大模型时代的学习

自从22年下半年chatGPT横空出世以来，从最初的猎奇、期待，到如今的巨头厮杀、人手一份的生产力工具，LLM/VLM一次次刷新我们的认知，把越来越多的任务从我们的认知负担上移除。在我们紧盯着AI对生产关系上带来的隐忧的同时，一个更大的问题也悄然浮出水面：在大模型时代，在几乎一切问题的答案都变得如此轻易触手可及的时候，我们该如何学习？下一代的教育应是什么形式的？在有了孩子之后，这个问题变得更加的尖锐。以下我用一个想象中的对话来进行这个思想实验：

在2040年的某一天，他气冲冲地问我，学习这些枯燥的代数与公式，背诵这些老掉牙的词句和文章，钻研这些晦涩的汇编代码和算法，到底有什么用？现在其实连考试也不应该存在，只要我们学会ai的使用方式就可以了！抱怨一通后还煞有介事地宣讲起他那所谓的happy path来：

“作业用ai解决就不必说了，考试只要会用ai作弊也可以蒙混过关，以后工作中也不会露馅：全都用ai解决，token现在已经那么便宜了，我平时锻炼骑单车还能贡献一些电能，完全可以自己cover成本。。。”

我突然想到了什么，立刻打断他：

“好的，那就算你一路顺风顺水全部蒙混过关，你使用ai也非常有天赋，写的prompt就是比别人好，这样下来你成了界内的知名人士，现在请你去做演讲，参加讲座，和其他人辩论，在一个完全无法即时作弊的场景下，你怎么应对？”

“那当然是用ai来准备讲稿，帮我熟悉话题，做好准备不就可以了吗？”

“那怎么做准备呢？通过提前读答案？就算主办方能给你预热背景，你也无法准确控制其他嘉宾或者听众会对你发出什么挑战。”

“哈哈，那就让它多准备一些，我都记下来熟悉熟悉呗。“

我像抓到了救命稻草一样地打断他：

“哈哈，你进入了我的圈套。你自己想想，如果你通过ai给你准备的材料，能把这些内容熟悉到现场和他人对答如流的程度，这和你自己通过学习掌握了这些内容，又有什么区别呢？更何况，难道你能通过ai帮你准备的材料，用死记硬背的形式做到这一点吗？如果你的终极假设是这样的话，为何不从现在学起，这样到时候还能轻松一点呢？”

小年糕顿时被我的回答噎住，说不上话来。

这个思想实验拷问了问题的本质：到底什么是学习，什么是ai辅助能力的边界。在日常生活中大量使用ai的我能清楚地体会到，处理问题的瓶颈，在于自己的大脑，而不是ai工具。当工具的能力超越大脑的处理能力边界时，工具就会架空你。对于个人使用者来说，这代表工具从你的助手变成了你的主人，引导你进入了完全不了解的世界。可以想象一下李鸿章的苦恼：洋人说这个那个，要这样那样，所以最后要签这个字；可我真不懂他们在说啥！好的我签了，下一张。对于团队来说，这代表你的团队进入了隔空交流模式，每个队友的ai之间开始直接对话，人成为了传话工具：你这个MR改了什么？ai写了一份文档。好的我看看，但我看不懂，我也让我的ai来看看吧，它给出了这些建议。当然如果你觉得未来ai的能力能强大到能闭眼信，那你就可以忽略这段内容。

问题的重点是什么？大脑是瓶颈。既然我们知道了瓶颈在哪，那我们就要去掉这个瓶颈。这是回答如何在大模型时代学习的第一个切入点。我们要把自己的大脑去瓶颈化。也就是提高思考效率，提高处理速率，提高认知载荷。你应该发现，对自己熟悉的事物，比如会唱的歌，背过的课文，擅长的科目，你的大脑轻车熟路，接受类似的信息毫无障碍，甚至还会有些愉悦感。而对自己陌生的事物，跨界交流，比如第一次听Post Punk，或看一篇领域外的论文，你的大脑可能几分钟就会开始shut down，具体表现为，这他娘的是什么这么难听，这写的每个字我都看得懂，但连起来写的是什么？在这种认知负荷很高的情况下大脑的处理速率会明显降低，即便你硬扛下了一篇文章，再看下一篇，可能就有一种脑子要爆炸的感觉，难以集中注意力。这时候，大脑处理器的性能就得以体现了。经常坚持深度思考的人，大脑的前扣带皮层受到这种思考和认知阻力的锻炼，在这种满负荷的情况下能以惊人的意志力保持高效运转，从而击败那些注意力已经开始涣散的人。这也可以被称为“精力”的一种体现。而这种深度思考的过程，就是我们所谓的“学习”。也就是说，在大模型时代的学习，不是以记住、掌握、背诵多少内容为目标，而是以提升自己认知载荷为动力。这里有两个方面：

一是对内提升能力，也就是通过打破思考阻力的锻炼，让自己大脑能更快地处理更多内容。立体几何，线性代数，物理这些“思维体操”，叠加生物化学、语言历史等一些需要归纳总结、融会贯通、构建思维导图的学科，能够从接受能力、体系构建上双重提升这种能力。要知道，把自己见过的零散内容做成思维导图，然后从表层图纸内化到自己的思想体系，可是一件非常吃精力的事情。

二是对外见怪不怪，也就是把尽可能多的东西变成自己熟悉的事物。这又分两个好处：一是从不熟悉到熟悉，总有一个打破边界的过程，同时也是一个打穿认知阻力的过程；二是对于熟悉的事物，大脑的认知负荷自然下降。

