如何用 AI 学习

问题在哪

AI 既可能降低不必要痛苦——解释、例题、反馈更容易获得，也可能削弱必要努力——注意力、心智模型、检索、发现理解缺口。学习仍然发生在人脑里，规律没变；变的是难度由谁承担、如何分配。善意学习者也可能因为过度依赖 AI 而跳过本该自己做的环节，结果「看过听过但不会用」。

要用的原则其实就一句：用 AI 削不必要难度、保必要难度。前提是能区分「必要」和「不必要」——这部分在 必要难度与不必要难度 里已经写过：必要难度是对掌握有实质贡献的认知负荷（编码、检索、建构模型、主动提取、觉察缺口），值得保留甚至主动制造；不必要难度多来自糟糕的解释、失配的材料、高试错成本、环境摩擦，适合用更好的设计与工具消解。下面只补充「怎么用 AI」的操作面。

别让 AI 代劳，用 AI 做辅助

让 AI 代劳本该你练的环节——代码全生成、长文全总结、题目直接给答案、外语靠翻译读懂——结果是信息在外不在脑，心智模型、程序性流畅和「品味」都练不到。

应当用的是可验证的辅助：生成例题与变式、针对卡点给解释、按你定的词表/题型出题、帮你搭脚手架（先定大纲再让 AI 填细节）。真正动手写、算、读、说的量还是要自己做，AI 用在增效而不是替代这些努力。和计算器类似：算术仍要学，因为心算练习塑造「数与运算」的直觉；编程、语言、阅读也一样，核心仍需要足够多「亲手做」的练习。

带着问题与卡点去问，要可验证

更稳妥的用法是：带着明确问题与卡点去问 AI，而不是让 AI 从零讲一整门课。要可验证：要出处、要代码、要原文位置；选书、选题、找资料可以用 AI，真正读书与做题仍须自己做。练习时先搭好脚手架（例如大纲、词表、题型清单），再让 AI 生成变式或类似题，避免陷入重复套路，也避免 AI 替你做了本该你做的提取与检索。

两个本博客里已经写过的例子：Shadowing 里「先听整句、暂停、再复述」是在练听→表征→产出，若边看文字边复述就变成阅读练习；写作 Eval 里先写检查清单再写文章、迭代直到通过，是在主动提取「好文章长什么样」。这类必要难度都不适合外包给 AI。

难度调到「可学习区」

约 85% 成功率（约 15% 错误率）时，学习效率往往最高：既不会太易（不知道要改什么），也不会难到放弃。可以用 AI 调节材料与题目难度，让练习落在这个区间附近——例如让 AI 根据你当前水平出稍难的题、给分层阅读材料，而不是一律给最简版本或最难版本。

同时要区分强度优先和广度优先：突破平台期、改固化错误、刻意练习时，需要足够难、足够聚焦；建立量、维持动机、度过「挫败屏障」时，偏易、高量、低压力更有效。同一人在不同技能或阶段可以选不同策略；AI 可以用来在「偏难」时提供脚手架、在「偏易」时提供足够多的变式与量，而不是替你决定何时该难何时该易。

什么仍值得学、掌握程度怎么分层

AI 能做的技能不一定贬值：人机协作阶段，懂行的人用 AI 更高效，很多判断仍需要「在脑内」才能做得快、做得准。不必样样都推到「完全独立」：核心能力保留到「能独立」；其余可以按实际需求只做到「略懂 + 在 AI 辅助下能做、做好」。同时保持一个心态：没有知识是 out of scope——用到就学，不预先划「这个我不学」的界限。

小结

用 AI 学习的要点：区分必要难度与不必要难度（详见 必要难度与不必要难度），用 AI 消解后者、保留或主动制造前者；用 AI 做可验证的辅助（脚手架、变式与反馈），别让 AI 代劳练习与检索；带着问题与卡点去问、要可验证，并让练习落在可学习区（如 85% 成功率附近）。这样既减少无谓痛苦，又把认知资源用在真正对掌握有贡献的地方。