学习工程学 · 四个研究窗口 · 一个现场案例研究
硬核想法总会反弹。三百年配方，交给智能体执行，才能让它真正黏住。
一分钟速览——你能带走什么
四个研究窗口——30天、30个月、30年、300年——达成共识：AI学习工具优化的是「消费」，而持久的学习则住在「生成」那一侧（间隔重复始于1885年，提取练习始于1917年，还有教学复述、动手画图）。而那片墓地（学习风格、快速阅读）证明了：受欢迎程度从来预测不了能否活下来。把AI瞄准生成，索要凭证，把最后一步交还给人类。
上周，我把 Rich Sutton 的《苦涩的教训》——这篇论证「搭载算力的通用方法胜过人工雕琢的专家知识」的文章——投喂给了一整套AI智能体。这套系统学会《苦涩的教训》的方式，恰恰印证了这篇文章自己的预言：不是靠我手工写一份摘要，而是靠运行通用、可验证的机器流程来学。这种自我印证的递归感，挺好笑的。而这套机器流程实际上做的事 一点也不新鲜。这是一套有三百年记录可查的学习方法—— 而如今几乎每一款上市的 AI 学习工具都绕开了它。
消费陷阱（过去 30 天告诉我们的事）
翻遍任何一份当前工具盘点，模式都一模一样：上传论文，得到一份 摘要、一段播客、一支视频概览、几张记忆卡片。 NotebookLM 从 2023 到 2026 的演进 ——Deep Research、支持 80 种语言的语音概览、电影感视频、自动生成的测验——工程上确实令人惊艳，学生们现在看待它 "less like a chatbot and more like a personalized research environment."（中译：与其说它像个聊天机器人，不如说它更像一个为你量身定制的研究环境。） 但请注意每一个箭头的方向：内容都朝你 流来，早已替你嚼碎。这就是 消费。而一个世纪的学习科学给出的一个不太舒服的发现是： 持久的学习，恰恰不会发生在 消费 这一端。反复重读——「接收摘要」的手工版本——正是那个在一次次研究中败下阵来的策略。
什么活过了 300 年（什么又死得很响）
1 · 间隔重复（1885 年被测量，已 141 岁）。Ebbinghaus 从他自己的音节 实验中得出： "with any considerable number of repetitions a suitable distribution of them over a space of time is decidedly more advantageous than the massing of them at a single time"（中译：只要重复次数足够多，把它们适当分散在一段时间里，明显要比集中在一次完成更有利。） (《记忆》，1885 年）。此后在 317 项实验、共 839 次测评 中被复现（Cepeda et al., 2006），如今已 成为医疗专业教育的标配。 经受住了从纸质到软件这一载体变迁的考验（SuperMemo 1985、Anki 2006）。
2 · 提取练习（1917 年成型，已 109 岁）。 Gates 的背诵研究 让孩子们抬起头、脱离书页背诵；一个世纪之后 Roediger & Karpicke (2006) 在成年人身上测出了同样的效应：一周之后，做提取练习的人记住了 61%，而重复阅读的人只记住了 40%。 最古老的声音和最新的证据，跨越 89 年达成一致。
3 · 教是最好的学（格言出自 1801 年，实证支持则是现代才有的）。Joubert 那句 "to teach is to learn twice"（中译：教一遍，等于学两遍），后来变成了可被测量的 门徒效应（protégé effect）： 在Fiorella & Mayer 对生成式学习策略的综述中， 讲给别人听是所有被测试的干预手段里效果最强的几种之一。
4 · 自己动手画出来（典型案例出自 1810 年代，已有约 210 年历史）。Faraday——一个没受过正规数学训练的装订学徒——把自己的听课笔记装订成册，"with detailed illustrations, thoroughly indexed"（中译：配有详尽的插图，并做了完整索引）， 历史学家们认为这些笔记本体现的是创造性科学的主动组织过程， 而不只是被动的记录。现代研究的测量结果是：由学习者自己动手画图，在 28 项研究中的 26 项里跑赢了对照组，效应量中位数 d = 0.40.
