AI 时代学习的无限可能，全在这篇文章里了！

想起自己，花了无数个夜晚啃书本，笔记记了一本又一本。可当需要实际应用时，却发现脑子里一片空白。

为什么我们如此努力，结果却差强人意？

Andy在演讲中提到了两个概念：隐性学习和指导性学习。

什么是隐性学习？

简单来说，就是在实践中学习，边干边学。比如，有人对摄影感兴趣，直接拿起相机就开始拍，通过实践摸索技巧。

再举一个🌰，就像孩子学母语，没人教语法规则，但他们能自然而然地学会。这种学习方式强调探索、兴趣和真实参与。

那指导性学习呢？

就是传统的上课、看书、做练习。这种方式注重系统性、结构化，由老师或教材引导，帮助你一步步掌握知识。

二、为什么学习常常无效？

先说隐性学习的问题。

小明对编程充满热情，直接开始做一个复杂的游戏项目。他兴致勃勃，但很快就遇到了麻烦：代码报错、逻辑混乱、bug层出不穷。他不知道问题出在哪儿，查资料又看不懂，最后只能无奈放弃。

为什么会这样？

因为缺乏基础知识，一上来就挑战高难度，结果可想而知。他想通过实践学东西，但项目的复杂度远超他的能力范围，结果只能是「心有余而力不足」。

再来看指导性学习的不足。

小QQ（我本人）一年前报名参加了一个Python编程课程。她认真听课、做笔记、完成作业，但课程结束后，她发现自己依然不会用Python解决实际问题。

原因在哪儿？

因为缺乏实践应用。学到的都是理论和范例，没有在真实情境中运用过，知识像是手里的沙，抓不住、用不上。

有的教育界老司机可能会说：那项目制 PBL 学习，不就是结合这两种学习方式的优点吗？

其实 Andy 在演讲里也提到了，大部分的项目制学习综合了两者的缺点。学生基础知识也没学好，实践应用也没用上……（这是能说的吗？？）

三、AI来了，改变正在发生

有没有办法，把这两种学习方式的优点结合起来，避开各自的陷阱？

还真有！这就是Andy演讲中提到的对 AI 时代学习的展望——利用AI，将隐性学习和指导性学习融合在一起。

再回到小明的故事。

这次，小明有了一个强大的AI助手。在他的许可下，AI了解了他的兴趣、现有的知识水平，以及他想要实现的目标。

1. AI帮他量身定制了合适的编程项目。

不是一上来就让他做复杂的游戏，而是从一个简单的小游戏开始，既有挑战，又不至于让他望而却步。

2. 编码过程中，AI实时提供指导。

当他遇到问题，比如不清楚某个函数怎么用，AI会在他的编程界面中给出提示，甚至提供相关的例子，手把手教他。

3. 对于不理解的概念，AI生成动态的、多媒体的解释。

比如，变量和循环到底是什么？AI用动画演示，生动直观，让他一下子就明白了。

4. AI还为他推荐了相关的学习资源。

这些资源都是和他的项目直接相关的，学了马上就能用，用了又激发他学更多，形成了良性循环。

让我印象特别深的一幕是，AI 推荐的学习资料是完全个性化的。

比如它推荐一本书，会高亮这本书的重要章节和重要练习。而不是直接给小明开书单。

我想后续 AI 应该能推荐的不仅仅是某一个知识点，而是由这个点延展开的一整张定制化资源网。

5. 最关键的是，AI帮助他建立了学习和实践的闭环。

他在实践中遇到的问题，促使他去学习新的知识；学到的新知识，又能立刻应用到项目中，效果立竿见影。

结果，小明不仅顺利完成了小游戏，还真正学会了编程的基础知识，对编程的兴趣也越来越浓。

四、AI助力学习的现在

可能有人会问：「听起来很美好，但这在现实中能实现吗？」

其实，现在已经有一些AI工具开始朝这个方向发展了。

拿编程来说，GitHub推出的Copilot（我刚拿到 Cursor 账号，还没试用）就是一个很好的例子。它利用OpenAI的模型，在你编写代码时，实时提供代码补全和建议。

它如何帮助学习？

• 实时代码建议：当你在写函数或算法时，Copilot根据上下文，智能地补全代码。不仅提高了效率，还能学到更好的编码方式。

• 解释代码片段：对于不理解的代码，可以向Copilot询问，它会给出详细的解释，帮助你理解背后的原理。

• 提供学习资源：遇到不熟悉的概念，如某个算法或数据结构，Copilot能推荐相关的学习资料或示例代码。

举个🌰：

小李正在学Python，想实现一个快速排序算法，但对细节不太明白。Copilot根据他输入的函数定义，自动补全了完整的快速排序代码，并在注释中解释每一步的作用。

这样一来，小李不仅得到了正确的代码，还深入理解了算法的工作原理。这种即时的、上下文相关的帮助，大大提升了他的学习效果。

虽然目前的AI工具还没法完全达到 Andy 所描绘的图景，但已经让我们看到希望。

五、未来，值得期待

Andy描绘的，是一个学习的新世界。

在这个世界里，学习不再是孤立的记忆，不再是枯燥的练习。它真正融入生活，融入实践，但同时又避免了纯粹隐性学习可能带来的问题。

如何做到这一点？

Andy 的演讲中提了四个设计原则：

1. 在做中学，在学中做

First, we bring guided learning to authentic contexts, rather than thinking of it as a separate activity.

首先，Andy强调，要把指导性学习带入真实的环境中，而不是把它视为独立的活动。当你在电脑上工作时，AI就像一个贴心的小助手，随时准备解答你的疑问。比如，你在写报告，遇到不懂的词，AI立马给你解释。你在编程，卡住了，AI马上提供建议。

这意味着，指导学习不再是独立于实践的事情，而是融入到我们日常的活动中。AI的参与，使得我们在「做中学」，边实践边得到指导，学习效率大大提升。

2. 学以致用，用以促学

Then, when explicit learning activities are necessary, we suffuse them with authentic context.

当你需要专门学习某个知识点时，AI会确保你学的东西与你的实际需求紧密相连。比如，你在学习数据分析，AI不会给你一堆抽象的数字，而是用你正在处理的实际项目数据来设计练习。这样，你学到的知识立刻就能用上。

3. 量身定做，深度链接 

Besides connecting these two domains, we can also strengthen each of them.

无论你是初学者还是老手，AI都能给你合适的建议。对新手来说，AI会推荐简单但有趣的入门项目。对有经验的人，AI则会帮你找到志同道合的伙伴，或者推荐高级的学习资源。

它可以帮你规划学习路径，连接实践社区。

4. 学得扎实，用得灵活 

Finally, when we’re spending time in explicit learning activities, let’s make sure that learning actually works.

AI不仅帮你学习，还确保你真正掌握了知识。它会根据你的学习进度，定期给你温习的机会。更棒的是，它会设计各种有趣的问题和情境，让你把学到的知识活学活用。

感谢Andy的演讲，让我看到了未来学习的可能场景。

如果你也对未来的学习方式感兴趣，不妨去看看他的演讲，可能也会有不一样的收获。

Andy Matuschak的演讲《How might we learn?》链接