第 18 章　AI 怎样进入一套真正发生学习的系统

先按任务选择学习强度

并非每个概念都需要完成一套小型研究。可以先根据目标、错误后果和是否需要迁移，选择三种强度。下面的时间只是安排示例，不是固定处方。

快速档不是“随便看一眼”，它仍然包含基线、外部资料和一次离开AI的提取。标准档也不要求每次把所有角色和工具用全。强度可以升级：一个原本只供个人理解的答案，准备写进课程报告时，就从快速档进入标准档。

学习开始前，先留下没有AI时的基线

下面的“相关与因果”属于标准档，也延续C13—C17的练习。很多人听过“相关不等于因果”，也能原样复述；真正遇到问题时，仍可能把“经常使用AI的学生成绩更高”直接解释为“AI提高了成绩”。

打开AI以前，先写一段自己的解释，并判断一个例子：某校调查发现，参加自习小组的学生平均成绩更高，能否据此说自习小组导致成绩提高？

这一步留下可比较的起点。没有基线，学习者很难区分自己后来真正理解了什么，哪些只是看懂了AI的文字。基线还会暴露具体障碍：不知道相关和因果的定义，想不到混杂变量，还是不会判断研究设计。

需求侧的验收可以写成：

面对三个没有见过的研究摘要，能够区分相关描述和因果主张，指出至少一个其他可能解释，并说明还需要什么证据才能加强因果判断。

它比“理解相关与因果”更具体，也比“记住定义”更接近真实使用。

为当前问题建立一个小而可靠的资料包

AI学习并不意味着把整门课程、全部笔记和网上资料一次上传。先确定本轮必需的来源：教材中的定义与例子、教师公开提供的课程要求，以及一份许可明确的补充材料。每份资料记录标题、版本或日期、原始位置和用途。

资料包要小到能够人工检查，又要足以覆盖目标。若教材负责定义，补充材料负责更多例子，就不要让一篇搜索结果摘要承担全部结论。两份资料说法不同，先判断对象、术语和条件是否一致；无法裁决时保留冲突，不让模型选择一份更顺口的版本。

成绩、同学作业、教师未公开课件、个人聊天和研究中的敏感数据不因“用于学习”就自动获得上传许可。能用自写例子解决的问题，不必交出真实材料。

按照学习障碍给AI分配角色

同一个模型可以承担不同学习角色，但每个角色需要不同验收。

解释者：根据指定资料，用两种不同路径解释概念。检查重点是有没有偷换定义、遗漏条件。

反例生成者：提出一个能暴露当前误解的反例。检查反例是否真的触及原判断；仅仅更换故事背景没有提供新的检验。

质疑者：追问某个结论还依赖哪些假设。检查重点是问题是否帮助区分候选原因。

出题者：生成变化题和迁移情境。检查重点是答案能否由资料或明确推理支持，难度是否超出课程范围。

比较者：对照两份材料的对象、条件和结论力度。检查时要保留差异，避免用一段折中总结掩盖冲突。

一次对话不需要同时启用所有角色。根据基线暴露的障碍，选择最能提供新信息的一两个角色。若主要问题是混杂变量，就让AI生成相反解释和变化例；若主要问题是定义混淆，就比较定义与边界。资源服从问题，不以“把AI功能都用一遍”为成果。

候选解释必须经过资料和推理两道检查

AI给出解释以后，先圈出其中的事实性断言和关键推理。事实回到资料的精确位置；推理则检查前提是否足够、结论有没有扩大。

例如，AI说：“自习小组学生成绩更高，说明小组学习有效。”资料可能只报告相关。其他解释包括：本来更自律的学生更愿意参加；小组成员获得了额外辅导；参加小组与投入时间同时增加。只要这些可能尚未排除，就不能把观察结果写成确定因果。

把同一问题交给另一个模型，只能得到另一份候选，不能构成外部核验。两个模型可能共享相似训练材料，也可能同时忽略同一条件。真正的外部检查要接触教材、原始研究、计算结果、实验或教师反馈。

