生成式AI给学习带来什么

AI的起源可追溯到1950年，这一年计算机科学家艾伦·图灵提出如下问题：机器能像人一样思考吗？AI在过去的十多年飞速发展，并在2022年跨过了一个关键的转折点，开始直接影响个人的学习。

一个直观的变化是：在2022年之前，我们有问题时可以询问老师或同学、用搜索引擎搜索、在社交网站提问；在2022年年底之后，我们可以问AI聊天机器人。它的背后是大语言模型（Large Language Model, LLM）这一类别的人工神经网络模型，因此，它能理解人类的语言，能用人类的语言精准回答，并且其回答效果还在持续改善。

相较人类知识的演变历程，这些变化是在相对很短的时间里发生的。2012年，深度学习（指具有较多层次的人工神经网络模型）正式崛起，随后AI在机器翻译、语音识别、图像识别、图像生成等领域取得了重大突破。2016年，采用强化学习（指由机器自行根据环境反馈调整策略）的围棋机器人AlphaGo战胜了人类围棋世界冠军的消息成为全球主流媒体的头条。

真正的巨变自2017年开始酝酿。这一年，8位来自谷歌和多伦多大学的研究者在学术会议上发表了论文《注意力是你所需要的一切》（Attention Is All You Need），他们提出了当时主要针对机器翻译和语言理解问题的一种名为转换器（Transformer）的新人工神经网络架构。但这篇论文仅作为展板上的张贴论文发布，并没有获得口头报告的机会。几年后，研究者们认识到了它的革命性，它的谷歌学术引用次数超过9万次。基于这一架构发展出了多种生成式AI模型，其中图像模型能根据文本要求生成高质量的图片，大语言模型能理解和回答人们提出的问题。

2022年年底，OpenAI公司推出了基于大语言模型的AI聊天机器人ChatGPT。ChatGPT推出仅两个月，月活跃用户数量就突破了1亿人，成为截至目前用户增长速度最快的消费级应用。国内外的公司包括微软、谷歌、百度、腾讯、阿里巴巴、智谱AI、科大讯飞等也纷纷推出了大语言模型及应用。本书不是专门介绍关于AI产业发展的，在此就不一一介绍各种模型与产品了。简言之，大众已经迫不及待地使用这些AI产品了。现在，只要打开网页或下载app，你就可以方便地使用各种AI产品。

我（作者之一方军）是一个坚持不懈的学习者，也是一个AI研究者与实践者。作为学习者，在过去的十年中我出版了十多本书，每本书都是我深入穿透一个全新主题的学习成果。现在，在AI和学习的交叉点，我强烈地感受到AI给学习带来的众多新的可能性。

借助AI，我们能更有效地克服学习中的疑点与障碍。AI可以即时、有针对性地解答我们的各种疑问。教育领域的研究早就证明，一对一辅导可以大幅提高学生的学习效率。[2]现在，AI让每个人都能轻松获得一对一的针对性辅导，这可以减少我们学习几乎任何知识的阻力。我们不再需要花费相当多精力学习那些可即时获得的知识了。因此，我们可以将宝贵的时间、精力、认知能力用于真正需要深入学习的主题。

让我们通过一个形象的类比来进一步了解，即如图1-2所示的穿透“知识的负担”大山。

现在的人学习时，面对着一座巨型的知识大山。

随着人类的知识边界不断扩张，创新的速度和数量也在不断增加，这无疑是一件好事。但也带来一个大问题：我们要学的东西越来越多，要达到知识的前沿并做出创新突破，我们个人要经历长时间的教育与培训。以物理学为例，与100年前相比，现在我们要学的知识的广度和深度都大大增加了。

经济学家本杰明·琼斯（Benjamin Jones）将这种现象叫作“知识的负担”。他指出，这种不断增长的“负担”正在减缓创新，因为伟大的发明家没有足够的时间去创新。发明家做出重大发明的平均年龄显著增加了：1900年，重大发现的巅峰年龄在20～30岁；而2000年，这个年龄已经上升到近40岁。

网络媒体“通才”的创始人马里奥·加布里埃莱（Mario Gabriele）用形象的类比将“知识的负担”展示了出来：我们面对的知识像一座我们要努力穿透的大山，我们试图挖掘一条能穿过大山的隧道。我们人类在穿越知识的大山，而在动物王国中，其他动物，比如蠕虫、蜥蜴、狗也要穿越自己的知识大山。比起它们，人类的学习拥有强大的技术工具，比如纸与笔、纸质书、图书馆、学校、科研体系、计算机、互联网等。

每一种新的技术工具都大幅提升了我们学习的效率。例如，用电脑记笔记便于搜寻，能方便地与其他人分享；用搜索引擎查询资料远比在图书馆里翻找书籍方便；论文网络数据库也早已让曾是高科技的缩微胶片论文库不见踪影。

麻烦的是，人类的新知识积累得太快了。我们面对的学习悖论是：虽然看起来我们拥有越来越强大的学习工具，但我们反而感觉越来越赶不上知识的变化。我们在终身学习，但几乎是精疲力竭地追赶着新知识。比如，AI的出现就又带来了大量新知识。AI领域出现大量论文，有时夸张到一天有几十篇新论文；AI教科书的最后几个章节几乎要全部被重写，AI也在改写很多领域的教科书。天啦，又多了很多要学的东西。

换个视角则可以看到不一样的图景：放在人类知识和学习的发展历程中，AI带来了一种截然不同的现象，过去的工具仅是帮我们更好地处理知识的负担，而AI带来的变化，用马里奥的话说就是“AI没有知识的负担”。

生成式AI模型是用人类已有的几乎所有书面资料和数据训练而成的。从逻辑上讲，它不仅了解并理解几乎所有的人类知识（当然掌握得还不太好），还可以高效地整合、重组和调用这些知识。如果把它看成一个人的话，它就不像人类学习者那样要面对“知识的负担”。

如果一个学习者能巧妙地运用AI工具，他也可以没有知识的负担，并将仍在与知识的负担奋战的其他学习者甩在后面，直接去探索知识领域的最前沿。以编程为例，你可能还在一行行地写最初版的代码，但有的程序员已经利用AI编写完了，在进一步做测试与调试；你可能还在一点点地定位运行错误，而AI一秒钟就分析完了错误信息，并给出了几种可能的解决方案。

如图1-2所形象地展示的，现在的人类有挖掘隧道的先进机械，但AI能以近乎爆炸式的速度往前推进。现在的问题不是AI是否会改变学习，而是使用AI的学习者会比现有的学习者快10倍，还是快100倍？

现在，我们每个人都必须重新思考如何学习。

我们把如何将AI用于加速学习的话题留到下一章，本章先来深入看一看知识体系。开始使用AI后你会立刻体会到，如果你自带一个主题领域的知识体系，它能以比人类快十倍的速度帮你解决问题；如果你没有，那不仅AI很难帮上你，你还可能被它的错误回答误导。