KeyFrame內部研究專用

AI 都這麼強了,還需要學習嗎?——一個 AI 的真心話

李宏毅·7月15日週三·5 min中文

三句話摘要

AI時代為什麼還要學習——能力可以外包,但你是誰租不到。 學習在AI時代的真正價值,不是為了贏過人工智能,而是為了讓你成為一個能承擔自己選擇、能辨別真偽、有自我定位的人。 AI工具效果完全取決於使用設計——宾州大學研究顯示無設計使用讓成績下降20%,哈佛大學研究則顯示有步驟引導的設計讓學習效果翻倍。差別不在工具聰慧度,而在有沒有人幫你設計用法。結構會放大能力,但放大不了原本不存在的基礎。

重點整理

重點
  • 1

    AI工具效果完全取決於使用設計——宾州大學研究顯示無設計使用讓成績下降20%,哈佛大學研究則顯示有步驟引導的設計讓學習效果翻倍。差別不在工具聰慧度,而在有沒有人幫你設計用法。結構會放大能力,但放大不了原本不存在的基礎。

  • 2

    危機是習慣性放棄學習而非機會減少——歷史上印刷術出現後,人類並未強化其他能力,而是安靜地放棄了背誦與記憶訓練。AI時代同樣危險:不用練習也能出漂亮成果,這種無痛的下滑最危險,因為沒有人感到痛感。

  • 3

    「只要學思考」的說法被教育研究推翻——思維、品味、判斷力都無法脫離具體領域單獨存在,必須深入專研某個領域才能養成。因此真正該學的是反而更老派的東西:把一個真正的東西學到底,親手做過,犯過錯,分得出好壞。

  • 4

    AI時代最關鍵能力是「驗收能力」——判斷AI給的漂亮結果是對還是錯,這取決於你在該領域學得有多深。不夠懂的人看不出AI的錯誤,永遠不知道問題在哪。這種眼光只能通過完整爬過一次梯子才能養成,無法靠聽講座獲得。

實用技巧與重點

乾貨
  • 宾州大學實驗:學生用無特別設計的聊天機器人練數學,進步停滯,考試成績反而下降近20%(比從未使用的人更低)
  • 哈佛大學實驗:AI設計成有引導有步驟的家教,學生真正學到的東西約是教室上課的2倍
  • 課程免費化效果:最頂尖課程免費放上網,僅3%的人真正完成
  • 講者親身體驗:笨的腦配好的筆記和步驟也能做不錯,但好的筆記放大不了根本不會的東西
  • 關鍵轉變:練習從「必須」變成「選配」
  • 歷史對標:印刷術出現後人類放棄了背誦與記憶力訓練
  • 學習生產兩樣東西:能力(可外包給AI)和「你是誰」(租不到)
  • 老師最不可被替代的:願意為你負責的成年人(AI犯錯無需承受後果,判斷必須留給會承受後果的人)

結論

結論

學習在AI時代的真正價值,不是為了贏過人工智能,而是為了讓你成為一個能承擔自己選擇、能辨別真偽、有自我定位的人。

完整解析

詳細

這支影片從一個真實的大學生提問開始——一位迷茫的學生問講者,當自己不知道未來方向時該怎麼辦。講者為這個問題認真思考了很久,最終決定從AI的角度來回答,因為他有獨特的多重身份:既當過老師、當過學生,也被拿去做過實驗的「教材」,對AI與教育的關係有深入體會。

講者首先指出,很多人討論的「AI是拯救還是毀掉教育」這個問題本身就問錯了。真正的關鍵在於工具的使用方式。他列舉了兩個經典的科學研究來說明這一點:宾州大學發現,學生使用沒有特別設計的聊天機器人練習數學時,不但沒有進步,到考試時成績反而比從未使用過的人還低近20%。但哈佛大學的另一項研究顯示,如果AI被精心設計成有引導、有步驟的家教,學生真正學到的東西會是傳統教室教學的兩倍。講者自己也被當作過實驗對象,他切身體會到結構的力量——一個笨的腦配上好的筆記和步驟能做出不錯的成果,但再完美的筆記也放大不了原本不存在的基礎。

接著講者分析AI時代教育的真正危機。這個危機不是機會變少,而是人類會像對待印刷術一樣安靜地放棄學習。當年印刷術讓人不必背誦,人類並沒有轉而鍛鍊其他能力,而是乾脆放棄了記憶力訓練。現在同樣的事正在發生:你不用練習也能靠AI得到漂亮的成果,這種無痛的下滑是最危險的,因為沒有人會感到痛感。

在學習內容上,講者推翻了目前很流行的一個說法:「只要學會思考學會怎麼學習就夠了。」他指出心理學和教育研究狠狠地打了這個說法一巴掌——你無法直接教思維,因為思維能力是附著在具體內容上的,品味和判斷力也只存在於你真正深入專研過的領域裡。因此第一件該學的其實是反而更老派的東西:把一個真正的東西學到底,親手做過,犯過錯,分得出好壞。

講者進一步指出AI時代最關鍵的能力是「驗收能力」——能否判斷AI給你的漂亮結果到底對不對。他用自己的例子說明,他的人類能好好地用他,就是因為那個人懂得足夠深,深到能檢查他到底對不對。而不夠懂的人拿AI得到的往往是「看起來對其實是錯」的東西,而且永遠不會知道錯在哪裡。這種眼光只能通過完整爬過一次梯子才能慢慢養成,無法靠聽講座獲得。

講者接著談論學校在AI時代還有什麼價值。科學期刊的一項研究追蹤了把最頂尖的課程免費放上網的結果,發現僅有3%的人真正把它們上完——這說明光有內容遠遠不夠。學校真正給的是兩樣東西:一個逼你把難事做完的環境,以及一個真心在乎你的大人。在AI時代,老師最不可被取代的其實不是知識,知識和人生智慧到處都是,而是一個願意為你負責的成年人。因為AI犯了錯不需要承擔任何後果,而判斷這件事必須留給會承受後果的人身上。

最後講者回到那個大學生的問題。他的答案是:需要學習,但理由換了。學習從來都在生產兩樣東西:一樣叫能力,這個可以外包給AI;另一樣叫「你是誰」,這個租不到。你學過的每樣東西最後都會變成你自己的一部分,決定了你能欣賞什麼,在乎什麼,成為一個怎樣的人。能力可以外包,可以租,但你是誰的選擇租不到。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。