新时代的学习应该重新变成对话

很多时候，我们并不是在学习，只是在接触信息。

看书，听课，看视频，记笔记，划重点，收藏文章。做完这些事，人很容易产生一种感觉：我已经懂了。可一旦合上书，让自己把它讲出来，或者换一个题目，往往就露了馅。

心理学家长期区分“当下的表现”和“真正的学习”：有些方法会让人当时觉得顺、觉得会、觉得自己掌握了，但从更长一点的保持和迁移来看，效果并不好。相反，那些让当下表现不那么漂亮的方法，常常更有利于长期记忆和迁移——关于这个问题，我之前写过一篇长文：《高效学习：基于科学证据的学习方法》。

这也是为什么，真正让知识留下来的，往往不是“再看一遍”，而是“试着自己把它想出来”。关于检索练习的研究早已反复表明，测试不只是用来评估学习，它本身也能促进学习；而且这种促进，并不只体现在原样复现上，也可能体现在迁移上。换句话说，学习不是把信息塞进去，而是把知识从自己脑中调出来、说清楚、用起来。

但很多人之所以不这样理解学习，并不只是因为懒。更大的原因是，我们对“学习应该是什么样”的想象，长期被学校塑造了。学校里最常见的形态，是统一进度、统一材料、统一节奏、统一考核。

这种安排有它的必要：一个老师面对几十个人，必须先解决组织、分配和评价的问题。可它也会带来一种错觉，好像学习本来就应该主要是听讲、接收、记住、考试。其实，那更像是学习在规模化、标准化条件下的一种变形版本。它解决了公共教育的问题，却不必然等于一个人最容易学会某样东西的方式。

一个人真正学东西时，最稀缺的往往不是材料，而是反馈。是有人能听你说，能发现你哪里其实没懂，能在你快要说偏的时候追问一句，能在你卡住时给一个刚刚好的提示。

教育学里有个很有名的参照：1984 年，Benjamin Bloom 在《The 2 Sigma Problem》里提出，一对一辅导下学生的表现，平均可显著高于常规班级教学。这也让“怎样把个别化反馈的好处，用更低成本提供出来”成为教育技术长期追求的目标之一。

这件事，AI 并没有发明。它真正改变的，是成本。

过去，问答式学习、追问式学习、个别化反馈当然一直存在。苏格拉底早就在做，优秀教师一直也在做。问题在于，它太贵，也太稀缺，不可能持续供应给每个人。

现在不同了。

你可以随时抛出一个问题，让 AI 换一种说法重讲一遍；可以让它先不告诉你答案，只给提示；可以让它追问你的理解，扮演陪练，而不是只当讲解员。AI 的意义，不只是让答案来得更快，而是让提问、追问、解释、试错和纠错，可以像答案一样廉价。

一般来说，学习常常沿两条路展开。

一条路，是先有地图，再走细节。面对抽象度高、结构复杂的内容，先知道大致地形，再填充局部，通常不容易迷路。

另一条路，是先做一个例子，再慢慢看见背后的结构。面对技能型、操作型的内容，从一个最小任务切入，往往更自然。

对新手来说，worked example 研究长期发现：先研究一个清楚的示例，常常比一上来就自己硬解更有效；但示例真正有价值，不在于“看懂了”，而在于你能不能说出每一步为什么这样做。自我解释研究同样表明，让学习者生成解释，通常是有帮助的；只是它也有边界，提示设计不当，反而可能妨碍某些学习目标。

