如何利用大模型提升学习效率：方法与实践

自从 2022 年底 ChatGPT 横空出世以来，生成式人工智能的浪潮席卷并改变着各行各业。调查显示，当时已有超过 89% 的学生使用 ChatGPT 完成家庭作业，53% 的学生用其写论文。

作为生成式 AI 技术最早的尝鲜者，普通用户是否仍在使用？大模型如何帮助学习？《硅谷 101》访谈了一位 ChatGPT 的高阶玩家——左斯琦。他是一位软件工程师，持续在各种 AI 模型上累计学习了 1100 个小时，从工作流程、使用场景、经验总结等角度分享了如何'玩转'ChatGPT。

第一步： 让 ChatGPT 对想学的东西做一个简述，建立全局理解。将返回的答案记录在电子表格中。

第二步： 除了数学之外，把总结的内容放在 Audible 或 Speechify 等软件里反复听，利用通勤或吃饭时间。

第三步： 听完之后回到电子表格复习，重复两三遍。接着用费曼法自问自答，检验是否真正理解概念。

第四步： 觉得大概理解后，用 ChatGPT 对自己提问题。让它读完文本，提出发散或细节问题，甚至延展到相关领域。

第五步： 使用 RAG（检索增强生成）工具。在用 ChatGPT 回答前，让它先读数据库里存的相关文档或文件，使回答更精确。例如将找到的所有论文存入数据库，通过 API 让它在回答问题前先阅读文献。

这五步是通用的学习路径。相比直接 Google 搜索，RAG 和 API 能更快得到细节准确的答案。例如查询某位哲学家关于黑格尔辩证法的观点，只需下载几百篇文献存入系统，之后可无限次提问，节省大量阅读时间。

在数学方向，ChatGPT 能带来'哥白尼式翻转'。以前学习是被动的接受者，现在可以用 ChatGPT 来问自己问题，或者让它出题，自己扮演老师去挑错。

具体流程是：先写提示词告诉 ChatGPT'你是一个数学专家'，然后'我们一步一步地想'。ChatGPT 列出思考步骤，用户检查哪一步有幻觉或理论错误。这种防守者的视角比挑战者视角想得更深更细，能发现之前看不到的细节，极大提升认知。

ChatGPT 数学证明题的正确率约为 30%，但通过几轮沟通纠正错误后，概率会变大。不过如果沟通超过五六轮，它可能会忘掉之前的内容。目前可以通过开发新的记忆方法或使用 API 来解决。

当有一个宏观想法但缺乏细化能力时，可以和 ChatGPT 讨论具体细节。左斯琦曾花十个小时做了一个帮小朋友学习地理知识的小游戏。他没有前端开发经验，通过复制粘贴 ChatGPT 生成的代码完成了项目。虽然简陋，但实现了地图系统、经验系统和知识库系统。

这个过程中，他主要做产品经理，只负责提出需求和修改意见，尽量不写代码。图形设计素材来自谷歌搜索，放置逻辑由 ChatGPT 处理。问答内容由 ChatGPT 生成，看起来都正确。

除了小游戏，还可以尝试让 AI 模仿特定人物聊天。例如搭建一个包含尼采和黑格尔人格的聊天室。核心需求是让它们之间聊天产生新想法，而非单纯的情感连接。实现方法包括微调开源大模型或使用 RAG 读取特定哲学家的文档。

Claude.ai 适合处理长文本，因为早期 GPT 有字符限制。但现在 GPT Turbo 解决了这个问题。GPTs 功能允许上传 PDF 创建自定义 GPT，但无法像自建 RAG 那样细化到段落级别。

OpenAI 在提高效率降低成本，而不是单纯提升准确性。开发者大会后的 GPT Turbo 有明显提高。Assistant API 支持自我成长的 Agent，这是未来感兴趣的方向。

AI Agent 需要有自己的记忆、规划能力和逻辑能力，能像人一样通过外界交互改变自己的记忆从而发展。目前的 Agent 只能完成固定任务，自我成长型 Agent 可以主动改进工作流。

智商测试分数高只与做测试的能力有关。MBTI、IQTEST 等是一种智力上的偷懒，用于快速分类。哲学的本质是 Clarify Question，把问题回答清楚。与其讨论灵魂不朽等形而上学问题，不如关注 AI 能解决什么问题。

跨学科（哲学、数学、计算机）的共同点是让人开心，是人类筛选后流传下来的美感。学习不是为了占领权力结构，而是体验艺术般的美感。

更多推荐文章