AI时代，你可能正在经历一种新型的「理解错觉」

AI时代，你可能正在经历一种新型的「理解错觉」

去年秋天，我在准备一个内部分享。

主题是「博弈论在产品定价中的应用」。这个话题我不算陌生——读过相关的章节，看过几篇不错的分析文章，甚至在两条 Obsidian 笔记里摘录过关键概念。

但时间紧，我没有从头梳理，而是打开 ChatGPT，输入了一段 Prompt：

「请帮我梳理博弈论在产品定价中的核心应用，包括纳什均衡、囚徒困境和价格战的关系，给出3个真实商业案例，适合做15分钟的内部分享。」

AI 用大约40秒给了我一份结构完整的提纲。逻辑清晰，案例有趣，甚至帮我设计了过渡句。

我在这个基础上调整了措辞，加了两页 Slide，花了大概一个半小时准备完毕。

分享当天，讲得还算流畅。

直到 Q&A 环节，一个同事问了一个问题：

「你刚才说两家公司陷入价格战是典型的囚徒困境。但如果这个博弈会重复发生很多次呢？结论还一样吗？」

我停顿了大概三秒。

我知道他在问「重复博弈」和「一次性博弈」的区别。这个概念我在 AI 给的提纲里见过——但那几行字我只是「看过」，没有「想过」。

我含糊地说了一句「重复博弈的话，合作的可能性会更大」，然后赶紧把话题转走了。

回到工位之后，我坐了很久。

不是因为那个问题有多难。而是因为我意识到一件事：

我花了一个半小时「准备」这个分享。但这一个半小时里，我做的事情是编辑、排版、润色——是在加工 AI 的输出。

我没有思考过任何一个概念。一个都没有。

提纲是 AI 写的。案例是 AI 找的。逻辑是 AI 组织的。我的贡献是……把字体调成了微软雅黑。

那份提纲很好。但那是 AI 的理解，不是我的理解。

我「完成」了一次分享，但我什么都没「学到」。

一个正在发生但很少被讨论的现象

这件事之后，我开始留意自己使用 AI 的方式。

不留意不知道。一留意，我发现类似的情况每天都在发生——

读到一个不熟悉的概念，第一反应是问 AI「这是什么意思」。AI 解释得很清楚，我看完觉得「嗯，明白了」，然后关掉窗口，继续做别的事。

三天后，如果有人提到同一个概念，我大概能说出「好像跟 XX 有关」，但具体是什么，我已经说不清了。

这种体验你可能也有：读 AI 的回答时，感觉自己懂了。但过后试着复述，发现脑子里几乎是空的。

这不是 AI 的问题。AI 的回答可能是准确的、清晰的、有价值的。

问题出在一个更微妙的地方。

心理学中有一个概念叫「流畅性错觉」（Fluency Illusion）**。

2011 年，UCLA 的 Robert Bjork 和 Elizabeth Bjork 在一系列研究中发现：当信息被呈现得清晰、流畅、易于阅读时，人们会系统性地高估自己对这些信息的掌握程度。

换句话说：读起来越顺畅，你越容易觉得「我懂了」——但这种「懂了」的感觉，和你实际的理解程度之间，往往存在巨大的鸿沟。

这个现象在传统学习场景中就很常见。比如你看一本写得好的教科书，觉得每一段都很好理解，合上书之后却什么都想不起来——那种「看的时候觉得简单，考试时一脸茫然」的经典体验，很大程度上就是流畅性错觉在起作用。

但 AI 把这个问题放大了。

为什么？因为 AI 的输出，几乎是人类有史以来见过的最「流畅」的信息呈现方式。

它的语言清晰、结构有序、逻辑连贯、措辞精确。你不需要费力去「解码」它的意思——它已经把一切为你组织好了。

这本来是 AI 的优点。但从学习的角度看，它恰好制造了最强的流畅性错觉。

你读 AI 的回答越轻松，你越容易误以为你理解了。

这里我要说一句公平的话。

这个现象不是在每种 AI 使用场景下都会发生的。我自己回顾了过去几个月的 AI 使用记录（大概翻了一百多条对话历史），发现至少有三种不同的使用方式，它们的「学习效果」差异很大。

我试着把它们分个类，虽然这个分类不一定严谨。

三种 AI 使用方式——不是每种都有问题

第一种：查找型使用

text

"Python 里怎么把列表去重？"
"2023 年中国 GDP 是多少？"
"从北京到上海的高铁最快几个小时？"

