用 AI 找答案的人在退步，用 AI 探索的人在进步

前段时间看了一项研究——经济学人对中国沿海某城市近3万名学生做的跟踪调查，从2022年持续到现在，跨了好几年。实验组是用 AI 完成作业的学生，对照组是不用 AI 的。数据出来很有意思：用 AI 完成作业的学生，作业成绩提升了18%，作业完成时间减少了29%——听起来挺美。但最终考试成绩却下降了 20%。更关键的是，研究者还发现了一个例外：那些用了 AI 完成作业、但花在作业上的时间并不比不用 AI 的人少的学生，考试成绩反而有所提升。用 AI 省时间的人，作业成绩和考试成绩呈负相关；用 AI 但没省时间的人，反而进步了。

这个结论其实和人们的直觉是一致的。同样是用 AI，一种是单纯让它给出某个特定问题的答案，另一种是围绕一个知识点、一个概念去构建关于它的参考系——这两者的结果肯定大相径庭。

这也和《认知天性》里讲的「意向困难」（desirable difficulties）是一致的：真正有效的学习往往需要一点主动制造的困难。所以关键的分野在于——你是用 AI 来偷懒，还是用 AI 来为自己制造一项困难。

后者是什么样子？是在好奇心的驱动下去探索更多不同的路径，找出一个问题的不同解法，去接触相类似的问题，或者把学到的知识和实际生活中的现象联系起来。我自己的做法是：参加读书会写作业时，不会把 AI 生成的答案直接提交，而是对 AI 的回答和推导过程进行思考，再顺着它给出的线索做扩展阅读。比如我用 AI 搜一个问题时，它给我找到了一篇关于证券研究员如何看待 AI 的报告——那时不少研究员认为 AI 并不代表真正的科技革命，因为它还停留在信息层面，尚未对物理层面产生实质影响。这算是从另外一个角度对 AI 热的观点。

为什么这件事这么重要？因为一个新的知识点，对我们来说其实只是一个坐标、一个孤立的差值。而我们的实际生活是连续的，我们的经验也是连续的。孤立的知识点和连续的经验之间，隔着一道沟。

要真正把知识化为经验，需要通过思考和行动去做转化。AI 的存在可以极大地帮助我们实现这种转化，或者加速这种转化——但前提是你用它来探索，而不是用它来跳过这个过程。

同时，专业知识的系统学习依然非常必要。专业知识就像一个风向标、一座灯塔，它引领我们前进，给我们指出正确的方向。探索需要方向，否则只是乱走。

「学了很多知识，仍然过不好这一生」，说的其实也是这件事：你有没有把知识真正转化为自己的经验。答案不在于你知道多少，而在于你有没有把那些孤立的坐标，织进自己连续的生活里。