.

请点击了解详情 →