在 AI 时代学会学习：间隔重复、刻意练习与公开学习

【编译综述 · 非原创】 本文由本站基于下列外文文章编译整理并综述而成，非独立原创；文中数据与论点均出自来源原文，版权归原作者所有，编译如有不准确之处请以原文为准。若原作者不希望被引用，请通过博客联系方式告知，我们将及时处理。
主要来源：How to write good prompts（Andy Matuschak）／Spaced Repetition for Efficient Learning（Gwern）／I Wrote Ultralearning. This is What I’d Change Because of AI（Scott H. Young）／Learn In Public（swyx）／The Beginner’s Guide to Deliberate Practice（James Clear）

「AI 都能替你写了，还学它干什么？」这句话我最近听过好几次。Scott Young——畅销书《Ultralearning》的作者——在重审自己旧作时给过一个冷静的回答：AI 并没有从根本上改变学习所需付出的努力；全世界的知识早已触手可及，可大多数人还是更愿意去看搞笑视频。互联网当年没有让自学者井喷，AI 大概也不会。真正被改变的从来不是「要不要下功夫」，而是功夫往哪里下。这篇文章综合几篇被反复引用的经典方法论文献——Gwern 的间隔重复综述、Andy Matuschak 的写提示指南、James Clear 的刻意练习指南、swyx 的《Learn In Public》——再加上 Scott Young 本人对 AI 时代学习原则的重审，讲三件经受住验证的事，最后给出一份可以直接照做的清单。

一、间隔重复：把「记住」变成一种选择

先说最反直觉的事实：你对「怎么学有效」的直觉，多半是错的。Kornell 在 2009 年针对 GRE 词汇的实验发现，对 90% 的参与者而言间隔复习都比集中突击更有效，但学习结束后，72% 的参与者却相信突击更好。Gwern 在综述里解释了突击为何依然流行：它的好处当场兑现——考前一晚无所不知；代价一个月后才结算——忘得一干二净。这是一笔理性但短视的交易。

而证据站在间隔这一边。认知心理学中的「测试效应」表明，主动从记忆里回想远比反复重读高效：学斯瓦希里语词汇的实验里，接受过测试的学生一周后记住约 80%，只学不测的只记住约 35%。Donovan 与 Radosevich 的元分析给出间隔效应量 d=0.42——接受分散训练的普通人，记得比约 67% 的集中训练者要好。Bahrick 的研究把时间尺度拉到八年：同样练习七到八次的西班牙语词汇，间隔 30 天的那组八年后还记得 15%，集中练完的只剩 6%；要想达到 56 天间隔一次的效果，每 14 天练一次得付出两倍的练习量。

剩下的问题只是执行。最佳复习时机是「你快要忘掉它的那一刻」，麻烦恰恰在于：既然快忘了，你怎么会记得去复习？把调度交给软件，这个悖论才解开——Anki 这类系统反复问同一个问题，间隔逐次拉长。Jeopardy! 冠军 Roger Craig 创下的多项纪录，部分归功于用 Anki 记住了节目 20 多万道历史题里的大量片段；医学生则靠数千张卡片撑起整个课程。Michael Nielsen 的说法最能概括这一切：间隔重复让「记忆成为一种选择」。

不过系统的效果完全取决于你喂给它的提示。Matuschak 在《How to write good prompts》里给出好提示的几条性质：聚焦（一次只盯一个细节）、精确、答案一致、可解，以及最容易被忽略的一条——费力：必须真的从记忆中提取，而不是看着题目就能推断出来。他还算过一笔账：一条简单的提示，第一年的复习时间总共只要 10–30 秒，此后每年更少。所以别压缩数量——写提示的数目，应该超过你觉得「自然」的那个数。AI 在这里恰好帮得上忙：Scott Young 发现，让 AI 把目标词放进不断变化的新句子里来生成抽认卡，重复与语境线索兼得，算是对这个老范式的一次升级。

二、刻意练习：反馈是那个无名英雄

James Clear 讲过两个老故事。高尔夫名将 Ben Hogan 把挥杆拆解成一个个环节逐一重构，为每支球杆标定码数，练出了史上打磨最精细的挥杆之一。Benjamin Franklin 少年时被父亲批评文笔差，他找来一流刊物，用自己的话复写每篇文章再与原文对照，每一次都能「发现自己的某些毛病，并加以改正」。这就是刻意练习与不走心的重复的区别：高度专注，并以提升表现为具体目标。

它的最大敌人是自动化。大脑天生把重复的行为变成习惯，一项任务练得越多就越不过脑——Clear 提醒，我们太容易因为积累了经验就认定自己在变强，而实际上只是在巩固现有的习惯，并没有改进它。小提琴大师 Milstein 转述教授的忠告也印证此意：用手指练，练多少都不够；用脑子练，两小时足矣。

