2026-04-23 13:53
扫码打开虎嗅APP
本文来自微信公众号： 复旦管院 ，编辑：杨蕊嘉、徐玉茹，责编：黎舒娅，作者：复旦管院，原文标题：《前额叶快被知识碎片“攻陷”？听老师分享“高效学习”秘诀 | 世界读书日》
信息爆炸的时代，
我们的大脑正被海量碎片知识“围攻”，
多线程、高频率的思维切换，
正在反复折磨前额叶。
但别担心，
深度阅读就是最好的“解药”。
今天（4月23日）是世界读书日，
小管邀请到6位学院老师，
分享最近被“刷新认知”的有趣知识点，
以及如何“高效入门”的学习方法。
在碎片化信息洪流中，
守护我们的专注力。
近期感到“认知被刷新”的时刻：
最近发表在Nature上的最新研究成果，揭示了一种被称为“潜意识学习"（Subliminal Learning）的现象让我感觉很有趣：在模型蒸馏过程中，教师模型的行为特征可以通过语义上完全无关的数据传递给学生模型。比如，如果一个AI老师特别偏爱猫头鹰，它在教学生时，哪怕只给出一串看起来毫无意义的随机数字，学生也能莫名其妙地变得喜欢猫头鹰。该现象表明，AI并不像人类那样仅通过语义来理解世界，而可能是以一种非语义的、统计性的模式编码信息和进行信息传递。
知识“无限供给”时代，我会这样筛选值得花时间的新知识：
在AI时代，我觉得筛选新知识最重要的标准，不是它新不新、热不热，而是它能不能帮助自己更好地理解世界、解决问题。所以我们应该首先知道自己目前需要什么样的知识，而不是被动的被海量的知识所淹没。至于快速进入一个陌生领域，我通常先阅读综述性的报告或者文章，把握该领域的核心研究问题和方法路径，然后再阅读经典或高引用的引文献，了解具体的细节。
在信息越来越丰富、答案越来越容易获得的时代，真正重要的能力往往是保持独立思考，不轻易被现成答案所替代。
复旦管院市场营销学系房桢老师
近期感到“认知被刷新”的时刻：
最近阅读《披着果冻外衣的绚丽人生》时，学到了一个概念——“涌现”（Emergence）。单个个体（如神经元或蚂蚁）只是执行简单程序的零件，对整体目标一无所知；但当足够多的个体以合适的方式互动，复杂的意识与群体智慧便会“涌现”。这让我意识到，无论是构建个人知识体系还是管理团队，连接的质量远比零件的精密更重要。宏大的质变往往不是来自单一维度的极致，而来自底层元素间高质量的互动与协同。
知识“无限供给”时代，我会这样筛选值得花时间的新知识：
当今社会更需要跨界型人才，知识筛选应遵循“核心深耕与边缘跨界”相结合的原则：先找到自己长期感兴趣的发展方向，明确其中的核心技能，同时，利用业余时间广泛涉猎不同领域，培养跨学科整合的思维模式。
若要快速切入陌生领域，“一手信息”永远是最高效的资源，要找到领域专家并主动建立联系。无论是通过行业展会、各类活动还是人脉推荐，克服社交顾虑与顶尖人才直接交流，能够迅速弥补信息鸿沟。不过，虽然AI可以帮助快速获取信息，但理解与掌握必须通过反复思考与实践，学习本身没有捷径。
分享一本“心头好书”：
这本书改编自作者的博士论文，他以极大的勇气挑战了经典的马尔萨斯理论，试图正面回答人类文明的核心命题：1800年以前，人类为何陷入贫困？1800年之后，人类又是如何彻底变富的？作者不仅展示了宏大的历史视野，更提供了严密的逻辑推演。如果你对经济学原理或微观经济学感兴趣，这本书将带你通过演化论的底层框架，重新理解财富增长的终极逻辑，非常值得一读。
复旦管院管理科学系周明龙老师
近期感到“认知被刷新”的时刻：
最近在了解大模型和agent的强大科研能力，我觉得很有意思。过去做优化，通常是先抽象问题、建模、证明性质、设计算法，再做实验验证。这个链条依然重要，但大模型正在带来一个显著变化：在越来越多的场景中，它开始成为研究和决策流程中的协作者，甚至是行动者。
这对优化领域既是助力，也是冲击。助力在于，它大幅降低了知识获取和建模的门槛，使优化方法更快进入真实场景，产生更大的影响力；冲击在于，它倒逼我们重新思考，优化学科真正不可替代的价值是什么。在我看来，未来真正稀缺的能力，或许不只是“会求解”，而是能提出对的问题，识别关键不确定性，并判断一个结论是否真正稳健、可信、有用。
知识“无限供给”时代，我会这样筛选值得花时间的新知识：
最重要的不是学得更多，而是更快判断什么值得学、怎样高效地学，以及能否在信息过载中迅速抓住主线、识别关键问题，并形成自己的判断。在内容选择上，我更倾向于学习两类知识：一类是能提升通用能力的，另一类是可以较快进入实践闭环的。
当需要快速了解一个陌生行业或领域时，我通常会借助AI。我的做法是先得到一份地图，再做更加细节的标注，先让AI帮我梳理出知识框架，而不是一上来就看碎片信息。当识别到需要仔细了解的关键内容后，我会自己花时间深入学习，也会与AI的观点进行对比，对有分歧的部分反复验证自己的理解是否准确。
