AI都会教你了，为什么还要上课？
这个问题我躲不开，因为我自己就在教AI课。
而且我得先承认：我课上讲的很多东西，你今天直接问AI，它也能讲清楚。
一个概念是什么，一个工具怎么用，它几秒钟就讲完了，还能拿你的工作举例子。
所以一门AI课，如果还拿“课时多、工具全、体系完整”当卖点，
我觉得它还没认真想过：AI对上课这件事，到底意味着什么。
我的答案是这一句：
AI让答案几乎免费。
一门课要上的，是AI给不了的两样：
水面下的判断，和把它练出来的那股劲。
听着有点抽象。我拿一座冰山，把它拆开讲。
先看水面上。
你看别人用AI，能看到什么？一段提示词，一个工具，一个结果。
再加上网上的教程，还有每个月冒出来的新名词、新框架。
这些东西，一分钟就能抄走。所以抄别人的提示词，几乎从来拿不到别人的结果。
通往AGI的路》
AI还让这一层更便宜了。我在课上做过一个小实验：给学员看一份研究摘要，题目叫《一条比Transformer更好的通往AGI的路》。写得很严肃，很具体，该有的词都有。
我问大家信不信，
然后告诉他们：这是我用ChatGPT做的，大概五分钟。
比我们任何人检查的速度都快。
像样又具体的答案，现在几乎不要钱。
AI做出“看起来懂了”的速度，比我们任何人检查的速度都快。
这一层当然有用。一门课连这些都讲不清楚，没资格谈别的。
可它只是门票。
我之前写过一句话：tutorial教会你的东西，其实是不值钱了。
但tutorial帮你跳过的东西，反而是最值钱的。
跳过的是什么？在水面下。
它会在哪坏
要查什么
为谁做
什么叫好
水面下，是你看不见的判断。我把它分成两种直觉。
一种是技术直觉：该给AI什么，它会在哪坏，要查什么。
另一种是产品直觉：什么值得做，为谁做，什么叫好。
先接着说那些新名词。我做了一个网站叫“问问立正”，你问问题，它从我这些年的视频和文章里找答案，资料将近八百万字。
很多人第一反应是：这得搭一套复杂的检索系统吧？我没搭。
向量就存在一个普通文件里，再加上关键词搜索，效果非常好。
知道一项技术是什么，在水面上。
知道这次不用它，在水面下。
为什么要全部装进内存？
这个网站还有两个故事。有一次，它内存超了：平台给256MB，它要260。
AI给的方案很合理：削一削峰值，再去找鸭哥多要点内存。
我问的是另一个问题：资料本来就在文件里，为什么每次都要全部装进内存？
改完以后，103MB，两秒就绪，结果一模一样。
网站挂了二十分钟
还有一次，首页有个列表叫“没看过”，每个人看到的都不一样。
上线第三天，数据库请求已经从一天三千涨到十七万八；第四天，免费额度用完，网站挂了二十分钟。
最快的修法是多花钱。
我问的是：我们真的需要“没看过”吗？不需要。砍掉它，问题就没了。
两次，改变结果的，都是换了一个问题。
这种问题，不在任何提示词模板里。
它会在哪坏
要查什么
为谁做
什么叫好
两种“知道”
激励和约束
你一动手会发生什么
那这些判断从哪来？为什么课上讲了，很多人还是学不会？
再往下一层，是判断的来处。这里有两种“知道”。
第一种，叫世界模型。这是AI和决策领域的一个词。
对世界如何运转的模拟
Jim Fan把它说成：我们脑子里，对世界如何运转的模拟。
我会补一句：它是你自己对原因、激励和约束的理解。什么可能，什么不可能，如果这样做，会发生什么。
比如：如果这个技能便宜了十倍，我的工作会怎样？如果停掉补贴，谁还会买？
刚才那个“没看过”，就是一个例子。我为什么会问“真的需要它吗”？
因为我脑子里有一个很简单的模型：每个人看到的列表都不一样，每来一个人，就得把所有问题重排一遍。成本，就是问题数乘以访客数。
来的人越多、问题越多，它只会越来越贵。看清了这一层，多花钱就不是解法，砍掉才是。
碰到从没见过的情况，也能避开危险的错误。
Yann LeCun说过，有了世界模型，动物只要很少几次尝试，就能学会新技能；碰到从没见过的情况，也能避开危险的错误。
所以想要更好的判断，更多的信息帮不了你，更多的工具也帮不了你。你得长你的世界模型。
那怎么长？做预测。
把你的判断写成会错的样子：会发生什么，概率多大，什么时候见分晓。预测会把你藏着的假设拉到明处，让现实有东西可以打分。错了，就更新。
错了不是失败，含糊到永远不会错，才是失败。
这件事真做得到吗？
2023年3月，GPT-4发布之前，我写下六个关于未来两年的判断，每个都标了概率。
后来，大概率的中了，小概率的没中。这正是你给事情标概率时，希望看到的样子。
切成碎片去检索：找得到“谁说了什么”，答不出“这三年是怎么变的”。
“不是能力不行，是它根本没有一个完整的全景图可以从中提出判断。”
鸭哥也是这么做的。前面说我没搭复杂的检索系统，不是拍脑袋。2025年4月，鸭哥做过一个实验，发现把资料切成碎片去检索，找得到相关的话，却丢了要理解的关系。所以我们一直建议，先试markdown加搜索，让AI按需去读。
