每天挑选一期硅谷 AI 科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 ，在通勤、走路或做家务时一篇篇轻松听完
“拿到答案，不等于你真正懂了。”
“跳过一个 AI 工具没关系，放弃下一次练习不行。”
“AI 不能改变一个人，只有人能改变 AI。”
Tom Yeh 是科罗拉多大学博尔德分校计算机科学副教授，也是 AI by Hand 的发起人。他研究 AI，却坚持用纸笔拆解 Transformer、注意力机制和矩阵运算。这个看起来有些逆潮流的方法，来自他自己的一段弯路：读书时错过深度学习，成为教授后才从头补课，他真正把数学弄明白的时刻，往往发生在把公式一笔一画写到纸上之后。在他的演示里，每一步矩阵变换都有可见的输入和输出，手算的速度虽然慢，却让原本藏在代码和接口后面的假设逐一露出来。
当 AI 能立刻给出答案，我们还该怎样学习？Tom 并不反对使用工具，他只是把注意力放在更长的时间尺度上：工具更新越来越快，一个人究竟靠什么跟上下一轮变化。
答案来得太快，最容易骗过自己
AI 把“得到答案”的成本压得很低。复制一道题、生成一段代码、让模型解释一个概念，几秒钟就够了。问题在于，眼前出现一份正确结果，很容易让人误以为知识已经进入自己脑中；模型把解释写得越完整、越顺滑，我们也越容易把“我看懂了”错当成“我会用了”，真正碰到没有标准提示的新题，这层熟悉感很快就会散掉。Tom 把学习区分得很清楚：证书、学位和答案都属于外部凭证，真正的掌握发生在你能独立调用这个概念，换个场景仍然知道它为什么成立。
Tom 用纸笔拆解 DeepSeek 的多头潜在注意力与混合专家结构，把模型从黑箱变成可逐步检查的计算过程。
“AI 可以马上给我答案，但拿到答案并不表示我知道了。”
判断自己是否学会，不能看模型写得多漂亮，要看关掉模型之后还剩下什么。 如果你能把推理过程讲给别人听，也能发现答案里的漏洞，并在条件变化后重新做一遍，这个知识才算真正留下来；只要这些步骤仍然完全依赖 AI，得到的就只是一份暂时可用的答案。
一学期不用电脑，他看见了“慢”的价值
Tom 教 C++ 入门时，学生常说课程推进太快。他原本想在有限时间里多讲一点，幻灯片和现场编程却让知识不断从屏幕上滑过去。后来他做了一个很笨的决定：整整一学期不用现场编程，只在黑板上写代码。课堂速度立刻被手写速度锁住，他写到哪里，学生就跟到哪里，没有人能快进；讲者无法一键翻到下一页，学生也不必在上一行还没想明白时追赶新内容，两边终于回到同一条时间线上。
“我只能以人类写字的速度讲，学生也只能以人类能够跟上的速度学。”
手写还顺带解决了注意力问题：学生的手忙着抄笔记，也就很难同时在键盘上刷 Instagram。 这里的“慢”是一种物理限制，它迫使课堂给理解留出停顿。 当教学工具越来越擅长压缩时间，主动保留这点停顿，反而更容易看清自己究竟卡在哪里。
知识要变成自己的，得付出一点时间
Tom 用“所有权”来描述学习结果。一个概念经过搜索就能找到，和你能把它拆开、重组，再用来解决新问题，是两回事。前者属于信息访问，后者才是能力；就像拿到毕业证不代表所有课程都已成为自己的知识，AI 给出的正确答案也只是一次外部调用。纸笔的意义就在这里：每个符号都要经过手和脑，哪里没懂会直接暴露，无法靠顺滑的生成结果蒙混过去。
AI by Hand 的 Transformer 手绘图把自注意力、前馈网络与矩阵运算放在同一张图里，便于沿计算路径逐层验证。
“你有多珍惜一门知识，往往和你为得到它花了多少时间成正比。”
人的时间有限，没必要每件事都手算一遍，但最值得拥有的部分应该慢下来亲自走一遍。 日常资料整理可以交给 AI，决定你专业上限的概念却需要自己拆解和验证；少了这层所有权，工具一换，熟练感往往也会随之消失。
潮流一直换，矩阵乘法一直在
Tom 本科时学线性代数，只把矩阵乘法当作计算机专业的必修要求，并不知道它有什么用。后来《侏罗纪公园》带火 CGI，图形学需要矩阵；大数据兴起，数据处理仍然需要矩阵；机器学习和今天的生成式 AI 又绕回同一个底层。每一轮浪潮都带来新的术语、公司和工具，旧热点退潮后，矩阵乘法却继续留在课程、论文和代码里；哪怕下一轮讨论量子计算，矩阵运算依旧不会离场。
回顾 2008 年《Nature》的 Big Data 封面：热门技术不断改名，处理数据所依赖的数学基础却会跨周期复用。
“每隔两三年，热门的东西会变，但总有一些底层知识不会变。”
