学习方式的变革：从搜索引擎到 AI 对话

AI会彻底改变我们的学习方式。只要想，就一定能学会。

以前的学习方式

五年前，我想学习 WebAssembly。

打开 Google，输入"WebAssembly 是什么"，得到的结果是：

• 第一条：官方文档，全是技术术语，看不懂
• 第二条：某个博客，写得很浅，只讲了"它很快"
• 第三条：知乎回答，三个人说法不一样，不知道信谁
• 第四条：CSDN 文章，代码格式乱七八糟，还有广告

我需要打开十几个标签页，在不同的文章之间跳转，拼凑出一个完整的认知。有的文章写得太专业，有的又太肤浅。更麻烦的是，这些文章的质量参差不齐——有的作者自己都没搞懂，就开始"咀嚼"别人的理解，然后再输出一遍。

这个过程很累。我需要自己判断哪些信息是对的，哪些是错的，哪些是过时的。

学习一个新领域，往往要花两三天时间，才能建立起基本的认知框架。

转折点

2023 年，ChatGPT 出现了。

一开始我没当回事，觉得就是个聊天机器人。直到有一天，我试着问它："能不能用简单的语言解释一下 WebAssembly？"

它给了我一个清晰的回答：

WebAssembly 是一种可以在浏览器里运行的低级语言。你可以把它理解成"浏览器的汇编语言"。它的主要作用是让 C/C++/Rust 这些语言写的程序，也能在网页上运行，而且速度很快。

然后我继续问："它和 JavaScript 有什么区别？"

JavaScript 是解释执行的，WebAssembly 是编译执行的。打个比方，JavaScript 像是边看菜谱边做菜，WebAssembly 是提前把菜做好了，端上来就能吃。

我突然意识到，这种对话式的学习方式，比搜索引擎高效太多了。

现在的学习方式

现在我学习一个新领域，流程变成了这样：

1. 建立框架（5 分钟）

我会先问 AI："能不能用三段话介绍一下 XXX？"

它会给我一个结构化的回答，让我快速了解这个领域的核心概念。

2. 深入细节（30 分钟）

然后我会针对不懂的地方继续提问：

• "这个技术解决了什么问题？"
• "它的优缺点是什么？"
• "有哪些实际应用场景？"

AI 会根据我的问题，逐步展开讲解。这种对话式的学习，比看文章高效得多——因为它是"按需供应"的，我不需要在一堆无关信息里筛选。

3. 实践验证（1 小时）

有了基本认知后，我会让 AI 给我一个简单的示例代码，然后自己动手试一试。

如果遇到问题，我可以直接把错误信息贴给 AI，它会告诉我哪里出了问题。

整个过程，从零基础到能写出第一个 Demo，只需要两三个小时。

具体的例子

例子 1：Google 的 Learn About

前几天，Google 推出了一个新功能叫 Learn About。

你输入一个主题，比如"量子计算"，它会生成一个结构化的学习路径：

1. 什么是量子计算？
2. 量子比特和经典比特的区别
3. 量子纠缠和叠加态
4. 量子计算的应用场景
5. 当前的技术挑战

每个部分都有简短的解释，还有相关的视频和文章链接。

这种"从概览到细节"的学习方式，比传统的搜索引擎高效太多。

例子 2：NotebookLM

Google 还有一个工具叫 NotebookLM。

你可以上传一堆 PDF、网页、笔记，它会帮你生成一个"知识库"。然后你可以问它问题，它会从你上传的资料里找答案。

比如我上传了十几篇关于 Rust 的文章，然后问它："Rust 的所有权机制是怎么工作的？"

它会从这些文章里提取关键信息，给我一个综合的回答，还会标注出处。

这种方式特别适合学习某个特定领域——你不需要自己去整理笔记，AI 会帮你做这件事。

例子 3：Claude 和 ChatGPT

现在我学习新技术，基本上都是先问 AI。

比如最近我想了解 HTMX，我直接问 Claude：

• "HTMX 是什么？"
• "它和传统的前端框架有什么区别？"
• "什么场景下适合用 HTMX？"
• "能给我一个简单的例子吗？"

十分钟后，我就对 HTMX 有了清晰的认知，还写出了第一个 Demo。

质量的提升

大模型带来的最大变化，不是"更快"，而是"更稳定"。

以前在网上学习，最大的问题是质量不可控。你不知道这篇文章的作者水平如何，也不知道他的理解是否正确。

但大模型不一样。它的训练数据来自海量的高质量内容，它的输出是"平均水平"——不会特别差，也不会特别好，但足够稳定。

更重要的是，它的表达方式是标准化的。它会用简单的语言、清晰的结构、恰当的比喻，把复杂的概念讲清楚。

这种"标准化的输出"，大大降低了学习的门槛。

纵向和横向的深度

纵向：从浅到深

以前学习一个新领域，我需要自己规划学习路径：

1. 先看入门教程
2. 再看进阶文章
3. 最后看源码和论文

但现在，AI 可以根据我的提问，自动调整讲解的深度。

我可以先问"什么是 XXX"，得到一个简单的回答。然后继续问"能不能讲得更深入一点"，它会给我更专业的解释。

这种"按需调整深度"的方式，比传统的学习路径灵活得多。

横向：从点到面

以前学习一个技术，我只能看到"这个技术本身"。

但现在，我可以问 AI：

• "这个技术和其他技术有什么关系？"
• "它的竞争对手是谁？"
• "它的历史演进是怎样的？"

AI 会给我一个"全景图"，让我看到这个技术在整个生态系统中的位置。

这种"从点到面"的学习方式，让我对一个领域的理解更加立体。

一些思考

大模型改变了学习的方式，但它不是万能的。

它的优势是：

• 降低门槛：让初学者更容易入门
• 提高效率：减少筛选信息的时间
• 稳定输出：避免低质量内容的干扰

但它的局限是：

• 缺乏深度：它给的是"平均水平"的答案，不会特别深入
• 可能出错：它有时会"一本正经地胡说八道"
• 缺乏实践：它只能告诉你"怎么做"，但不能替你做

所以，我现在的学习流程是：

1. 用 AI 建立框架：快速了解一个领域的基本概念
2. 用搜索引擎深入：找专业的文章、论文、源码
3. 用实践验证：自己动手写代码、做实验

AI 是一个很好的"入口"，但不是"终点"。

结语

从搜索引擎到 AI 对话，学习方式的变革才刚刚开始。

以前，我们需要"大海捞针"——在海量的信息里找到有用的内容。

现在，我们可以"按需定制"——直接问 AI，得到结构化的答案。

这种变化，让学习变得更加高效、更加愉快。

但同时，我们也需要保持警惕——不要完全依赖 AI，不要停止思考，不要放弃深入学习。

AI 是工具，不是拐杖。

它可以帮我们走得更快，但不能替我们走路。