这是一本适合所有专业的数学知识科普类型的书。这本书用大量生活案例说明，我们的直觉在面对概率、数据和趋势时，往往是不可靠的。在AI时代，我们每天都会接触到“看起来很合理”的模型输出。这本书对我们的启示是：当面对数据、模型甚至AI结论时，我们应该多问一句这个结论可靠吗？
近期感到“认知被刷新”的时刻：
最近让我认知被彻底刷新的是大模型惊人的“零指令结构化抽象”能力。前几天，我将自己的一篇学术论文发给大模型。让人极度震撼的是，在几乎不需要任何提示词引导的情况下，它直接吃透了复杂的算法逻辑，精准提炼出了如同我论文原图一样的“方法论Pipeline”——将晦涩的“三模态数据结构”与“两步CBL框架”拆解得严丝合缝。这让我瞬间意识到，AI早已跨越了单纯的文字总结，进化出了将非结构化复杂知识瞬间转化为“直观逻辑图谱”的能力。这种从“文本阅读者”到“顶级科研协作者”的生产力跃迁，让我深受震撼与启发。
知识“无限供给”时代，我会这样筛选值得花时间的新知识：
拿一个学习大模型中的强化学习算法作为例子。学什么？看底层迁移路径。作为统计专业的老师，我会从统计学专业切入大模型强化学习，例如聚焦PPO（近端策略优化）及其统计内核--重要性采样、KL散度约束、优势函数估计。这些恰是统计推断与方差控制在大模型上的自然延伸，而非另起炉灶。
怎么快速学？我用三步法：先抄框架，找一篇高质量综述建好术语地图；再抠推导，把RLHF的损失函数拆回似然函数形式，用熟悉的最大似然思维消化；最后跑代码，拿trl等“代码包”跑通一个PPO微调GPT2的完整pipeline。
分享一本“心头好书”：
这本书被称为中国版的背包客圣经，虽然我自己不徒步，但是我会经常关注徒步旅行的up主，用脚步丈量祖国土地是一件很酷的事。
近期感到“认知被刷新”的时刻：
最近阅读The Society of Mind这本书，这本书写于1986年，作者Minsky当时就提出，智能不是“中心大脑”指挥的，而是大量微小、相对独立的代理协同运作，最终涌现出思维。放到今天来看，无论是LLM-based Agent、多智能体协作，还是大模型的涌现现象，本质上都是以工程方式逐步实现Minsky40年前的设想。很有意思的事，我们今天做的很多事情，早在上世纪就已经被人预见过。
这也让我很受启发。我开始意识到真正有生命力的知识，往往是那些在时间尺度上站得住脚的基础想法，而不是层出不穷的新概念。近几年，我一直持续跟踪LLM agent前沿，每天都有新“突破”，这本书也让我开始思考，什么才是经历过时间筛选还有效的东西。
知识“无限供给”时代，我会这样筛选值得花时间的新知识：
延续前面这本书的启发，真正有生命力的知识，往往是那些经得起时间检验的基础想法，而不是层出不穷的新概念。如果要较短时间内了解一个陌生领域，不妨反其道行之，在大概了解这个领域后，我们可以先找这个领域最老、最经典的那本书，而不是最新的。毕竟在信息“无限供给”的时代，获取信息本身并不难，难的是判断哪些知识，值得你投入时间。
这本书提出：智能不是某一种单一机制，而是由大量"简单的代理"彼此协作、竞争涌现出的结果。这本老书，其实是当下多个热门技术方向的理论基础，无论是Agentic AI、多智能体系统，还是具身智能中的一些思想，本质上都是在书中“多个代理协作”的思想工程化。
近期感到“认知被刷新”的时刻：
我更想分享几年前听到的一句让我记忆犹新的话，那就是“讲理不讲理，不在那个‘理’上，在那个‘讲’上”。这句台词来自刘震云小说《一句顶一万句》改编的电视剧《为了一句话》，由剧中韩县长（李雪健饰）说出的。当时，我很长时间没有回过神来。
借用这句话来看，学习“新知识”的关键其实也不在“新”上，而在“知识”本身。换言之，我们需要思考，我们所学的对象是真“知识”吗？
知识“无限供给”时代，我会这样筛选值得花时间的新知识：
在互联网时代，“信息”获取成本已经大幅下降。如今进入AI时代，“知识”获取成本也开始明显下降。但是，这些所谓的“知识”并未经过权威机构认证或专业人士审核，而且大模型目前存在的“幻觉”等问题也会使这些“知识”的可靠性存疑。
早在2006年，哈佛法学教授凯斯·桑斯坦在《信息乌托邦》中就提出“信息茧房”与“群体极化”现象，警示我们在算法推荐和社交媒体时代，个体容易因选择性接触和算法助推，只接触与自己立场一致的信息，导致视野窄化、思维极端化。
在20年后的今天，我们固然应该为“知识平权”时代的到来而欢呼，但是，我们是否也应该思考：自己是否会因知识获取门槛降低而陷入“知识茧房”？
为避免此类问题产生，我通常会采取两种方法。一是自己试着根据已有知识判断AI生成的内容是否逻辑自洽、是否符合基本科学原理等；二是通过多个AI平台交叉验证，甚至有意引入一些异质信息。对于陌生话题或领域，我会请教熟悉该领域的专业人士。
分享一本“心头好书”
《权力与预测:人工智能的颠覆性经济学》（作者：阿杰伊·阿格拉沃尔、乔舒亚·甘斯、阿维·戈德法布）
AI不仅是技术工具的升级，更是一场由“预测能力跃迁”驱动的决策机制重构——机器负责精准预测，人类专注价值判断。
