# 科罗拉多大学教授：当 AI 替你完成越来越多工作，怎样保住自己的学习能力？

- 原文链接：https://mp.weixin.qq.com/s/EppqydP6sOy28vk9Rfmy9w
- 来源：微信公众号「Capihom」/ 晚点再听 LaterCast
- 一手内容：EO《A CS Professor on Why Slow Learning Wins in the AI Era》；嘉宾 Tom Yeh（科罗拉多大学博尔德分校计算机科学副教授、AI by Hand 发起人）
- 视频：https://www.youtube.com/watch?v=BAgxGp2WEu4
- 发布时间：2026-08-16 20:30 CST；获取时间：2026-08-17

## 正文

Tom Yeh 研究 AI，却坚持用纸笔拆解 Transformer、注意力机制和矩阵运算。他认为 AI 可以立即给出答案，但“拿到答案”不等于真正掌握。外部答案、证书和学位都是凭证；真正的学习发生在一个人能独立调用概念、发现答案漏洞，并在条件变化后重新解决问题时。

### 答案太快会制造熟悉感幻觉

模型生成得完整顺滑时，人容易把“看懂了”当成“会用了”。判断学习是否发生，不能看答案多漂亮，而要看关掉工具后还剩什么：能否讲出推理、找到漏洞、在新问题中重新做一遍。不能做到时，得到的只是暂时可用的外部结果。

### 慢不是怀旧，而是把卡点显露出来

Tom 教 C++ 时曾整个学期不用现场编程，只在黑板上手写代码。手写将师生锁在同一节奏，无法快进，给每一步留出停顿，也让不理解的地方暴露出来。纸笔的价值不是每件事都手算，而是让最值得拥有的概念经过手和脑，避免被顺滑界面掩盖。

### 区分信息访问与知识所有权

搜索能找到的概念不等于自己的能力。原文将“能拆开、重组并处理新问题”称为知识所有权。资料整理可交给 AI；决定专业上限的概念需要亲自走一遍、验证一遍。否则工具或接口变化后，熟练感会随之消失。

### 工具会变，地基会复用

模型、框架和界面变动很快，但线性代数、概率、数据结构、系统能力和解决问题的方法跨周期复用。原文用宫殿地基比喻：建筑可以被烧掉和重建，地基保留就不必从空地开始。学习重点不应只围绕按钮和步骤，而要分清会过期的装修与可重建能力的地基。

### 不要把作弊问题误归咎于工具

Tom 曾通过重做作业、检查 IP 和埋追踪入口对抗 Chegg 抄袭。Chegg 衰退后作弊动机没有消失，使他意识到问题不只在某个平台，而在制度是否只奖励看似正确的结果。教育若要改变行为，应更重视理解、投入和解决问题的过程；公司若只考核产出数量，也会诱导人用 AI 堆数量而非解决问题。

### AI 放大原有工作方式

原文的招聘观点是：工具熟练度可训练，职业伦理、责任感、解决问题和协作意愿更难补。真正的问题解决者会主动学习新工具；不尊重同事的人不会因为获得 AI 而成为可靠队友。AI 放大既有工作方式，不自动纠正组织在招聘与评价上忽略的品质。

## 证据边界

本文是 Capihom 对 EO 访谈的二手整理。手写教学、Chegg 变化、韩国景福宫历史、招聘结论及“AI 放大人格”等均主要是受访者经验与观点；本条目未独立核验数据、因果关系或历史材料。它可作为“避免认知外包、设计练习与评价机制”的思考框架，而非通用教育政策结论。

标签： #主题/AI时代学习 #主题/认知外包 #主题/深度学习 #主题/个人成长 #节点/知识所有权 #节点/慢学习 #节点/底层地基 #场景/公众号长文