最近社媒上流行一个冷笑话：“只要我学得够慢，就不用学了。”

虽然是玩梗，但背后藏着一种极度真实的虚无感：今天学的新产品新工具，明天可能OpenAI、Anthropic一个更新就变成了落后产能，那不断折腾的意义在哪？

刚看到这句话的时候确实有冲击到我，但很快我就开始冷静思考：虽然应试教育被诸多诟病，但有趣的是包括我自己在内、身边那些清北的同学们，几乎没人读书靠死记硬背。我从解构自己出发开始思考“AI时代我们学习的意义是什么，又应该学些什么“？混沌的思路慢慢形成一条清晰的主线：

无论当下、过去甚至未来，学习的真正意义从来没有改变过——我们学习不是为了那些范式的知识或技能，而恰恰是为了三个“副产品”——思维方式和系统，新想法和灵感，强化小脑。

一、 你学的从来不只是书本/文档上的字面意思

当年高中班里有许多老师眼中的“好学生”，但他们往往在高一可能成绩还不错，越到高三越跟不上。而我在他们眼中似乎是个异类，可能有三个非常典型的区别：

1）他们热衷于在课堂上写别的科目的作业，然后在课后去刷“五年高考三年模拟”，仿佛多做一道题就能多考几分；但我无论课堂内容多简单，只听课不干别的事，甚至不记笔记。

2）他们每次作业都认真完成；而我只会在晚自习的第二堂课问他们哪些题比较难，然后认真思考那几题，想通逻辑和最好的解法——但我从来不交作业。

3）他们几乎从不在课堂上提问；而我有疑问会第一时间提出来，甚至在课堂上和老师“辩论”。

我在写这篇文章之前从来没有复盘过这么做为什么有用，从我当年的视角来看无非是选择了一个我认为最高效的方式。但尝试解构之后，我发现这套学习方法其实是有底层逻辑支撑的：

1）听课是建立思维方式和系统的过程，重要的不是讲的某个东西你是不是“已经知道了”。听课的目的是在构建完整、逻辑清晰的知识体系，而不是抓住那些零散的“知识点”。

当你只有零散的知识点的时候，你的系统是在无限熵增的，搜寻和调用的成本/难度会越来越高——就好像给Agent写一个memory.md，这个文档不断的变大，直到每次调用变得非常费劲——你写好的memory.md并没有真的奏效。

但当你在确保正确和完备的基础上不断完善你的系统，你会发现很多东西不是靠搜寻记忆，而更类似于生成过程——你不需要记住所有东西，但你可以想出来。

2）做作业本质是在debug，把没有bug的东西反复做除了浪费token之外毫无意义。“比较难”或者“有意思”的题目，就对应着你的系统可能存在的bug，把bug解了，剩下的token可以去开发新能力。更有意思的是，你在处理难题时发现的“新解法”就像我们手搓产品时产生的新想法和灵感。

3）随时提问就像你发现了Agent输出错了但不知道问题出在哪，你不会让它继续跑完，而是立刻停下来先把错误修正，让脏状态和错误文档不继续污染环境，不产生额外的运行成本——等课后提问，先别说是不是真的会去问，那时候你的大脑已经把错误的东西读入了你的底层操作系统，再想改非常难。

三种学习动作，实际训练的是三套系统

听课 不是收集知识点，而是在建立完整系统

做难题 不是刷熟练度，而是在 debug 系统漏洞

随时提问 不是求答案，而是在阻止错误写入底层

二、关于“小脑”的猜想

拉马努金作为人类历史上最天才的数学家之一，最为人称道的段子就是经常写出一些超越人类认知几十上百年的数学公式，然后说：“没有推导过程，这是娜玛吉女神托梦告诉我的”。

比如最著名的“黑洞公式”模 theta 函数，在被写出来的那一刻人类甚至还不知道黑洞的确切物理定义。但百年后的物理学家发现，这些复杂的级数竟然能够精准地描述黑洞的熵。

Mock Theta Function

f(q) = 1 + ∑n=1∞ qn² / ((1+q)²(1+q²)² ··· (1+qn)²)

