本讲目录
第 12 讲 · 用 AI 促进学习
AI 对学习者是双刃剑中最锋利的一把：用对了，你拥有一位 24 小时在线、无限耐心、什么都懂一点的私人导师；用错了，它替你完成作业、你如期交差，脑子里却什么都没留下。分水岭只有一条：让 AI 帮你思考，还是替你思考。本讲给出用对它的具体方法与提示词模板。
学习层：熟悉感不是闭卷检索
具体谜题：为什么“刚看过”会赢在现在，却可能输在下周？
想象同一章材料有 12 个学习事件。方案 A 把预算花在连续重读；方案 B 每次合上材料先回忆，再看反馈；方案 C 按固定的“重读 → 检索 → 检索”混合。先预测两个赢家：刚读完时谁最像“会了”？延迟一段时间、真正闭卷作答时谁更可能取回答案？注意，看起来流畅和能在没有线索时取回是两个不同的信号。
先做预测，再改变一个旋钮
打开实验前，分别写下即时赢家和延迟赢家。然后只改变一个变量：把间隔从短调长、把难度调高，或把反馈质量调到 0。若你看到即时曲线和延迟曲线分叉，问自己：我刚才把“识别得很顺”误当成了“能独立生成”吗？
最小模型：三个可读的机制账本
- 熟悉感 F：再次看到材料会很快抬高它；它可以解释“这段很眼熟”“答案一出现我就觉得会”。F 高不代表合上材料后能从零生成。
- 检索强度 R：用线索不足的闭卷尝试从记忆取回答案；成功或接近成功的费力检索会更新 R。它是练习过的取回倾向，不是一次真实考试分数。
- 反馈支持 S：答案、纠错或解释把失败变成可用的对照；S 越高，模型让反馈在后续延迟中减慢衰减。无反馈时，困难检索可能只留下“我想不起来”，不会自动转成稳定记忆。
页面里的 F / R / S 都是确定性机制 toy model 的无量纲代理量。它们不是对个人记忆的测量，不是心理测量工具，也不能精确预测你的分数或某个群体的保持率。延迟轴是抽象时间单位；这里不把 Ebbinghaus 曲线的形状或参数当成跨任务、跨人群的普适常数。模型的价值是把“重读提高熟悉感”和“检索加反馈改变延迟保持”分开，方便你手算和质疑每一步。
把三个策略放进同一事件预算
设第 \(i\) 个事件前的间隔为 \(g_i\)，同一个 \(g_i\) 同时用于三种方案。每个事件先发生一个有界衰减，再发生动作更新：
- 重读： \(F \leftarrow F + a(1-F)\)，且只给 \(R\) 一个很小的旁路更新；这代表“再看一遍”能让当下更流畅，但并不等价于闭卷生成。
- 检索：先计算一个被难度压低、被已有 \(F,R\) 和间隔支撑的尝试代理 \(q\)；反馈质量 \(b\) 决定失败后有多少可用修复，随后 \(R\) 增长。\(q\) 不是随机答题结果，而是透明的期望式信号。
- 混合：固定重复“重读、检索、检索”的动作序列；事件数仍然和另外两种方案相同，不能把混合方案偷偷加时。
所有状态被夹在 \([0,1]\)，延迟曲线按 \(D(d)=D_0\exp[-r d/(0.85+1.5S)]\) 生成，其中 \(r\) 随 toy 难度增加。这个式子只是把“状态越稳定，衰减越慢”写成可检查的教学假设；它不是对人类记忆的定律。
研究连接与边界：为什么“费力”也需要设计
- retrieval practice：闭卷回忆把“知道答案”变成一次取回动作，通常比只重读更直接地练习未来要做的事；但效应会依赖题型、线索、材料、反馈、延迟和学习者，不能夸成所有任务/人群恒定有效。
- spacing：把事件分开会增加当下的遗忘压力，正好减少“刚看过”的线索；间隔不是越长越好，也不是独立于难度、反馈和最终目标的万能旋钮。
- feedback：检索失败后给出答案或解释，可以把错误尝试接到正确表征；没有及时、正确且可理解的反馈，困难可能变成挫败或错误巩固。高难度不应被浪漫化为“越难越好”。