当资料无法支持某句话时，处理可以是删除、缩小、标成假设或留下待查。此时应让结论强度回到证据真正覆盖的位置，无须保住一份表面完整的答案。

关掉AI，重新组织一次

阅读顺畅解释会产生熟悉感，熟悉感不等于能够独立提取和使用。学习者需要暂时离开原文与对话，用自己的结构重建概念。

对“相关与因果”，一份合格的个人产出不必很长，可以包括：

1. 用自己的话写出的定义差别；
2. 一个只支持相关的例子；
3. 两个可能的其他解释；
4. 哪种额外证据能够加强因果判断；
5. 一条仍然没有解决的问题。

重构时说不清的地方，比AI继续生成三页说明更有价值。它准确指出下一轮学习需要什么。把原回答改写几个词，不算自己的结构；改变组织顺序、补出关系和反例，才能检验是否真正理解。

学习研究通常把练习测试、分散练习等方法评价为具有较高的通用效用，而单纯重读和划线的效果更受条件限制。[1] 本书不把任何方法写成对所有课程都有效的处方，但由学习者主动提取、解释和接受新题检验，比持续阅读AI答案更能提供“是否学会”的证据。

迁移测试决定这次学习有没有越过例子

测试不能只重复刚才看过的题。若AI示例讨论“自习小组与成绩”，迁移题可以换成“睡眠时间与考试表现”“城市绿地与居民健康”“设备维护频率与故障率”。学习者需要识别变量、区分观察与干预、提出其他解释，再判断当前证据允许写到什么程度。

迁移测试至少有三种结果：

• 判断正确且能解释理由，说明概念开始可以使用；
• 答案正确但说不出理由，可能仍在依赖表面线索；
• 在新情境中失败，说明知识结构需要修改，而不是简单增加更多同类例题。

AI可以生成候选测试，但不能独自评分自己的教学效果。参考答案要回到课程材料，开放问题需要教师、同伴或实际结果参与评价。高影响专业技能尤其不能只由模型自问自答。

测试结束后，隔一段时间再做一次提取，比当场重复更能暴露遗忘。个人系统应记录下一次复查时间，而不是把“本轮看懂”写成永久掌握。

一次完整学习留下哪些可复用资产

这套循环会产生几种轻量但可积累的成果：

• 问题定义：现象、原因假设、目标和验收；
• 资料包：来源、版本、用途和权限；
• 证据记录：关键断言、精确位置与处理决定；
• 知识结构：概念、关系、边界和未知项；
• 错误记录：自己在哪一步误判，怎样发现；
• 迁移测试：能否在新情境中使用；
• 复查入口：下一次何时回来，先检查什么。

聊天记录只是过程材料。真正值得保留的是这些经过选择、核验和重构的资产。模型和软件可以替换，问题、证据、关系、测试和复盘仍然存在。

当学习内容增加时，个人AI工作系统并不需要立刻升级成复杂平台。可以用文件夹保存来源，用表格记录断言，用图表示关系，用普通日历安排复查。只有当检索、版本和协作成本真正成为瓶颈时，才增加自动化和数据库。

不同课程怎样迁移这套方法

数学与工程课程强调定义、推导条件、例题变化和独立求解；AI可以比较解法、生成反例和定位错误步骤，但最终验收必须包含无提示的新题。

历史与社会科学强调来源、概念范围、论证与多种解释；AI可以形成材料索引和观点对照，结论要回到原文、时间与情境。

实验课程强调操作规程、测量、数据和安全；AI可以帮助预习和解释现象，不得替代设备规范、现场教师和安全程序。

语言与写作课程强调表达目的、读者、结构和修订；AI可以提供候选表达，作者仍要形成自己的判断、核对事实并承担署名责任。

迁移到新课程时，需要重新确定需求侧：这门课希望形成什么能力，什么证据能够证明能力出现，什么错误不能承受。同一提示词不能替代这一步。

那份最初的强断言，经过六章留下了不同形态：C13把它改成可调查的问题，C14留下证据卡，C15画出十节点地图，C16—C17把地图变成可测试的导航，本章再用迁移题检查学习者能否脱离原例。没有任何一步证明“AI一定提高成绩”，但这条尚未被证明的边界，恰好成为一项可携带的判断能力。

离开当前对话以后，如果只剩一段更漂亮的答案，系统完成的是内容生产；如果学习者能独立解释、核验证据、处理新题，并清楚下一步还要查什么，学习才真正发生。