Z(q, y) = ∑n,ℓ Ω(n, ℓ)qnyℓ

SBH ≈ log Ω(n, ℓ)

人类脑科学研究依然没有完全解开这个谜团，但近些年一些实验指向这很可能和人类的小脑有关——人类小脑只站整个人脑体积的10%，神经元数量却为大脑的5倍多。目前AI大模型本质是在“复制”人类的大脑的推理方式，但小脑很可能才是导致人无法被AI取代（至少短时间内）的核心“壁垒”。

举一个简单的例子，现在桌子上有一杯水，我要把它拿起来放到客厅的茶几上。整个动作很简单吧？没有任何一个人做这件事是需要“动脑子”的，但其实这是一个非常复杂的输入输出模型，需要精确判断水量、对应的重量、杯子的材质，然后决定我们如何控制肌肉力度、如何移动、如何接触桌面并放稳。我们实际上是依靠小脑在完成这些事，大脑只需要读取小脑的输出并对四肢发出指令，几乎完全不用处理和运算，所以我们不觉得在思考——小脑替大脑完成了“计算”。

我显然没有拉马努金那样的天才，但在深度思考时，我能感受到一种极其相似的“硬件机制”：

每当我试图啃下一个复杂的问题或逻辑时，我经常会在书房里不停地踱步，或者干脆躺在床上闭目养神，但此时我的大脑高速运转，把待理解的公式或逻辑，构造成一个直观好理解的画面或动态模型，然后我就突然觉得“想明白了”。有时我甚至会在睡前看一些有深度的、难以记忆的问题，然后早上醒来会清晰地感觉到那个想法在梦里已经以一种更完备、更直观的方式过了一遍。

这个过程，我称之为“模型渲染”。学习并理解一个东西，本质上是在脑子里把它“渲染”出来，并且“写入”到大小脑构成的“硬件系统”里。

学习不是存文件，而是完成一次内部渲染

大脑 CPU + 硬盘

负责显性逻辑、语言解释、意识介入。

小脑 GPU + 存算一体 RAM

负责高带宽直觉、手感、模型化判断。

平庸的学习： 不断在大脑里堆积 .md、.txt 格式的说明书（死记硬背、目的是技能和知识点）。

真正的学习： 通过大脑的逻辑引导（编译）、渲染，将真正有价值的思考、系统写进小脑，并且在小脑和大脑的交互中不断产生新的灵感。

三、 职场真相：我为什么曾极度厌恶“智力徭役”？

职业生涯早期，我经历过很长一段非常沮丧消极的时光，甚至经常会怀疑自己。

我毕业后进了国内最大的美元PE，从世俗眼光看似乎是一份非常decent的工作。但实际体验对我是种折磨，作为一个Fresh Year Analyst，我极其排斥搜研究报告、Excel算数、画PPT这些“dirty work”。尤其是当我发现老板们似乎并不需要从我们准备的材料中获取信息，甚至实际路径可能是相反的——一个deal投还是不投可能在我们做这些基础工作之前已经决定了，更多时候是反向让我们按照这个方向去“cook”材料。

后来我转行去了互联网大厂做商分，我依然对于取数、做表非常排斥。但有意思的是当我进入管理岗位之后发现，虽然我没有怎么自己干过取数做表的事，但我依然可以明确的告诉团队同学们怎么做、并且基于他们做好的东西把分析做得很好。

细细想来，我这种排斥和抵触并非因为懒，而是这些工作本身就是**“智力徭役”** 。

从现实层面看，AI确实取代了一些Junior员工的工作——这一点被口诛笔伐。

但我们尝试不带立场的看这个问题：有没有可能那些工作本来就不应该让“人”去做？原本只是因为事必须有人做，所以花钱雇了最Junior的员工get the job done？有了AI之后，会不会本就不应该让人去做“智力徭役”？这会不会是一种救赎而不是一种掠夺？