这类使用的目的是获取一个具体的信息或答案。你不需要「深度理解」，你需要一个事实。

这种场景下，AI 就是一个更快的搜索引擎，没什么问题。你也不会因为查了一个 Python 语法就觉得自己「精通」了 Python。

不需要警惕。

第二种：辅助型使用

text

"帮我把这段文字改得更通顺"
"这份数据有什么有趣的规律？"
"我有个方案，帮我找一下逻辑漏洞"

这类使用的特点是：你有自己的思考在先，AI 在你的基础上帮你完善、检查、提升。

你的大脑是主体，AI 是辅助。这种方式下，你通常是有学习收获的——因为 AI 给你的反馈会促使你重新审视自己的思路。

大多数时候没问题。

第三种：外包型使用

text

"帮我写一篇关于 XX 的分析报告"
"帮我梳理 XX 领域的知识框架"
"解释一下 XX 概念，以及它和 YY 的区别"

这是我在那次博弈论分享中的用法。

特点是：我没有自己的思考在先。我直接把「理解」这件事外包给了 AI，然后阅读它的输出，产生「我现在理解了」的感觉。

这种方式，就是流畅性错觉最容易发生的地方。

再说一遍：我不是在说第三种用法是「错」的。

有很多场景确实需要你快速获取一个领域的概况，然后做决策。比如老板让你明天之前交一份行业简报——你没有时间「深度理解」，你需要的是高效完成任务。

在这种场景下，外包给 AI 完全合理。

问题出在：你把「任务完成」误认为了「学习完成」。

写完了一份行业简报 ≠ 你理解了这个行业。
读完了 AI 对一个概念的解释 ≠ 你掌握了这个概念。
用 AI 做了一份数据分析 ≠ 你具备了数据分析的能力。

这些不等式看起来很明显。但在日常使用中，这条线是模糊的。

因为你确实「做了」这些事。你付出了时间，你坐在电脑前，你看了很多文字，你调整了很多细节。主观感受上，你觉得你在「工作」、在「研究」、在「学习」。

但实际发生的认知活动，可能远比你以为的少。

我做了一个小实验

意识到这个问题之后，我花了大约两周时间做了一个自我实验。方法很粗糙，不具备统计学意义，但对我个人很有启发。

我把这两周内所有向 AI 提问的记录（大概50多条）做了一个回顾。

对每条记录，我问自己两个问题：

问题1：这次对话之后，我脑子里留下了什么？
（不看对话记录，凭记忆写下来。能写多少写多少。）

问题2：如果有人现在问我这个话题，我能讲几分钟？
（真的开口讲，不是「我觉得我能讲」。）

结果让我挺意外的。

在那50多条记录中：

• 大约有15条属于「查找型」，我并不期望自己记住，所以不算。
• 剩下大约35-40条涉及概念理解、分析、梳理类的对话。
• 在这35-40条中，我能凭记忆写出核心要点的，大概只有7-8条。
• 能真正开口讲2分钟以上的，不超过5条。

也就是说，我和 AI 做了三十多次「学习性质」的对话，但真正在我脑子里留下痕迹的，大概只有15%-20%。

剩下的那些……它们发生过，但好像也没发生过。

我接着分析了那5条「真正留下来」的对话，想看看它们有什么共同点。

发现了一个有意思的模式：

这5条对话，都有一个共同特征——在对话的某个环节，我被迫自己表达了一些东西。

有的是因为 AI 的第一次回答没有完全解决我的困惑，我不得不进一步描述「我到底哪里不明白」。

有的是因为我在对话中说了「等等，你的意思是不是 XX？」——然后 AI 说「不完全是，区别在于……」——这个被纠正的过程让我记忆深刻。

有的是因为对话结束后，我碰巧跟同事聊到了相关话题，我试着复述了一遍 AI 告诉我的内容——在复述的过程中，我发现了自己理解的漏洞，又回去重新看了一遍。

共同点是：在这些对话中，不只是 AI 在输出，我也在输出。

那些「没留下来」的对话呢？模式也很一致：

AI 说了一段话 → 我读了 → 觉得「嗯，make sense」→ 关掉窗口 → 结束。

全程我只做了一个动作：阅读。

这让我想到了一个更早的研究。

2008 年，普渡大学的 Jeffrey Karpicke 和华盛顿大学的 Henry Roediger 在 Science 上发表了一项实验。

他们让学生学习一段材料，然后分成两组：

• 第一组反复阅读这段材料（传统的「复习」方式）。
• 第二组在阅读后进行「检索练习」——也就是合上材料，试着回忆和复述刚才学到的内容。

一周后测试，第二组的记忆保留率显著高于第一组。

这个发现后来被称为「测试效应」（Testing Effect）**——主动回忆和输出，比被动阅读更能促进长期记忆和深层理解。

再往前追溯，1978 年 Slamecka 和 Graf 的研究也发现了类似的现象，他们称之为**「生成效应」（Generation Effect）**——自己生成的信息，比被动接收的信息记得更牢。

