AI重新定义学习范式：是更早看到问题

本文来自微信公众号： AIGC从0到1 ，作者：王零壹

今年3月，Kimi Team发布了一篇叫《Attention Residuals》的技术报告。它讨论的是大模型一个很底层的问题：模型越深，信息如何在层与层之间传递，才不会在不断累积中被稀释。

作者名单最前面的陈广宇，是一名17岁的深圳高三学生。

这件事很容易被写成一个熟悉的故事：少年天才、越级打怪、提前进入前沿。公众也习惯用同一套问题去理解他：他到底提前学了多少？刷过什么题？读完了哪些课？又是靠怎样的路线，绕开了高中、本科、研究生这几道门？

但这些问题，恰好暴露了我们对“超前学习”的想象有多窄。

今天教育系统最擅长识别的，是可量化的领先：谁更早学完一门课，谁能做更高阶的题，谁把履历上的节点往前挪了几年。高一学完大学微积分，初中进入竞赛体系，高中拿到一张原本属于大学生的证书。这些成绩都很重要，也都值得被承认。

可它们证明的，主要是一个人沿着既有路线走得多快。

陈广宇这个案例真正难以被现有评价体系解释的地方，不在于他“进度超前”，而在于他已经出现在一个仍在变化的问题里。论文里的问题没有标准答案，甚至连问题应该怎样被描述，都需要研究者自己决定。你得提出假设，接受反驳，让实验、算力和工程约束不断修正你的判断。

这和提前学完一套课程，不是一回事。

课程解决的是：前人已经整理好的知识，怎样被后来者有效掌握。

前沿问题逼人面对的则是：当知识还没有整理好，下一步该从哪里开始。这个问题我在2023年的时候也遇到了，我在朋友圈写道：“在没有知识的地方创造知识。”，但我的回答圆远远没有陈广宇那么精彩。

这也是我想重新讨论“学习”的原因。AI正在让课程规划、概念讲解、例题生成、代码纠错变得前所未有地便宜。它会让越来越多人更快抵达答案，也会让“提前学完”这件事迅速失去稀缺性。

到那时，真正稀缺的能力只会更清楚地浮出来：谁能在答案出现之前，先看见那个值得被回答的问题。

一、进度表能筛人，却很难发现问题

先说清楚，这不是一篇反对课程、考试或超前训练的文章。

现代教育最重要的贡献，就是把原本只属于少数人的知识，拆成大多数人可以获得的训练。教材、考试、资格认证，提供了共同语言，也让社会能够以相对低的成本筛选人才。

问题在于，一套为了大规模培养人而设计的体系，必然偏好可比较的指标。

学了多少，考了多少，速度多快，排名多前。

它很难衡量另一种能力：一个人面对杂乱材料时，能否判断哪些信息只是噪音，哪些现象背后有同一个机制；当问题还没有被命名时，能否把它说清楚；当所有人都在优化一个局部指标时，能否意识到真正的问题也许根本不在那里。

这些能力难以标准化，也很难在一张试卷上稳定地测出来。

于是，“超前学习”在今天常常变成了一个进度概念。

一个孩子比同龄人早读完几本书，早拿到一个证书，早进入更高阶的题库。它当然是一种领先，但这种领先仍然发生在既定框架内部。地图已经画好了，路线已经给好了，最优秀的人跑得更快。

真正困难的是，地图画到尽头以后怎么办。

很多人以为，掌握知识越多，越自然会长出创造力。现实未必如此。知识可以让人熟悉一个领域的语言，却不自动赋予他提出新问题的能力。很多所谓“高水平训练”，最后培养出来的只是更熟练的完成者：会拆题、会检索、会调用工具，也擅长交付一份格式正确的答案。

这在稳定环境里已经足够好。

但在技术快速变动、行业边界重写、旧经验不断失效的阶段，只会完成任务远远不够。组织真正缺的，是那些能识别任务本身是否值得做的人。

二、学习不是囤积知识，而是获得一种看法

我们很容易把学习理解为输入。

看更多书，听更多课，收更多资料，建立更大的知识库。今天再加上一层AI，学习甚至可以被包装成一套效率系统：模型帮你规划路径、提炼重点、解释难点、生成练习、检查作业。