所以，AI 最好的角色，不是替你学，而是陪你学。

以编程为例。很多人学不会，不是因为资料不够，而是因为过程太被动。更好的做法，往往是让 AI 先写一个最小可运行的例子：打印一句话，做一次四则运算，读一个文件。

然后你不要急着满意于“看懂了”。你可以让它逐句解释每一行在做什么，每个关键字是什么意思，为什么这样写而不是那样写。

接着，关掉答案，自己重写一遍。卡住时，不要立刻把原答案再打开，而是先尝试回忆和推理；实在走不动，再让 AI 只给你一点提示。

写完之后，再让它追问你：这行代码为什么要在这里？如果换一种写法会怎样？哪一部分是语法必须，哪一部分只是习惯？

这种方法之所以有效，是因为它更接近学习真正发生的地方：在解释里暴露模糊，在尝试里暴露漏洞，在失败里看见边界。

关于这一点，Bjork 一系研究提出过一个很重要的概念：desirable difficulties，也就是“合意的困难”，或者“必要难度”。意思不是说学习越苦越好，而是说，真正有效的学习，往往需要一点阻力。太容易，人会误以为自己懂了；太难，人又只会放弃。好学习需要的，是那种刚好逼你伸手够一下的难度。这才会让我们脑中的神经网络动起来。

这也是苏格拉底式学习真正可取的地方。它不只是多问几个为什么，而是通过有方向的追问，把模糊的理解一步步逼清楚。先说，再问；先试，再讲；先暴露误解，再纠正误解。

围绕 productive failure 的研究也给了一个类似的提醒：让学习者先面对一个有挑战的问题，再接受讲解，有时会带来更深的理解；但前提不是把人扔进黑箱里乱撞，而是后续要有支架，要能比较错误、分析失败、看见自己原来缺的是什么。失败之所以“有生产性”，不是因为失败本身神奇，而是因为它让后面的理解有了着力点。

当然，这并不意味着教材不重要，课程不重要，老师不重要。恰恰相反，它们仍然像地图、路线和向导。

只靠零散问答，很容易东一榔头西一棒子，学得活，却不成体系；容易盯着局部例子，却看不见整体边界；容易被即时反馈带着走，却不知道哪些东西是核心，哪些只是枝节。

研究者在讨论自我解释和失败学习时，也都一再强调边界条件：不是所有追问都有用，不是所有尝试都值得，不是所有“先失败再讲解”都会自动带来好结果。没有结构，互动也可能只是原地绕圈。

所以，优秀的教科书和组织得当的课程，依然是重要的指引；一个经验丰富的老师，则是避坑指南。

我们还应该意识到，当 AI 把信息、讲解和初步反馈都大规模压低成本之后，学习中的关键差异，会越来越多地体现在别处。

过去，一个人学不下去，常常真的是因为缺资料、缺讲解、缺答疑。现在这些东西正变得越来越便宜。

于是更稀缺的就不再只是内容，而是问题意识、主动探索和持续投入。

好奇心和内在驱动将会变得更重要。关于学习动机的大量研究早已表明，更自主、更内化的动机，通常与更高质量的投入和学习结果相关；而关于好奇心干预的研究也显示，好奇心并不只是少数人的天赋，它是可以被环境和任务设计激活的。

这并不是说，从此以后只有兴趣重要，也不是说外在要求不再重要。毕竟长期学习并不总是有趣。

真正关键的是：一个人能不能把外部要求逐步内化，变成某种较稳定的主动投入。AI 可以降低门槛，可以增加反馈，可以让你更容易开始；但它不能替你决定什么值得追问，也不能替你产生持续走下去的意愿。

所以，AI 时代真正该改变的，也许不是“我们终于可以更快拿到答案”，而是“我们终于可以用更低的成本，把学习重新变成一场对话”。

过去最好的学习，常常带着一种昂贵的特征：有人能听你说，追问你，纠正你，逼你把模糊的理解变清楚。

今天，AI 还不能完整替代好的老师，但它确实让这种过程第一次大规模变得可得。它让更多普通人第一次有机会，不只是把知识看过去，而是把它说出来、试出来、错出来、改过来。

对话能让知识活起来。

地图能让学习不迷路。

而今天 AI 的价值，可能是在两者之间搭起了一座桥。

---

本周的成果

• 跑通一套新流程
• 早睡早起

本周的改变

• 看了一点书
• 减少刷手机

做得还不错

• 写了几篇公众号
• 走路上班

做得不太好

• 发现体重增长
• 有时候精力不足

下周的目标

• 稳定作息
• 减少饭量