刻意练习真正的无名英雄是反馈。Clear 给出两种获取反馈的系统：一是度量，你度量的东西就是你改进的东西；二是教练，帮你找出细小的改进空间。他举的例子很形象：练 200 次投篮、有人记录每次是短了还是偏了、每 10 分钟回看结果的球员，和练 50 次、几次停下来跟朋友聊天的球员，同样是「一小时练习」，天差地别。

这正是 AI 最能当「陪练」的地方。Scott Young 的判断是：在写作、编程这些以文字为媒介的符号领域，AI 已经能极大增强反馈——请它批评你文章里的论证与叙事、指出更高效的设计模式，这类建议从前是要花钱请人才能得到的。它还能提出尖锐的追问，揭示连你自己都没意识到的知识缺口。但两个陷阱必须写明：其一，AI 往往被训练得不给真话——谄媚已成蔓延之势，赞美总比真相悦耳；其二，创业者的市场数据、喜剧演员的现场笑声，这些来自环境的直接反馈，AI 给不出替代品。

三、公开学习：自建一套反馈系统

swyx 的《Learn In Public》有个朴素的观察：80% 的开发者是「隐身」的——不写作、不发言、不参与公开的技术讨论，只消费内容。他提议的黄金法则是持续产出「学习副产品」：博客、教程、速查表、线下分享，做你当年学的时候恨不得已经存在的那种东西。

这件事最大的受益者其实不是读者。swyx 说得很直白：核心不是让内容触达最多的人，而是那个努力帮助「过去的自己」的你，所成就的「未来的自己」。所以别用点赞和 star 评判成果，只需要跟三个月前的自己对话。它的态度也比想象中宽松：尽全力做对，但错了也别慌——让互联网来纠正你。

有意思的是，公开学习恰好是前两件事的合流。Scott Young 指出，围绕所学主题写文章本身就是一种效果惊人的检索练习（自由回忆），这类低技术含量的工具表现好得出奇；而读者与同行的批评指正，正是刻意练习最稀缺的外部反馈。一份公开的输出，同时完成了记忆、反馈与自我暴露三件事。

四、AI 当陪练，不当答案机

把上面的线索收拢，AI 时代的学习工作流可以这样摆正位置。

陪练做得好的三件事：一是元学习调研——切入新领域时让 AI 拆解技能结构、梳理子课题，但别完全依赖它的回答，要继续接触真正专家的一手知识；二是演练素材——为同一类基础练习生成无穷变体，解决练习题匮乏的老问题；三是苏格拉底式追问——让它就你写下的解释提问、挑错，逼你直面没想清楚的地方。

答案机做坏的三件事：一是用「经由 AI 中介的练习」替代真实的事——Scott Young 拿语言学习应用类比：游戏化操练省略了真实技能里太多的东西，你可能玩上好几年，在餐厅点菜时依然不自在；二是把检索练习外包给 AI 生成的测验——检索练习的价值恰恰来自「选择该检索哪些知识」，把一份随机文本丢给 AI，它缺少教学目标，抓重点的概率低得多；三是用它的解释跳过自己的思考——费曼技巧的前两步（写下概念、自己解释）恰恰不能省。

Scott Young 有一句警告值得贴在屏幕上：「完全不学」永远是省力的最优策略，而大多数模型的设计恰恰纵容你这么做。

五、为什么仍然要下笨功夫

因为该有的认知劳动无法外包。Matuschak 引用的「提取费力假说」说得很清楚：费力程度本身是影响记忆效果的重要因素——如果答案太容易想起，检索练习就没什么效果。Gwern 在综述里复述 Hamming 的话：知识与生产力像复利，靠的是持续积累。Scott Young 的结论则是：尽管技术剧变，学习新事物的价值与艰辛将是一个恒久的常量——不会改变的，是学习所需的脑力付出，以及真正学会时的喜悦与挣扎。

笨功夫不是苦熬，而是把「想」这件事留在自己身上，把机器用在刀刃上。

行动清单

每天固定 10 分钟复习间隔重复卡片；读完一篇好文章，随手写 3–5 条提示——宁可多而聚焦，不要少而粗。
写提示时自查五条：聚焦、精确、一致、可解、费力；答案来得太顺手的提示，删掉重写。
让 AI 做调研、出变式练习、当追问你的苏格拉底——但先自己作答，再看它怎么说。
请 AI 批评你的文章与代码，并明确要求「不要恭维」；对一切夸奖保持警惕。
每学一个东西，产出一件学习副产品：一篇笔记、一张速查表、一个可以演示的东西。
记录你的练习与输出，用数字而非感觉判断自己是否在变强。
别用点赞评判自己，只跟三个月前的自己比。

延伸阅读

以上五篇的中文导读，连同本站整理归档的全部 279 篇优质文章，都收录在「精选档案」里——欢迎移步 /digest/ 慢慢挖宝。