有了 AI，哪些知识还值得自己学会？

能可靠找回的细节，可以更多交给工具；帮助自己提问、辨错和选择的知识，值得学会。

观点草稿 · 2026.09.06 修订

01 · 细节可以查，关系要弄懂

看完一份 AI 摘要，我有时会觉得自己已经懂了。可一旦要解释依据、作出选择，才发现记住的是几句结论。问题在于，我把材料处理完了，当成了自己理解了。

但也没必要因此把所有内容背下来。日历替我记约会，笔记替我存原文，计算器替我算数字。这类借助外部工具减轻认知负担的做法，叫作认知卸载。它可以把精力留给更需要判断的地方。

比如，让 AI 根据一张表计算转化率。假设它给出 10%，除法可以交给它，但几个问题仍需有人判断：分母是访问次数还是访问人数？重复访问算几次？两个时期的口径是否一样？

我可以不记住每个数字，但需要懂得这些区别为什么重要。否则，即使数字算对了，也可能拿它回答了错误的问题。

我的分工是：日期、引文、参数等能找回、能核对的细节，更多交给工具；经常用来理解问题的基础概念、适用条件和判断标准，尽量自己学会。外部记录要留下来源，“以后再问一次 AI”不能保证找回的是同一份依据。

这条边界会随目的变化。熟悉转化率的人，今天只是要交一份报表，可以让工具完成计算，再核对口径和结果。刚开始学习的人，如果把口径选择、计算和解释全交出去，报表完成了，自己却未必会处理下一张表。

如果目标是学会，就值得保留一次自己的尝试：先看解释和范例，再换一组数据，自己说明分母为什么这样选，最后请 AI 对照。需要练习的是以后想独立完成的部分。

已有高中数学实验也提醒了这种差别：普通 AI 辅助组练习得分更高，关闭工具后的独立测验表现却低于对照；带教师提示的版本没有出现同样的显著下降。这是特定情境下的短期结果，但足以提醒我：工具在场时做得顺，不等于自己已经学会。

所以，同一项知识可以有不同安排。只是临时查用，找到可靠答案就够了；准备长期依靠它作判断，就要留下理解和练习的机会。

独立思考也可以借助 AI。它可以解释概念、提出反例，帮我发现“这个 10% 的分母可能选错了”。关键在于，我能否理解这个提醒，找到依据，并因此修正判断。

“最后我来审核”还需要一点真本事：知道查什么，看得到来源。遇到自己判断不了的部分，可以寻求专业帮助或缩小结论；只让同一个模型再肯定一遍，不能替代新的证据。

读完重要材料，我现在想保留一个很小的动作：先收起摘要，解释一个关键选择——为什么这样做，哪个条件变了就不该这样做？说不清的地方，再带着问题回原文，或请 AI 帮忙讲解。

不用复述整篇文章，也不用把所有细节装进脑中。我希望自己既能借助工具把事情做成，也越来越能判断工具给出的答案。

研究依据与适用范围（按需展开）

以下研究提供参考；文中的知识分工是实践判断，不宣称已经完成认知科学验证。