这些研究说的是同一件事：

真正的理解和记忆，不是在你「接收」信息的时候发生的。而是在你试图「输出」信息的时候发生的。

读一段解释 → 你的大脑在「识别」信息（这个我好像看过）。
试着复述这段解释 → 你的大脑在「构建」信息（我需要把碎片组织起来）。

识别 ≠ 构建。

而 AI 的常见使用方式，恰好让你一直停留在「识别」层面，很少进入「构建」层面。

到这里，有人可能会说——

「这不就是说要多练习、多输出吗？这道理谁不知道？」

是的，道理确实不新。

但我想指出的是 AI 带来的一个新变化：

在没有 AI 的时代，「不理解」是一种显性的痛苦。

你读一段材料读不懂，你会困惑、会卡住、会反复翻页。这种痛苦本身是一个信号——它告诉你「这里有问题，需要花功夫」。然后你去查资料、去问人、去思考。痛苦驱动了学习。

但在 AI 时代，「不理解」的痛苦被消除了。

你不懂一个概念？问 AI，30 秒给你一个清晰的解释。你读完了，痛苦消失了。

但痛苦消失了，不等于理解发生了。

痛苦消失了，只是因为你读到了一个「看起来合理」的解释。你的大脑从「困惑」状态切换到了「不困惑」状态。但「不困惑」和「理解」之间，隔着一大段距离。

以前，这段距离你不得不自己走——因为没有捷径。
现在，AI 让你可以跳过这段距离——你感觉到达了终点，但其实你只是被瞬移到了一个「看起来像终点」的地方。

这就是我说的「理解错觉」。

它不是 AI 的过错。AI 做了它该做的事——给你一个好的回答。
它是人类认知系统的一个老漏洞，被 AI 的新能力意外放大了。

但我也可能高估了这个问题

写到这里，我要停下来做一件事：回应一个合理的反对意见。

有一种观点认为：

「在 AI 时代，深度理解每个概念没有必要了。你不需要把所有知识装在脑子里——你只需要知道怎么找到它、怎么使用它。就像你不需要记住每个电话号码，因为手机里有通讯录。」