这条路会越来越顺。

但顺利不等于理解。

一个人真正学会经济学，不是因为他能把供需曲线画得更熟，而是他开始能在平台补贴、一次涨价、一次裁员里，看见激励如何改变人的选择。

学编程也是一样。会调用框架的人很多。可一个系统为什么会在用户量上来之后变脆弱，为什么某次看起来合理的优化会制造更大的技术债，这些判断不在API文档里。

历史更是如此。记住年份并不困难。难的是在一段历史里看见制度、技术、资源和人的欲望怎样彼此推着走。

到了这里，知识才从“信息”变成了“工具”。

我愿意把它叫作问题型学习。

课程型学习的终点，是掌握一套已经被整理好的内容；问题型学习从一个更麻烦的地方开始：眼前的事还没被说清楚，甚至连该用什么概念去描述它都不确定。

一个人能否从课程型学习走到问题型学习，有一个很朴素的判断标准：

换一个场景，他还能不能解释？

给他一个反例，他知不知道原来的解释在哪里失效？

如果只能复述定义，一换题就失灵，说明学到的还是原始叙述。只有当一个概念能跨场景使用，能在反例面前修正，知识才开始长成判断。

这也是AI时代最容易被忽略的一点。

AI可以把解释说得极其流畅。它能让你在十分钟内“理解”一个此前陌生的概念。问题是，很多时候你只是理解了它的表述，还没有真正获得看待现实的能力。

模型替你补上了每一个断点，也就替你遮住了那些最值得停下来的空白。

三、“清晰的边缘”，才是学习开始的地方

我早些年读过一篇被译作《领导力神谕》的材料，其中有一个说法一直留在我脑子里：真正的战略判断，发生在“清晰的边缘”。

完全清晰的地方，往往有成熟流程，有现成经验，也有可复制的答案。

完全混乱的地方，则没有足够的信息供人行动。

真正需要判断的区域，通常介于两者之间。你看得见一些轮廓，却还不能确定它们意味着什么；你隐约感觉到旧方法不对，却还说不出新的方法是什么。

领导者要在这里工作，学习者也是。

很多人一遇到这种时刻，第一反应是继续搜资料，找更完整的教程，或者让AI再生成一版更顺的路线图。这些工具当然有用。但它们有时会把真正要面对的不确定性重新盖住。

你以为自己缺的是知识，实际缺的是一句更准确的问题。

比如，一家公司增长放缓，表面问题可能是投放效率下降。可真正的问题也许在产品留存、渠道饱和、定价结构，甚至在目标用户已经变了。继续优化投放，很可能只是在更高效地解决一个次要问题。

学习也一样。

当你发现一个概念解释不通一个现象，不要急着让AI给出标准答案。先问：是我的材料不够，还是概念本身的边界到了？是我漏掉了变量，还是我把症状当成了原因？

这种停顿很重要。

因为效率解决的是已知路径上的耗时，而学习更深的一层，处理的是方向。

四、陈广宇真正进入的，是一个活的问题

再回到陈广宇。《Attention Residuals》讨论的并不是什么玄妙的概念。大模型在一层层计算时，需要通过残差连接把前面的信息往后传。传统残差连接的累积方式比较固定，模型越深，隐藏状态越容易膨胀，不同层的贡献也可能被稀释。

这篇报告提出的办法，是让模型不再以固定方式接收此前各层的信息，而是根据当前输入，用可学习的权重去选择和聚合早期层的表示。为了让这套机制能在大模型训练中真正跑起来，团队还设计了分块的版本，控制内存和通信成本。

从技术上说，这是一种对既有结构的重新审视。

它不是做对一道题，而是先发现一个被长期默认接受的机制，在模型继续变深、变大时，可能会成为瓶颈。接下来才是把这个判断变成假设、实验、架构设计和工程实现。

这是一个完整的研究反馈回路。

也正因如此，陈广宇的案例不该被简化成“17岁少年多厉害”。这篇论文有多位署名作者，背后是一支研究团队。他本人也公开提醒过外界，不要造神，成果属于团队。

这份克制反而让这个案例更有价值。

一个人进入真实问题，并不意味着他单枪匹马解决问题。恰恰相反，真正前沿的工作常常要求你进入更高密度的协作：有人质疑你的假设，有人补足你的短板，有人用实验推翻你，有人提醒你方案在工程上根本行不通。

