你是在用AI学习，还是在跳过学习？
看懂答案，不等于学会。分清完成任务与练习能力，让AI帮助学习，而不是跳过学习。
现在，弄懂一个陌生概念，好像变得很容易。
把问题交给AI，它会拆开解释、举例子，再根据你的反应换一种说法。原来要翻半天资料的东西，几分钟就能得到一份清楚的答案。
读的时候，你觉得每一步都很合理。
但把对话关掉，换一个问题，你还能自己走一遍吗？
Miles Cranmer在《How to Avoid AI Brain Rot》这场演讲里，提出了一个值得警惕的区别：我们交出的成果可以越来越好，但自己做出成果、判断成果的能力，未必在同步成长。
这不一定意味着人变笨了。也可能是，我们把原本用来练习的过程，一起交给了工具。
完成一件事，和学会一件事
假设你面前有一道不会做的题。
AI给出了完整解法，你顺着读下去，发现没有哪一步特别难懂。于是这道题做完了，你也觉得自己会了。
但顺着别人铺好的路走，和自己找到那条路，不是同一件事。
为什么先考虑这个条件？为什么不用另一种方法？如果题目变一点，原来的思路还成立吗？
这些选择，恰好可能是答案里最容易被略过、也最需要自己练习的部分。
演讲提到的一项高中数学研究，就区分了练习时的表现与撤去AI后的考试。直接获得AI帮助可以让练习成绩更好，却不保证学生独立作答时也更好；加入教学保护、主要提供提示的设计，减轻了这种负面影响。研究原文 ↗
这不是说学习时不能使用AI，而是提醒我们：眼前完成得顺利，不能直接当成能力已经长出来。
有些阻力，值得留下
我们习惯用效率判断一个工具：是不是更快，是不是更省事。
对很多工作来说，这个标准没有问题。整理格式、转换文件、处理重复步骤，没有必要为了证明自己在思考而重新做一遍。
但学习有一个不同的地方：有些过程本来就是为了改变自己，而不只是得到结果。
尝试一个解释，发现它不成立；独立推到一半，才知道卡在哪里；以为理解了，讲出来却发现缺了一步。
这些时刻未必舒服，也不意味着越痛苦越好。但如果每次刚遇到它们，就让AI直接补上答案，我们也可能失去发现自己究竟不会什么的机会。
真正值得省掉的，是无意义的消耗，而不是所有需要动脑的部分。
别只让AI回答，也让它追问
同一个工具，可以扮演两种很不同的角色。
一种是替你把答案写完。
另一种是听你解释，然后指出：这里为什么能成立？这个结论有什么前提？换一种情况，你会怎么判断？
前一种更容易让对话快速结束，后一种有时反而会把问题重新打开。
Cranmer分享的学习方式，就是让AI一次问一个问题，自己先尝试解释，卡住时再获得提示，回到材料里补足理解，而不是直接索取整份解答。
Anthropic对陌生编程库学习的研究也提醒了类似区别：得到代码，并不等于理解代码。研究中的使用方式分析显示，那些继续追问概念与解释的人，和把任务整体交出去的人，表现并不相同。不过，这不能简单推广成适用于所有人的固定学习公式。研究介绍 ↗
AI也可能教错。因此，追问不是让它成为唯一裁判，而是帮助自己找到需要回原始材料核对的地方。
先问清楚，这次想得到什么
这里不需要再给自己立一条“永远不能直接问答案”的规则。
赶着完成一件熟悉的工作，和学习一项希望长期掌握的能力，本来就可以采用不同的方法。
如果目标是交付，可以让AI承担更多执行，再用适合的方法检查结果。
如果目标是学习，就值得留一些需要自己完成的步骤：先提出解释，自己做一次尝试，或者离开对话之后，再解决一个略有不同的问题。
甚至同一个任务，也可以分开处理。把不重要的重复步骤交出去，把真正想掌握的部分留下来练。
我们不需要凡事亲力亲为，也不必因为使用了工具就怀疑自己的成长。
但值得偶尔问自己：这次结束之后，除了多了一份答案，我自己多了什么？
是更清楚的问题，是能独立解释的概念，是下次可以自己作出的判断，还是只多了一段暂时看得懂的文字？
AI可以帮我们更快地拿到结果。
但结果进了文档，不等于能力已经长在自己身上。