这个观点有道理。我认真想过，觉得它在很多场景下是对的。

如果你是一个项目经理，需要快速了解一个技术方案的大概思路以便做决策——你不需要深度理解这个技术。AI 给你的概述就够了。

如果你是一个写作者，需要在文章中准确使用一个经济学术语——你不需要完全掌握这个术语背后的理论。查一下，用对就行。

不是所有知识都需要深度理解。这一点我完全同意。

但这个观点有一个边界。

当你需要做判断的时候——判断 AI 的回答是否正确、判断哪个方案更好、判断一个信息是否可信——你依赖的不是「能否查到」，而是「你自己的理解深度」。

你可以用 AI 查到「量化宽松」的定义。但你能判断一篇文章中对量化宽松的分析是否合理吗？你能在两个矛盾的经济学观点之间做出自己的判断吗？

查到信息是 AI 能帮你做的。判断信息是 AI 不能替你做的。

或者更准确地说：AI 可以给你一个判断，但你无法判断 AI 的判断是否正确——除非你自己对这个领域有足够的理解。

这就形成了一个悖论：

你越依赖 AI 获取某个领域的知识，你就越难判断 AI 在这个领域给你的信息是否可靠。

所以我的观点不是「每个概念都要深度理解」。那不现实。

我的观点是：你需要有意识地区分「我只是需要用这个信息」和「我需要真正理解这个东西」。在前者的场景下，放心用 AI。在后者的场景下，你需要多做一步。

那个「多做的一步」是什么

说了半天问题，该说解法了。

其实解法不复杂。甚至可以说很老套——它本质上就是费曼学习法的核心思想：把你学到的东西用自己的话表达出来。如果你表达不出来，说明你还没有真正理解。

但在 AI 时代，这个老方法有了新的实现方式。而且比以前更容易操作。

如果你只做一件事（3分钟）

下次你问了 AI 一个知识性的问题——不是查公式、查日期那种，而是「解释一个概念」「分析一个问题」那种——在读完 AI 的回答之后，做一个动作：

关掉那个对话窗口。打开一个空白页面。用你自己的话，写2-3句话：刚才 AI 说了什么？

不用写得漂亮。不用写得完整。语法混乱也没关系。

重点是：你是在「回忆和重新构建」，而不是在「复制粘贴」。

如果你能写出来——哪怕只是大概的意思——那这个知识有一定概率进入了你的大脑。

如果你发现你写不出来，或者只能写出一些含糊的碎片——那你刚才的「懂了」大概率是流畅性错觉。

这不是一个需要工具、需要模板、需要任何准备的事情。

一个空白的备忘录就够了。甚至一张纸就够了。

3分钟。

如果你愿意花15分钟

下面这个方法是我自己在用的。它不是标准方案——它是我摸索了几个月后觉得「对我有效」的一套流程。你可以参考，但不必照搬。

第一步：先写下你的理解，再去问 AI。

当你想学一个新概念时，克制住直接问 AI 的冲动。

先在 Obsidian（或任何你用的笔记工具）里打开一条新笔记，写下：

text

## 我目前对 [概念名] 的理解
（用你自己的话写。写不出多少就写多少。哪怕只有一句话。）
## 我不确定 / 困惑的地方
（列出你具体不理解的点。）

为什么先写再问？

因为先写会激活你大脑中已有的相关知识。心理学上叫**「先验知识激活」**。带着自己的理解去看 AI 的回答，你会自动跟你的已有理解做比较——「哦，原来我理解错了这个部分」「这一点我猜对了」。

这种比较和碰撞，就是学习发生的地方。

如果你什么都不想就直接看 AI 的回答，你的大脑处于纯接收模式。信息进来了，但没有和任何东西发生碰撞。它就像水过沙面，了无痕迹。

第二步：让 AI 追问你，而不是让 AI 告诉你。

这是我觉得 AI 作为学习工具最被低估的用法。

看完 AI 对某个概念的解释后，不要停在那里。发一段这样的话：

「我正在学习 [概念名]。以下是我目前的理解：[粘贴你的理解]。请不要直接告诉我哪里对哪里错。请像一个好奇的朋友一样，针对我的理解提问——帮我通过回答你的问题来发现自己的盲区。每次只问一个问题，等我回答后再问下一个。」

这个用法把 AI 从「答案机」变成了「追问者」。

追问的过程非常有价值——因为回答追问需要你重新组织自己的理解。你会发现有些地方你以为你懂了，但当 AI 问到一个具体的场景或一个边界情况时，你卡住了。

那个「卡住」的瞬间，就是流畅性错觉被打破的瞬间。
也是真正的学习开始的瞬间。

我举一个自己的真实例子。

上个月我在学「锚定效应」这个行为经济学概念。我先写了自己的理解：

「锚定效应就是人在做判断时会被第一个接触到的数字影响。比如先看到标价1000元再看到打折价500元，就会觉得500元很便宜。」

AI 追问我：「你说的是数字场景。那在没有数字的情况下，锚定效应还存在吗？」

我想了一下，发现我不确定。我的理解里，锚定效应只跟数字有关。

后来我去查了 Tversky 和 Kahneman 的原始研究，发现锚定效应的本质不是「数字的影响」，而是**「任何初始信息对后续判断的不成比例的影响」**——它可以是数字，也可以是一个画面、一个故事、一个先入为主的印象。

我之前的理解只抓住了最表层的一个应用场景，把它当成了概念的全部。

如果没有那个追问，我可能一直带着这个「不完整但自我感觉正确」的理解。

第三步：记录理解的变化过程。

在 Obsidian 里（或者任何笔记工具），我不只记录「最终正确的理解」。我会保留理解的变化过程——

text

## 锚定效应
### v1（初始理解 - 11月3日）
人在做判断时被第一个看到的数字影响。例如标价对比。
### v2（AI追问后修正 - 11月3日）
不只是数字。任何"初始信息"都可能成为锚。
本质是初始信息对后续判断的不成比例的影响。
### v3（读完原始论文后补充 - 11月5日）
Tversky & Kahneman (1974) 的实验中，
甚至用了一个随机转盘的数字作为锚——
受试者明知道数字是随机的，判断仍然被影响。
→ 这说明锚定效应是非理性的、自动化的，不受意识控制。

为什么要记录变化过程？

因为理解的变化本身就是学习最好的证据。

如果你的笔记只有一个「最终版本」，三个月后你回看，你不会记得自己曾经理解错过什么、在哪里卡住过。你只会看到一条「正确的笔记」，然后再次产生「嗯，我懂这个」的错觉——又是一次流畅性错觉。