过去 30 年测量出了什么，过去 30 个月又改变了什么
过去三十年把这些幸存策略变成了数字——效应量、元分析、 Fiorella & Mayer 的八种生成式策略 （总结、绘制概念图、画图、想象、自测、自我解释、讲授、实演）——以及 一次体裁上的转变：3Blue1Brown（2015 年创立，如今已有 785 万订阅者）证明了，把一个概念的运作机制动画化，可以把研究生级别的 数学带给数百万观众，随后它还开源了 manim 引擎，让这门手艺本身变得可执行、可分享。
接着，过去 30 个月把交付成本几乎压到了零。在一项哈佛的随机对照实验中， 使用经过教学法调优的 AI 辅导工具的学生，用更短的时间学到了超过两倍的内容 而不是同一门课的主动学习课堂（Kestin 等，194 名学生）——作者将此 归功于tuning to pedagogical best practices（中译：对教学法最佳实践的调优），而非模型本身。在尼日利亚埃多州，一项 世界银行随机对照试验 显示，六周有护栏约束的 GPT-4 辅导带来的进步，相当于 1.5–2 years of business-as-usual schooling（中译：一年半到两年常规教学的效果）， 使其成为有史以来经过严格检验的教育干预中，成本效益最高的几个之一——同样 关键的是，提示词的设计是为了促进推理，而非直接给出答案。两者呈现出同一种模式：AI 会放大 你把它指向的那一端，无论是消费端还是生成端。把它指向生成端。
一个意图，四个器官，每条断言都设了关卡
所以这就是我现在在用的方法：一句话交给路由器。我的 allin-anything 超级仓库索引了 一整个智能体仓库家族，每个仓库都有机器可验证的状态。这次的意图是：
一个确定性的路由器（它给出的判定是 pytest 用例，不是凭感觉）点出了三个器官，且每一个器官 own test suite ran green before it was trusted（中译：自己的测试套件全部跑绿之后，才被信任）: master-anything ——负责 教后即讲式的会话结构（15 个测试 + 冒烟测试）· animate-anything ——可执行的动画 制作工艺，一个 10 项检查的风格检查器，得分 100/100 · penecho ——一块从笔到数字画布的工具，200 个测试 锁定在一个固定提交上。这条链条随后产出了 five animated sessions（中译：五段动画讲解），还有这张图—— 以真实笔触绘制，由画布自身的渲染器导出：
《苦涩的教训》的两条曲线——人类先验早早触顶，算力持续攀升——用真实墨迹画了出来
把这条流水线的所作所为映照到那些幸存者身上：它画了出来（Faraday 的做法，d = 0.40），它教后即讲环节（Joubert 的做法，即门徒效应），它把机制动画化，而不是把结论动画化（Sanderson 的做法），最终成果以原始文献自身那些可供出题的论断收尾（Gates 的做法）。唯一一件没有任何一个组件做的事：发布。那是我按下的那一下——每一步不可逆的操作，都值得有这道人类闸门。
四种收获，老老实实对号入座
你用手真正接触到了这个想法——是画在画布上的一笔一划，不是滑动屏幕的手势。证据线：生成式绘图，26/28 项研究呈正向结果；具身操作被列入 Fiorella 与 Mayer 的八大策略之一。
每个环节都逼着你先用自己的话和图把机制讲一遍，再往下走。证据线：提取练习 61% 对 40%；教后即讲／门徒效应，是被测试过的生成式策略中最强的几种之一。
路由器本身就是一台关联引擎：同一个意图，串起了一个数学动画仓库、一块手写画布，还有一个学习回路——想法在你整套工具家族里被互相引用、彼此印证。证据线：Mayer 的多媒体原则——文字加上与之对应的图像，效果胜过纯文字。
每一个组件都带着自己的退出码。你信这个成果，是因为你亲眼看着它一道道闸门通过——信念，就是理解加上凭证。证据线：反面案例集——那些跳过验证环节的领域（学习风格、速读），一遇到它就现形死亡。
自己动手试试（用不用我的仓库都行）
- 选一份啃不动的材料——一篇论文、一份简报、一章你以前碰过就弹回来的内容。
- 提出一个要求生成的意图：「learn X deeply, with an animation per key idea, and a hand sketch of its central figure.」（中译：深入学习X，为每个关键概念配一段动画，并手绘出它的核心图示。）动词比工具更重要。
- 把任务路由给「器官」，而不是摘要生成器 ——一个会话结构器（教后即讲式）、一个动效工具（呈现机制而非装饰）、以及一样你的手能碰到的东西：触控笔、钢笔、白板。
- 索要凭证 ——如果某个AI工具声称能帮你学习，问问它有没有相当于「退出码」的东西。没有闸门，就没有信任：这条规则，是三百年墓地里的亡魂在说话。
- 把最后一步留给人类 ——发布、决定、行动。尼日利亚那项RCT之所以有效，正是因为有护栏，而不是尽管有护栏。
- 把回顾的路程分散开 ——一周后重访这份成果，先复述，再重读。Ebbinghaus从1885年起就没说错过。
递归式的点睛之笔
《苦涩的教训》说的是：借助算力的通用方法，胜过人工精心打造的知识。而这套存活了三百年的学习方法，正是同一类通用方法——画出来、 教出来、测出来、隔开时间练，无论学的是什么科目 ——如今智能体已经让它的执行成本彻底崩塌，就像GPU让搜索与学习的成本崩塌一样。人工精心打造的摘要，就是学习这件事上的 「人类先验」：起步很快，天花板很低。而生成式的循环，才是那条算力曲线。 这张图会怎么收尾，你早就知道——因为你看着我把它画出来了。
🗞 过去30天：NotebookLM 2026版功能集与学生使用模式 （Glasp, DigitalOcean) · 📅 过去30个月: Harvard AI导师RCT, World Bank尼日利亚RCT · 🌳 过去30年: Roediger & Karpicke 2006, Fiorella & Mayer, 3Blue1Brown/manim · 🏺 last300years: Ebbinghaus 1885, Gates 1917, Faraday's notebooks (Royal Institution)， 附赠：反面案例 Thorndike & Woodworth 1901, Pashler et al. 2008。 诚实的局限：AI 导师的证据积累不到三年，且两项随机对照试验都把功劳归给了各自的 教学护栏设计——遇到没有说明设计细节、就宣称「AI 能让学习更好」的说法，请用你 对待「学习风格」推销话术的同等警惕心去对待它。案例研究的凭证（测试数量、退出码、手绘 导出稿）都在 allin-anything repo 的 演练记录与 CI 历史里。
Paul Jialiang Wu · agentic-portfolio-lovat.vercel.app · 案例研究：《苦涩的教训》，一次全情投入的学习 The Bitter Lesson, learned all-in · github.com/wjlgatech/allin-anything