你的理解必须经受这些反馈。

这和“独自刷完一套教材”差别很大。

刷题获得的是一种封闭环境里的确认感。真实问题带来的往往是不断被推翻的挫败感。前者训练熟练度，后者训练一个人如何在不确定中继续工作。

对大多数人来说，当然不需要在17岁进入大模型研究前沿。

但可以更早进入真实项目、真实用户、真实实验和真实组织。它们未必体面，甚至经常混乱。可只有在这些地方，人才会慢慢知道什么是伪问题，什么是值得追下去的线索。

五、学习的分水岭，正在变成三种能力

如果不再只用课程进度评价学习，我更愿意看三个维度。

它们不只属于科学家，也不是什么天才标签。产品经理、工程师、创业者、投资人，甚至一个刚进入新领域的学生，都得慢慢长出这三种能力。

1.压缩率：从信息里抽出真正起作用的东西

这里说的压缩率，不是把一本书总结成三条金句，更不是把复杂问题说成一句漂亮的话。

它是指，一个人面对大量概念、案例、数据和观点时，能不能找到其中真正起作用的少数关系，并把它们组织成一个可以反复使用的模型。

看过十种增长打法，不等于理解增长。

只有当你能分辨哪些案例改变的是获客成本，哪些改变的是留存，哪些只是把一个指标暂时挪了位置，才说明你开始抓住结构。

同样，看了很多模型论文，也不等于理解模型。只有当你能说明性能、训练稳定性、推理成本和数据质量之间如何互相牵制，才算真正接近了底层问题。

压缩能力的价值，在于它让人知道该抓住什么。

它也有一个很简单的检验方式：换一个案例，你的解释还能不能成立？改一个关键条件，你能不能预测结论会怎样变化？

如果不能，说明你掌握的可能只是原来的故事，而不是故事背后的机制。

2.跨领域迁移力：识别表面差异下的同一种结构

很多人把跨学科理解成“知道得很杂”。这只是信息量。

真正的迁移，是先在一个领域里学到一种结构，再谨慎地把它带到另一个领域使用。

比如，一家公司里的协作问题，不能直接等同于分布式系统；一家产品的增长，也不能机械套用生物进化。但它们都可能涉及反馈滞后、局部优化、资源竞争、信息失真和路径依赖。

这些才是值得迁移的东西。

AI很擅长制造跨领域联想。你随时可以让它给出十个类比。可类比本身不值钱。它必须帮你发现此前遗漏的变量，改变一个具体判断，或者让你重新设计一个方案。

否则，它只是一句看上去聪明的话。

真正强的学习者，不会被学科标签困住。他会在产品里看见机制，在组织里看见激励，在技术里看见成本，在人的选择里看见约束。

世界表面上当然不同，底下的一些关系却会反复出现。

3.问题选择力：在一堆题目里找到真正的题

这可能是最难的一种能力。

今天的问题从来不缺。缺的是能改变后续理解和决策的中枢问题。

很多人并不懒，也不缺执行力。他们每天都在解决问题，只是解决的都是容易被看见的问题：指标掉了，就补一个动作；用户抱怨，就加一个功能；业务卡住，就开更多会。

这些事会制造忙碌感，也能带来局部反馈。但它们未必触碰真正的机制。

一个问题值不值得做，可以先问三件事：

它是在描述症状，还是在触碰机制？

它的答案一旦改变，会影响后续哪些决策？

它有没有可能被证伪，还是无论发生什么都能被解释回去？

这三个问题不能替人选题，但能筛掉大量看似重要、实际无法推进的东西。

问题选择力也不是凭空长出来的。它来自对现场的接触，来自做错后看见代价，来自和不同专业的人争论，来自长期积累后的比较。

所以，真正的学习不能只发生在书桌前。

六、AI会让“顺利学习”变得更危险

AI最擅长的，恰好是把课程型学习做得极其顺滑。

它能把难论文翻成容易理解的语言，能根据你的水平安排练习，能把报错变成解释，也能在你卡住的时候给出下一步。

过去需要好老师、好教材和大量检索时间才能完成的事，现在一个对话框就能完成大半。

当学习过程变得没有阻力，我们很容易把“我看懂了AI的解释”误当成“我已经形成了自己的理解”；把“我顺着路线完成了任务”误当成“我知道为什么要走这条路线”。

AI让获取答案变得更容易，却不会自动提高问题的质量。

更好的用法，是在提问之前，先保留自己的问题图。

哪怕只有几行，也先写下来：我看到的现象是什么？我暂时认为原因是什么？我最不确定的地方在哪里？什么证据会推翻我的判断？

然后，再让AI来攻击这张图。

让它找反例，列出竞争性解释，指出遗漏的变量，或者为你的结论设计一个失败测试。这样，它不只是导航工具，也是一面暴露盲区的镜子。

还要给学习找一个外部约束。

可以是一段真正运行的代码，一次必须做取舍的产品判断，一份会被专业人士审阅的研究笔记，或者一个需要交到用户手里的东西。

没有外部约束，任何理解都很容易在对话框里显得完美。一接触现实，问题才会出现。

而学习真正开始生长，往往就是从这些问题重新出现的时候。

七、超前，不该只是一种加速

课程依然重要。基本功也依然重要。

没有数学、写作、编程、历史这些基础训练，人很难判断一个问题究竟新不新、难不难、值不值得做。

但别把课程的终点误认为学习的终点。

学完一门课以后，可以接着问：这个领域目前最有争议的地方是什么？它解决了哪些现实问题，又在哪些条件下失效？我能不能拿它去解释一个具体场景，再看它哪里不够用？

这些问题未必会立刻给出答案。

但它们会把人从完成者慢慢推向进入者。

AI会把“完成学习任务”这件事做得越来越高效。未来真正稀缺的人，仍然是那些能穿过成品知识，走到问题发生之处的人。

AI可以替你列出一百条学习路线，也可以给你生成一千个问题。

它很难替你承担选择其中哪一个的代价。

因为这个选择背后有你的处境、目标、时间，以及你愿意真正投入什么。它需要被现实不断校准。

所以，我理解的超前，从来不是更快学完。

而是更早看到问题。

……

文中陈广宇与《Attention Residuals》的技术事实，依据arXiv原论文；《领导力神谕》中“清晰边缘、提出更好问题”的相关表述，参照《The Leader’s Oracle》官方介绍。