在对上述这两点做到长时间的训练后，你会发现，阅读agent吐出的一大段一大段的文字和计划，不再变得吃力，你可以在相当一段时间里毫不费力地阅读完所有这些内容，并和它进行有意义的交互。其实说白了也就是为了用好ai，你得赶上ai的水平，而赶上它的唯一方法，就是学习。

以上是本文的第一部分。根据一个思想实验，从结果出发，一步步推导论证得到结论。在第二部分，我将从技术的层面，简要阐述为什么ai取代不了人类，即使在ai最最擅长的文字领域。

还是从一个实验开始：你让当今最先进的视频大模型，帮你生成一个好莱坞级别的，外星人入侵地球大战的片段，长度，就说2分钟吧。它吭哧吭哧做出来了，各种镜头切换，特效，呼吸感，末日感，科幻感，画面宏大，情节激烈，你屏着呼吸看完了，非常震撼，头皮发麻，哇ai太强了。好的，现在请你让它帮你再生成一个视频：一张白纸上有一条线，线的一头是一个三角形，它打着转滚到另一头，过程中慢慢地变成了正五边形。啥都不要，只要最简单的线条，flash动画的那种效果。

突然它失灵了。最最简单的flash特效动画，几根线，你改来改去但它怎么就是出不了这个效果。咋回事？外星人入侵地球大战，谁也没见过，模型可以天马行空地发挥，在它见过的庞大的训练数据里东拼西凑的结果，总会让人觉得满意。而一个最简单，却又是最具体的需求，它就愣住了，无法发挥了。为什么，解空间太小啦。生成式模型的diffusion输出，在如此小的一个，单一解空间上，几乎无处采样。

同样的原理也可以迁移到文字上。如果你脑子里完完全全想好了要说什么，那这句话，无论你跟ai怎么解释，它都是无法一模一样生成的。唯一可行的方法是，把你的前因后果思想过程作为context，完完整整地告诉ai；即便这样，也不能保证它能生成同样的词句，更何况你何苦呢，自己写出来不香么？这就好比，你想要拍一个电影，你脑子里已经有完全具体的画面了，什么道具放在哪里，这种情况下无论你怎么描述，ai都不可能生成你想象的样子，只能先给它一张照片，让它按照这个来。至于说什么梦境生成器，好酷炫，那是因为你根本记不得梦里具体是啥样子，它又能自由发挥了。也就是说，如果你觉得ai出来的东西太强了太好了，要么是因为你自己根本不知道想要什么，看着办吧，要么是因为你做的是上下文强依赖的工作，换句简单的话说就是，牛马ppt活。至于你脑海里那个高价值想法，等价概率只有P=0的精确token组合，ai是根本生成不出来的。如果能生成出来，说明你的上下文太简单了，简单到你都能直接告诉它。

所以，真正牛逼的想法，有价值的文字，创意，都是ai做不了的。它唯一能做的，就是归纳总结，以及通过见过的海量数据，补全想象空间。而这种搜刮文献的牛马活，也正是ai可以用来帮我们节省精力的好场景，至于总结出来的东西，节省下来的精力，最后你能用来干啥，那就要看造化了。这就是学习能帮到你的，最后点睛之笔。

以上是本文的第二部分。从解空间的角度，证明ai能力的边界。接下来第三部分，我从体验的角度，说说为什么需要学习。

自从有了ai之后，知识变得太触手可及了。再也不需要等待和挖掘的过程，一切都能被即时满足，总结好的框架和细节都能立马递到嘴边。学习似乎变成了一个非常快速的事情；工作，生活也都成了效率优先，你不快别人就比你快。有什么不懂的，大模型瞬间会把这个领域所有相关的内容，由浅到深，完完整整地展现在你面前，应用尽有。

但这从体验上来说，也是一种降级。虽然在这几次生产力革命中，我们的感官体验已经降级过好多次了。现代人本已很难体会“海上生明月，天涯共此时“的那种思念之情，更不用说短视频横行的今天，注意力不足10秒的“后当代人”；抑或是莼鲈之思、鲥鱼多刺那种从食物引申而来的细腻情感体验，在麻辣为先、万物皆可烤的当下早已湮没在辣椒的红海之中（顺便多说一句，我觉得没必要和西方人去强调什么中国饮食的原味，人家从小吃的都是hyper-processed food，或者各种重口味的东西，就算味蕾能收到，神经突触也接收不到那些食物本味的东西，像蒲菜、蚕豆这些，对他们来说就跟尝水没什么区别）。大模型的出现只是把这种体验降级推到了极致，把你的大脑shortcut. 人们逐渐忘记学习和思考是一个什么样的过程，更不用说感受到它们的美。学习本身是一种顺着引导往里走的过程，但在这种开门见山的方式下，人们失去了曲步通幽的耐心，江南园林的含蓄反而成了一种阻碍，火起来给你墙全部敲掉。这使人失去了一种慢慢发掘、欣赏知识的美的能力；记得我以前本科学习ELEC 241 电子工程入门课的时候，里面的概念一个个出现就像赶路一样，慢慢地在你眼前展开、铺平，抽丝剥茧地学习，最后拼成一张完整图像的时候那种惊喜与魅力，是非系统性学习、短时间高剂量接触所不可比拟、无法体会的。

从这个角度上来说，学习的真正过程是：别人讲不清楚的时候，自己帮助并尝试理解。大模型的答案直接展现就是死记硬背，没有过程的强行记忆QKV。

以上是三部分我对大模型时代什么是学习，该怎么学习的一点思考。日后随着技术发展，也许一些观点也会显得过时，先留文在此吧。