至少我感谢AI终结了这种徭役。它接管了那些“不值得浪费时间”的杂事，让我们终于可以像个真正的“架构师”一样，去追求学习中的核心“副产物”。

需要注意，并非所有的初级工作都是“智力徭役”，核心在于它是否提供“完整的反馈闭环”。

智力徭役的本质是“单向的预处理”：你只是别人决策链路上的一个输入环节，本质上是在充当“人间插件”。这种活儿不产生复利，不反馈认知，只会损耗你的token。

而有价值的初级工作，哪怕再琐碎，也能让你直接面对系统的“摩擦力”，能让你“从行动中获取并加强认知”。

智力徭役 vs 主权构建

维度| 智力徭役| 主权构建

---|---|---

系统角色| 单向链路中的“人间插件”| 拥有完整主权的“微型架构师”

反馈回路| 极慢或缺失| 极快且真实

烧录位置| 硬盘| 小脑 RAM

AI 影响| 重灾区| 增强区

四、 别只看到新技能，学习和实践的价值是这三个“副产物”

作为一个非研发出身的“半吊子”AI产品，虽然基于早年Saas行业的经历很早就开始接触、了解、学习AI，但真正自己用IDE去写代码、搭产品demo也就是从去年底开始。

我甚至至今没有用过Cursor（可能以后也不会用了），因为我刚开始就用的Codex、Claude Code和Antigravity（因为众所周知的原因已经快被我淘汰了）；我也不怎么用CLI，因为不习惯。

但那些可能从几年前就开始用Cursor、Github Copilot的程序员们，他们现在用Codex开发产品的能力还是比我强——并没有因为更好的IDE出来并逐渐取代旧玩意儿，他们的能力就消失了。

当我用Claude、Codex去捣鼓新项目时，我也不在意以后最强大的Agent到底是Claude还是Codex，或者是其他选手。所谓“借假修真”，对我来说有意义的是用当下能力最强的产品，借助它的能力去帮我积累我真正在意的这三个学习的“Side-Effect”：

真正值得积累的三个 Side-Effect

01****系统工程思维 认知骨架

02****创意和灵感 从实践中涌现

03****小脑升级 训练直觉和手感

1. 系统工程思维（认知的骨架）

当你试着用 AI 去重构一个工作流时，你实际上是在完成一次系统工程训练：

跨世界的“翻译”能力（Process Mapping）：

人类组织中一个模糊的“需求”是如何通过各部门协作落地的？交给 AI，这个逻辑链条需要如何重新解构，才能变成 AI 可理解、可执行的“确定性步骤”？通过实践锻炼这种将混沌业务逻辑转化为结构化算力需求的能力。

模块化与层级调度（Modular Orchestration）：

一个高手不会试图用一个超级 Prompt 解决所有问题。真正的系统工程思维是“分层与分配”：

哪些环节该交给 LLM 做非线性推理？

哪些环节该交给传统代码做确定性计算？

节点之间如何进行数据透传和逻辑解耦？ 这种“分而治之”的策略，让你在面对任何复杂系统（无论是一个 AI Agent，还是一个公司部门）时，都能迅速拆解出最合理的结构。

鲁棒性与反馈闭环（Verification & Robustness）：

AI的本质是概率预测，而系统要求的是稳定性。你在搭工作流时必须思考：节点之间怎么校验？如果 AI幻觉了，下游如何拦截？这种对“异常处理”和“反馈机制”的追求，会形成一种严谨的闭环思维。

工具都是租来的，但这种处理复杂系统的 System-level Know-how 是你买断的。

一旦你通过不断的学习、实践掌握了这套系统，无论AI如何进化、新产品如何快速迭代，凭借对复杂世界进行工程化重组的主权能力，你依然是那个能看透底层逻辑、能进行“降维打击”的高手。

2. 学习和实践带来“涌现”（创意和灵感）

创意和灵感最有趣的地方在于：它无法被“推导”，只能被“捕获”。

从“单向投喂”到“深度回响”：

刷短视频明明摄入了很多信息，但关上手机只感觉虚无？因为你的认知系统没有被激活。 当你沉下心读完一本好书，或者亲自去解决一个 Bug，你记住的绝非只言片语。你脑子里会产生一种极强的“回响”——某种情绪、某种思考、甚至某种生理性的兴奋。这种回响，就是你的系统在对复杂信息进行“熵减”，并试图将其编织进你的认知底座。