- desirable difficulty：适量的费力让学习者必须加工和取回；若难度让大多数事件都落在“完全不会”，却没有反馈和逐步支架，困难就不再是 desirable。实验的第二个预设专门展示这个失败边界。
因此这不是“永远不要重读”的处方：首次建构概念、检查结构、准备线索或需要流畅度时，重读有位置；关键是不要只用即时熟悉感判断学习是否发生。对重要考试或工作任务，应结合真实的闭卷题、延迟测验和个人记录来校准，而不是把本 toy model 当成测量器。
迁移题：把 AI 放在检索之后
请让 AI 根据你刚读的本讲或第 04 讲生成 3 道题，但要求它先只给题目。你闭卷作答后，再让它逐题给出最小提示、正确答案、错误原因和一个延迟复测时间。检查提示词是否保留了你的检索事件：如果 AI 直接把摘要和答案塞回来了，你获得的是熟悉感，不一定是练习。
交互实验：同一预算下，重读、检索 + 反馈、混合安排
无 JavaScript 时的静态读法：默认预设有 12 个事件，间隔 0.7、难度 45%、反馈 85%。用下面的手算账本比较：重读的 F 快速上升但 R 较低；检索 + 反馈的即时代理较低而延迟 R 较高；混合安排按“重读、检索、检索”循环。预设二把难度设为 90%、反馈设为 0%，用于观察无反馈检索失败边界；预设三增加间隔并保留反馈，用于观察 spacing 与 feedback 的共同作用。界面中的百分比只是 toy model 的代理值，不是个人测量。
| 事件 | 间隔 | 重读动作后 F | 重读动作后 R | 检索动作后 F | 检索动作后 R | 检索动作后 S |
|---|---|---|---|---|---|---|
| 1 | 0 | 0.330 | 0.061 | 0.098 | 0.226 | 0.230 |
| 2 | 0.7 | 0.509 | 0.079 | 0.116 | 0.366 | 0.331 |
| 3 | 0.7 | 0.637 | 0.096 | 0.135 | 0.474 | 0.421 |
| 4 | 0.7 | 0.729 | 0.112 | 0.154 | 0.559 | 0.501 |
| 12 | 0.7 | 0.946 | 0.213 | 0.306 | 0.844 | 0.859 |
默认预设的结果可手算复核：重读即时代理约 82.3%、第 7 单位延迟回忆约 17.8%；检索 + 反馈即时约 48.9%、第 7 单位约 61.6%；混合即时约 78.6%、第 7 单位约 56.3%。四舍五入会产生微小差异。表中 F/R/S 状态是模型账本，不是心理量表。
1. 第一性原理：学习是改变大脑，不是产出答案
认知科学给出的一个重要提醒是：长期记忆与可迁移理解往往需要主动检索与加工，而不只是反复接触。做题的价值不只在答案，也在你搜索、碰壁和重构的过程；若答案过早出现，最关键的主动加工很可能被跳过。因此本讲采用一条元规则：
把 AI 放在"产生费力思考"的位置上，而不是"消除费力思考"的位置上。
具体化为三条使用纪律：
- 先自己干：先做题/先读文献/先写代码，给自己一段与任务难度相称的独立尝试时间再问——此时你带着具体的困惑去问，通常比直接要答案更容易形成可检索的理解；
- 要提示不要答案：明确指示"给我一个提示，不要给完整解答"；
- 拿到帮助后复述：合上对话，自己从头把思路走一遍——走不通说明只是"看懂了"，没学会。
2. 模式一：苏格拉底导师
让 AI 提问而不是回答。开一个学习会话时，先立规矩（系统提示或对话开头）：
你是我的导师，教学风格是苏格拉底式的。规则：
1. 不直接给答案，用一连串由浅入深的问题引导我自己得出结论；
2. 我答错时，不纠正结论，而是问一个能让我自己发现矛盾的问题；
3. 我明确说"直接讲"时才可以讲解；
4. 每次我答对，把问题加深一层。
现在的主题是：[SVM 的对偶推导]。从检查我的前置知识开始。