但如果你看到 v1 → v2 → v3 的变化，你会重新经历那个「原来我之前理解错了」的顿悟。这种顿悟每重新经历一次，你对这个概念的理解就加深一层。

这个方法的适用边界

说完方法，我必须说说它不适用的场景。否则就变成了推销万能药。

不适用的场景1：你只需要信息，不需要理解。

查一个 API 的用法、查一个历史日期、查一个公式——这些场景不需要做费曼输出。查到用就行了。

不适用的场景2：时间不允许。

如果老板30分钟后要一份简报，你没有时间「先写下自己的理解再问 AI」。先完成任务。之后有时间了，再回来检验你是否真的理解了你写进简报里的东西。

不适用的场景3：身体化的技能。

学骑自行车、学做菜、学弹吉他——这类技能的检验方式是「动手做」，不是「用自己的话解释」。费曼法对概念理解有效，对身体技能效果有限。

可能遇到的困难：

当你第一次尝试「关掉 AI 回答，自己写出理解」的时候，你大概率会发现——你写不出什么东西。

这个发现可能让你沮丧。「我看了那么多，怎么什么都记不住？」

但请注意：这不是失败。这恰恰是这个方法在起作用。

它帮你看到了真实的理解状态——在流畅性错觉被剥掉之后，你实际的理解水平。这个水平可能比你以为的低。但知道自己在哪里，永远比「以为自己在一个不在的地方」更好。

从这个真实的起点出发，你才能真正开始学习。

一些我自己也没完全想清楚的事

写这篇文章的过程中，有几个问题在我脑子里盘旋，我没有确定的答案，但想诚实地说出来。

第一个问题：「理解」的标准在 AI 时代是否需要重新定义？

也许在某些领域，「知道去哪里找到可靠答案，并且能判断答案的质量」本身就是一种新型的「理解」？

我不确定。

我的直觉是：在「做事」的层面，这种能力确实够用了。但在「成为一个有独立见解的人」的层面，脑子里有东西和脑子外面有东西，体验是不一样的。

一个真正理解博弈论的人看商业竞争时，会自然地看到别人看不到的模式。这种「内化的洞察力」，不是「我可以随时查 AI」能替代的。

但我承认，这可能是一种属于「旧时代」的偏见。也许下一代人会发展出一种我理解不了的、与 AI 共生的认知方式。

第二个问题：是不是所有知识都值得深度理解？

显然不是。人的时间和认知能量是有限的。你不可能对每个接触到的概念都做费曼式的深度加工。

那标准是什么？哪些知识值得你花时间真正理解，哪些只需要「知道在哪儿能查到」就够了？

我目前的做法是问自己一个问题：「这个知识，我未来需要用它做判断吗？」

如果是——比如我要做投资决策，那我需要真正理解相关的经济学概念，不能只靠 AI。

如果不是——比如我只是好奇恐龙是怎么灭绝的，那 AI 告诉我就行了，不需要我自己能讲一堂课。

但这个标准也不完美。因为你往往不知道一个知识什么时候会被「需要用来做判断」。

第三个问题：我自己做到了吗？

诚实地说，大部分时候没有。

我每天和 AI 的对话中，大概只有20%-30%我做了「先自己想，再问 AI，再检验」的完整流程。其余70%-80%的时候，我还是那个「问 AI → 读答案 → 觉得懂了 → 关掉」的普通用户。

我在努力提高这个比例。但这不是一个「要么全做到要么没意义」的事。哪怕你只对10%的 AI 对话做了检验，那10%的学习效果也比0%强得多。

不必追求完美。能做一点是一点。

最后

费曼有一句话被引用得很多，但我觉得在 AI 时代它变得更贴切了——

"The first principle is that you must not fool yourself — and you are the easiest person to fool."

「第一原则是你不能欺骗自己——而你恰恰是最容易被自己骗的人。」

AI 没有在欺骗你。它真诚地给了你最好的回答。

但你的认知系统可能在欺骗你。它看到了一段流畅的解释，就告诉你「你懂了」。

这不是 AI 的时代独有的问题。它是一个古老的认知陷阱，只是被新技术放大了。

应对它的方法也不新。无非是：在你觉得自己「懂了」的时候，停下来试着说出来。

说得出来，就是你的。
说不出来，至少你知道了。

知道自己不知道，是学习的真正起点。

这篇文章中引用的研究：

• Bjork, R. A., & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning.
• Karpicke, J. D., & Roediger, H. L. (2008). The critical importance of retrieval for learning. Science, 319(5865), 966-968.
• Slamecka, N. J., & Graf, P. (1978). The generation effect: Delineation of a phenomenon. Journal of Experimental Psychology, 4(6), 592-604.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.

请点击了解详情 →