被重塑的学习曲线
在AI时代之前,每个人在学习新知识时,都难免遇到“资源匹配”的问题。学习资源一般是为特定人群设计的,因此对你来说未必是最佳选择:
你是某领域感兴趣的话题
的新手,但却熟悉相关领域相关话题
。但很难找到能够基于相关话题
教授你感兴趣的话题
的资源。
为了有效学习感兴趣的话题
,你其实需要先掌握前置技能
。但作为新手,你可能根本意识不到自己需要先学这个前置技能
。
你对感兴趣的话题
已经有了一些基础知识,但遭遇瓶颈,很难找到帮助你突破中级瓶颈
的资源。
一般来说,一个人掌握技能的学习曲线大致如下:

AI学习的突破之处就在于它能精准适配你的学习水平。AI能以你理解的方式解答问题,甚至帮你处理基础的重复性工作。这就改变了学习的曲https://baoyu.io/uploads/2025-08-01-ai_skills.png01-ai_skills.png" data-width="100%" data-align="center" alt="AI加持后的学习曲线">
精通仍然很难!
领域专家往往对AI持更谨慎的态度。一位来自 Hacker News 的用户表示:
“[AI]很浅薄。我越深入,AI的帮助似乎就越少。而且,如果你在研究复杂且可能有争议的课题时,需要寻找权威或者学术性的来源,那简直就是灾难。”
仔细想想,这种情况很好理解。AI的能力取决于训练数据的丰富性。如果某个话题数据充足、观点一致,AI就能很好地进行整合输出;但如果内容太深奥,数据往往稀少;若是话题充满争议,数据又会出现大量矛盾。因此,精通某个领域依然不易。
AI时代的作弊问题
OpenAI 推出的学习模式(Study Mode) 暗示了另一个问题:你可以直接问AI答案,而非学习。长期来看,作弊者的水平会停https://baoyu.io/uploads/2025-08-01-cheating_with_ai.png/2025-08-01-cheating_with_ai.png" data-width="100%" data-align="center" alt="利用AI作弊形成的平台期">
所以,从长期看,作弊并不会真正使人受益。
学习曲线变化带来的影响
技术变革本质上是生态变革,它带来输家和赢家。AI带来的影响,取决于“做出有影响力产品需要的精通程度”:
编程领域:管理者获益,大型代码库遇冷
工程经理(EM)在尝试编程时经常遇到难题:他们懂得软件设计原则,知道差的软件长什么样子,但却不懂得使用某框架
具体怎么做。这曾使得一个后端工程经理很难在业余时间做出一款 iPhone 应用。