体验过就回不去了：它会先问"你怎么理解拉格朗日乘子的几何含义？"——而你支支吾吾的地方，恰好就是该补的洞。
3. 模式二：费曼技巧的完美陪练
费曼学习法（用大白话把概念讲给外行听，讲不通处即盲区）最大的痛点是没有听众。AI 是理想听众：
我刚学完[反向传播]。我现在把它讲给你听，请你扮演一个聪明但没学过的本科生：
1. 我讲完后，指出我讲解中含糊、跳步、或干脆错误的地方；
2. 问我 2-3 个追问，专挑我的解释覆盖不到的角落（边界情况、"为什么非得这样"）；
3. 最后给我的讲解打分（清晰度/准确度/深度），并指出最薄弱的一环。
我开始了：反向传播就是……
这个模式的妙处：主动输出者是你，AI 只负责施压。它对应本课程每讲末尾"复述推导"的自检，也是检验你是否真的学会上篇那些证明的最好方式。
4. 模式三：出题机与错题分析师
出题："基于以下材料出 5 道题：2 道概念辨析、2 道计算、1 道开放应用题。难度从容易到难。先只给题目，我答完再对答案。" 材料可以直接粘贴讲义章节——出的题紧贴你正在学的内容，比题库更对症。
错题分析：把你的完整解答（包括错的）发给它："不要重新解题。分析我的解法：错在哪一步？这个错误反映我对哪个概念的理解有偏差？给我出 2 道针对这个偏差的变式题。"——把一次错误变成一次定向补差。
5. 模式四：伴读与多角度解释
读教材/论文卡住时：
- 多角度轰炸："用三种方式解释[KL 散度]：(a) 直觉类比 (b) 数学定义逐项拆解 (c) 一个具体的数值例子。" 一个角度看不懂的概念，三个角度总有一个能打进去；
- 降维再升维："先讲给高中生听，我懂了之后再逐步恢复到严格的数学表述"；
- 连接已知："我已经理解了[bagging 降方差]，请以它为起点解释[自洽性采样为什么有效]"——把新知识挂到旧知识上（这正是本课程讲义大量使用"呼应第 X 讲"的原因，学习科学称之为精细加工）；
- 追问链：对任何解释连问"为什么"三层。AI 的耐心是无限的，用够它。
6. 语言学习
方法论相同，场景特殊在于 AI 本身就是母语级语伴：角色扮演对话（点餐/面试/学术会议）、写作逐句批改（"改完给修改对照表并解释每处语法点"）、阅读时的分级改写（"把这段新闻改写成只用最常用 2000 词的版本"）。口语则配合语音模式。注意与第 18 讲的边界：让它教你写，不是替你写。
7. 坑与纪律
- 幻觉在教学场景的形态：编造不存在的定理名、记错公式系数、一本正经推导出错误结论。对策：核心事实对照教材验证；让它"给出这个结论的出处或反例检验"；数学结论用 lab 代码数值验证（第 04 讲的梯度检查就是范例）；
- 谄媚：你说"我觉得应该是 X"，它倾向顺着你。要它挑错时明确授权："严格挑错，不要客气，我的自尊不需要保护"；
- 依赖性自检：每周问自己一次——离开 AI，我能独立解决上周借助它解决的那类问题吗？答案为否，说明用法出了问题，回到第 1 节的三条纪律；
- 作业与学术诚信：课程作业的规则由老师定，越界的代价是自己的（既是纪律风险，更是白交学费）。灰色地带的自测标准：如果老师看到你的完整对话记录，你心虚吗？
本讲小结
| 模式 | 一句话 |
|---|---|
| 元规则 | AI 制造费力思考，而不是消除它 |
| 苏格拉底导师 | 立规矩：只提问、不给答案、错了给反问 |
| 费曼陪练 | 你讲它挑刺，专攻含糊与跳步 |
| 出题机 | 贴着你的材料出题 + 错题定向变式 |
| 伴读 | 多角度解释、降维升维、连接已知、追问链 |
| 纪律 | 先独立尝试；拿到帮助后闭卷复述；每周做依赖性自检 |
动手：今天就把第 2 节的苏格拉底提示词用在本课程上——挑一讲你自认为学懂了的（比如第 04 讲反向传播），让 AI 当导师考你 20 分钟。被问倒的地方，就是回去重读的地方。
下一讲把场景从"学习"换到"科研"：文献综述、数学推导验证、代码复现、论文润色——以及每一项的红线在哪。