背后是同一套方法：先看清一项技术到底解决什么问题，再跟最合理的替代方案比。这套方法，你也学得会。
我们把这些判断和背后的推理都写出来，标上日期。你不用从零开始，可以先借来用，再拿你自己的现实去检验它。
它会在哪坏
要查什么
为谁做
什么叫好
两种“知道”
激励和约束
你一动手会发生什么
就已经看得见
另一种“知道”，是手艺：你还说不清，就已经看得见。
鸭哥看代码，常常一眼就知道问题出在哪。我问过他，这一眼是怎么来的。
他说学生时代，每年写几十万行代码，那时候没有AI，一个字一个字敲出来的。
他也说，光看代码量说明不了什么。他自己的解释是吃过见过：见过设计得好的东西，才知道眼前这个哪里不对。
- 代码让AI写，同样的时间多做几遍、多碰几次现实
- 卡住的时候，有人一眼看出问题在哪
听到这儿，你可能会想：鸭哥这么厉害，那我怎么学？
我给一位学员写点评时说过：我们在教课的时候，我最注重的，就是把鸭哥脑子里的隐性知识显性化。但我们也发现，必须要上手，自己体验一把，才能建立这种直觉。
所以分两半。能说出来的，我们尽量说出来，做成课，比如为什么不教RAG，什么时候不该用AI。你不用也去敲几十万行代码。
说不出来的，你得自己上手。好在代码可以让AI写，同样的时间，你能多做几遍，多碰几次现实；卡住的时候，有人一眼看出问题在哪。
为什么非得自己上手？我在《真本事》里写过：学校里，考试总有标准答案；真实世界，几乎没有。
水面上的，是有标准答案的那部分，正好是AI最擅长的。水面下的没有标准答案，所以没法直接交给你。
AI是门手艺，像游泳。
你坐在菲尔普斯旁边，看他训练一万个小时，下水还是会沉。
水面下的东西，只能做出来。
可问题来了：既然只能做，为什么大多数人知道了，也不去做？
因为知道该做，和真的去做，中间隔着一股劲。
感觉像在进步，其实没有。
没有敌人可打，也没有地方可逃
这股劲，常常漏到两个地方。
一个是“看”。这个月你看了多少AI视频？感觉像在进步，其实没有。
很多人以为自己在学AI，其实是在买“我没有落后”的感觉。你买到的是接触感，不是能力。
另一个是焦虑。焦虑是大脑跑在身体前面：你在想一个还没发生的坏结果，可是没有敌人可打，也没有地方可逃，这股劲就在身体里空转。
V1三个接口串起来
V2让模型决定一切
V3固定步骤交给代码，
AI只管对话
那劲从哪来？有一部分，藏在认知里。
我们AI Architect课上有位学员，给五岁的女儿做识字助手。第一版，每回答一次要等四十秒，女儿等到第三秒就走神了。
第二版，降到将近十秒，可只有七成时候能用。
第三版，把固定的步骤交给普通代码，AI只管对话：不到三秒，而且稳定。
他不是一开始就做出第三版的。第一版和第二版，本来就是用来扔的。你要是觉得第一版就得做对，你根本不敢开始。
工具也一样。它粗糙、老出错的时候，你要知道：这说明时代还早，不说明你不行。知道这一点，卡住了才不会停。
一小件
发出来
你在发之前，你想象的所有东西全都是错的。”
还有一部分，来自具体。抽象的东西让人焦虑，具体的东西不会。
把一件大事，切成今天就能做完的一小件。做完，发出来。
我在一次大师课上说过：全都是你在发之后才有用的。你在发之前，你想象的所有东西全都是错的。
劲不耗在原地打转上
不用走的弯路，一步不走。
最后一部分，来自旁边有人。一个人摸索，要转很多圈；
卡住的时候有人一眼看出来，劲就不会耗在原地打转上。
该自己走的路，一步不少；不用走的弯路，一步不走。
所以AI来了以后，一门课到底该上什么？我的答案是三件事。
第一，把高手水面下的决定摊开给你看：他为什么这么选，在哪里差点选错。
第二，让你在自己的真问题上动手，让现实给你打分。
第三件，是给你做下去的劲：一个今天就能做完的小闭环，卡住时有人带路，做完了有人回应。
我们自己的课也照这个来：每一节都是一个小而真实的闭环，做完，发出来，讨论。
我自己卖课，所以也给你一个检验我的标准：
上完一门课，你手里有没有多出一个做完的东西？
有没有一次卡住以后，自己接着往下走？
都没有的话，这门课至少没给你劲。
你可能会说：AI自己的判断也越来越好了。对，而且还会更好。
可它的判断再好，也装不进你的脑子。你要用好它，先得能挑它给的答案；能挑，靠的还是你水面下的东西。
反过来，如果你已经能自己选问题、自己判断哪里坏了，身边还有高手给你反馈，你可能根本不需要上课。
如果你只是想买一份“没落后”的安心，也别上。
回到开头那个问题：AI都会教你了，为什么还要上课？
如果一门课只给你答案，那确实不用上了。
AI让答案几乎免费。一门课要上的，是AI给不了的两样：水面下的判断，和把它练出来的那股劲。
这一角不放要紧的东西