心流：大脑与小脑的高带宽协同：

在心流状态下，你的CPU（意识逻辑）不再频繁干预，而是放权给算力更强大、反应更敏锐的小脑（直觉引擎）去接管。这种大脑与小脑的高频互动，让你的认知系统进入了一种“高带宽模式”，从而在海量数据的碰撞中，捕捉到那些超越逻辑的、非线性的新想法。

“摩擦”带来进化：

想法不是在大脑里空转出来的，而是在你和工具、和现实数据的“摩擦”中迸发出来的。 所有伟大的产品当下的样子，绝不是产品经理写下第一行 PRD 时的样子。真正的“神来之笔”，往往发生在你上手搭 Demo、手搓工作流、被bug折磨到深夜的时候。那些意外、那些阻力、那些挫败感，就是产生灵感的“摩擦力”。

AI 可以替你执行任务，但它无法替你经历这种“通过学习和实践而产生新灵感”的过程。那种“想通了”的瞬间，是造物主对你亲手参与构建的最高奖赏。

3. “小脑”的持续升级（直觉可以被训练）

为什么数学家看到题一眼就可以写出答案？为什么高阶工程师看一段代码就可以发现潜在的风险？为什么他们把方法都教给你但你还是做不到？

其实完整的运算、推理过程很长，通过大脑运算不会那么快、那么准，而且通过大脑去“取”数据，经常会遇到“绞尽脑汁却想不起来”的情况（相信你一定遇到过）。“小脑”解释了人类学习中最高级的一环：从“逻辑推演”向“生理本能”的转化。

小脑是一个高带宽、高并行的“加速引擎”，但它的训练方式极其特殊——它不听大道理，它只在“摩擦”中进化。

如何训练？—— 通过学习并“渲染”录入系统，通过实践进行调参

当你在大脑里完成“渲染”，你的认知完成内化。但为什么我们还要实践——因为当你亲手写下一行报错的代码，或者为了调通一个工作流熬到半夜，这种与现实世界的“摩擦”会强迫小脑进行权重微调。 这种训练本质上是在进行“参数拟合”。每一次 Bug 的修正都是在往你的“私有模型”里喂数据。

为什么这种学习有意义？—— “硬核化”的不可剥夺性

大模型本质上是一个“外置大脑”，当数据量无限放大后，效率、成本、幻觉等问题就随之出现。相信你一定遇到过，一个错误和Agent说了无数遍，写了各种rules.md、agent.md、memory.md，但它还是会重复犯错，因为依赖读取、处理、生成，但永远不可能每次都做到读取所有文档并准确理解——有时候它只是告诉你它读了，但做起来又是另一回事。

为什么说“手感”、“审美”、“经验”很重要，因为这些东西是刻录在你的小脑上的、大模型所不具备的。所以持续训练小脑、再用小脑去支配大模型，大概是人和AI协作最有价值的方式。

工具会折旧，直觉在增值。这就是学习在 AI 时代的终极意义：

我们不是在为硬盘扩容，给我们的大脑存入一个又一个的.md、.txt——这些事情AI可以帮我们做，甚至做的好得多。我们是在为AI所不具备的“硬件和系统”能力做持续升级。

结语：做自己的“首席架构师”

纳瓦尔说：“对行动要没耐心，对结果要有耐心。”

这句话我借来解释本文的主题，可以改成：对“学习技能”没耐心，但对“训练直觉”有耐心。

别再计较某个具体技能是否会过时——它大概率会。

AI时代，我们学习不是为了“存储更多数据”，而是为了“更好地编译”。每当你认真读完一本好书、亲手构建起一个系统，每当你通过实操获得一次“想清楚”的爽感，你就是在升级你的认知编译器。

工具的更迭是时代的噪音，而你通过学习工具练就的系统直觉，才是你真正的护城河。