看清这种区别，才知道时间该花在哪里：某个模型两个月后还热不热很难预测，Transformer、概率和线性代数明年仍然有用，却相对容易判断。 追新工具可以让你暂时领先，底层知识决定你掉队后能不能追回来。 Tom 当年错过深度学习，后来能够补上，靠的正是拆难题、画图和耐心演算这些看起来很旧的办法。
工具会烧掉，地基能让你重建
几年前，Tom 去韩国参观景福宫。宫殿在十六世纪几乎被烧毁，留下来的部分是石头地基；到了十九世纪，人们沿用同一套地基把宫殿重新建起。建筑的样式、材料和使用方式都可以变化，承重的部分一旦保留下来，重建就不必从空地开始。他把这段历史看成技术学习的参照：模型、框架和界面会消失，只要底层理解还在，新东西来了仍能接着建。
“只要地基足够牢，你就能在上面重新搭起自己的能力。”
如果学习始终围着按钮和操作步骤打转，每次工具更新都像重新盖房。 先分清地基和装修，长期看反而更省时间。 对工程师而言，地基可能是数据结构、系统和数学；对产品经理而言，则可能是用户问题、现实约束和判断证据。地基不必贪多，但要经得起反复使用。
可以错过一个工具，别丢掉学习能力
Tom 建议每个人回想一项真正练过的技能，可能是钢琴、足球或国际象棋。具体技能和 AI 没有直接关系，练成它的过程却很有用：你知道困难可以被拆开，也体验过长时间没有明显进展，最后突然跨过门槛。这样的练习会进入一个人的身份认同，让“我以前学会过难东西，这次也能”不再只是安慰，而是一段有证据的个人经验。
“跳过眼前这个 AI 工具完全没问题，但放弃下一次钢琴或足球练习不行。”
一年后，你也许记不住 Transformer 的每条公式，却会记得自己曾在图书馆坐了几个小时，最后把一个黑箱慢慢打开。 记住所有知识并不现实，愿意走进难题的经验，才会影响下一次学习从哪里开始。 这也意味着，面对不断变长的工具清单，我们无需逐项追赶，可以把注意力留给一段完整的学习循环：提出问题、动手验证、发现错误，再重新解释。AI 可以缩短许多步骤，这份意愿仍得由人自己提供。
学生用 AI 作弊，问题可能不在 AI
Tom 教编程时，为了防止学生在 Chegg 上抄答案，每学期都要重做作业，还试过检查 IP、在网站里放追踪入口。他花了很多精力和平台斗智斗勇，一度希望 Chegg 彻底消失，觉得平台关掉，教育就会轻松一些。后来 AI 抢走了 Chegg 的生意，作弊却没有减少，他才意识到自己盯错了对象：学生寻找捷径的原因一直都在，只是承载捷径的工具换了名字。
ChatGPT 与 Google AI Overviews 在 39 个月内重创 Chegg；平台衰退了，作弊动机并未随之消失。
“Chegg 和 AI 都只是症状，真正的问题是学生为什么觉得自己必须作弊。”
当制度只奖励一份看起来正确的结果，学生自然会寻找成本最低的路径，封掉一种工具也只会让另一种工具补位。 教育真正该奖励的，是理解、投入和解决问题的过程。 这个判断同样适用于公司：只考核产出数量，员工就会用 AI 堆数量；考核问题是否解决，人们才会把工具用在恰当的位置。
招聘别迷信 AI-native，先看这个人靠不靠谱
到了招聘环节，Tom 关心的仍是那些老问题：这个人有没有职业伦理，能不能解决问题，是否愿意和别人合作。真正的问题解决者遇到 AI，通常会主动去学，因为工具确实能帮他更快完成任务；真正的团队成员也会自然寻找用 AI 协作的办法，不需要管理者天天催促“必须 AI-native”。反过来看，工具熟练度可以在入职后继续训练，遇到难题是否肯负责、与人合作时是否可信，却很难靠一次 AI 培训补出来。
“一个人如果不尊重同事，AI 不会突然把他变成团队成员。”
AI 会放大一个人原有的工作方式，却补不上公司选人时忽略的品质。 只顾自己利益的人拿到更强工具后，可能跑得更快，方向却依然没变。招聘时与其把“熟练使用某个模型”列为硬门槛，不如看看候选人过去如何学会新工具，以及他能不能用工具帮助整个团队。
写在最后
面对层出不穷的新模型，我们没必要每次都跟到筋疲力尽。不妨挑一个与你工作最相关的底层概念，暂时关掉 AI，用纸笔写一遍，再试着讲给别人听；讲得清楚，就把工具重新打开，讲不清楚，也正好知道下一步该补哪里。如果一时不知道从哪开始，就从最近一次“能用但说不清原理”的工作入手，把它拆成一个今晚可以验证的小问题。这样的慢，往往比多装一个新工具更接近真正的进步。
内容来源：“A CS Professor on Why Slow Learning Wins in the AI Era”丨 EO（嘉宾：Tom Yeh）
原视频：https://www.youtube.com/watch?v=BAgxGp2WEu4
