---
url: /blog/2d97r6y3/index.md
---
# AI 时代的学习与工作新范式

## 核心问题：人机不对齐（Misalignment）

在 AI 协作的新工作流中，人类角色变成了「思考 → 交给 AI → 拿到结果 → 再思考」的循环：

```
人类 ──思考──▶ 提交任务 ──▶ AI 执行 ──▶ 返回结果 ──▶ 人类再思考
```

出现了一种效率落差：

| 角色  | 完成一个任务的时间 |
| --- | --------- |
| 人类  | 2–3 分钟    |
| AI  | 约 40 分钟   |

> 厉害的人可以"一次出"，把 40 分钟视为不存在，专注于"思考 → 跑任务"的循环；但绝大多数人面对复杂项目必须做测试，这中间就产生了大量的 **misalignment（不对齐）**。

***

## 解决方法一：并行策略（流水线）

既然单个任务要等 40 分钟，那就同时跑多个：

* 花 2 分钟想清楚一个任务 → 同时跟 8 个 AI 聊天
* 2 × 8 = 16 分钟，再加上测试 < 20 分钟

这样从「干活」角度，gap 被对齐了。

**局限性：**

* ✅ 简单任务 / 杂活：可以高效并行
* ❌ 创造性任务（需要思考的）：很难并行

***

## 人类思考的串行性

**核心观点：人类的思考无法被并行化。**

思考至少经历两个阶段：

1. **Refuse**（预热 / 加载上下文）—— 学了 10 分钟后才进入状态
2. **Think**（真正思考）

传统的思考效率曲线：

```
效率
 ▲
 │          ╭──────────╮
 │         ╱            ╲
 │        ╱              ╲
 │       ╱                ╲
 │      ╱                  ╲
 │     ╱                    ╲
 │    ╱                      ╲
 │___╱                        ╲___
 └──────────────────────────────────▶ 时间
       爬坡       高效区间      下降
```

并行带来的问题：

* 大量任务并行时，上下文**相互交错**
* 思考 A 时 B 任务进来 → 思路被打断
* 思考产出决定了 AI 输出质量 → 思考质量下降 = 整体效率下降

> 这部分**没有办法取巧**，强行并行创造性思考只会适得其反。

***

## AI 时代下「工作」的三大变化

### 1. 提问化（Project-Context Learning）

* 学习发生在**项目上下文**中
* 提问 → 追问 → AI 展开 A/B/C 的解释 → 所有泛化集中在**一次对话**里
* 大量学习信息游离在笔记系统之外
* 在笔记系统中提问效率很低（相较于直接跟 AI 聊）

### 2. 信息获取成本暴跌

* 上个视频提到的核心观点：**信息获取成本降低 10 倍甚至 100 倍**
* 检索成本极低 → 信息记录意义大幅下降
* 笔记系统已经被重塑

### 3. 碎片时间化

* 为了填补人机 misalignment → 采用并行
* 判断工程师专业度的隐性指标：**能同时跟几个 AI 聊天**（流水线长度）
* AI 单次对话能解决的问题相对固定 → 多开对话多多益善

***

## 核心命题：执行与思考的彻底分离

### 过去

* 执行过程中**蕴含思考**
* 写代码时突然领悟"原来这段代码是这个意思"——思考是执行中的副产品
* 执行本身是串行的，所以没感受到

### 现在

* 执行成本下降 10 倍
* 思考成为**大头**，且思考是**串行化**的
* 必须主动、单独进行思考

### 思考 = 创造 = 学习

本质上，学习是一种**创造行为**：

```
输入 A → 输出 B
输入 B → 输出 C
输入 C → 输出 D
```

你以为输入 D 会输出 F，但这个 use case 并不存在——**你创造了一个预测，并去验证它**。这就是对未知的预测，本质上是创造过程。

> 凡是需要**深度学习、深度思考、深度创造**解决的问题，都可以归为这一类。

**工作中的意义**：你的进行程度 = **个人思维强度 × 流水线长度**

***

## 实例：游戏开发 mod 中的瓶颈

作者在写游戏 mod 时最卡的不是写代码，而是：

* **检测方案**（"这个东西该怎么用？""该有哪些特性？""达到怎样的效果？"）

这种方案设计是 AI 做不好的，属于创造性 / 思考密集型工作。

***

## AI 时代为何会拉大差距

* 过去很多人不做事的瓶颈是**没有时间**（执行太慢）
* 现在执行成本暴跌 → **大量 idea 可以被实施**
* 限制并发数量的本质变成了**思考能力 / 创造能力**
* 思维强度高 + 流水线长的人，效率碾压式领先

***

## 《刻意练习》/ 相关书中的观点

### 1. 拒绝阶段（Refuse）可被压缩

* 原本预热曲线：爬坡时间长
* 训练后：**3–5 分钟**就能进入深度学习 / 深度思考状态

### 2. 学习 ≠ 记忆

* 学习的本质是**类比**和**推演**
* 只看不练 ≠ 学会
* 例：学 React → 跟着文档写 demo → 让 AI 给你 quiz 和泛化 → 做类比

> AI 是非常好的老师，只要你有想法，就能学会。

### 3. 专注时间是可以训练的

* 普通人专注极限 ≈ **2 小时**（受学校考试训练形成：最长理综 / 数学 2 小时）
* 一堂课专注时长 ≈ **45–55 分钟**
* 人类并不天生擅长 40 分钟–2 小时的工作强度，而是**经过长期学校培训**才擅长
* 出学校后，因手机等原因专注力会**退化**
* 这个时间**可以被延长**，但作者自述目前只能专注 1 小时左右

### 4. 上下文切换也可训练

影响因素：

* **未完成的任务**：写作业时想起还有作业没写、大人的课没做 → 注意力分散
* **干扰和诱惑**：写作业时手机放一边

***

## 总结：核心论点清单

1. AI 时代下人与 AI 存在 **misalignment**
2. 解决方法之一是**并行（流水线）**，但只对杂活有效
3. **人类思考是串行的**，思考至少包含 refuse + think 两阶段
4. AI 时代学习的三个特征：**提问化、信息获取成本暴跌、碎片时间化**
5. **执行与思考彻底分离** → 思考成为主要瓶颈
6. **思考 ≈ 创造 ≈ 学习**（都是对未知的预测与验证）
7. 工作效率 = 思维强度 × 流水线长度
8. Refuse 阶段可训练到 **3–5 分钟**
9. 学习 ≠ 记忆，学习是**类比 + 推演**
10. 专注时长 40 分钟–2 小时是**可训练**的，不是天生的
11. 上下文切换也受**未完成任务、干扰诱惑**影响

***

## 弹幕补充

* **山东淄博或青州人？** —— 推测与口音有关
* **阿姆达尔定律发力了** —— 指并行计算的加速比存在上限（Amdahl's Law：系统中串行部分决定了整体加速比的极限），呼应视频中"思考无法并行化"的核心观点